哈工大科研团队融合深度强化学习与主动流动控制，在《空气动力学学报》发表桥梁涡激振动智能抑制成果

哈尔滨工业大学（深圳）邓晓龙、胡钢教授与哈尔滨工业大学陈文礼教授，在《空气动力学学报》上发表了题为《基于深度强化学习的箱梁涡激振动智能流动控制》的研究论文。该研究创新性地将深度强化学习（DRL）与合成射流主动流动控制技术相结合，为抑制大跨度桥梁的涡激振动提供了一种高效、智能的解决方案。

涡激振动是威胁桥梁安全与舒适性的重要风致振动形式。本研究以丹麦大贝尔特桥为原型，通过风洞试验探究了布置于箱梁底缘转角的卧式合成射流激励器对尾流涡脱落的扰动效应。研究发现，合成射流的控制电压与其产生的平均射流速度近似线性正相关，更高的电压（对应更大的流量）能更有效地抑制振动，在20V最大控制电压下，桥梁涡激振动幅值降低了约83%。研究进一步利用软演员-评论家（SAC）深度强化学习算法，在耦合风洞试验与DRL训练的“DRLinWT”框架中，对控制电压进行自动化寻优。算法在30个训练步内快速收敛，确定的最优控制策略与参数化分析结论一致，验证了该智能控制方法的可靠性与高效性。

该成果表明，深度强化学习能够有效优化主动流动控制的参数，实现桥梁涡激振动的自适应抑制，为桥梁抗风设计从“被动防护”迈向“主动智能控制”提供了新的技术路径，在应对非均匀、非定常复杂风场方面展现出巨大潜力。

该研究中用于测量合成射流流速的关键设备——CTA04型多通道热线风速仪由大连航华科技有限公司提供。该仪器为建立控制电压与射流流量之间的准确映射关系提供了可靠的数据支撑，确保了后续参数化分析与DRL训练基础的准确性，体现了国产高精度流体测量仪器在前沿气动控制研究中的重要作用。

DENG X L, HU G, CHEN W L. Deep reinforcement learning based intelligent flow control of vortex-induced vibration for box girder[J]. Kongqi Donglixue Xuebao/Acta Aerodynamica Sinica, 2025, 43(5): 92–100. DOI:10.7638/kqdlxxb-2025.0016.