基于深度强化学习的多攻角翼型流动控制研究

针对弱湍流条件下大攻角翼型产生的流动分离现象,采用柔性演员评论家(Soft Actor-Critic,SAC)深度强化学习(Deep Reinforcement Learning,DRL)算法训练神经网络,并对其进行闭环主动流动控制策略研究。在复杂环境下,通过增添零质量射流约束,采用三射流进行优化策略研究,获得不同攻角条件下的平均阻力系数。结果表明:使用DRL训练得到的策略控制射流速度,可以高效抑制翼型流动分离;在单射流控制、翼型攻角分别为10°、13°、15°时,平均阻力系数分别减少25%、15.3%、11.7%;在大攻角条件下,基于DRL的主动流动控制方法具有良好的效果,验证了该方法在抑制翼型流动分离中的高效性;合成射流的引入也可以使智能体寻找到更好的控制策略,使阻力系数进一步减小。