ترجمه فارسی مقاله یادگیری تقویتی مبتنی بر مدل برای کنترل جریان‌های آیرودینامیکی ناپایدار با اختلال شدید

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Model-Based Reinforcement Learning for Control of Strongly-Disturbed Unsteady Aerodynamic Flows
عنوان مقاله به فارسی یادگیری تقویتی مبتنی بر مدل برای کنترل جریان‌های آیرودینامیکی ناپایدار با اختلال شدید
نویسندگان Zhecheng Liu, Diederik Beckers, Jeff D. Eldredge
فرمت مقاله انگلیسی PDF
تعداد صفحات 40
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Fluid Dynamics,Machine Learning,دینامیک سیال , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The intrinsic high dimension of fluid dynamics is an inherent challenge to control of aerodynamic flows, and this is further complicated by a flow's nonlinear response to strong disturbances. Deep reinforcement learning, which takes advantage of the exploratory aspects of reinforcement learning (RL) and the rich nonlinearity of a deep neural network, provides a promising approach to discover feasible control strategies. However, the typical model-free approach to reinforcement learning requires a significant amount of interaction between the flow environment and the RL agent during training, and this high training cost impedes its development and application. In this work, we propose a model-based reinforcement learning (MBRL) approach by incorporating a novel reduced-order model as a surrogate for the full environment. The model consists of a physics-augmented autoencoder, which compresses high-dimensional CFD flow field snaphsots into a three-dimensional latent space, and a latent dynamics model that is trained to accurately predict the long-time dynamics of trajectories in the latent space in response to action sequences. The robustness and generalizability of the model is demonstrated in two distinct flow environments, a pitching airfoil in a highly disturbed environment and a vertical-axis wind turbine in a disturbance-free environment. Based on the trained model in the first problem, we realize an MBRL strategy to mitigate lift variation during gust-airfoil encounters. We demonstrate that the policy learned in the reduced-order environment translates to an effective control strategy in the full CFD environment.

چکیده به فارسی (ترجمه ماشینی)

ابعاد بالای ذاتی دینامیک سیال یک چالش ذاتی برای کنترل جریان های آیرودینامیکی است و این با پاسخ غیرخطی یک جریان به اختلالات قوی پیچیده تر است.یادگیری تقویت عمیق ، که از جنبه های اکتشافی یادگیری تقویت (RL) و غیرخطی غنی از یک شبکه عصبی عمیق استفاده می کند ، یک رویکرد امیدوار کننده برای کشف استراتژی های کنترل امکان پذیر ارائه می دهد.با این حال ، رویکرد معمولی بدون مدل برای یادگیری تقویت نیاز به تعامل قابل توجهی بین محیط جریان و عامل RL در طول آموزش دارد و این هزینه آموزش بالا مانع توسعه و کاربرد آن می شود.در این کار ، ما با ترکیب یک مدل مرتبه کمتری به عنوان یک جانشین برای محیط کامل ، یک رویکرد یادگیری تقویت کننده مبتنی بر مدل (MBRL) را پیشنهاد می کنیم.این مدل از یک خودروآنندر فیزیک و اوج تشکیل شده است ، که باعث فشرده سازی مزارع جریان CFD با ابعاد بالا در یک فضای نهان سه بعدی و یک مدل دینامیک نهفته است که برای پیش بینی دقیق پویایی طولانی مدت مسیرها در فضای نهفته در فضای نهفته در فضای نهفته است.پاسخ به توالی های عمل.استحکام و تعمیم پذیری این مدل در دو محیط جریان مجزا ، یک هواپیمای هوایی در یک محیط بسیار آشفته و یک توربین بادی محور عمودی در یک محیط بدون اختلال نشان داده شده است.بر اساس مدل آموزش دیده در اولین مشکل ، ما یک استراتژی MBRL را برای کاهش تنوع آسانسور در هنگام برخوردهای آهسته هوا می دانیم.ما نشان می دهیم که سیاست آموخته شده در محیط مرتبه کاهش یافته به یک استراتژی کنترل مؤثر در محیط کامل CFD تبدیل می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.