报告时间：2023年8月29日（星期二）上午9:30

报告地点：suncitygroup太阳集团铁道学院高速列车研究中心北楼201会议室

报告题目：机器学习引导的主动流控制

Machine-Learning Guided Active Flow Control

唐辉博士 副教授 机械工程系副主任 香港理工大学

摘要： 在本次报告中，将介绍机器学习（ML）在主动流动控制（AFC）中的一些最近应用。这里的AFC指的是通过向现有流动系统注入少量能量来实现控制。与其对应的被动流控制相比，AFC具有适应性和按需性，因此具有更广泛的可用范围。首先，将介绍通用编程（GP）选择的显式控制法则，用于通过吹气/抽吸来控制圆柱体的涡致振荡（VIV）。其次，将介绍使用深度强化学习（DRL）来寻找适合的控制策略，以实现使用一组迎风侧吸气和背风侧吹气（WSLB）执行器的水动力隐身。最后，将演示在不同流动条件下，使用DRL来寻找固定圆柱体的最佳减阻策略。通过这些基于ML的AFC研究，揭示了一些全新且意想不到的控制策略。

In this talk, some recent applications of machine learning (ML) in active flow control (AFC) will be introduced. Here the term AFC means that the control is realized by injecting a small amount of energy into existing flow systems. Compared to its counterpart, i.e., passive flow control, AFC is adaptive and on-demand, and hence has a much wider operating range. First, the use of generic-programming (GP) selected explicit control laws for the blowing/suction enabled control of vortex-induced vibration (VIV) of a circular cylinder will be presented. Second, the use of deep reinforcement learning (DRL) to find suitable control strategies for achieving hydrodynamic stealth using a group of windward-suction-leeward-blowing (WSLB) actuators will be introduced. Last, the use of DRL for finding best drag reduction strategies for a fixed circular cylinder will be demonstrated at different flow conditions. Through these ML based AFC studies, some new and unexpected control strategies have been revealed.

个人简介： 香港理工大学，机械工程系的副教授，机械工程系的科研副主任，多物理流体力学联盟主任。本科及硕士毕业于清华大学，博士毕业于曼彻斯特大学。他的研究兴趣包括空气/水动力学、主动流控制、流固耦合、传热传质等。在上述领域，已在著名期刊上发表了90余篇同行评审文章，包括Physical Review Letters, Physical Review Fluids, Physics of Fluids, and International Journal of Mechanical Sciences。他目前是香港理论与应用力学学会（HKSTAM）的执行委员会成员，并在多个期刊的编辑委员会中任职，包括Actuators, Fluid and Structure, and Frontiers in Bioengineering and Biotechnology。