用深度强化学习优化气流控制，显著降阻减振。

Towards Active Flow Control Strategies Through Deep Reinforcement Learning

• 结合CFD与深度强化学习，实时优化气动控制策略。
• 在雷诺数100下实现9.32%的阻力降低和78.4%的升力波动减少。
• 适用于高精度气动优化场景，适合流体控制研究者。

本文提出一种深度强化学习（DRL）框架，用于主动气流控制（AFC），以降低气动体的阻力。在雷诺数Re = 100的三维圆柱上测试，DRL方法通过学习先进激励策略，实现了9.32%的阻力降低和78.4%的升力振荡减少。该方法将计算流体动力学（CFD）求解器与DRL模型结合，利用内存数据库实现高效通信。

原文摘要 · Abstract (English)

This paper presents a deep reinforcement learning (DRL) framework for active flow control (AFC) to reduce drag in aerodynamic bodies. Tested on a 3D cylinder at Re = 100, the DRL approach achieved a 9.32% drag reduction and a 78.4% decrease in lift oscillations by learning advanced actuation strategies. The methodology integrates a CFD solver with a DRL model using an in-memory database for efficient communication between

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。