Tid, rum och kontroll: djupinlärningsapplikationer för turbulenta flöden
Tid: Må 2023-06-12 kl 10.00
Plats: F3, Lindstedtsvägen 26 & 28, Stockholm
Språk: Engelska
Ämnesområde: Teknisk mekanik
Respondent: Luca Guastoni , SeRC - Swedish e-Science Research Centre, Strömningsmekanik och Teknisk Akustik, Linné Flow Center, FLOW
Opponent: Prof. Dr.-Ing. Andrea Beck, Institute of Aerodynamics and Gas Dynamics, University of Stuttgart, Germany
Handledare: Ricardo Vinuesa, Linné Flow Center, FLOW, SeRC - Swedish e-Science Research Centre, Strömningsmekanik och Teknisk Akustik; Hossein Azizpour, Science for Life Laboratory, SciLifeLab, Robotik, perception och lärande, RPL, SeRC - Swedish e-Science Research Centre; Philipp Schlatter, Linné Flow Center, FLOW, SeRC - Swedish e-Science Research Centre, Strömningsmekanik och Teknisk Akustik, Lehrstuhls für Strömungsmechanik (LSTM), Friedrich-Alexander-Universität (FAU) Erlangen-Nürnberg, Germany
QC 230516
Abstract
I den förinställda avhandlingen undersöks tillämpningen av djupinlärning och djupförstärkningsinlärning på turbulenta flödessimuleringar. Modeller för djupinlärning tränas för att utföra tids- och rumsförutsägelser, medan djupförstärkningsinlärning tillämpas på ett flödeskontrollproblem, nämligen minskningen av motståndet i ett öppet kanalflöde. Long short-term memory (LSTM, Hochreiter & Schmidhuber 1997) nätverk och Koopman non-linear forcing (KNF) modeller optimeras för att utföratidsförutsägelser i två turbulensmodeller med reducerad ordning, nämligen nio-ekvationsmodellen som föreslagits av Moehlis et al. (2004) och en trunkerad proper orthogonal decomposition (POD) av ett minimalt kanalflöde (Jiménez & Moin 1991). I den första applikationen kan båda modellerna producera korrekta korttidsförutsägelser, dessutom är de förutsagda trajektorierna statistiskt korrekta. KNF-modeller överträffar LSTM-nätverk i kortsiktiga förutsägelser, med en mycket lägre utbildningsberäkningskostnad. I den andra uppgiften kan endast LSTM nätverken tränas framgångsrikt, med trajektorier som är statistiskt korrekta. Spatiala förutsägelser utförs i två turbulenta flöden, en öppen kanal flöde och en gränsskikt. Fully-convolutional networks (FCN) används för att förutsäga tvådimensionella hastighetsfluktuationsfält vid givet avstånd från väggen med hjälp av väggmätningar (och vice versa). Tack vare deras icke-linjär karaktär ger dessa modeller bättre rekonstruktionsprestanda än optimala linjära metoder som extended POD (Borée 2003). Slutligen visar vi potentialen med djup förstärkningsinlärning för att upptäcka nya kontrollstrategier i turbulenta flöden. Genom att inrama strömningsmekaniska problemet som en förstärknings-inlärningsmiljö med flera agenter och genom att träna agenterna med hjälp av en positionsinvariant deep deterministic policy gradient (DDPG) algoritm, kan vi lära oss en kontrollstrategi som uppnår en anmärkningsvärd 30% minskning av luftmotståndet, vilket jämfört med existerande strategier är en förbättring med cirka 10 procentenheter.