Control de Flujo en Alas y Descubrimiento de Enfoques Noveles a través del Aprendizaje por Refuerzo Profundo
Autores: Vinuesa, Ricardo; Lehmkuhl, Oriol; Lozano-Durán, Adrian; Rabault, Jean
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Control de Flujo en Alas y Descubrimiento de Enfoques Noveles a través del Aprendizaje por Refuerzo Profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Mecánica
Palabras clave
Tendencias existentes
Control de flujo
Eficiencia aerodinámica
Turbulencia
Separación
Métodos basados en datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
En esta revisión, resumimos las tendencias existentes en el control de flujo utilizadas para mejorar la eficiencia aerodinámica de las alas. Primero discutimos métodos activos para controlar la turbulencia, comenzando con geometrías de placas planas y avanzando hacia el flujo más complicado alrededor de las alas. Luego, discutimos enfoques activos para controlar la separación, un aspecto crucial para lograr una alta eficiencia aerodinámica. Además, destacamos métodos que se basan en la simulación de turbulencias y discutimos varios niveles de modelado. Finalmente, revisamos a fondo los métodos basados en datos y su aplicación al control de flujo, y nos enfocamos en el aprendizaje por refuerzo profundo (DRL). Concluimos que esta metodología tiene el potencial de descubrir nuevas estrategias de control en flujos turbulentos complejos de relevancia aerodinámica.
Descripción
En esta revisión, resumimos las tendencias existentes en el control de flujo utilizadas para mejorar la eficiencia aerodinámica de las alas. Primero discutimos métodos activos para controlar la turbulencia, comenzando con geometrías de placas planas y avanzando hacia el flujo más complicado alrededor de las alas. Luego, discutimos enfoques activos para controlar la separación, un aspecto crucial para lograr una alta eficiencia aerodinámica. Además, destacamos métodos que se basan en la simulación de turbulencias y discutimos varios niveles de modelado. Finalmente, revisamos a fondo los métodos basados en datos y su aplicación al control de flujo, y nos enfocamos en el aprendizaje por refuerzo profundo (DRL). Concluimos que esta metodología tiene el potencial de descubrir nuevas estrategias de control en flujos turbulentos complejos de relevancia aerodinámica.