非定常流体流动的深层动力学建模与控制

由于控制流体流动的方程的非线性性质，流量控制系统的设计仍然是一个挑战。然而，计算流体力学（CFD）的最新进展使复杂流体流动的模拟具有高精度，为使用基于学习的方法来促进控制器设计提供了可能性。我们提出了一种直接从CFD数据学习圆柱上方气流的强迫和非强迫动力学的方法。该方法以库普曼理论为基础，可以建立稳定的动力学模型，预测气缸系统在延长时间范围内的时间演化。 最后，通过对学习到的动力学模型进行模型预测控制，我们能够找到一个简单、可解释的控制律，用于抑制圆柱尾迹中的涡流脱落。我们介绍了一种训练Deep Koopman模型的方法，证明了学习的模型能够稳定地模拟气缸上方的气流，从而获得显著的预测范围。此外，我们还详细介绍了如何修改库普曼模型，以考虑控制输入，从而利用流量控制来抑制涡流脱落。该方法从大约4000个训练样本中学习足够精确的动力学模型，具有非常高的样本效率，由于与CFD模拟相关的大量计算成本，这一点非常重要。 最重要的是，通过将Deep Koopman模型纳入MPC框架，我们证明了由此产生的控制律既可解释又合理，与文献中经过充分研究的流量控制方法一致。未来的工作将侧重于将拟议的方法应用