[논문 리뷰] Feedback Control of Turbulent Shear Flows by Genetic Programming

Thomas Duriez, Vladimir Parezanović외 15명|arXiv (Cornell University)|2015. 05. 05.

Fluid Dynamics and Turbulent Flows참고 문헌 9인용 수 3

한 줄 요약

이 논문은 유체의 동역학적 특성에 대한 사전 지식 없이도 임의의 비용 함수를 자동으로 최적화할 수 있는 모델 프리 피드백 제어 전략을 제시한다. 이 전략은 유전적 프로그래밍(GPC)을 사용하여 난류 비균일 유동에 대해 비선형 다중입력다중출력 제어 법칙을 진화적으로 최적화한다. GPC는 네 가지 실험적 난류 유동 설정—혼합 향상, 순환 영역 감소, 경계층 재접착 향상—에서 최신 기술 수준의 제어 방법을 뛰어넘었으며, 비선형성, 다중 입력/출력, 시간 지연 등 복잡한 특성을 지닌 시스템에서 새로운 강건한 제어 법칙을 발견하였다.

ABSTRACT

Turbulent shear flows have triggered fundamental research in nonlinear dynamics, like transition scenarios, pattern formation and dynamical modeling. In particular, the control of nonlinear dynamics is subject of research since decades. In this publication, actuated turbulent shear flows serve as test-bed for a nonlinear feedback control strategy which can optimize an arbitrary cost function in an automatic self-learning manner. This is facilitated by genetic programming providing an analytically treatable control law. Unlike control based on PID laws or neural networks, no structure of the control law needs to be specified in advance. The strategy is first applied to low-dimensional dynamical systems featuring aspects of turbulence and for which linear control methods fail. This includes stabilizing an unstable fixed point of a nonlinearly coupled oscillator model and maximizing mixing, i.e.\ the Lyapunov exponent, for forced Lorenz equations. For the first time, we demonstrate the applicability of genetic programming control to four shear flow experiments with strong nonlinearities and intrinsically noisy measurements. These experiments comprise mixing enhancement in a turbulent shear layer, the reduction of the recirculation zone behind a backward facing step, and the optimized reattachment of separating boundary layers. Genetic programming control has outperformed tested optimized state-of-the-art control and has even found novel actuation mechanisms.

연구 동기 및 목표

• 기존 선형 제어 기법이 실패하는 복잡한 난류 비균일 유동에 대해 사전 모델이 필요 없는 자가학습 피드백 제어 전략을 개발하는 것.
• PID나 신경망 기반 제어의 한계를 극복하여 사전 정의된 구조 없이도 비선형 제어 법칙을 자동으로 발견할 수 있도록 하는 것.
• 강한 비선형성, 노이즈, 시간 지연이 존재하는 실재 실험 환경에서 GPC의 효과성을 입증하는 것.
• 진화 알고리즘이 유체역학 분야에서 놀라운 성능을 보이는 비직관적인 제어 메커니즘을 발견할 수 있는지 탐색하는 것.
• 감소된 차원 모델이 필요 없이 다양한 난류 유동 구조에 적용 가능한 융통성 있고 일반적인 제어 프레임워크를 구축하는 것.

제안 방법

• 유전적 프로그래밍(GP)은 사용자가 정의한 비용 함수를 기반으로 진화적 선택을 통해 비선형 다중입력다중출력 피드백 제어 법칙을 나타내는 기호 표현을 진화시킨다.
• 제어 법칙은 센서 입력을 액추에이터 출력으로 매핑하는 의사결정 트리(파싱 트리) 형태로 표현되며, 이는 분석적 처리와 실시간 구현을 가능하게 한다.
• 모든 개체는 물리적 실험 또는 저차원 모델에서 실시간으로 평가되며, 비용 함수(예: 르아플루아 지수, 순환 영역 크기)에 의해 적합도가 결정된다.
• 선택, 교차, 돌연변이를 사용하여 세대에 걸쳐 개체군을 반복적으로 진화시키며, 비용 함수를 최소화하는 개체를 선호한다.
• 실제 실험으로의 확장에 앞서, 복합 진동자계, 강제 로렌츠 시스템 등의 저차원 동역학계에 먼저 적용하여 접근법의 타당성을 검증한다.
• 제어기와 실험 설정 간의 통신 프로토콜, 세대 크기, 평가 시간 최적화를 통해 실시간 제약 조건에 맞게 프레임워크를 조정한다.

실험 결과

연구 질문

• RQ1 유전적 프로그래밍은 사전 시스템 모델이 없이도 난류 비균일 유동에 대해 효과적인 비선형 피드백 제어 법칙을 발견할 수 있는가?
• RQ2 노이즈와 시간 지연이 존재하는 실재 실험 환경에서 GPC의 성능은 최적화된 최신 기술 수준의 제어 전략과 비교해 어떻게 되는가?
• RQ3 GPC는 기존 제어 설계에서 예상하지 못한 새로운 비직관적인 액추에이터 메커니즘을 발견할 수 있는가?
• RQ4 실시간 실험 유체역학 응용에서 GPC의 계산 비용과 수렴 행동은 어떠한가?
• RQ5 GPC를 통한 모델 프리 제어는 다양한 난류 유동 구조로 얼마나 일반화될 수 있는가?

주요 결과

• 유전적 프로그래밍은 혼합 향상, 배경면이 있는 단계 뒤의 순환 영역 감소 등 네 가지의 다른 난류 비균일 유동 실험에 대해 효과적인 피드백 제어 법칙을 성공적으로 유도하였다.
• 모든 실험 케이스에서 GPC는 테스트된 최적화된 최신 기술 수준의 제어 방법을 뛰어넘었으며, 순환 영역 감소와 혼합 향상 측면에서 뛰어난 성능을 보였다.
• 기존에 알려지지 않았거나 예상되지 않았던 새로운 액추에이터 메커니즘을 발견하였으며, 예를 들어 PMMH 물 터널 실험에서 배경면이 있는 단계의 비직관적인 제어 패tern이 그 예이다.
• 고속 유동(예: 약 10 m/s)의 경우, 작은 개체군(50개)으로 약 8시간의 실시간 운영만으로도 유용한 제어 법칙을 확보하였다.
• 저속 유동(예: PMMH 물 터널)의 경우, 1세대당 500개의 개체로 1주일 간의 실험을 통해 수렴을 달성하였지만, 이는 여전히 매우 효율적인 발견 과정을 의미한다.
• GPC의 모델 프리 성격 덕분에 시스템 식별이나 모델 검증 없이도 실재 시스템에 직접 적용할 수 있었으며, 모델 기반 접근법 대비 설정 시간을 크게 단축시켰다.