基于深度强化学习的能量高效流动控制策略：圆柱与方柱绕流分离抑制的优化研究

本研究针对传统流动控制方法在能量效率和控制效果上的不足，采用深度强化学习(DRL)技术，系统探究了合成射流位置对圆柱(Re=100)和方柱绕流分离抑制的影响。研究发现，射流布置在主流分离点时能耗最低且控制效果最佳：圆柱射流位于滞点105°处仅需1%入口流量即可实现8%减阻，方柱射流布置于后角时能耗仅为前角的1/27且减阻率达14.4%。该研究为可持续流动控制提供了兼具高能效与高性能的解决方案。

　　

流动控制一直是流体力学领域的核心挑战，尤其在航空航天、能源工程等领域，如何以最小能耗实现高效流动调节至关重要。传统方法如固定频率激励或被动控制存在适应性差、能耗高等缺陷。随着人工智能技术的发展，深度强化学习(DRL)为这一难题提供了新思路——通过智能体与流体环境的持续交互，自主优化控制策略。然而，现有研究对执行器布局与多射流协同的机理认识不足，且鲜少关注能量效率的量化评估。

针对这些瓶颈，国内研究人员在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将DRL与计算流体力学(CFD)结合，以圆柱(Re=100)和方柱绕流为模型，系统探索了9种射流配置（5单射流+4多射流）的控制效能。研究采用近端策略优化(PPO)算法，通过实时反馈流场压力、涡量等状态参数，训练智能体动态调节射流强度。数值模拟基于开源CFD软件OpenFOAM实现，通过定义包含减阻率与能耗比的复合奖励函数，引导策略向高能效方向进化。

【Results: flow control performance of a circular cylinder】
研究发现圆筒最优射流位置位于滞点105°处，仅消耗1%入口流量即实现8%减阻，能耗仅为其他位置的1/3。多射流控制虽初始能耗更低，但训练收敛速度较慢。值得注意的是，该策略首次实现涡脱落的完全抑制，使升阻力系数振荡完全消失。

【Results: flow control performance of a square cylinder】
方柱案例揭示后角射流优势显著：仅需2%流量即达成14.4%减阻，而前角射流需27倍能耗却仅获12%减阻。多射流协同可产生非线性流动干涉，但需精细调控相位差以避免能量抵消。

【Flow separation phenomenon】
流体力学分析表明，合成射流通过生成新涡结构改变局部流场：圆筒案例中射流诱导的逆向涡对延迟了主涡脱落；方柱案例中后角射流直接干扰卡门涡街形成。能谱分析证实控制后湍动能降低60%以上。

这项研究的突破性在于三方面：首先，通过DRL揭示了射流位置与分离点动力学的定量关系，提出"能量效率敏感区"概念；其次，建立多射流协同的量化评价体系，证明2-3组射流即可覆盖90%控制收益；最后，开发的复合奖励机制使能耗指标较前人研究降低40%。这些发现不仅为飞行器减阻设计提供新范式，其方法论更可推广至心血管血流控制等生物医学领域。正如作者指出，未来研究需在更高Re数(>1000)验证策略的鲁棒性，并探索基于迁移学习的跨场景应用。