Offline accuracy is not enough: closed-loop instability and stabilisation of a wall-sensor neural estimator in opposition control

Technische Samenvatting: Offline Nauwkeurigheid is Niet Genoeg: Gesloten-Lus Instabiliteit en Stabilisatie van een Wand-Sensor Neuraal Estimator in Oppositiecontrole

Probleemstelling
Oppositiecontrole is een canonieke actieve stromingscontrolestrategie die de wandwrijvingsweerstand vermindert door een wandnormale blaas-en-zuigvelociteit op te leggen die gelijk en tegengesteld is aan de wandnormale snelheid gemeten op een detectievlak binnen de bufferlaag. Hoewel effectief, vereist deze strategie grootheden (snelheid bij $z^+ \approx 14$) die niet beschikbaar zijn via wandgemonteerde sensoren. Hoewel deep learning en lineaire stochastische schatting hoge-getrouwheid offline reconstructies van interne stromingsgrootheden uit wandschuifspanning ($\tau_x, \tau_y$) hebben aangetoond, blijft het onbewezen of dergelijke estimators kunnen functioneren als live surrogaten binnen een gesloten-lus feedbacksysteem. De centrale vraag die wordt behandeld is of een neurale estimator, getraind op een vaste stromingstoestand, stabiliteit en prestaties kan behouden wanneer deze wordt ingezet om de zeer door hem waargenomen stroming actief te modificeren.

Methodologie
De auteurs maken gebruik van Directe Numerieke Simulatie (DNS) van een turbulente kanaalstroming bij een wrijvingsReynoldsgetal van $Re_\tau = 180$. De controlelus werkt als volgt:

1. Sensing: De controller leest de instantane wandschuifspanningcomponenten ($\tau_x, \tau_y$).
2. Estimatie: Een Convolutional Gated Recurrent Unit (ConvGRU) netwerk brengt deze wandsignalen in kaart naar een schatting van de wandnormale snelheid op het detectievlak ($\hat{w}$). De recurrente architectuur biedt temporele context, wat het ondergedetermineerde karakter van het afleiden van interne velden uit een enkele wand-snapshot aanpakt.
3. Actuatie: De geschatte snelheid wordt gebruikt in de oppositiewet ($w_{wall} = -\alpha \hat{w}$) om een zero-net-mass blowing-and-suction randvoorwaarde op te leggen.

De studie verloopt via drie afzonderlijke fasen:

• Offline Validatie: De estimator wordt getraind op data van een statistisch stationaire, ideale oppositiegecontroleerde stroming (OC) en offline gevalideerd.
• Gesloten-Lus Falingsanalyse: De estimator wordt direct ingezet. De auteurs analyseren het mechanisme van instabiliteit en observeren dat kleine hoog-golfgetal fouten in de schatting, wanneer zij als een randvoorwaarde worden opgelegd, accumuleren en de stroming wegsturen van de trainingsdistributie (distributieverschuiving).
• Stabilisatiestrategie: Twee corrigerende maatregelen worden geïntroduceerd:
  1. Spectrale Matching: Een spectrale laagdoorlaatfilter en spanwise spectrale herschaling worden toegepast op de ingezette actuatie. Dit dwingt het energie-spectrum van het geschatte veld om overeen te komen met de referentie-trainingsdistributie, waardoor instabiele hoog-golfgetal modi worden verwijderd die het wandsignaal niet kan resolveren.
  2. Closed-Loop Retraining: De estimator wordt opnieuw getraind op data verzameld uit de gecontroleerde stroming zelf (iteratieve dataverzameling). Dit brengt de trainingsdistributie van de estimator in lijn met de werkelijke attractor van het gecontroleerde systeem.

Belangrijkste Resultaten

• Offline versus Online Discrepantie: De estimator bereikt bijna perfecte offline nauwkeurigheid (correlatie $\rho \approx 0.99$), maar faalt catastrofaal in de gesloten lus. Zonder interventie daalt de correlatie tot nul binnen 15–20 viscositeitstijdseenheden en divergeert de oplossing.
• Mechanisme van Falen: De instabiliteit wordt gedreven door hoog-golfgetal fouten. Hoewel deze fouten offline energetisch verwaarloosbaar zijn, worden ze door de nietlineaire feedbacklus versterkt wanneer ze als een randvoorwaarde worden opgelegd. Standaardoplossingen zoals exponentieel bewegende gemiddelden (EMA) of laagdoorlaatfiltering vertragen de divergentie, maar versnellen het verlies van correlatie, waardoor ze er niet in slagen een functionele controller te produceren.
• Succes van Stabilisatie:
  • Het toepassen van spectrale matching alleen stabiliseert de lus onbeperkt, maar levert slechts 14,6% weerstandsreductie op (tegenover 22,7% voor ideale OC) omdat de estimator nog steeds opereert op een distributieverschil.
  • Het opnieuw trainen van de estimator op de gesloten-lus data (iteratief proces) brengt de stromingsstatistieken weer in lijn. Een tweede hertraining-iteratie (retrain-2) produceert een stabiele controller met een gemiddelde weerstandsreductie van 19,7%, wat de ideale OC-prestaties nauwelijks benadert.
• Stromingsstructuur: De tweemaal opnieuw getrainde wand-alleen controller reproduceert de nabij-wand turbulentiestructuur van ideale oppositiecontrole. Gemiddelde snelheidsprofielen, Reynolds-schuifspanning, kwadrantgebeurtentfracties (ejecties en sweeps) en twee-dimensionale energiespectra zijn nagenoeg ononderscheidbaar van de ideale OC-geval, waarbij ze enkel verschillen door een lichte toename in nabij-wand activiteit, consistent met de marginaal lagere weerstandsreductie.

Betekenis en Claims
Het artikel claimt dat offline nauwkeurigheid onvoldoende is voor gesloten-lus stromingscontrole. De primaire hindernis is niet het vermogen om de stroming offline te reconstrueren, maar de dynamische consistentie van die reconstructie wanneer de controller de stroming modificeert.

De auteurs identificeren dat het falen voortkomt uit een distributieverschuiving geïnduceerd door de controller zelf, specifificamente in het hoog-golfgetal band waar wandmetingen onvoldoende informatie dragen. De studie toont aan dat stabiele wand-alleen oppositiecontrole haalbaar is door een tweeledige correctie:

1. Spectrale Consistentie: Het beperken van de actuatie tot het spectrale band die resolvable is door de wandsensoren voorkomt de injectie van destabiliserende hoog-golfgetal energie.
2. In-Loop Retraining: Het opnieuw trainen van de estimator op de data gegenereerd door de gecontroleerde stroming zorgt ervoor dat de estimator geldig blijft voor de specifieke statistische toestand die hij creëert.

Het werk vestigt dat een gesuperviseerde estimator, offline getraind, kan dienen als een live surrogaatsensor indien de inzetstrategie rekening houdt met de spectrale beperkingen van wandmeting en iteratief zich aanpast aan de attractor van de gecontroleerde stroming. De resterende kloof in weerstandsreductie (ongeveer 3 procentpunten) wordt toegeschreven aan de fundamentele limiet van de wand-naar-detectievlak coherentie in het hoog-golfgetal band, een fysieke beperking in plaats van een modelleringsfout.