深度强化学习强制对流传热控制

提出一种基于深度强化学习的闭环控制方法，能更有效地优化换热器中的冷却任务，实现更显著的降温效果。

柳阳威 · Feitong, Wang · Shihang, Zhao · Jiexuan, Hou

Physics of Fluids 2025

参数信息

温度降低提升幅度（DQN vs 人工）

91.4 %

温度降低提升幅度（CQL-SAC vs 人工）

49.1 %

学习时间占比

0.53 %

技术优势

降温效果超人工91.4%

DQN控制的温度降低幅度超过最优人工控制91.4%，冷却性能显著提升。

离线学习快530倍

CQL-SAC离线学习仅消耗在线学习所需时间的0.53%，且控制效果优于人工控制。

揭示冷却强化机理

利用粒子追踪和拉格朗日相干结构揭示冷粒子捕获和逃逸机制，从而理解控制策略为何有效。

应用场景

• 换热器优化控制：用强化学习控制器替代传统控制，直接提升换热器冷却效率。
• 流体热管理：在无需在线试错的情况下快速获得优化冷却策略，管理流体热行为。
• 智能控制：离线强化学习算法仅用少量数据即可达到优于人工的控制策略。