本研究使用深度强化学习算法，结合两个人工喷射器和压力传感器在圆柱的尾迹中，探索减少阻力的控制策略，并提出了新的优化算法（S-PPO-CMA）来优化传感器布局，结果显示控制效果稳定、鲁棒性高。这些成功实现的结果证明了强化学习在主动流控中具有非常大的潜力，并为实验和工业系统的高效、鲁棒和实用的控制技术实现铺平了道路。

Jun, 2020

本研究首次应用了一个通过深度强化学习进行训练的人工神经网络来执行主动流控，该网络成功地在研究卡曼涡街时减少了大约 8％的阻力，并使用小的质量流速。

Aug, 2018

该研究首次成功地利用多个独立控制的零净质量通量合成喷射进行主动流量控制，以降低阻力系数。研究使用了基于深度强化学习框架的方法，将计算流体动力学求解器与代理程序结合，实现了多代理强化学习框架，能够利用局部不变性、适应不同几何结构、进行传递学习和交叉应用代理，显著加快了训练速度。通过应用基于深度强化学习的控制策略，在三种不同配置的问题中实现了显著的阻力降低。

Sep, 2023

通过将旋转加入深度强化学习算法，结合多个可控喷嘴来实现最大可能的阻力抑制，以优化喷嘴数目、位置以及传感器位置，可以在流体动力学中减少拖力系数，稳定涡街并抑制涡脱落。

Jul, 2023

使用深度强化学习（DRL）进行流控制的方法现已提出，文章则针对使用計算流体动力学（CFD）数据训练 DRL 时面临的速度瓶颈进行改进，并提出两种方法以加速其运行：计算流体动力学本身的并行化以及 DRL 算法的并行处理。研究表明，这两种方法的组合可以实现对更复杂流体力学问题的 DRL 研究。

Jun, 2019

这项研究旨在探讨强化学习在基于计算流体力学的热控制中的适用性。结果表明，基于深度 Q 网络的 DRL 方法在热控制中具有较高的效率和可行性，其中软化双重 DQN 方法在各种变体中表现最佳，可以在控制周期的 98％以上将温度保持在期望的阈值范围内，这些发现证明了 DRL 在有效解决热控制系统方面的潜力。

Sep, 2023

深度强化学习在闭环流控问题中应用模拟环境进行优化，通过模型和流模拟样本相互交替训练，有效减少流控应用中的计算时间，尤其对于复杂流模拟有着潜在的巨大节约。

Feb, 2024

提出了一种基于深度强化学习的自学习算法 DF-DRL，通过提高传感器信号（DF）的动态特征，自动学习反馈控制来控制圆柱尾流，实验结果表明可以将阻力系数降低至先进水平约 8%，从而可以通过使用较少的传感器信号控制尾流。

Jul, 2023

本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数值模拟结果良好一致性的预测结果。

Apr, 2018

通过对深度强化学习（DRL）算法在并行设置中进行优化，提高了非线性活动流控制问题中现有 DRL 框架的效率，并通过对输入 / 输出操作的优化实现了高性能计算架构上的线性扩展，从而获得约 78% 的并行效率和 60 个 CPU 核心加速大约 47 倍的培训过程。

Feb, 2024