[논문 리뷰] Closed-Loop Turbulence Control Using Machine Learning

Thomas Duriez, Vladimir Parezanović외 6명|arXiv (Cornell University)|2014. 04. 17.

Model Reduction and Neural Networks참고 문헌 24인용 수 16

한 줄 요약

이 논문은 난류 유동에 대한 비모델 기반, 피드백 기반 전략인 기계학습 제어(Machine Learning Control, MLC)를 소개한다. MLC는 유전적 프로그래밍을 사용하여 비선형 다중입력다중출력(MIMO) 제어 법칙을 최적화한다. 이 방법은 비선형으로 결합된 진동자를 안정화시키고, 강제로 가속된 로렌츠 시스템에서 혼돈을 극대화하며, 실험적인 혼합층에서 혼합 효율을 12% 향상시킨다. 시스템 모델이나 동역학에 대한 사전 지식이 필요하지 않다.

ABSTRACT

We propose a general model-free strategy for feedback control design of turbulent flows. This strategy called 'machine learning control' (MLC) is capable of exploiting nonlinear mechanisms in a systematic unsupervised manner. It relies on an evolutionary algorithm that is used to evolve an ensemble of feedback control laws until minimization of a targeted cost function. This methodology can be applied to any non-linear multiple-input multiple-output (MIMO) system to derive an optimal closed-loop control law. MLC is successfully applied to the stabilization of nonlinearly coupled oscillators exhibiting frequency cross-talk, to the maximization of the largest Lyapunov exponent of a forced Lorenz system, and to the mixing enhancement in an experimental mixing layer flow. We foresee numerous potential applications to most nonlinear MIMO control problems, particularly in experiments.

연구 동기 및 목표

• 감소된 순서 모델이나 선형화된 동역학에 의존하지 않는 난류 유동을 위한 비모델 기반 피드백 제어 전략을 개발하기 위해.
• 伝통적 제어 방법이 난류 시스템의 비선형 주파수 교차 및 복잡한 상호작용을 다루는 데 한계를 가진다는 문제를 해결하기 위해.
• 비지도 학습을 통해 비선형 제어 법칙을 진화시켜 실시간, 즉시 제어를 가능하게 하기 위해 MIMO 시스템을 제어하기 위해.
• 이 방법의 효과성을 입증하기 위해 비선형 진동자의 안정화, 실험적 유동에서의 혼합 향상, 강제로 가속된 동역학계에서 혼돈 극대화를 위해.
• 시스템 모델이 알려져 있거나 해석이 불가능한 실제 실험 유체역학 문제에 적용 가능한 유연하고 일반적인 제어 프레임워크를 제공하기 위해.

제안 방법

• MLC는 유전적 프로그래밍(GP)을 사용하여 비선형 피드백 제어 법칙의 집합을 진화시켜, 각 제어 법칙을 인구 집단 내 개체로 간주한다.
• 제어 법칙은 센서 측정값의 트리 구조 함수로 표현되어, 제어 구조와 파rameter를 자동으로 발견할 수 있다.
• 목표 함수(비용 함수)를 정의하여 진화 과정에서 원하는 시스템 행동(예: 안정화, 혼합 향상, 혼돈 극대화)을 향해 유도한다.
• 각 개체(제어 법칙)는 시뮬레이션 또는 실험을 통해 평가되며, 가장 적합한 개체들이 후속 세대에서 번식, 돌연변이, 교배를 위해 선택된다.
• 이 방법은 본질적으로 병렬 처리가 가능하며, 확장된 입력 표현을 통해 센서 기록 또는 시간 지연을 통합할 수 있다.
• 이 방법은 세 가지 테스트 케이스에 적용되었다: 이중 주파수 평균장 모델, 강제로 가속된 로렌츠 시스템, 실험적 혼합층 터널.

실험 결과

연구 질문

• RQ1 선형화된 모델에 의존하지 않고, 주파수 교차 현상을 무시하는 선형 모델이 무시하는 비선형으로 결합된 진동자를 효과적으로 안정화시킬 수 있는가?
• RQ2 유전적 프로그래밍이 강제로 가속된 로렌츠 방정식과 같은 혼돈 시스템에서 가장 큰 리아푸노프 지수를 극대화하는 제어 법칙을 진화시킬 수 있는가?
• RQ3 실제 실험적 난류 유동에서 MLC는 주기적 오픈 루프 강제보다 혼합을 더 잘 향상시킬 수 있는가?
• RQ4 MLC는 실세계적 과제, 예를 들어 광대역 센서 동역학, 큰 대류 시간 지연, 강한 비선형성과 같은 상황에서 어떻게 대처하는가?
• RQ5 시스템 모델이 존재하지 않는 다른 MIMO, 비선형, 복잡한 유체역학 문제에 대해 MLC는 어느 정도 일반화될 수 있는가?

주요 결과

• MLC는 선형 모델이 忽시하는 주파수 교차 현상을 활용하여 비선형적으로 결합된 이중 주파수 평균장 진동자를 성공적으로 안정화시켰다.
• 강제로 가속된 로렌츠 시스템에서 MLC는 혼돈 행동을 강화하는 제어 법칙을 진화시켜 가장 큰 리아푸노프 지수를 극대화함으로써 예측 불가능성에 대한 제어를 실현했다.
• TUCOROM 터널 실험에서 MLC는 최고의 주기적 강제보다 혼합층 두께를 12% 증가시켜 더 뛰어난 혼합 효율을 달성했다.
• 혼합층 실험에서 MLC는 작동 비용을 감소시켜 전통적인 오픈 루프 강제보다 에너지 효율성이 향상됨을 보여주었다.
• 이 방법은 광대역 센서 동역학, 큰 시간 지연, 강한 비선형성과 같은 중대한 실험적 과제를 극복하여 실제 조건에서의 강건성을 입증했다.
• 유도된 제어 법칙은 복잡하고 비선형적이었으며, 이는 MLC가 선형 또는 매개변수 최적화 제어 전략으로는 접근할 수 없는 메커니즘을 발견했다는 것을 시사한다.