論文の概要: Physics-guided surrogate learning enables zero-shot control of turbulent wings

• arxiv url: http://arxiv.org/abs/2604.09434v1
• Date: Fri, 10 Apr 2026 15:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.943659
• Title: Physics-guided surrogate learning enables zero-shot control of turbulent wings
• Title（参考訳）: 物理誘導型代理学習は乱流翼のゼロショット制御を可能にする
• Authors: Yuning Wang, Pol Suarez, Mathis Bode, Ricardo Vinuesa,
• Abstract要約: 政策は、翼の境界層統計と一致した乱流流で訓練され、NACA4412ウィングに直接Re_c=2times105$で展開され、これはいわゆるゼロショット制御である。 これにより、摩擦抵抗が28.7%減少し、総抵抗が10.7%減少し、摩擦抵抗が40%減少し、総抵抗が5%低下した。
• 参考スコア（独自算出の注目度）: 4.489263241608766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Turbulent boundary layers over aerodynamic surfaces are a major source of aircraft drag, yet their control remains challenging due to multiscale dynamics and spatial variability, particularly under adverse pressure gradients. Reinforcement learning has outperformed state-of-the-art strategies in canonical flows, but its application to realistic geometries is limited by computational cost and transferability. Here we show that these limitations can be overcome by exploiting local structures of wall-bounded turbulence. Policies are trained in turbulent channel flows matched to wing boundary-layer statistics and deployed directly onto a NACA4412 wing at $Re_c=2\times10^5$ without further training, being the so-called zero-shot control. This achieves a 28.7\% reduction in skin-friction drag and a 10.7\% reduction in total drag, outperforming the state-of-the-art opposition control by 40\% in friction drag reduction and 5\% in total drag. Training cost is reduced by four orders of magnitude relative to on-wing training, enabling scalable flow control.
• Abstract（参考訳）: 空気力学的表面上の乱流境界層は、航空機の抵抗の主要な原因であるが、その制御は、特に悪圧勾配の下で、マルチスケールのダイナミックスと空間変動性のために困難である。 強化学習は、標準的な流れにおける最先端戦略よりも優れているが、現実的な幾何学への応用は計算コストと伝達可能性によって制限されている。 ここでは,壁境界乱流の局所構造を利用して,これらの制限を克服できることを示す。 政策は、翼の境界層統計と一致した乱流流で訓練され、NACA4412ウィングに直接$Re_c=2\times10^5$で展開され、これはいわゆるゼロショット制御である。 これにより、摩擦抵抗が28.7%減り、総抵抗が10.7%減り、摩擦抵抗が40.%減り、総ドラッグが5.%減った。 トレーニングコストは、オンウィングトレーニングと比較して4桁程度削減され、スケーラブルなフロー制御が可能になった。

関連論文リスト

• Shocks Under Control: Taming Transonic Compressible Flow over an RAE2822 Airfoil with Deep Reinforcement Learning [3.2481378205832794]
  Re = 50,000における2次元RAE2822翼の流動制御について, 深部強化学習(DRL)を用いて検討した。 流れ場は、複雑な衝撃境界層相互作用、衝撃発振、後縁からのクッタ波の発生など、非常に不安定なダイナミクスを示す。 DRLをベースとした制御は、ドラッグの25.62%の減少と、大幅に196.30%の上昇を達成する。
  論文  参考訳（メタデータ） (2025-11-10T19:15:40Z)
• 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)
• Attention on flow control: transformer-based reinforcement learning for lift regulation in highly disturbed flows [0.0]
  我々は、ピッチ制御により、任意の長さのガスト列で空力リフトを制御するための効果的な制御戦略を学習する。 学習戦略は,ガッツ数の増加に伴って性能ギャップが拡大し,最高の比例制御よりも優れることを示す。
  論文  参考訳（メタデータ） (2025-06-11T20:14:28Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Controlling Rayleigh-B\'enard convection via Reinforcement Learning [62.997667081978825]
  固定外熱勾配下での対流熱交換を抑制または促進するための効果的な制御戦略の同定は、重要な基本的かつ技術的問題である。 本研究では,最先端の強化学習(RL)アルゴリズムに基づく新しい手法を提案する。 我々のRL制御は導電系を安定させ、対流の開始をレイリー数にすることができることを示す。
  論文  参考訳（メタデータ） (2020-03-31T16:39:25Z)

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。