深度强化学习在翼型分离流动控制中的应用

搭建了基于深度强化学习（DRL）的射流闭环控制系统,在NACA0012翼型上开展了大迎角分离流动控制实验研究。NACA0012翼型弦长200 mm,实验风速10 m/s,雷诺数1.36×105。射流激励器布置在翼型上表面,通过电磁阀进行无级控制。将翼型表面的压力系数和智能体自身的动作输出作为智能体的观测量,以翼型后缘压力系数为奖励函数,对智能体进行训练。结果表明:经过训练的智能体成功地抑制了大迎角下的流动分离,比定常吹气的费效比降低了50%;智能体可以将翼型后缘压力系数稳定地控制在目标值附近;状态输入和奖励函数的改变会对最终的训练效果产生不同影响。     

基于EKF的实时循环神经网络在非定常气动力建模中的应用

结合EKF算法(扩展卡尔曼滤波)和RTRL算法(实时递归学习算法)的特点,提出一种基于EKF的实时递归学习算法(EKF-RTRL),运用到循环神经网络中(RNN)。应用该神经网络对某飞机大迎角大振幅单自由度偏航、滚转以及偏航滚转耦合运动的非定常气动力进行建模。结果表明,基于EKF的实时循环神经网络计算精度高,收敛快,辨识结果与实验结果符合较好,验证了本算法的有效性。