arXiv cs.AI· Yuning Wang, Pol Suarez, Mathis Bode, Ricardo Vinuesa·· 6 天前AI 评分27
物理引导代理学习实现湍流机翼零样本控制
Physics-guided surrogate learning enables zero-shot control of turbulent wings
AI 导读
研究者利用壁面湍流的局部结构，在匹配机翼边界层统计特征的湍流槽道流中训练控制策略，无需额外训练即零样本部署到 Re_c=2×10^5 的 NACA4412 翼型上。迁移后的策略降低总阻力 11.1%，优于当前最优的 opposition control（8.9%）；计入驱动成本后净节能分别为 10.9% 和 8.8%。代理训练相比直接在机翼上训练，探索效率估计提升四个数量级。
正文 · AI 翻译
摘要：空气动力学表面上的湍流边界层是飞机阻力的主要来源，然而由于多尺度动力学和空间变异性，尤其是在逆压梯度下，对其控制仍然具有挑战性。强化学习在典型流动中已超越最先进的策略，但其在真实几何构型上的应用受到计算成本和可迁移性的限制。在此我们表明，通过利用壁面约束湍流的局部结构，可以克服这些限制。策略在与机翼边界层统计量匹配的湍流槽道流中训练，并直接部署到 $Re_c=2\times10^5$ 的 NACA4412 翼型上，无需在机翼上进行额外训练，构成零样本部署。迁移后的策略将总阻力降低 11.1\%，而最先进的对立控制将其降低 8.9\%。计入驱动成本后，相应的净能量节省分别为 10.9\% 和 8.8\%。代理训练在探索效率上相比直接在机翼上训练估计提升了四个数量级，使流动控制具有可扩展性。
| 学科： | 流体动力学（physics.flu-dyn）；人工智能（cs.AI） |
| 引用为： | arXiv:2604.09434 [physics.flu-dyn] |
| （或 arXiv:2604.09434v3 [physics.flu-dyn] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.09434 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuning Wang [查看电子邮件]
[v1]
2026年4月10日星期五 15:50:44 UTC（43,645 KB）
[v2]
2026年4月13日星期一 02:40:35 UTC（31,127 KB）
[v3]
2026年10月9日星期五 14:16:19 UTC（34,226 KB）
来源：arXiv cs.AI · arxiv.org