用于高速流动控制的“玻璃盒”深度强化学习
英文标题：Glass-Box Deep Reinforcement Learning for High-Speed Flow Control
该研究探讨了深度强化学习（DRL）在高速主动流动控制中的前沿应用。通过直接与流场交互学习，DRL 智能体能够在无需显式模型的情况下，为高度非线性和非定常流动自主探索出高效的驱动控制策略。该工作引入可解释的“玻璃盒”（Glass-Box）架构，对理解复杂流动物理机制以及推进航空航天等领域的智能流动控制技术具有重要指导意义。
打开原文相关 2.4 · 机会 1
2.0 KB
640 B
612 B
380 B
9.1 KB
18.2 KB
22.8 KB
24.2 KB
34.7 KB
中文
arXiv 编号：arXiv:2610.27132v1
公告类型：new
摘要
深度强化学习（DRL）正在挑战主动流动控制领域长期以来的固有假设。通过直接从与流场的交互中进行学习，DRL 智能体（Agent）能够在没有显式动力学模型的情况下，为非线性、非定常流动发现驱动控制策略，通常能够有效利用复杂的流动物理机制。
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×