该研究论文表明，中等大小的神经网络模型实际上可以与模型预测控制（MPC）相结合，以实现在模型为基础的强化学习算法中的良好样本复杂度，并以提高深度神经网络动力学模型的样本效率为目的初始化模型自由学习。

Aug, 2017

通过CFD数据直接学习气流在圆柱上的强迫和自由动力学的方法，基于Koopman理论，使用模型预测控制产生了稳定的动态模型，寻找了一个简单易懂的控制策略来抑制圆柱尾流中的涡 shedding。

May, 2018

本文发现不同风条件下的空气动力学共享相同的表示，但风特定部分存在于低维空间中，提出了基于深度学习和领域敌对不变元学习的学习方法Neural-Fly，该方法只利用12分钟的飞行数据，可以在线快速自适应，实现了无人机在动态高速风下精确飞行控制。

May, 2022

本论文基于强化学习理论，通过卷积神经网络建立了大涡模拟中湍流参数、长时间稳定的模拟、精度等方面都优于传统分析模型的涡黏度动态自适应模型，并将其推广到不同分辨率和离散化的场景，为完成大涡模拟提供一种持续、准确和稳定的参数化框架。

Jun, 2022

本文研究了多飞行器在恶劣气流环境中的运动控制问题，并提出了一种基于深度强化学习和图形卷积神经网络的解决方法，能够帮助机器人团队实现更好的气流补偿和协同运动。

Jun, 2023

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

我们提出了一种强化学习策略来通过主动改变转子速度、转子偏转角和叶片俯仰角来控制风力涡轮发电。该方法采用了双重深度Q学习与叶片动量元模型相结合，通过训练使其能够在不同风速下进行控制，并且在真实的动态湍流风中表现出良好的性能。与传统的值迭代强化学习控制相比，双重深度Q学习表现更好，在所有环境中都优于传统的PID控制。此外，强化学习方法适用于包括湍流/阵风风在内的变化环境，表现出很大的适应性。最后，我们将所有的控制策略与真实风进行比较，并计算了年度能量产出。在这种情况下，双重深度Q学习算法也优于传统方法。

Feb, 2024

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

研究中，我们介绍了一种基于机制的增强学习框架，用于空气动力学翼型形状优化，借助于稳定性较强的双延迟深度确定性策略梯度算法，解决了涉及流体动力学的形状优化的复杂问题。该算法支持翼型形状优化任务，实现了更有针对性和有效的方法。

Mar, 2024

发展了一种使用深度强化学习控制风力涡轮的转矩-倾角框架，以优化风力涡轮能量的生成同时最小化运行噪音，以SWT2.3-93风力涡轮为例进行了验证，结果表明基于强化学习的控制策略能够提高风力涡轮的效率，并减轻噪音污染，推进可持续能源发展。

Jul, 2024