PulseAugur
中
实时 14:53:25
English(EN) Explainable deep reinforcement learning reveals energy-efficient control strategies for turbulent drag reduction

AI模型发现节能减阻策略

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种结合多智能体深度强化学习（MARL）和可解释深度学习（XDL）的新方法，以显著降低湍流中的阻力。该方法利用SHAP（SHapley Additive exPlanations）来指导学习过程，重点关注壁面摩阻系数和壁面压力波动的预测。由此产生的策略以最小的能量消耗实现了34.44%的显著减阻，其性能远超现有方法。 AI

影响 这项研究展示了可解释的人工智能如何优化复杂的物理系统，有望在交通和工业应用中实现更高效的能源利用。

排序理由 这是一篇研究论文，详细介绍了使用人工智能技术进行减阻的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Federica Tonti, Ricardo Vinuesa ·

    Explainable deep reinforcement learning reveals energy-efficient control strategies for turbulent drag reduction

    arXiv:2606.00949v1 Announce Type: cross Abstract: We propose a method combining Multi-Agent Deep Reinforcement Learning (MARL) and eXplainable Deep Learning (XDL) to reduce drag in wall-bounded turbulent flows. Taking as a baseline the results of training agents directly targetin…

相关实体

相关话题