玻璃盒深度强化学习用于高速流动控制

arXiv:2610.27132v1 公布类型：new 摘要：深度强化学习（DRL）正在挑战主动流动控制中长期以来的假设。通过直接从与流动的交互中学习，DRL 智能体无需显式模型即可为非线性、非定常流动找到控制策略，并且常常能够利用经典控制未曾预料的机制。高速流动是检验这一潜力的严峻场景：激波、激波/边界层相互作用、转捩、气动热载荷以及微秒级动态过程，均对算法和硬件提出了巨大挑战。然而，目前大多数演示仍停留在理想化的低速仿真层面，对于鲁棒性、可解释性、可迁移性或实验部署的证据十分有限。在本文的观点文章中，我们考察了制约基于 DRL 的高速流动控制的因素，包括可压缩流仿真的成本与保真度、数据效率、极端环境下的传感、奖励设计、可解释性，以及跨 Mach 数和 Reynolds 数的泛化能力。我们认为，这些限制反映了数据驱动优化与真实流动所具有的结构化物理特性、约束条件和不确定性之间的张力。随后，我们重点讨论 DRL 可能超越传统方法的方向：对激波诱导分离和湍流边界层进行自适应控制、协调分布式执行器，以及发现非常规的流动操纵机制。然而，核心挑战在于将这些能力转化为可靠技术，这需要经过验证的可压缩流仿真环境、考虑物理规律与约束的学习方法、对偏离设计工况和传感器退化的鲁棒性、实时运行能力、硬件在环与风洞验证，以及通向安全性和认证的可信路径。