空军工程大学Chen等人发表学术论文

空军工程大学Chen等人在Physics of Fluids发表题为A field programmable gate array-based deep reinforcement learning framework for experimental active flow control and its application in airfoil flow separation elimination学术论文【1】。该文提出了一种基于现场可编程门阵列（FPGA）的DRL框架，用于高速实验中的主动流动控制。通过将人工神经网络的训练和执行过程分离，并分别在中央处理器（CPU）和FPGA中高效实现，实验DRL控制的交互频率可达10–100 kHz，比传统的基于CPU的DRL框架高出两个数量级。这一新框架在经典的翼型前缘流动分离控制问题中进行了测试，雷诺数为Rec = 2.13 × 10⁵，等离子体激励器作为流动扰动器，热线传感器作为状态传感器。结果表明，实验DRL控制在时间成本方面非常具有吸引力，仅需一次5分钟的运行即可找到收敛的闭环控制策略，避免了开环控制中繁琐的参数调整过程（时间成本：数十分钟至数小时）。此外，最优DRL控制情况下的升力增量幅度比最佳开环周期控制策略高出3.2%。

该文使用了航华CTA04热线风速仪。

[1] CHEN J, ZONG H, SONG H等. A field programmable gate array-based deep reinforcement learning framework for experimental active flow control and its application in airfoil flow separation elimination[J/OL]. Physics of Fluids, 2024, 36(9). https://doi.org/10.1063/5.0229981. DOI:10.1063/5.0229981.