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

本文提出了一种深度强化学习框架,该框架利用远场声学测量作为主要反馈信号来驱动合成射流激励,成功抑制了圆柱后方的非定常尾流动力学,并在不依赖传统速度或压力传感器的情况下实现了辐射噪声和阻力的显著降低。

原作者: Siddharth Rout, Khai Phan, Chao-An Lin

发布于 2026-05-12
📖 1 分钟阅读☕ 轻松阅读

原作者: Siddharth Rout, Khai Phan, Chao-An Lin

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

想象一下,在一个刮风的日子里,你站在一根旗杆旁边。风并非仅仅从旗杆旁吹过;它会产生有节奏的“拍打”声,并导致旗杆晃动。在物理学中,这被称为“尾流”,空气在此处旋涡成旋转的涡流(如同微型龙卷风),从而产生阻力(使物体减速)和噪音。

几十年来,工程师们一直试图阻止这种晃动和噪音。通常,他们通过安装传感器来测量旗杆旁边的风速或压力,以此告知计算机如何进行修正。

本文介绍了一个新颖而巧妙的想法:如果我们不测量风,而是直接聆听噪音,会怎样?

以下是研究人员如何实现这一点的简要说明,使用了日常类比:

1. 问题:晃动的旗杆

研究人员模拟了风吹过圆柱体(如管道或旗杆)的情景。当风吹向它时,会产生“涡街”——即从顶部和底部脱离的一排旋转空气泡。这会导致两个不良后果:

  • 阻力:物体受到更强的向后推力。
  • 噪音:旋转的空气产生嗡嗡声(如同哨声)。

2. 解决方案:“智能耳朵”与“人工肺”

团队没有使用复杂的风速传感器,而是使用了一个**深度强化学习(DRL)**智能体。可以将这个智能体想象成一位正在学习玩电子游戏的超级聪明的学生。

  • “耳朵”(反馈):智能体不是观察风,而是通过放置在下游的虚拟麦克风阵列,“聆听”旋转空气产生的声压(噪音)。
  • “肺”(致动):圆柱体顶部和底部有两个微小的“嘴巴”(合成射流)。它们可以吹出空气或吸入空气,充当人工肺,通过吹气或吸气来改变风的路径。

3. 学习过程:试错法

人工智能智能体起初并不了解物理规则。它必须通过实践来学习,类似于婴儿通过跌倒和再次尝试来学习走路。

  • 目标:智能体唯一的指令是:“让噪音变小。”
  • 策略:智能体会从顶部或底部的射流吹气。如果噪音变小,它就会获得“奖励”(就像在游戏中获得高分);如果噪音变大,它就会受到惩罚。
  • 发现:经过数千次尝试,人工智能确定了何时以及以多大的力度吹气,以便在旋转涡流变大并引起晃动之前将其抵消。

4. 结果:更安静、更平稳

论文报告称,这种“聆听”方法的效果出奇地好。仅通过反应声音:

  • 噪音降低:风的“嗡嗡声”降低了约9.5%
  • 阻力降低:推动圆柱体向后的力降低了23.8%
  • 稳定性:尾流的剧烈晃动(振荡)显著平息。

核心要点

论文声称,要控制风,你不需要看见它,只需要听见它。通过将声音作为主要信号,人工智能学会了像音乐家调音一样“调节”气流,将混乱、嘈杂且阻力巨大的流动转变为平稳、安静且高效的流动。

简而言之:他们教会计算机“聆听”风的抱怨,并“吹”出恰到好处的空气量,使其停止抱怨,从而实现了更安静、更高效的流动。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →