Ottimizzazione Bayesiana e DRL per il Controllo del Flusso su Ala ad Alta Portanza
Un nuovo studio su arXiv (2605.11981) esamina il controllo attivo del flusso applicato a un'ala ad alta portanza 30P30N, testata a un numero di Reynolds di 450.000 e un angolo di attacco di 23°. I ricercatori hanno esplorato due strategie di ottimizzazione: l'ottimizzazione bayesiana (BO) a ciclo aperto e l'apprendimento per rinforzo profondo (DRL) a ciclo chiuso. Entrambi i metodi miravano a migliorare le prestazioni aerodinamiche e minimizzare lo stallo utilizzando getti sintetici su vari componenti dell'ala. I risultati della configurazione non controllata corrispondevano a ricerche precedenti. La BO è stata efficace, ottenendo un aumento dell'efficienza del 10,9% e una riduzione della resistenza del 9,7% mantenendo la portanza. D'altra parte, l'approccio DRL, che utilizzava dati di flusso in tempo reale, ha mostrato solo lievi miglioramenti nella portanza e nella resistenza, portando a guadagni di efficienza minimi.
Fatti principali
- Lo studio utilizza LES risolta a parete su ala ad alta portanza 30P30N
- Numero di Reynolds Re_c = 450.000
- Angolo di attacco α = 23°
- Confronta ottimizzazione bayesiana e apprendimento per rinforzo profondo
- BO ha ottenuto +10,9% di efficienza tramite -9,7% di riduzione della resistenza
- DRL ha mostrato miglioramenti minori con guadagno di efficienza trascurabile
- Getti sintetici posizionati su slat, ala principale e flap
- Configurazione non controllata validata rispetto alla letteratura
Entità
Istituzioni
- arXiv