近日，大连理工大学能源与动力学院姜孝谟教授团队在深度强化迁移学习对复杂流体控制方面的研究取得突破性进展，成果Deep reinforcement transfer learning of active control for bluff body flows at high Reynolds number在流体力学国际顶刊《Journal of Fluid Mechanics》发表。文章第一作者为王志成副教授，除了姜孝谟教授，合作者还包括西湖大学范迪夏教授，美国麻省理工学院(MIT)Michael Triantafyllou教授和布朗大学(Brown)的美国工程院院士George Karniadakis教授。

湍流是自然界和工业中最常见的流体形态，对其进行精准控制不仅可以深化对自然界湍流的科学认知，还可以在航空、航天、能源、石油等重要工业民用中避免湍流危害而产生巨大的经济效益。随着人工智能技术的发展，流体智能控制成为当前流体力学研究的热点和前沿方向。

团队采用自主研发的高置信度高精度谱元法湍流求解器，对雷诺（Reynolds）数Re=1.4x10⁵条件下的圆柱绕流科学难题进行了深入研究，发展深度强化学习方法来控制圆柱后侧小圆柱的旋转速度和方向，控制主圆柱表面的边界层及后侧的尾迹。结果表明，无需借助任何人类的知识，针对不同的优化目标，深度强化学习可以快速学会准确控制湍流边界层。本研究还进一步提出了一种采用多个数值模拟同步产生低雷诺数训练数据，并迁移学习到高雷诺数流动控制的创新方法，这样更快速更准确地实现流动控制。

图1（a）、(b)和(c)分别显示了Re=10⁴时从零开始训练，Re=10⁴和Re=1.4x10⁵时的迁移学习，过程的阻力系数和控制圆柱旋转速度；图1(d)显示了Re=1.4x10⁵条件下，未控制的湍流泄涡和强化学习控制后的湍流泄涡。

姜孝谟教授数字能源装备团队成立于2020年，由多位海归博士组成。团队依托分别于2020年和2022年创建的辽宁省工业装备数字孪生重点实验室和大工碳中和研究院等平台，面向绿色能源智能化及碳中和国家战略需求，针对大型能源动力装备及关键部件数字孪生和智慧运维中的科学问题和关键技术，与美国MIT、布朗大学等多所名校的国际著名学者合作，长期致力于数物虚融合、物理可解释AI、AI4Science、轻量化建模等理论方法及应用研究。本论文研究成果有望在面向燃气轮机、发动机、压缩机、风电等旋转机械基于数字孪生的湍流控制方面，解决高雷诺数下的小数据和高效高精度计算难题，并在湍流危害控制方面发挥重要的作用。

以上工作得到国家高端创新领军人才、中央高校科技领军人才团队、辽宁省和沈阳市科技局揭榜挂帅、和大连市科技局创新人才等多个项目的大力支持。

本论文链接 DOI: https://doi.org/10.1017/jfm.2023.637