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

技术摘要：离线精度不足：壁面传感器神经估计器在对冲控制中的闭环不稳定性与稳定化研究

问题陈述
对冲控制（Opposition control）是一种经典的活性流动控制策略，通过在检测平面（位于缓冲层内）施加与测得的法向速度大小相等、方向相反的壁面法向吹吸速度，从而降低皮肤摩擦阻力。尽管该策略非常有效，但它需要监测量（$z^+ \approx 14$ 处的速度），而这些物理量无法通过壁面传感器直接获取。虽然深度学习和线性随机估计已在从壁面剪切应力（$\tau_x, \tau_y$）高保真度地进行内层流场量离线重建方面取得了进展，但目前尚未证明此类估计器能否作为实时代理函数在闭环反馈系统中发挥作用。本文探讨的核心问题是：一个在固定流场状态下训练的神经估计器，在被部署用于主动改变其所感知的流场时，是否能够保持稳定性和性能。

方法论
作者采用了摩擦雷诺数 $Re_\tau = 180$ 的湍流通道流直接数值模拟（DNS）。控制回路运行如下：

1. 感知： 控制器读取瞬时壁面剪切应力分量（$\tau_x, \tau_y$）。
2. 估计： 卷积门控循环单元（ConvGRU）网络将这些壁面信号映射为检测平面法向速度的估计值（$\hat{w}$）。其循环架构提供了时间上下文，解决了从单点壁面快照推断离壁面场的欠定问题。
3. 驱动： 估计的速度被用于对冲律（$w_{wall} = -\alpha \hat{w}$），以施加零净质量通量的吹吸边界条件。

本研究分为三个不同的阶段进行：

• 离线验证： 估计器在统计平稳的理想对冲控制（OC）流场数据上进行训练，并在离线状态下进行验证。
• 闭环失效分析： 将估计器直接部署。作者分析了不稳定的机制，观察到当估计中的微小高波数误差被作为边界条件施加时，这些误差会不断累积并驱动流场偏离训练分布（分布偏移）。
• 稳定化策略： 引入了两种纠正措施：
  1. 频谱匹配： 对部署的驱动过程应用频谱低通滤波器和展向频谱重缩放。这强制要求估计场的能量谱与参考训练分布相匹配，从而消除壁面信号无法解析的不稳定高波数模态。
  2. 闭环重训练： 估计器在从受控流场中收集的数据上进行重训练（迭代数据采集）。这使估计器的训练分布与受控系统的实际吸引子保持一致。

关键结果

• 离线与在线差异： 估计器实现了近乎完美的离线精度（相关系数 $\rho \approx 0.99$），但在闭环中却表现失败。若不进行干预，相关系数会在 15–20 个粘性时间单位内降至零，导致解发散。
• 失效机制： 不稳定性是由高波数误差驱动的。虽然这些误差在离线状态下在能量上可以忽略不计，但当它们作为边界条件施加时，会被非线性反馈回路放大。标准的补救措施，如指数移动平均（EMA）或低通滤波，虽然能延迟发散，但会加速相关性的丧失，无法产生功能性的控制器。
• 稳定化成功：
  • 仅应用频谱匹配即可使回路无限期稳定，但仅能实现 14.6% 的阻力降低（相比之下，理想 OC 为 22.7%），因为估计器仍运行在分布不匹配的状态下。
  • 在闭环数据上重训练估计器（迭代过程）使流场统计特性重新对齐。第二次重训练迭代（retrain-2）产生了一个稳定的控制器，其平均阻力降低达到了 19.7%，非常接近理想 OC 的性能。
• 流结构： 经过两次重训练的纯壁面控制器重现了理想对冲控制的近壁湍流结构。平均速度剖面、雷诺剪切应力、象限事件频率（喷射与扫掠）以及二维能量谱与理想 OC 情况几乎无法区分，仅在近壁活动方面存在轻微增加，这与略低的阻力降低率一致。

意义与主张
本文主张，离线精度对于闭环流动控制是不够的。主要的障碍不是能否离线重建流场，而是当控制器修改流场时，这种重建是否具有动态一致性。

作者指出，失效源于控制器本身诱发的分布偏移，特别是壁面测量信息不足的高波数频段。研究表明，通过以下两部分纠正措施可以实现稳定的纯壁面对冲控制：

1. 频谱一致性： 将驱动限制在壁面传感器可解析的频谱范围内，以防止注入不稳定的高波数能量。
2. 环内重训练： 在由受控流场生成的数据上重训练估计器，确保估计器对于其所创造的特定统计状态保持有效。

这项工作确立了：经过监督学习的估计器（即使是在离线训练的）可以通过考虑壁面感知的频谱局限性并迭代适应受控流场的吸引子，从而成为实时的代理传感器。阻力降低的残余差距（约 3 个百分点）归因于壁面到检测平面在高波数频段的本质相干性限制，这是一个物理约束而非建模失败。