Искусственный интеллект научился укращать турбулентность и снизил трение на крыле на 38%
Искусственный интеллект научился управлять турбулентным потоком у поверхности крыла и заметно уменьшил сопротивление воздуха. В численном эксперименте система снизила локальное сопротивление трения на 38%, а полное аэродинамическое сопротивление трёхмерной модели крыла с профилем NACA0012 на 11%. Результат пока получен только в компьютерном моделировании, а не в испытаниях реального самолёта.
Авторы исследования решали одну из сложных задач аэродинамики: как активно управлять турбулентностью возле поверхности, не перебирая огромное количество вариантов непосредственно на сложной модели крыла. Турбулентный пограничный слой создаёт касательное напряжение на поверхности и увеличивает сопротивление трения, поэтому даже небольшое изменение структуры потока может влиять на общие аэродинамические потери.
Вместо обучения сразу на крыле систему сначала поместили в более простую виртуальную среду с турбулентным потоком в канале. Многоагентный алгоритм использовал обучение с подкреплением: отдельные управляющие агенты наблюдали за колебаниями скорости воздуха возле поверхности, пробовали разные воздействия и получали более высокую награду, если касательное напряжение уменьшалось.
Управление происходило за счёт локального вдува и отсоса воздуха перпендикулярно поверхности. Алгоритм самостоятельно выбирал силу воздействия для разных участков, при этом суммарный объём вдуваемого и отводимого воздуха оставался сбалансированным. Такая схема позволяла воздействовать непосредственно на структуры турбулентности, которые переносят импульс к поверхности и усиливают трение.
Во время обучения система научилась ослаблять быстрые продольные полосы потока возле стенки и связанные с ними вихревые структуры. После этого готовую стратегию без дополнительного обучения перенесли на трёхмерную модель крыла с профилем NACA0012 при числе Рейнольдса 200 000 и нулевом угле атаки.
Условия заметно отличались от учебной среды. У крыла есть кривизна поверхности и меняющееся вдоль профиля давление, которых нет в простом канале. Несмотря на разницу, алгоритм сохранил способность распознавать характерные структуры турбулентности возле поверхности и реагировать на них.
В контролируемой области локальное сопротивление трения сократилось примерно на 38%. Полное аэродинамическое сопротивление модели уменьшилось на 11%. Авторы отдельно рассматривают результат как демонстрацию возможности переноса найденной стратегии, а не как подтверждение такого же выигрыша для реального самолёта.
Ключевым преимуществом стала экономия вычислительных ресурсов. Учебная модель канала требовала примерно в сто раз меньше точек расчётной сетки, чем модель крыла. С учётом возможности эффективнее распределять вычисления поиск управляющей стратегии потребовал более чем в 10 000 раз меньше вычислительного времени. Даже с периодическими проверками на полной модели крыла общее время расчётов сократилось примерно в 60 раз по сравнению с обучением непосредственно на крыле.
Для подобных экспериментов исследователи разработали открытую платформу HydroGym. Она включает более 60 сред для моделирования и управления потоками, от сравнительно простых ламинарных режимов до трёхмерной турбулентности. Платформа позволяет сравнивать алгоритмы в одинаковых условиях и проверять, способны ли найденные стратегии работать за пределами среды, где проходило обучение.
Авторы пока не знают, насколько далеко удастся распространить такой перенос. Проверенная схема опирается на сходство процессов, происходящих в турбулентном потоке непосредственно возле поверхности. При сильных перепадах давления, отрыве потока, заметной сжимаемости воздуха или других режимах поведение алгоритма может измениться.
Главный результат работы связан поэтому не только с сокращением сопротивления. Эксперимент показывает, что систему управления потоком можно обучить на относительно дешёвой упрощённой модели, а затем перенести готовую стратегию на значительно более сложную геометрию без нового цикла обучения. Если подход подтвердится в других режимах и физических испытаниях, похожие системы смогут применяться при проектировании крыльев, турбин и других конструкций, где сопротивление и турбулентность напрямую влияют на эффективность.