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

Este artigo apresenta uma estrutura de aprendizado por reforço profundo que utiliza medições acústicas de campo distante como sinal de retroalimentação primário para acionar a atuação por jato sintético, suprimindo com sucesso a dinâmica de esteira não estacionária atrás de um cilindro circular e alcançando reduções significativas no ruído irradiado e no arrasto, sem depender de sensores tradicionais de velocidade ou pressão.

O essencial

Imagine que você está ao lado de um mastro de bandeira em um dia ventoso. O vento não passa apenas pelo mastro; ele cria um som rítmico de "batida" e faz o mastro tremer. Na física, isso é chamado de "esteira", onde o ar se transforma em vórtices giratórios (como pequenos tornados) que criam arrasto (desacelerando as coisas) e ruído.

Durante décadas, engenheiros tentaram impedir essa vibração e ruído. Geralmente, eles fazem isso instalando sensores que medem a velocidade do vento ou a pressão logo ao lado do mastro para informar a um computador como corrigi-lo.

Este artigo apresenta uma ideia nova e inteligente: E se apenas ouvíssemos o ruído em vez de medir o vento?

Aqui está uma explicação simples de como os pesquisadores fizeram isso, usando analogias do cotidiano:

1. O Problema: O Mastro Treme

Os pesquisadores simularam o vento soprando sobre um cilindro redondo (como um cano ou um mastro de bandeira). Quando o vento o atinge, ele cria uma "rua de vórtices" — uma linha de bolhas de ar giratórias que se desprendem do topo e da base. Isso causa duas coisas ruins:

• Arrasto: O objeto é empurrado para trás com mais força.
• Ruído: O ar giratório cria um som de zumbido (como um apito).

2. A Solução: O "Ouvido Inteligente" e os "Pulmões Artificiais"

Em vez de usar sensores de vento complexos, a equipe utilizou um agente de Aprendizado por Reforço Profundo (DRL). Pense nesse agente como um aluno superinteligente que está aprendendo a jogar um videogame.

• Os "Ouros" (Feedback): Em vez de olhar para o vento, o agente "ouve" a pressão sonora (ruído) criada pelo ar giratório usando uma matriz de microfones virtuais colocada a jusante.
• Os "Pulmões" (Atuação): O cilindro possui duas pequenas "bocas" (jatos sintéticos) no topo e na base. Elas podem soprar ar para fora ou sugar ar para dentro, agindo como pulmões artificiais que podem soprar ou inalar para alterar o caminho do vento.

3. O Processo de Aprendizado: Tentativa e Erro

O agente de IA não conhecia as regras da física no início. Ele teve que aprender fazendo, de forma semelhante a como um bebê aprende a andar caindo e tentando novamente.

• O Objetivo: A única instrução do agente foi: "Faça o ruído ficar mais baixo".
• A Estratégia: O agente sopraria ar pelos jatos do topo ou da base. Se o ruído ficasse mais baixo, ele recebia uma "recompensa" (como uma pontuação alta em um jogo). Se o ruído ficasse mais alto, ele recebia uma penalidade.
• A Descoberta: Através de milhares de tentativas, a IA descobriu exatamente quando e com que força soprar o ar para cancelar os vórtices giratórios antes que eles pudessem ficar altos e causar vibração.

4. Os Resultados: Mais Silencioso e Suave

O artigo relata que essa abordagem de "escuta" funcionou surpreendentemente bem. Ao reagir simplesmente ao som:

• Redução de Ruído: O "zumbido" do vento caiu cerca de 9,5%.
• Redução de Arrasto: A força que empurrava o cilindro para trás caiu 23,8%.
• Estabilidade: A vibração violenta (oscilações) da esteira foi significativamente acalmada.

A Grande Conclusão

O artigo afirma que você não precisa ver o vento para controlá-lo; você só precisa ouvi-lo. Ao usar o som como sinal primário, a IA aprendeu a "afinar" o fluxo de ar como um músico afina um instrumento, transformando um fluxo caótico, barulhento e com alto arrasto em um fluxo suave, silencioso e eficiente.

Em resumo: Eles ensinaram um computador a "ouvir" as queixas do vento e "soprar" exatamente a quantidade certa de ar para fazê-lo parar de reclamar, resultando em um fluxo mais silencioso e eficiente.

Resumo técnico

Resumo Técnico: Controle de Fluxo Acústico usando Aprendizado por Reforço

Declaração do Problema
O Controle Ativo de Fluxo (AFC) tradicionalmente dependeu de variáveis de estado, como velocidade, pressão ou vorticidade, como sinais de feedback para regular a dinâmica de fluxo não estacionária. No entanto, esses métodos frequentemente exigem aproximações complexas do espaço de estado e cálculos de função de transferência que são dependentes do caso e não generalizáveis. Além disso, estudos existentes de Aprendizado por Reforço Profundo (DRL) em dinâmica dos fluidos utilizam predominantemente observações do campo de velocidade ou coeficientes de força como feedback. Este artigo aborda a lacuna no uso de observáveis acústicos como o sinal de controle primário. Os autores postulam que, como o desprendimento de vórtices é a fonte do ruído gerado pelo fluxo (conforme descrito pela Analogia Acústica de Lighthill), a assinatura acústica da esteira contém informações suficientes para controlar o fluxo. O problema específico investigado é a supressão da dinâmica de esteira não estacionária e a mitigação de distúrbios induzidos pelo fluxo atrás de um cilindro circular em um número de Reynolds de 100, usando o som como o único mecanismo de feedback.

Metodologia
O estudo emprega uma estrutura de Rede Q Profunda (DQN) integrada com ativação por jato sintético em um cilindro circular.

• Configuração da Simulação: O domínio computacional baseia-se no benchmark DFG 2D-3 (fluxo passando por um cilindro) usando o solucionador DOLFINx. O fluxo é incompressível com um número de Reynolds ($Re$) de 100.
• Ativação: Dois jatos sintéticos estão posicionados nas superfícies superior e inferior do cilindro (perpendiculares ao fluxo). Esses jatos operam através de sopro e sucção, controlados independentemente pelo agente de DRL.
• Formulação de Feedback (A Novidade): Em vez de medir velocidade ou vorticidade diretamente, o sistema utiliza Níveis de Pressão Sonora (SPL) derivados de flutuações de pressão hidrodinâmica. Uma matriz densa de 2.500 sensores (2.000 horizontais, 500 verticais) envolve o cilindro para capturar campos de pressão. O SPL efetivo ($SPL_{eff}$) é calculado como um valor de raiz quadrada da média dos quadrados (RMS) das flutuações de pressão em relação à pressão média. Este SPL serve como entrada de estado para o agente DQN.
• Arquitetura DRL: O agente utiliza uma rede neural com quatro camadas totalmente conectadas (50 nós cada) e ativação ReLU. A entrada é um vetor de 4 dimensões composto pelos SPLs dos conjuntos de sensores superior e inferior e as velocidades atuais dos dois jatos. A saída é a ação de controle (ajuste das velocidades dos jatos).
• Estratégia de Treinamento: A simulação é dividida em dois estágios:
  1. Exploração: O agente explora uma ampla gama de incrementos de velocidade do jato ($\pm0,01$ a $\pm0,5$) para identificar padrões de controle ótimos.
  2. Teste: O agente opera com um conjunto fixo de valores discretos de velocidade do jato para verificar estabilidade e desempenho.
• Função de Recompensa: A recompensa está estritamente ligada à redução do SPL. Recompensas altas são dadas para valores de SPL abaixo de 66 dB, enquanto penalidades são aplicadas para valores superiores a 74,5 dB.

Principais Contribuições

1. Estrutura de Controle Acionada por Acústica: Este trabalho estabelece um vínculo direto entre emissões acústicas de campo distante e ativação de campo próximo, demonstrando que o sensoriamento acústico sozinho pode fornecer informações suficientes para controle de fluxo em malha fechada eficaz sem sensoriamento explícito de velocidade ou vorticidade.
2. DRL para Regulação Acústica: Introduz uma estratégia baseada em DQN especificamente adaptada para minimizar os Níveis de Pressão Sonora gerados pelo desprendimento de vórtices, tratando a redução de ruído como o objetivo primário para estabilização do fluxo.
3. Desempenho Quantitativo: O estudo fornece evidências quantitativas de que o feedback acústico pode simultaneamente reduzir o ruído irradiado e o arrasto aerodinâmico, superando fluxos descontrolados de base e mostrando resultados competitivos em comparação com configurações de DRL baseadas em velocidade.

Resultados
As simulações foram executadas por 20 segundos (10.000 passos de tempo) em um número de Reynolds de 100.

• Redução de Ruído: A estratégia de controle reduziu com sucesso o ruído irradiado. O SPL de base foi de aproximadamente 73,5 dB.
  • Caso de Teste 1 (velocidades de jato mais baixas) reduziu o SPL para 69,0 dB (redução de 6,1%).
  • Caso de Teste 2 (velocidades de jato mais altas) reduziu o SPL para 66,5 dB (redução de 9,5%).
• Redução de Arrasto: O método também mitigou significativamente o coeficiente de arrasto ($C_D$).
  • A média de $C_D$ de base foi de 3,15.
  • Caso de Teste 1 reduziu $C_D$ para 2,65 (redução de 15,9%).
  • Caso de Teste 2 reduziu $C_D$ para 2,40 (redução de 23,8%).
• Estabilização da Esteira: O controle levou a uma atenuação marcada das oscilações da esteira. O desvio padrão do coeficiente de sustentação e a flutuação média temporal da velocidade do fluxo na região a jusante foram significativamente reduzidos, indicando a supressão de estruturas de esteira coerentes.
• Validação: Análises de independência de malha e sensibilidade ao passo de tempo confirmaram a confiabilidade dos resultados. A convergência estatística foi alcançada após aproximadamente 20 ciclos de desprendimento de vórtices.

Significado e Alegações
O artigo afirma que esta pesquisa demonstra a viabilidade do uso de aprendizado por reforço informado por acústica para estabilização adaptativa de esteira sob condições de fluxo não lineares. Os autores afirmam que suas descobertas destacam o potencial do sensoriamento acústico como uma modalidade de feedback não intrusiva para otimização acoplada aerodinâmica e aeroacústica em fluxos de corpos rombudos.

O estudo sugere que controlar a "fonte" do ruído (vorticidade) por meio de feedback acústico é uma abordagem lógica e eficaz para problemas de controle de fluxo. Embora os autores reconheçam que a estrutura atual não busca controle globalmente ótimo no sentido matemático estrito, concluem que a estratégia guiada por DRL identifica consistentemente regimes de ativação dinamicamente eficazes. O trabalho serve como um trampolim para integrar técnicas de aprendizado de máquina para aumentar a eficiência dos sistemas de controle ativo de fluxo, com implicações potenciais para a redução de vibrações induzidas por fluxo e arrasto em aplicações de engenharia, como estruturas marinhas e aeronaves. Os autores afirmam explicitamente que os códigos estão disponíveis para facilitar pesquisas adicionais neste domínio.