論文の概要: Hypersonic Flow Control: Generalized Deep Reinforcement Learning for Hypersonic Intake Unstart Control under Uncertainty

• arxiv url: http://arxiv.org/abs/2602.02531v1
• Date: Tue, 27 Jan 2026 22:38:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.90768
• Title: Hypersonic Flow Control: Generalized Deep Reinforcement Learning for Hypersonic Intake Unstart Control under Uncertainty
• Title（参考訳）: 超音速流制御:不確かさ下での超音速吸入開始制御のための一般化された深部強化学習
• Authors: Trishit Mondal, Ameya D. Jagtap,
• Abstract要約: アンスタートはマッハ5以上での信頼性の高い空気呼吸推進への大きな挑戦である。 正準2次元超音速インレットにおいて,マッハ5とレイノルズ5倍の106$でアンスタートを制御する戦略を示す。 その結果,実運用上の不確実性の下でのリアルタイム超音速流制御におけるデータ駆動型手法が確立された。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The hypersonic unstart phenomenon poses a major challenge to reliable air-breathing propulsion at Mach 5 and above, where strong shock-boundary-layer interactions and rapid pressure fluctuations can destabilize inlet operation. Here, we demonstrate a deep reinforcement learning (DRL)- based active flow control strategy to control unstart in a canonical two-dimensional hypersonic inlet at Mach 5 and Reynolds number $5\times 10^6$. The in-house CFD solver enables high-fidelity simulations with adaptive mesh refinement, resolving key flow features, including shock motion, boundary-layer dynamics, and flow separation, that are essential for learning physically consistent control policies suitable for real-time deployment. The DRL controller robustly stabilizes the inlet over a wide range of back pressures representative of varying combustion chamber conditions. It further generalizes to previously unseen scenarios, including different back-pressure levels, Reynolds numbers, and sensor configurations, while operating with noisy measurements, thereby demonstrating strong zero-shot generalization. Control remains robust in the presence of noisy sensor measurements, and a minimal, optimally selected sensor set achieves comparable performance, enabling practical implementation. These results establish a data-driven approach for real-time hypersonic flow control under realistic operational uncertainties.
• Abstract（参考訳）: ハイパーソニック・アンスタート現象はマッハ5以降において、強い衝撃-境界層相互作用と急激な圧力ゆらぎが入口操作を不安定にする、信頼性の高い空気呼吸推進に大きな課題をもたらす。 ここでは,マッハ5号とレイノルズ5号の正準2次元超音速入口における未始動を制御するためのDRLに基づくアクティブフロー制御戦略を実証する。 本発明の社内CFDソルバは、リアルタイム展開に適した物理的に一貫した制御ポリシーを学ぶのに不可欠な衝撃運動、境界層力学、フロー分離などのキーフロー特徴を解消し、適応メッシュ精錬による高忠実度シミュレーションを可能にする。 DRL制御装置は、燃焼室条件の異なる幅広い後方圧力に対して、入口を安定的に安定化させる。 さらに、様々なバックプレッシャレベル、レイノルズ数、センサー構成を含む、これまで見られなかったシナリオに一般化し、ノイズ測定で操作することで、強いゼロショットの一般化を示す。 ノイズの多いセンサ測定の存在下では制御は引き続き堅牢であり、最小限の最適選択されたセンサーセットは同等のパフォーマンスを達成し、実用的な実装を可能にしている。 これらの結果は,実運用上の不確実性の下でのリアルタイム超音速流制御のためのデータ駆動型アプローチを確立する。

関連論文リスト

• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• CL-DiffPhyCon: Closed-loop Diffusion Control of Complex Physical Systems [10.167080282182972]
  物理系制御のための効率的な閉ループ拡散法(CL-DiffPhyCon)を提案する。 CL-DiffPhyConは、異なる物理時間ステップに非同期なdenoisingフレームワークを使用することで、システムからのリアルタイムフィードバックに条件付けられた制御信号を生成する。 CL-DiffPhyConを1次元バーガースの方程式制御と2次元非圧縮性流体制御の2つのタスクで評価した。
  論文  参考訳（メタデータ） (2024-07-31T14:54:29Z)
• Iterative Learning Control of Fast, Nonlinear, Oscillatory Dynamics (Preprint) [0.0]
  非線形でカオス的で、しばしばアクティブな制御方式では速すぎる。 そこで我々は,反復的,軌道最適化,パラメータ調整による代替能動制御システムを開発した。 特定の要件を満たす限り、コントローラは情報不足や制御不能なパラメータに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-05-30T13:27:17Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• Dynamic Feature-based Deep Reinforcement Learning for Flow Control of Circular Cylinder with Sparse Surface Pressure Sensing [6.330823385793404]
  本研究では,低抵抗および低リフト変動に着目した閉ループシリンダーウェイク制御のための自己学習アルゴリズムを提案する。 その結果、動的特徴ベースDRL(DF-DRL)は、動的モデルなしで自動的に植物内のフィードバック制御を学習する。
  論文  参考訳（メタデータ） (2023-07-05T02:56:29Z)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• Optimal control of a nitrogen-vacancy spin ensemble in diamond for sensing in the pulsed domain [52.77024349608834]
  固体材料の欠陥は、量子センシングに理想的なプラットフォームを提供する。 このようなアンサンブルの制御は、欠陥エネルギーレベルとマクロサンプル間の任意の制御領域の両方の空間的変動のために困難である。 Floquet理論と最適制御最適化法を用いて,これらの課題を克服できることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-01-25T13:01:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。