This research can have applications in controlling tubulence created by rotating machines like gas turbines, wind turbines, internal combustion engines, compressors,.
Paper:
News release:
湍流是自然界和工业中最常见的流体形态，对其进行精准控制不仅可以深化对自然界湍流的科学认知，还可以在航空、航天、能源、石油等重要工业民用中避免湍流危害而产生巨大的经济效益。随着人工智能技术的发展，流体智能控制成为当前流体力学研究的热点和前沿方向。
团队采用自主研发的高置信度高精度谱元法湍流求解器，对雷诺（Reynolds）数Re=1.4x105条件下的圆柱绕流科学难题进行了深入研究，发展深度强化学习方法来控制圆柱后侧小圆柱的旋转速度和方向，控制主圆柱表面的边界层及后侧的尾迹。结果表明，无需借助任何人类的知识，针对不同的优化目标，深度强化学习可以快速学会准确控制湍流边界层。本研究还进一步提出了一种采用多个数值模拟同步产生低雷诺数训练数据，并迁移学习到高雷诺数流动控制的创新方法，这样更快速更准确地实现流动控制。
姜孝谟教授数字能源装备团队成立于2020年，由多位海归博士组成。团队依托分别于2020年和2022年创建的辽宁省工业装备数字孪生重点实验室和大工碳中和研究院等平台，面向绿色能源智能化及碳中和国家战略需求，针对大型能源动力装备及关键部件数字孪生和智慧运维中的科学问题和关键技术，与美国MIT、布朗大学等多所名校的国际著名学者合作，长期致力于数物虚融合、物理可解释AI、AI4Science、轻量化建模等理论方法及应用研究。本论文研究成果有望在面向燃气轮机、发动机、压缩机、风电等旋转机械基于数字孪生的湍流控制方面，解决高雷诺数下的小数据和高效高精度计算难题，并在湍流危害控制方面发挥重要的作用。
Paper:
Deep reinforcement transfer learning of active control for bluff body flows at high Reynolds number
Abstract
We demonstrate how to accelerate the computationally taxing process of deep reinforcement learning (DRL) in numerical simulations for active control of bluff body flows at high Reynolds number () using transfer learning. We consider the canonical flow past a circular cylinder whose wake is controlled by two small rotating cylinders. We first pre-train the DRL agent using data from inexpensive simulations at low , and subsequently we train the agent with small data from the simulation at high (up to =1.4×105). We apply transfer learning (TL) to three different tasks, the results of which show that TL can greatly reduce the training episodes, while the control method selected by TL is more stable compared with training DRL from scratch. We analyse for the first time the wake flow at =1.4×105 in detail and discover that the hydrodynamic forces on the two rotating control cylinders are not symmetric.News release:
能动学院姜孝谟教授团队在湍流智能控制研究取得突破性进展
近日，能源与动力学院姜孝谟教授团队在深度强化迁移学习对复杂流体控制方面的研究取得突破性进展，成果基于深度强化迁移学习的高雷诺数条件下钝体流动的主动控制（Deep reinforcement transfer learning of active control for bluff body flows at high Reynolds number）在流体力学国际顶刊《流体力学杂志》（Journal of Fluid Mechanics）发表。文章第一作者为王志成副教授，除了姜孝谟教授，合作者还包括西湖大学范迪夏教授，美国麻省理工学院(MIT)Michael Triantafyllou教授和布朗大学(Brown)的美国工程院院士George Karniadakis教授。湍流是自然界和工业中最常见的流体形态，对其进行精准控制不仅可以深化对自然界湍流的科学认知，还可以在航空、航天、能源、石油等重要工业民用中避免湍流危害而产生巨大的经济效益。随着人工智能技术的发展，流体智能控制成为当前流体力学研究的热点和前沿方向。
团队采用自主研发的高置信度高精度谱元法湍流求解器，对雷诺（Reynolds）数Re=1.4x105条件下的圆柱绕流科学难题进行了深入研究，发展深度强化学习方法来控制圆柱后侧小圆柱的旋转速度和方向，控制主圆柱表面的边界层及后侧的尾迹。结果表明，无需借助任何人类的知识，针对不同的优化目标，深度强化学习可以快速学会准确控制湍流边界层。本研究还进一步提出了一种采用多个数值模拟同步产生低雷诺数训练数据，并迁移学习到高雷诺数流动控制的创新方法，这样更快速更准确地实现流动控制。
姜孝谟教授数字能源装备团队成立于2020年，由多位海归博士组成。团队依托分别于2020年和2022年创建的辽宁省工业装备数字孪生重点实验室和大工碳中和研究院等平台，面向绿色能源智能化及碳中和国家战略需求，针对大型能源动力装备及关键部件数字孪生和智慧运维中的科学问题和关键技术，与美国MIT、布朗大学等多所名校的国际著名学者合作，长期致力于数物虚融合、物理可解释AI、AI4Science、轻量化建模等理论方法及应用研究。本论文研究成果有望在面向燃气轮机、发动机、压缩机、风电等旋转机械基于数字孪生的湍流控制方面，解决高雷诺数下的小数据和高效高精度计算难题，并在湍流危害控制方面发挥重要的作用。
