심층 강화 학습과 마스크 처리된 심층 신경망을 결합한 능동 유동 제어 예측을 위한 새로운 프레임워크

심층 강화 학습(DRL)을 통한 능동 유동 제어(AFC)는 계산적으로 많은 요구를 합니다. 이를 해결하기 위해, 임의의 물체 운동의 영향을 받는 비정상 유동장을 예측하기 위해 계산 유체 역학(CFD) 환경을 대체하는 것을 목표로 하는 마스크 처리된 심층 신경망(MDNN)이 개발되었습니다. 그런 다음, MDNN 기반 환경과 DRL 알고리즘을 결합한 새로운 DRL-MDNN 프레임워크가 제안됩니다. 프레임워크의 신뢰성을 검증하기 위해 맥동 배affle 시스템에서 블라인드 테스트가 설계되었습니다. 진동 감쇠가 목표로 고려되며, 비교를 위해 전통적인 DRL-CFD 프레임워크가 구축됩니다. 훈련 후, MDNN에 의해 임의의 물체 운동의 영향을 받는 200 시간 단위의 시공간 진화를 예측합니다. 유동장의 세부 사항이 CFD 결과와 비교되며, 5% 이내의 상대 오차가 달성되어 DRL 알고리즘을 위한 상호 작용 환경으로서의 정확성을 만족합니다. 이후 DRL-MDNN과 전통적인 DRL-CFD 프레임워크가 맥동 배affle 시스템에 적용되어 최적의 제어 전략을 찾습니다. 결과는 두 프레임워크가 유사한 제어 성능을 달성하여 진동을 90% 줄인다는 것을 나타냅니다. 데이터베이스 구축에 소모된 자원을 고려할 때, DRL-MDNN 프레임워크의 계산 자원 소모는 95% 감소하고 각 에피소드 동안의 상호 작용 응답 시간은 전통적인 DRL-CFD 프레임워크와 비교하여 98.84% 감소합니다.