近日，大連理工大學能源與動力學院姜孝謨教授團隊在深度強化遷移學習對復雜流體控制方面的研究取得突破性進展，成果基于深度強化遷移學習的高雷諾數條件下鈍體流動的主動控制（Deep reinforcement transfer learning of active control for bluff body flows at high Reynolds number）在流體力學國際頂刊《流體力學雜志》（Journal of Fluid Mechanics）發表。文章第一作者為王志成副教授，除了姜孝謨教授，合作者還包括西湖大學范迪夏教授，美國麻省理工學院(MIT)Michael Triantafyllou教授和布朗大學(Brown)的美國工程院院士George Karniadakis教授。
湍流是自然界和工業中最常見的流體形態，對其進行精準控制不僅可以深化對自然界湍流的科學認知，還可以在航空、航天、能源、石油等重要工業民用中避免湍流危害而產生巨大的經濟效益。隨著人工智能技術的發展，流體智能控制成為當前流體力學研究的熱點和前沿方向。
團隊采用自主研發的高置信度高精度譜元法湍流求解器，對雷諾（Reynolds）數Re=1.4x105條件下的圓柱繞流科學難題進行了深入研究，發展深度強化學習方法來控制圓柱后側小圓柱的旋轉速度和方向，控制主圓柱表面的邊界層及后側的尾跡。結果表明，無需借助任何人類的知識，針對不同的優化目標，深度強化學習可以快速學會準確控制湍流邊界層。本研究還進一步提出了一種采用多個數值模擬同步產生低雷諾數訓練數據，并遷移學習到高雷諾數流動控制的創新方法，這樣更快速更準確地實現流動控制。
圖1（a）、(b)和(c)分別顯示了Re=104時從零開始訓練，Re=104和Re=1.4x105時的遷移學習，過程的阻力系數和控制圓柱旋轉速度；圖1(d)顯示了Re=1.4x105條件下，未控制的湍流泄渦和強化學習控制后的湍流泄渦。
姜孝謨教授數字能源裝備團隊成立于2020年，由多位海歸博士組成。團隊依托分別于2020年和2022年創建的遼寧省工業裝備數字孿生重點實驗室和大工碳中和研究院等平臺，面向綠色能源智能化及碳中和國家戰略需求，針對大型能源動力裝備及關鍵部件數字孿生和智慧運維中的科學問題和關鍵技術，與美國MIT、布朗大學等多所名校的國際著名學者合作，長期致力于數物虛融合、物理可解釋AI、AI4Science、輕量化建模等理論方法及應用研究。本論文研究成果有望在面向燃氣輪機、發動機、壓縮機、風電等旋轉機械基于數字孿生的湍流控制方面，解決高雷諾數下的小數據和高效高精度計算難題，并在湍流危害控制方面發揮重要的作用。
以上工作得到國家高端創新領軍人才、中央高?？萍碱I軍人才團隊、遼寧省和沈陽市科技局揭榜掛帥和大連市科技局創新人才等多個項目的大力支持。（來源：能源與動力學院 作者：王志成 編輯：常思萌）
本論文鏈接 DOI: https://www.cambridge.org/core/journals/journal-of-fluid-mechanics/article/deep-reinforcement-transfer-learning-of-active-control-for-bluff-body-flows-at-high-reynolds-number/46364771DF555D380CC8C6C4B170B427
