ترجمه فارسی مقاله چارچوب یادگیری تقویتی مبتنی بر مکانیسم برای بهینه سازی شکل ایرفویل ها

چکیده

In this study, we present the mechanism-informed reinforcement learning framework for airfoil shape optimization. By leveraging the twin delayed deep deterministic policy gradient algorithm for its notable stability, our approach addresses the complexities of optimizing shapes governed by fluid dynamics. The PDEs-based solver is adopted for its accuracy even when the configurations and geometries are extraordinarily changed during the exploration. Dual-weighted residual-based mesh refinement strategy is applied to ensure the accurate calculation of target functionals. To streamline the iterative optimization process and handle geometric deformations, our approach integrates Laplacian smoothing, adaptive refinement, and a Bézier fitting strategy. This combination not only remits mesh tangling but also guarantees a precise manipulation of the airfoil geometry. Our neural network architecture leverages Bézier curves for efficient dimensionality reduction, thereby enhancing the learning process and ensuring the geometric accuracy of the airfoil shapes. An attention mechanism is embedded within the network to calculate potential action on the state as well. Furthermore, we have introduced different reward and penalty mechanisms tailored to the specific challenges of airfoil optimization. This algorithm is designed to support the optimization task, facilitating a more targeted and effective approach for airfoil shape optimization.

چکیده به فارسی (ترجمه ماشینی)

در این مطالعه ، ما چارچوب یادگیری تقویت شده با مکانیسم را برای بهینه سازی شکل هوایی ارائه می دهیم.رویکرد ما با استفاده از الگوریتم شیب سیاست قطعی عمیق به تأخیر افتاده ، رویکرد ما به پیچیدگی های بهینه سازی شکل های حاکم بر پویایی سیال می پردازد.حل کننده مبتنی بر PDES به دلیل صحت آن حتی در شرایطی که تنظیمات و هندسه ها به طور فوق العاده در طول اکتشاف تغییر می کنند ، اتخاذ می شود.برای اطمینان از محاسبه دقیق عملکردهای هدف ، استراتژی پالایش مشبک باقیمانده با وزن دوگانه استفاده می شود.برای ساده سازی فرایند بهینه سازی تکراری و انجام تغییر شکل های هندسی ، رویکرد ما یکپارچه سازی لاپلاسی ، پالایش تطبیقی و یک استراتژی مناسب برای بیزر را ادغام می کند.این ترکیب نه تنها تنگی مش را برطرف می کند بلکه دستکاری دقیق هندسه هوایی را نیز تضمین می کند.معماری شبکه عصبی ما از منحنی های Bézier برای کاهش ابعاد کارآمد استفاده می کند ، از این طریق روند یادگیری را تقویت می کند و از دقت هندسی شکل های هوایی اطمینان می دهد.مکانیسم توجه در شبکه تعبیه شده است تا اقدامات بالقوه روی دولت را نیز محاسبه کند.علاوه بر این ، ما مکانیسم های مختلف پاداش و پنالتی متناسب با چالش های خاص بهینه سازی هوافویل را معرفی کرده ایم.این الگوریتم برای پشتیبانی از کار بهینه سازی طراحی شده است و یک رویکرد هدفمندتر و مؤثرتر برای بهینه سازی شکل هوا را تسهیل می کند.