[論文レビュー] Closed-loop control of an experimental mixing layer using machine learning control

Vladimir Parezanović, Thomas Duriez+7 more|arXiv (Cornell University)|Aug 14, 2014

Fluid Dynamics and Turbulent Flows参考文献 22被引用数 3

ひとこと要約

本論文は、乱流混合層の閉ループ制御のためのモデルフリーで遺伝的プログラミングに基づくフレームワーク、Machine Learning Control (MLC) を提案する。MLC は周期的駆動とは異なり、非線形でセンサーに基づく制御則を発見することで、変化する流れの条件に適応し、流れのダイナミクスをより効果的に活用する。

ABSTRACT

A novel framework for closed-loop control of turbulent flows is tested in an experimental mixing layer flow. This framework, called Machine Learning Control (MLC), provides a model-free method of searching for the best function, to be used as a control law in closed-loop flow control. MLC is based on genetic programming, a function optimization method of machine learning. In this article, MLC is benchmarked against classical open-loop actuation of the mixing layer. Results show that this method is capable of producing sensor-based control laws which can rival or surpass the best open-loop forcing, and be robust to changing flow conditions. Additionally, MLC can detect non-linear mechanisms present in the controlled plant, and exploit them to find a better type of actuation than the best periodic forcing.

研究の動機と目的

• 線形モデルや低次元モデルに依存しない、モデルフリーで閉ループ制御フレームワークを、乱流の流れに適用すること。
• 実験的混合層において、機械学習制御（MLC）を古典的なオープンループ駆動と比較すること。
• MLC が、一時的な流れのダイナミクスをより効果的に活用できる優れた非線形制御則を発見できるかを検証すること。
• MLC が流れの条件の変化やセンサーのノイズに対してどれほど頑健であるかを評価すること。
• MLC が複雑で高次元な乱流系における制御メカニズムの発見に使えるツールとして実現可能かどうかを検討すること。

提案手法

• MLC は遺伝的プログラミング（GP）を用いて、センサー入力をアクチュエータ出力に写像する記号的数学的式として制御則を進化させる。
• 制御則の最適化には、乱流運動エネルギーの低減や混合の強化といったリアルタイムの性能指標に基づくフィットネス関数が用いられる。
• 選択、交差、突然変異を経て、候補制御則の集団を進化させるアルゴリズムであり、急激な突然変異設定により探索空間の迅速な探索が可能である。
• 混合層からのセンサー情報（例えば、速度または圧力の揺らぎ）が、進化する制御則の入力として使用され、フィードバックによる適応が可能になる。
• フレームワークは実時間で実験装置に適用され、合成ジェットや類似デバイスを用いて進化した制御信号に基づいて駆動が行われる。
• この手法は柔軟かつ拡張可能であり、将来のフィルタリング、時間依存性、空間的センサーの組み合わせの統合が可能である。

実験結果

リサーチクエスチョン

• RQ1 モデルフリーで遺伝的プログラミングに基づく制御フレームワークは、混合層における乱流運動エネルギーの低減において、従来のオープンループ周期的駆動を上回ることができるか？
• RQ2 MLC は周期的駆動よりも一時的な流れ構造を効果的に活用できる非線形でセンサーに基づく制御則を発見できるか？
• RQ3 Reynolds 数や入口の不規則な乱れの変化といった流れの条件の変化に対して、MLC フレームワークはどれほど頑健か？
• RQ4 システムの事前知識なしに、流れのダイナミクスにおける非線形メカニズムをどれほど正確に検出・活用できるか？
• RQ5 最小限の事前モデル化で、MLC がリアルタイムに最適な制御則を発見できるか？

主な発見

• MLC は、乱流運動エネルギー低減において、最良のオープンループ周期的駆動を上回るセンサーに基づく制御則を成功裏に発見した。
• 発見された制御則は、Reynolds 数の変化などの流れの条件の変化に対しても頑健であり、リアルタイムでの適応性を示した。
• MLC は非線形な流れのメカニズム、特に帯域幅の広い周波数クロスコヒーレンスを検出し、それを効果的に活用できた。これは周期的駆動では的確にターゲットにできない。
• ブルートフォースなオープンループパラメータスキャンに比べて、はるかに短時間で高性能な制御則に収束した。
• 単純なセンサー構成でも、MLC は効果的な駆動信号を生成し、制御性能を顕著に向上させた。
• MLC のモデルフリー特性により、プラントのダイナミクスに関する事前知識がなくても動作可能であり、複雑で高次元な乱流系に応用可能である。