2022 Fiscal Year Annual Research Report
| Project/Area Number |
20K04264
|
|---|
| Research Institution | Nagoya University |
|---|
Principal Investigator |
伊藤 靖仁 名古屋大学, 工学研究科, 教授 (40346078)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
酒井 康彦 公益財団法人名古屋産業科学研究所, 研究部, 上席研究員 (20162274)
岩野 耕治 名古屋大学, 工学研究科, 助教 (20750285)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 噴流 / 数値シミュレーション / 強化学習 / 混合拡散制御 / 熱物質輸送 |
|---|
| Outline of Annual Research Achievements |
噴流は様々な流体機器内で見られる現象であり，その制御は重要である．噴流の制御手法の一つは，初期噴流流速分布を工夫する手法である．しかしその制御パラメータは，流速の時空間分布や噴出方向など多岐にわたり，すべてのパターンを調べて最適解を見出することは不可能である．そこで本研究では，深層強化学習を用いた噴流の流入速度分布の最適化を行った．特に，噴流の混合拡散の抑制を目的とした．
流体シミュレーションの計算領域は二次元で，主流(x)方向に300mm，鉛直(y)方向に400mmである．乱流モデルには定常k-εモデルを用いた．噴流は-10mm<y<10mmの領域から流入させた．噴流出口をy方向に20分割し，各点から噴出させる流速を0<U<6 m/s，噴出角度を-30°<θ<30°で変化させた．ただし，断面平均流速は初期流速分布によらず2m/sとなるように設定した．噴流と周囲流体との温度差は5Kとした． 深層強化学習のアルゴリズムには，Deep Q-Networkを採用した．また，学習の指標を，下流部における，流量の最小化，中心流速の最大化，中心温度の最大化とした．
学習によって同定された最適な初期流速分布は，流量最小化と中心速度最大化の場合は類似した形状をしており，外縁部の流速が大きく外側へ広がる分布を示した．一方で中心流速最大化の場合には，中心へ集まるような分布となった．初期流速分布が一様流速の場合と比較すると，流量最小化の場合では流量が約28%減少，中心流速最大化の場合では流速が約19%増加，また中心温度最大化の場合では，温度差の減少が約21%抑制された．また各場合におけるこれらの統計量を比較すると，流量最小化と中心温度最大化の場合にはほぼ等しく，中心流速と流量が小さく中心温度が高いのに対して，中心流速最大化の場合には，中心流速と流量が大きく中心温度が低いという結果となった．
|
