[논문 리뷰] Closed-loop control of an experimental mixing layer using machine learning control

Vladimir Parezanović, Thomas Duriez외 7명|arXiv (Cornell University)|2014. 08. 14.

Fluid Dynamics and Turbulent Flows참고 문헌 22인용 수 3

한 줄 요약

이 논문은 난류 혼합층의 피드백 제어를 위한 모델 프리(model-free), 유전적 프로그래밍 기반 프레임워크인 기계학습 제어(Machine Learning Control, MLC)를 제안한다. MLC는 흐름 조건 변화에 적응하고 주기적인 강제력보다 훨씬 효과적으로 유동 역학을 활용하는 비선형 센서 기반 제어 법칙을 발견함으로써 오픈 루프 작동 방식을 능가한다.

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.

연구 동기 및 목표

• 선형 또는 감소 차원 모델에 의존하지 않는 모델 프리, 피드백 루프 제어 프레임워크를 개발하는 것.
• 실험적 혼합층에서 고전적 오픈 루프 작동 방식과 기계학습 제어(MLC)를 비교 평가하는 것.
• MLC가 유동 역학의 일시적 특성을 더 효과적으로 활용하는 뛰어난 비선형 제어 법칙을 발견할 수 있는지 조사하는 것.
• 흐름 조건 변화 및 센서 노이즈에 대한 MLC의 강건성(robustness)을 평가하는 것.
• 복잡한 고차원 난류 시스템에서 제어 메커니즘을 발견하는 데 MLC를 사용할 수 있는지 탐색하는 것.

제안 방법

• MLC는 센서 입력에서 액추에이터 출력으로의 매핑을 형성하는 기호 수학적 표현으로서의 제어 법칙을 진화시키기 위해 유전적 프로그래밍(GP)을 사용한다.
• 제어 법칙은 난류 운동 에너지 감소 또는 혼합 향상과 같은 실시간 성능 지표를 기반으로 한 적합도 함수를 사용해 최적화된다.
• 선택, 교배, 돌연변이를 통해 후보 제어 법칙의 집단을 진화시키며, 급격한 돌연변이 설정을 통해 탐색 공간을 빠르게 탐색할 수 있다.
• 혼합층의 센서 데이터(예: 속도 또는 압력 변동)는 진화하는 제어 법칙의 입력으로 사용되어 피드백 적응이 가능해진다.
• 프레임워크는 실시간 실험 설정에 적용되며, 유도된 제어 신호에 따라 합성 제트 또는 유사 장치를 통해 작동이 적용된다.
• 이 방법은 유연하고 확장 가능하도록 설계되어, 향후 필터링, 시간 의존성, 또는 공간적 센서 조합의 통합이 가능하다.

실험 결과

연구 질문

• RQ1 모델 프리, 유전적 프로그래밍 기반 제어 프레임워크가 혼합층에서 난류 운동 에너지를 감소시키는 데 고전적 오픈 루프 주기적 강제력보다 뛰어난 성능을 보일 수 있는가?
• RQ2 MLC는 주기적 강제력보다 유동의 일시적 구조를 더 효과적으로 활용하는 비선형 센서 기반 제어 법칙을 발견할 수 있는가?
• RQ3 레이놀즈 수 또는 입구 불안정성과 같은 흐름 조건 변화에 대해 MLC 프레임워크는 얼마나 강건한가?
• RQ4 시스템에 대한 사전 지식 없이 MLC가 비선형 유동 역학 메커니즘을 얼마나 잘 탐지하고 활용할 수 있는가?
• RQ5 최소한의 사전 모델링으로 MLC를 실시간으로 최적의 제어 법칙을 발견하는 데 사용할 수 있는가?

주요 결과

• MLC는 난류 운동 에너지를 감소시키는 데 가장 우수한 오픈 루프 주기적 강제력보다 뛰어난 센서 기반 제어 법칙을 성공적으로 발견했다.
• 유도된 제어 법칙은 레이놀즈 수 변화와 같은 흐름 조건 변화에 대해 강건했으며, 실시간에서의 적응 능력을 입증했다.
• MLC는 주기적 강제력이 효과적으로 대응할 수 없는 다대역 주파수 교차 간섭과 같은 비선형 유동 메커니즘을 탐지하고 활용할 수 있었다.
• 폭력적인 오픈 루프 매개변수 연구에 비해 훨씬 짧은 시간 내에 고성능 제어 법칙에 수렴하는 데 성공했다.
• 간단한 센서 구성조차도 효과적인 작동 신호를 생성하여 제어 성능을 크게 향상시켰다.
• MLC의 모델 프리 성격 덕분에 식물 동역학에 대한 사전 지식 없이도 복잡한 고차원 난류 시스템에 적용 가능했으며, 이는 실제 적용 가능성을 높였다.