Numerical Approach for On-the-Fly Active Flow Control via Flow Map Learning Method

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "نهج عددي للتحكم النشط في التدفق أثناء التشغيل عبر طريقة تعلم خريطة التدفق."

1. بيان المشكلة

تتناول الورقة البحثية تحدي التحكم الأمثل للأنظمة الديناميكية المعقدة، مع التركيز بشكل خاص على التحكم النشط في التدفق (AFC) لتقليل السحب في تدفق ثنائي الأبعاد غير انضغاطي يمر حول أسطوانة دائرية.

• التحدي الجوهري: تتطلب طرق التحكم الأمثل التقليدية (مثل التحكم التنبئي بالنموذج، أو الطرق القائمة على الملحق/Adjoint) عمليات محاكاة أمامية متكررة للمعادلات التفاضلية الجزئية (PDEs) الحاكمة — وفي هذه الحالة، معادلات نافيير-ستوكس. هذه المحاكاة مكلفة حاسوبياً، مما يجعل التحكم في الوقت الفعلي ("أثناء التشغيل") أمراً صعباً، خاصة في الأنظمة غير الخطية أو عندما يجب اتخاذ القرارات عبر العديد من تكوينات المعلمات.
• الهدف المحدد: تقليل متوسط معامل السحب ($C_D$) مع تقييد معامل الرفع ($C_L$) من خلال التحكم في النفاثات الاصطناعية (حقن/امتصاص) على سطح الأسطوانة.
• السيناريوهات: تدرس الدراسة سيناريوهين:
  1. النوع الأول (Type-I): رقم رينولدز ثابت ($Re = 300$).
  2. النوع الثاني (Type-II): رقم رينولدز غير معروف ضمن نطاق ($100 \le Re \le 500$)، مما يتطلب من المتحكم التكيف دون معرفة صريحة بالمعلمات الفيزيائية للتدفق.

2. المنهجية

يقترح المؤلفون إطار عمل عددي قائم على البيانات يفصل بين تخليق التحكم وبين محاكاة التدفق كاملة الرتبة. جوهر الطريقة هو تعلم خريطة التدفق (FML).

أ. تعلم خريمة التدفق (FML)

بدلاً من تعلم المعادلات الحاكمة أو الحالة الكاملة للنظام، يتعلم المؤلفون المشغل التطوري للزمن المنفصل (خريطة التدفق) لـ كميات الاهتمام (QoIs) — وتحديداً معاملات السحب والرفع.

• بنية النموذج: يتنبأ نموذج FML بالحالة التالية لـ QoIs ($V_{n+1}$) بناءً على تاريخ من الـ QoIs السابقة ومدخلات التحكم. وهو يدمج مصطلح "ذاكرة" ($n_M$) للتعامل مع الأنظمة التي يتم رصدها جزئياً (حيث لا تتوفر حالة التدفق الكاملة للمتحكم).
  $$V_{n+1} = G(V_n, \dots, V_{n-n_M}; u_n, \dots, u_{n-n_M})$$
• البنية الهندسية: يتم تقريب المشغل $G$ باستخدام شبكة عصبية عميقة (DNN) ذات بنية تغذية أمامية متصلة بالكامل.
• بيانات التدريب: يتم إنتاجها خارج نطاق التشغيل (offline) عن طريق تشغيل محاكاة عالية الدقة لمعادلات نافيير-ستوكس مع شروط حدودية عشوائية ومتغيرة زمنياً (إشارات التحكم). تتكون البيانات من أزواج من مدخلات التحكم واستجابات الـ QoIs الناتلة عنها.

ب. التكامل مع استراتيجيات التحكم

يعمل نموذج FML المدرب كـ بديل (Surrogate) يحل محل حلول CFD المكلفة أثناء مرحلة التحسين. ويتم دمجه مع استراتيجيتين مختلفتين للتحكم:

1. التعلم التعزيزي العميق (DRL):
   • تمت صياغته كعملية قرار ماركوف (MDP).
   • تشمل الحالة (State) تاريخ الـ QoIs وإشارات التحكم.
   • المكافأة (Reward) هي سالب دالة التكلفة (تقليل السحب).
   • يتم تحسين السياسة باستخدام خوارزمية تحسين السياسة القريبة (PPO). يسمح نموذج FML بإجراء $10^6$ خطوة محاكاة أثناء التدريب، وهو أمر مستحيل باستخدام حلول CFD كاملة.
2. التحكم التنبئي بالنموذج (MPC):
   • هو طريقة تحكم عبر الإنترنت (online) تحل مشكلة تحسين ذات أفق زمني محدود عند كل خطوة زمنية.
   • يُستخدم نموذج FML للتنبؤ بمسارات الـ QoIs المستقبلية عبر أفق تنبؤ ($T_P$).
   • يقوم المُحسّن (Optimizer) بتقليل دالة التكلفة عبر هذا الأفق لتحديد إجراء التحكم الفوري.

ج. التنفيذ "أثناء التشغيل" (On-the-Fly)

تعمل حلقة التحكم في الوقت الفعلي:

1. يقوم حل CFD الكامل بتطوير مجال التدفق وتحديث الـ QoIs.
2. يتم تغذية تاريخ الـ QoI الحالي في المتحكم القائم على FML (DRL أو MPC).
3. يقوم المتحكم بحساب إشارة التحكم المثلى فوراً (تكلفة حاسوبية ضئيلة).
4. تقوم الإشارة بتحديث الشروط الحدودية لمحلل CFD.
5. تتكرر الدورة دون تأخير.

3. المساهمات الرئيسية

1. النمذجة المتمحورة حول كميات الاهتمام (QoI-Centric): تنقل الورقة التركيز من نمذجة حالة التدفق كاملة الأبعاد إلى نمذجة الـ QoIs منخفضة الأبعاد (السحب/الرفع) فقط. وهذا يقلل بشكل كبير من أبعاد مشكلة التعلم.
2. بديل غير اقتحامي (Non-Intrusive): تنشئ الطريقة نموذجاً بديلاً غير اقتحامي لا يتطلب الوصول إلى المعادلات الحاكمة الداخلية أو حلول الملحق (Adjoint) لكود CFD القديم.
3. التعامل مع الرصد الجزئي: من خلال استخدام بنية FML القائمة على الذاكرة، نجحت الطريقة في نمذجة الديناميكيات حتى عندما تكون حالة النظام الكاملة غير مرصودة ورقم رينولدز غير معروف (سيناريو النوع الثاني).
4. قابلية التنفيذ في الوقت الفعلي: تثبت الطرح أن استراتيجيات التحكم الأمثل (DRL و MPC) يمكن تنفيذها في الوقت الفعلي من خلال إلغاء الحاجة إلى محاكاة PDE الأمامية أثناء عملية اتخاذ قرار التحكم.

4. النتائج

تحقق المؤلفون من صحة الطريقة على مسألة تدفق الأسطوانة بالنتائج التالية:

• دقة النموذج:
  • FML-1 (رينولدز ثابت): حقق توافقاً ممتازاً مع حل CFD الكامل لتوقعات السحب والرفع عبر أفق زمني قدره $T=20.0$ عند $Re=300$.
  • FML-2 (رينولدز غير معروف): نجح في التنبؤ بـ QoIs لأرقام رينولدز غير مرئية ($100 \le Re \le 500$) عبر أفق زمني قدره $T=2.0$، رغم أن النموذج لا يحتوي على مدخل صريح لـ $Re$.
• أداء تقليل السحب:
  • النوع الأول (رينولدز ثابت = 300): حقق كل من متحكمي DRL و MPC تقليلاً في السحب بنسبة 20% تقريباً مقارنة بالخط المرجعي غير المتحكم فيه.
  • النوع الثاني (رينولدز متغير): حقق متحكم MPC باستخدام FML-2 تقليلاً ملحوظاً في السحب عبر نطاق واسع من أرقام رينولدز ($100, 200, 300, 400, 500$).
  • الاستقراء (Extrapolation): حافظ المتحكم على أدائه حتى عند $Re=1000$، وهو خارج نطاق التدريب ($100-500$)، مما أظهر تعميماً قوياً.
• إشارات التحكم: أظهرت الدراسة أن DRL و MPC أنتجا أنماطاً (استراتيجيات) مختلفة لإشارات التحكم، لكنهما حققا أهداف تقليل السحب نفسها، مما يبرز مرونة إطار عمل FML.

5. الأهمية

يمثل هذا العمل خطوة مهمة نحو التحكم الأمثل في الوقت الفعلي لمشكلات ديناميكا السوائل المعقدة.

• الكفاءة الحاسوبية: من خلال استبدال محلل PDE بنموذج DNN خفيف الوزن أثناء حلقة التحكم، تمت إزالة الاختناق الحاسوبي، مما يتيح التحكم "أثناء التشغيل".
• القدرة على التعميم: لا يقتصر إطار العمل على التحكم في التدفق؛ بل يمكن تطبيقه على أي نظام معقد تعتمد فيه أهداف التحكم على مجموعة صغيرة من الملاحظات.
• المتانة: القدرة على التعامل مع المعلمات غير المعروفة (مثل رقم رينولدز) دون إعادة تدريب أو تحديد صريح للمعلمات تجعل الطريقة عملية للغاية للتطبيقات الواقعية حيث قد تتغير ظروف النظام.
• الإمكانات المستقبلية: يشير المؤلفون إلى أن هذا النهج يوفر مساراً للتحكم في الوقت الفعلي في أنظمة أخرى عالية الأبعاد وغير خطية (مثل العمليات الكيميائية، وأنظمة الطاقة) حيث تكون الطرق التقليدية بطيئة للغاية أو اقتحامية.