Multi-agent förstärkningsinlärning för förbättrad turbulensreglering i bluffkroppar
Tid: To 2024-12-05 kl 13.00
Plats: F2, Lindstedtsvägen 26 & 28, Stockholm
Språk: Engelska
Ämnesområde: Teknisk mekanik
Licentiand: Pol Suarez , Linné Flow Center, FLOW, Teknisk mekanik
Granskare: Professor Carlos Guardiola, Polytechnic University of Valencia
Huvudhandledare: Ricardo Vinuesa, Linné Flow Center, FLOW, SeRC - Swedish e-Science Research Centre, Strömningsmekanik; Hossein Azizpour, Science for Life Laboratory, SciLifeLab, Robotik, perception och lärande, RPL, SeRC - Swedish e-Science Research Centre
QC 241114
Abstract
Denna licentiatavhandling utforskar möjligheten att använda förstärkningsin-lärning (DRL) för strömningskontroll kring trubbiga kroppar där speciellt fokus ligger på att minska motståndskrafterna på oändliga cylindrar. En rad strömningsförhållanden undersöks från laminärt till fullt utvecklad turbulent strömning. Målet är att bygga vidare på den senaste utvecklingen inom DRL genom att utforska nya strömningsförhållanden som ännu inte har behandlats inom strömningsmekaniken. Vårt fokus ligger på strömning runt cylindrar i två och tre dimensioner samt över ett spektrum av Reynolds-tal Re_D baserat på fri strömningshastigheten U och cylinderns diameter D. I den första delen av avhandlingen utvecklades en enskild agent-förstärkningsinlärningsmetod med proximal policy optimization kopplad till den numeriska lösaren Alya. Denna metod ledde till betydande minskningar i motståndskrafterna på 20% och 17,7% för Re_D = 1000 och 2000 i en tvådimensionell (2D) miljö. Detta ramverk för kontroll, numerisk simulering och analys utformades för att köras på högpresterande datorer vilket möjliggjorde storskalig träning av nätverket med synkroniserade numeriska simuleringar. Därefter fokuserade vi på tredimensionella (3D) cylindrar, där instabiliteter längs cylinderaxeln uppträder vid Re_D > 250. Inspirerade av studier som Williamson (1996) och resultat från Tang et al. (2020), undersökte vi strategier för Re_D = 100 till 400 med ett multiagent-förstärkningsinlärningsramverk (MARL). Denna metod fokuserade på lokala invariansprinciper och använde flera jetstrålar över cylinderns övre och nedre ytor för kontroll av strömningen. MARL-ramverket minskade motståndet med 21% respektive 16,5% för Re_D = 300 och 400 och överträffade periodiska kontrollstrategier med 10 procentenheter och fördubblade effektiviteten. Slutligen testades ramverket på turbulent strömning vid Re_D = 3900, ett välkänt fall i litteraturen. Trots beräkningsutmaningar och komplexa flödesstrukturer minskade MARL motståndet med 8,3% och massflödet med två storleksordningar jämfört med Kim & Choi (2005). Gemensamt för våra studier är att de motståndsminskande mekanismer som lärts av agenterna involverar att förändra strömningsvakens topologi för att dämpa och flytta Reynolds-stressernas maximala värden uppströms. Detta leder till förstora återcirkulationsbubblan och minska tryckmotståndet.