|
ニューラルネットワークの制御問題への適用法には、大別して二つの使い方が存在する。一つは制御対象である非線形力学系をNNで学習し状態量推定器として用いる手法である。もう一つは制御試行を繰り返すことにより、最適制御パラメータをNNに修得させようとするものである。複雑な流れの制御にはこれら二つを組み合わせることが望ましいと考えられるが、現時点では“制御の時間遅れ"の問題が大きく後者の最適制御則学習に成功した例はない。そこで本研究では状態量推定と状態量予測にのみNNを使うこととし、制御則には“制御による時間遅れ"問題を解決可能なピラガス法を用いた。
低次元力オスの制御法として知られるピラガス制御は、無駄時間の存在によって起こるフィードバック制御の不安性を回避することができる。一方、流れの能動制御においてはセンサーで流れ情報を取得してから、アクチュエータで流れに制御入力が加えられるまでの時間遅れ、つまり無駄時間は通常無視できないものである。計算機上での数値シミュレーションでは乱流の制御が可能だが、実証実験が成功しない主な原因が、この無駄時間によるシステムの不安定化である。このように、乱流の能動制御のためには無駄時間による不安定性を抑制する技術が必要であることがこれまでの研究で解明されている。
本研究により、NNによる流れの場の状態推定と予測による制御、またピラガス法により低自由度の流れは制御可能であることをコンピュータシミュレーションおよび実証実験で示すことができた。さらに、より自由度の高い流れ場に対してはこれらの手法を自律分散的に流域ごとに適用すれば良いことが示せた。今後はこれらの手法を組み合わせて、より自由度の高い複雑な流れ場にも適用できる手法を確立していくことができると考える。
|
