論文の概要: High-lift Wing Separation Control via Bayesian Optimization and Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.11981v1
• Date: Tue, 12 May 2026 11:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.823262
• Title: High-lift Wing Separation Control via Bayesian Optimization and Deep Reinforcement Learning
• Title（参考訳）: ベイズ最適化と深部強化学習による高揚翼分離制御
• Authors: Ricard Montalà, Bernat Font, Oriol Lehmkuhl, Ricardo Vinuesa, Ivette Rodriguez,
• Abstract要約: 開ループベイズ最適化(BO)と閉ループ深部強化学習(DRL)の2つの最適化手法が検討されている。 BOは、揚力を維持しながら-9.7%のドラッグリダクションで効率を+10.9%向上させる安定したジェット速度の特定に成功した。 DRLエージェントは、分散センサからの瞬時フロー情報を活用するが、リフトとドラッグの微妙な改善しか達成せず、効率性は無視できない。
• 参考スコア（独自算出の注目度）: 2.5104533767972974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates active flow control (AFC) of a 30P30N high-lift wing at a Reynolds number Re$_c$ = 450,000 and angle of attack $α$ = 23$^\circ$ using wallresolved large-eddy simulations (LES). Two optimization strategies are explored: open-loop Bayesian optimization (BO) and closed-loop deep reinforcement learning (DRL), both targeting the mitigation of stall and the improvement of aerodynamic efficiency via synthetic jets on the slat, main, and flap elements. The uncontrolled configuration was validated against literature data, confirming the reliability of the LES setup. The BO framework successfully identified steady jet velocities that increased efficiency by +10.9% through a -9.7% drag reduction while maintaining lift. In contrast, the DRL agent, despite leveraging instantaneous flow information from distributed sensors, achieved only minor improvements in lift and drag, with negligible efficiency gain. Training analysis indicated that the penalty-dominated reward constrained exploration. These results highlight the need for carefully designed rewards and computational acceleration strategies in DRL-based flow control at high Reynolds numbers.
• Abstract（参考訳）: 本研究では,レイノルズ数Re$_c$ = 450,000と攻撃角度α$ = 23$^\circ$の30P30N高揚力翼のアクティブフロー制御(AFC)を壁分解大渦シミュレーション(LES)を用いて検討した。 開ループベイズ最適化 (BO) と閉ループ深部強化学習 (DRL) の2つの最適化手法が検討されている。 制御不能な設定は文献データに対して検証され、LESセットアップの信頼性が確認された。 BOフレームワークは、昇降を維持しながら-9.7%のドラッグリダクションで効率を+10.9%向上させる安定したジェット速度の同定に成功した。 対照的に、DRLエージェントは、分散センサからの瞬時フロー情報を活用するにもかかわらず、リフトとドラッグの微妙な改善しか達成せず、効率性は無視できる。 トレーニング分析の結果,ペナルティに支配された報酬は探索を制限していた。 これらの結果は、ハイレイノルズ数でのDRLに基づくフロー制御において、慎重に設計された報酬と計算加速度戦略の必要性を強調した。

関連論文リスト

• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Jet-RL: Enabling On-Policy FP8 Reinforcement Learning with Unified Training and Rollout Precision Flow [48.48936574810267]
  本研究は,FP8 RLトレーニングの総合的研究である。 安定かつ堅牢なRL最適化を実現するFP8 RLトレーニングフレームワークであるJet-RLを提案する。
  論文  参考訳（メタデータ） (2026-01-20T18:54:31Z)
• Reducing base drag on road vehicles using pulsed jets optimized by hybrid genetic algorithms [0.0]
  本稿では, ブラフボディーモデルの後縁に4つのパルスジェットを用いたアクティブフロー制御実験を, 78,300ドルで実施した。 モデルフリーの最適化手法は、非直感的で多面的アクチュエータ戦略を効果的に識別し、重大かつエネルギ的に効率的なドラッグリダクションを実現できる。
  論文  参考訳（メタデータ） (2025-10-30T17:20:44Z)
• QeRL: Beyond Efficiency -- Quantization-enhanced Reinforcement Learning for LLMs [80.76334908639745]
  大規模言語モデル(LLM)のための量子化強化学習フレームワークQeRLを提案する。 QeRLは、NVFP4量子化とローランド適応(LoRA)を組み合わせた問題に対処する。 実験によると、QeRLはロールアウトフェーズで1.5倍以上のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-10-13T17:55:09Z)
• 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)
• Control of Rayleigh-Bénard Convection: Effectiveness of Reinforcement Learning in the Turbulent Regime [6.619254876970774]
  乱流下での対流熱伝達低減のための強化学習(RL)の有効性について検討した。 単エージェントプロキシポリシー最適化(PPO)によって訓練されたRLエージェントは、線形比例微分(PD)コントローラと比較される。 RL剤は、ヌッセルト数によって測定された対流を、適度な乱流系では最大33%減らし、高乱流環境では10%減らした。
  論文  参考訳（メタデータ） (2025-04-16T11:51:59Z)
• Towards Active Flow Control Strategies Through Deep Reinforcement Learning [0.0]
  本稿では,空気力学的物体の抵抗を低減するために,アクティブフロー制御(AFC)のための深層強化学習フレームワークを提案する。 Re = 100で3Dシリンダーで試験され、DRLアプローチは9.32%のドラッグ低減と78.4%のリフト発振を達成した。
  論文  参考訳（メタデータ） (2024-11-08T12:49:24Z)
• Run LoRA Run: Faster and Lighter LoRA Implementations [50.347242693025336]
  LoRAは、線形層に低ランクアダプタを導入することにより、ニューラルネットワーク内のトレーニング可能なパラメータの数を減らすテクニックである。 本稿では,LoRAの効率的な実装のためのRunLoRAフレームワークを提案する。 実験は、言語モデリングネットワーク上で最大28%のスピードアップを示す。
  論文  参考訳（メタデータ） (2023-12-06T10:54:34Z)
• Active Control of Flow over Rotating Cylinder by Multiple Jets using Deep Reinforcement Learning [0.0]
  本稿では, 深部強化学習(DRL)アルゴリズムとともにシリンダーに回転を付加する。 回転とDRLの組み合わせは渦の沈みを抑え、カルマン渦路を安定化させ、抵抗係数を最大49.75%減少させるので有望であることがわかった。
  論文  参考訳（メタデータ） (2023-07-22T14:15:29Z)

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。