🔬 applied physics

Acoustics-based Active Control of Unsteady Flow Dynamics using Reinforcement Learning Driven Synthetic Jets

تقدم هذه الورقة إطار عمل للتعلم التعزيزي العميق يستخدم قياسات صوتية من المجال البعيد كإشارة تغذية راجعة أساسية لتوجيه تشغيل النفث الاصطناعي، مما ينجح في كبح ديناميكيات الاستيقاظ غير المستقرة خلف أسطوانة دائرية وتحقيق تخفيضات كبيرة في الضوضاء المشعة والسحب دون الاعتماد على مستشعرات السرعة أو الضغط التقليدية.

المؤلفون الأصليون: Siddharth Rout, Khai Phan, Chao-An Lin

نُشر 2026-05-12

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Siddharth Rout, Khai Phan, Chao-An Lin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تقف بجانب سارية علم في يوم عاصف. الرياح لا تكتفي بالمرور بجانب السارية فحسب، بل تُحدث صوت "رفرفة" إيقاعي وتتسبب في اهتزاز السارية. في الفيزياء، يُسمى هذا "الأثر" (wake)، حيث تدور الرياح في دوامات حلزونية (مثل أعاصير صغيرة) تخلق قوة سحب (تؤدي إلى إبطاء الأشياء) وضجيجاً.

لعقود من الزمن، حاول المهندسون إيقاف هذا الاهتزاز والضجيج. عادةً ما يفعلون ذلك عن طريق تركيب مستشعرات تقيس سرعة الرياح أو الضغط بجوار السارية مباشرةً لإخبار جهاز كمبيوتر بكيفية معالجة الأمر.

تقدم هذه الورقة البحثية فكرة ذكية وجديدة: ماذا لو استمعنا فقط إلى الضجيج بدلاً من قياس الرياح؟

إليك شرح مبسط لكيفية قيام الباحثين بذلك، باستخدام تشبيهات من الحياة اليومية:

1. المشكلة: السارية المهتزة

قام الباحثون بمحاكاة رياح تهب حول أسطوانة دائرية (مثل أنبوب أو سارية علم). عندما تصطدم الرياح بها، فإنها تخلق "شارع دوامات" (vortex street) — وهو عبارة عن خط من فقاعات الهواء الدوارة التي تنفصل من الأعلى والأسفل. يتسبب هذا في شيئين سيئين:

السحب (Drag): يتعرض الجسم لدفعة قوية للخلف.
الضجيج: يخلق الهواء الدوار صوتاً طنيناً (مثل الصفير).

2. الحل: "الأذن الذكية" و"الرئتين الاصطناعتين"

بدلاً من استخدام مستشعرات رياح معقدة، استخدم الفريق "عميل تعلم تعزيزي عميق" (DRL). فكر في هذا العميل كطالب ذكي جداً يتعلم كيف يلعب لعبة فيديو.

"الآذان" (التغذية الراجعة): بدلاً من مراقبة الرياح، "يستمع" العميل إلى ضغط الصوت (الضجيج) الناتج عن الهواء الدوار باستخدام مصفوفة ميكروفونات افتراضية موضوعة في اتجاه تيار الهواء.
"الرئتان" (التفعيل): تحتوي الأسطوانة على "فميين" صغيرين (نفثات اصطناعية) في أعلاها وأسفلها. يمكن لهذه النفثات أن تنفخ الهواء للخارج أو تسحبه للداخل، وهي تعمل مثل الرئتين الاصطناعتين اللتين يمكنهما النفخ أو الشهيق لتغيير مسار الرياح.

3. عملية التعلم: التجربة والخطأ

لم يكن لدى وكيل الذكاء الاصطناعي معرفة بقواعد الفيزياء في البداية. كان عليه أن يتعلم من خلال الممارسة، تماماً كما يتعلم الطفل المشي عبر السقوط والمحاولة مرة أخرى.

الهدف: كانت تعليمات العميل الوحيدة هي: "اجعل الضجيج أخفض".
الاستراتيجية: يقوم العميل بنفخ الهواء من النفثات العلوية أو السفلية. إذا أصبح الضجيج أخفض، يحصل على "مكافأة" (مثل النتيجة العالية في لعبة). وإذا أصبح الضجيج أعلى، يحصل على عقوبة.
الاكتشاف: من خلال آلاف المحاولات، اكتشف الذكاء الاصطناعي بالضبط متى وبأي قوة ينفخ الهواء لإلغاء الدوامات الدوارة قبل أن تزداد صخباً وتسبب الاهتزاز.

4. النتائج: أكثر هدوءاً وسلاسة

تشير الورقة البحثية إلى أن نهج "الاستماع" هذا نجح بشكل مفاجئ. فمن خلال التفاعل مع الصوت ببساطة:

تقليل الضجيج: انخفض "طنين" الرياح بنسبة تقارب 9.5%.
تقليل السحب: انخفضت القوة التي تدفع الأسطوانة للخلف بنسبة 23.8%.
الاستقرار: تم تهدئة الاهتزازات العنيفة في أثر الرياح بشكل ملحوظ.

الخلاصة الكبرى

تزعم الورقة البحثية أنك لست بحاجة لرؤية الرياح للتحكم فيها؛ بل تحتاج فقط لسماعها. فمن خلال استخدام الصوت كإشارة أساسية، تعلم الذكاء الاصطناعي كيفية "ضبط" تدفق الهواء مثل موسيقي يضبط آلة موسيقية، محولاً تدفقاً فوضوياً وصاخباً وعالي السحب إلى تدفق سلس وهادئ وفعال.

باخت-القول: لقد علموا الكمبيوتر كيف "يستمع" إلى شكاوى الرياح و"ينفخ" القدر المناسب من الهواء لجعلها تتوقف عن الشكوى، مما أدى إلى تدفق أكثر هدوءاً وكفاءة.

ملخص تقني: التحكم الصوتي في التدفق باستخدام التعلم المعزز

بيان المشكلة
اعتمد التحكم النشط في التدفق (AFC) تقليديًا على متغيرات الحالة مثل السرعة، أو الضغط، أو الدوامية كإشارات للتغذية الراجعة لتنظيم ديناميكيات التدفق غير المستقرة. ومع ذلك، غالبًا ما تتطلب هذه الطرق تقريبات معقدة لحالة الفضاء ودوال النقل التي تعتمد على الحالة وتفتقر إلى القدرة على التعميم. علاوة على ذلك، فإن درسات التعلم المعزز العميق (DRL) الحالية في ديناميكا السوائل تستخدم بشكل أساسي ملاحظات مجال السرعة أو معاملات القوة كتغذية راجعة. تعالج هذه الورقة الفجوة في استخدام الملاحظات الصوتية كإشارة تحكم رئيسية. ويفترض المؤلفون أنه بما أن انفصال الدوامات هو مصدر الضوضاء المتولدة من التدفق (كما هو موضح في قياس لايت هيل الصوتي - Lighthill's Acoustic Analogy)، فإن البصمة الصوتية للأثر (wake) تحتوي على معلومات كافية للتحكم في التدفق. المشكلة المحددة التي يتم استقصاؤها هي كبح ديناميكيات الأثر غير المستقرة وتخفيف الاضطرابات الناجمة عن التدفق خلف أسطوانة دائرية عند رقم رينولدز قدره 100، باستخدام الصوت كآلية وحيدة للتغذية الراجعة.

المنهجية
تستخدم الدراسة إطار عمل شبكة كيو العميقة (DQN) المتكاملة مع النفث الاصطناعي (synthetic jet actuation) على أسطوانة دائرية.

إعداد المحاكاة: يعتمد النطاق الحسابي على معيار DFG 2D-3 (تدفق حول أسطوانة) باستخدام برنامج الحل DOLFINx. التدفق غير قابل للانضغاط برقم رينولدز ( $Re$ ) يساوي 100.
التفعيل (Actuation): يوجد نفثان اصطناعيان على السطحين العلوي والسفلي للأسطوانة (بشكل عمودي على اتجاه التدفق). يعمل هذان النفثان عبر النفخ والامتصاص، ويتم التحكم فيهما بشكل مستقل بواسطة وكيل التعلم المعزز العميق (DRL).
صياغة التغذية الراجعة (الابتكار): بدلًا من قياس السرعة أو الدوامية مباشرة، يستخدم النظام مستويات ضغط الصوت (SPL) المستمدة من تقلبات الضغط الهيدروديناميكي. يحيط بالأسطوانة مصفوفة كثيفة مكونة من 2,500 مستشعر (2,000 أفقي و500 رأسي) لالتقاط مجالات الضغط. يتم حساب مستوى ضغط الصوت الفعال ( $SPL_{eff}$ ) كقيمة جذر متوسط المربعات لتقلبات الضغط بالنسبة لمتوسط الضغط. يعمل هذا المستوى ( $SPL$ ) كمدخل للحالة لوكيل DQN.
بنية التعلم المعزز العميق (DRL): يستخدم الوكيل شبكة عصبية مكونة من أربع طبقات متصلة بالكامل (50 عقدة لكل منها) مع تفعيل ReLU. المدخل عبفي عبارة عن متجه رباعي الأبعاد يتكون من مستويات SPL من مصفوفات المستشعرات العلوية والسفلية والسرعات الحالية للنفثين. المخرج هو إجراء التحكم (تعديل سرعات النفث).
استراتيجية التدريب: تنقسم المحاكاة إلى مرحلتين:
1. الاستكشاف: يستكشف الوكيل نطاقًا واسعًا من زيادات سرعة النفث ( $\pm0.01$ إلى $\pm0.5$ ) لتحديد أنماط التحكم المثلى.
2. الاختبار: يعمل الوكيل بمجموعة ثابتة من قيم سرعة النفث المنفصلة للتحقق من الاستقرار والأداء.
دالة المكافأة: ترتبط المكافأة بشكل صارم بخفض مستوى ضغط الصوت (SPL). تُمنح مكافآت عالية لقيم SPL التي تقل عن 66 ديسيبل، بينما تُطبق عقوبات للقيم التي تتجاوز 74.5 ديسيبل.

المساهمات الرئيسية

إطار التحكم المدفوع صوتيًا: يرسخ هذا العمل رابطًا مباشرًا بين الانبعاثات الصوتية في المجال البعيد والتفعيل في المجال القريب، مما يثبت أن الاستشعار الصوتي وحده يمكن أن يوفر معلومات كافية للتحكم الفعال في التدفق ذي الحلقة المغلقة دون الحاجة لاستشعار السرعة أو الدوامية بشكل صريح.
التعلم المعزز العميق للتنظيم الصوتي: يقدم استراتيجية قائمة على DQN مصممة خصيصًا لتقليل مستويات ضغط الصوت الناتجة عن انفصال الدوامات، مع اعتبار خفض الضوضاء الهدف الأساسي لاستقرار التدفق.
الأداء الكمي: توفر الدراسة أدلة كمية على أن التغذية الراجعة الصوتية يمكنها في الوقت نفسه تقليل الضوضاء المشعة والسحب الديناميكي الهوائي، متفوقة على التدفقات الأساسية غير المتحكم بها ومظهرة نتائج تنافسية مقابل تكوينات DRL القائمة على السرعة.

النتائج
استمرت عمليات المحاكاة لمدة 20 ثانية (10,000 خطوة زمنية) عند رقم رينولدز 100.

خفض الضوضاء: نجحت استراتيجية التحكم في تقليل الضوضاء المشعة. كان مستوى SPL الأساسي حوالي 73.5 ديسيبل.
- الحالة الاختبارية 1 (سرعات نفث أقل) خفضت SPL إلى 69.0 ديسيبل (خفض بنسبة 6.1%).
- الحالة الاختبارية 2 (سرعات نفث أعلى) خفضت SPL إلى 66.5 ديسيبل (خفض بنسبة 9.5%).
خفض السحب: خففت الطريقة أيضًا بشكل كبير من معامل السحب ( $C_D$ $C_{D}$ ).
- متوسط $C_D$ الأساسي كان 3.15.
- الحالة الاختبارية 1 خفضت $C_D$ إلى 2.65 (خفض بنسبة 15.9%).
- الحالة الاختبارية 2 خفضت $C_D$ إلى 2.40 (خفض بنسبة 23.8%).
استقرار الأثر: أدى التحكم إلى تخفيف ملحوظ في تذبذبات الأثر. انخفض الانحراف المعياري لمعامل الرفع والتقلب المتوسط لسرعة التدفق في المنطقة الخلفية بشكل كبير، مما يشير إلى كبح هياكل الأثر المتماسكة.
التحقق من الصحة: أكدت تحليلات استقلال الشبكة وحساسية الخطوة الزمنية موثوقية النتائج. تم تحقيق التقارب الإحصائي بعد حوالي 20 دورة من انفصال الدوامات.

الأهمية والادعاءات
تزعم الورقة أن هذا البحث يثبت جدوى استخدام التعلم المعزز المستنير صوتيًا لتحقيق استقرار الأثر التكيفي تحت ظروف التدفق غير الخطية. ويؤكد المؤلفون أن نتائجهم تسلط الضوء على إمكانية استخدام الاستشعار الصوتي كـ نمط تغذية راجعة غير اقتحامي للتحسين الديناميكي الهوائي والصوتي المقترن في تدفقات الأجسام الضخمة (bluff-body flows).

تشير الدراسة إلى أن التحكم في "مصدر" الضوضاء (الدوامية) عبر التغذية الراجعة الصوتية هو نهج منطقي وفعال للتحكم في التدفق. وبينما يقر المؤلفون بأن الإطار الحالي لا يسعى للوصول إلى التحكم الأمثل عالميًا بالمعنى الرياضي الصارم، إلا أنهم يخلصون إلى أن استراتيجية DRL تحدد باستمرار أنظمة التفعيل الفعالة ديناميكيًا. يعد هذا العمل خطوة نحو دمج تقنيات التعلم الآلي لتعزيز كفاءة أنظمة التحكم النشط في التدفق، مع تطبيقات محتملة لتقليل الاهتزازات الناجمة عن التدفق والسحب في تطبيقات هندسية مثل الهياكل البحرية والطائرات. وذكر المؤلفون صراحةً أن الأكواد البرمجية متاحة لتسهيل المزيد من الأبحاث في هذا المجال.