| Project/Area Number |
23K22732
|
|---|
| Project/Area Number (Other) |
22H01461 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 21010:Power engineering-related
|
|---|
| Research Institution | National Institute of Advanced Industrial Science and Technology (2024)
The University of Tokyo (2022-2023) |
|---|
Principal Investigator |
小室 淳史 国立研究開発法人産業技術総合研究所, エネルギー・環境領域, 主任研究員 (70733137)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
西田 浩之 東京農工大学, 工学(系)研究科(研究院), 准教授 (60545945)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,420,000 (Direct Cost: ¥13,400,000、Indirect Cost: ¥4,020,000)
Fiscal Year 2024: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2023: ¥5,850,000 (Direct Cost: ¥4,500,000、Indirect Cost: ¥1,350,000)
Fiscal Year 2022: ¥7,020,000 (Direct Cost: ¥5,400,000、Indirect Cost: ¥1,620,000)
|
|---|
| Keywords | 大気圧プラズマ / 気流の動的制御 / 深層強化学習 / 人工知能 / 気流制御 / 動的失速 |
|---|
| Outline of Research at the Start |
本研究は放電と気流の相互作用を調べる基礎研究と、航空機におけるピッチング運動を模擬した風洞実験により構成されている。まずは基礎研究において気流制御効果と種々の放電パラメータの関係を明らかにする。次に、ピッチング運動を模擬した動的風洞実験においてパルス放電を用いた気流制御効果の有効性を検証する。さらに、気流制御の方法として深層強化学習のアルゴリズムを用い、自立した気流制御が可能かどうかを調べる。
|
| Outline of Annual Research Achievements |
今年度の研究はまずピッチング運動機構の改良を行うことから始めた。前年度に構築したピッチング運動システムではモデルの重量が重かったり、回転速度を上げたりするとモーターが脱調することがあったため、より堅牢なシステムへと変更を行った。また回転軸に角度センサを用いることによってピッチング運動をする翼型の迎角をアナログ値として取得できるようにした。これらの変更により、コード長１００ｍｍ、スパン長９９ｍｍのＮＡＣＡ００１５翼型を脱調することなくピッチング運動させることに成功した。次に深層強化学習を用いたフィードバックシステムの構築に取り組んだ。フィードバックシステムでは圧力計測装置、プラズマアクチュエータ用の電源、ピッチング運動用のモーター、角度検出器といった装置を同期させて制御する必要があるため、これを実現するためのプログラムの開発に取り組んだ。これまで個別に用いられていたプログラムを統合し、強化学習との相性が良いpythonで動作できるように改良した。プログラムの大枠が完成し、現在その動作を確認している最中である。今後は開発したピッチング運動システムと各実験機器の動機システムを用いて実験を行い、深層強化学習を用いたフィードバックシステムの構築を進めていく。先行研究における静的翼型では放電周波数でフィードバックシステムを構築していたが、ピッチング翼型では電圧の波高値やパルス幅も検討する。またピッチング角とプラズマアクチュエータの制御タイミングについても検討する。これらの過程を通して、ピッチング運動する翼型に対するフィードバックシステムの構築を進めていく。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
はじめにピッチング機構の改良を行った。初年度に構築したピッチング機構ではモデルの重量が重かったり、回転速度を上げたりするとモーターが脱調することがあったが、それを防ぐためにモーターの定格出力がより大きいものに変更した。また、回転軸に角度検出器を取り付けてモーターの回転角度をアナログ信号として取り出せるようにした。次に、多点圧力スキャナとプラズマアクチュエータ用の電源をlabviewで制御するためのフィードバックシステムの構築を行った。モデルにはNACA0015翼型を用い、初期検討としてピッチング運動する翼の迎角によってプラズマのONとOFFを切り替えられるようなシステムを構築した。さらに、深層強化学習を用いたフィードバック制御用のプログラムを開発し、実験システムに導入した。多点圧力スキャナの制御プログラムと深層強化学習用のプログラムが別々の言語を用いて記述されていたため、それらを統合するためのpythonプログラムを開発した。現在、その動作を確認中である。
|
| Strategy for Future Research Activity |
今後は深層強化学習を用いたフィードバック制御システムの開発を進めていく。まずはピッチング運動する翼型の失速特性をもっともよく表す評価パラメータを決める。静的な翼型に対しては翼後縁もしくは前縁における圧力値が最もよく失速特性を表すことが知られているため、まずは同じパラメータを用いることをピッチング翼に対しても検討する。場合によっては1点だけの圧力を評価パラメータとするよりは、複数点の圧力値をとったほうが評価精度が上がる可能性があるため、静的翼型における前例を参考にしながらも網羅的にパラメータ探査を行っていく。評価パラメータが決定した後は、深層強化学習に用いる報酬の与え方を決定する。また、プラズマアクチュエータを制御するときのパラメータについても検討する。先行研究における静的翼型では放電周波数でフィードバックシステムを構築していたが、ピッチング翼型では電圧の波高値やパルス幅も検討する。またピッチング角とプラズマアクチュエータの制御タイミングについても検討する。これらの過程を通して、ピッチング運動する翼型に対するフィードバックシステムの構築を進めていく。
|
