Controllo della scia di corpi tozzi mediante Reinforcement Learning = Active flow Control of a bluff body wake by Reinforcement Learning

Il seguente lavoro di tesi rappresenta l'applicazione in ambito sperimentale ed ad alto numero di Reynolds della tecnica del Deep Reinforcement Learning per il controllo attivo della scia di un veicolo da trasporto commerciale. Si dimostra che l'agente sfruttando una rete neurale è in grado di individuare una strategia con cui ridurre la resistenza aerodinamica del modello mediante l'attuazione di getti posti lungo gli spigoli della base del modello. La metodologia è stata testata per diversi numeri di Reynolds e si è visto che, nonostante si raggiungano condizioni di forcing differenti, il forcing è tale da introdurre una simmetrizzazione della scia con conseguente riduzione del coefficiente di resistenza aerodinamica pari al ~ 9% per il numero di Reynolds più basso e ~ 8% per quello più alto. Questa implementazione è risultata particolarmente vantaggiosa anche dal punto di vista del tempo fisico necessario per eseguire l'addestramento, infatti ognuno dei due casi analizzati ha mostrato una sufficiente convergenza per 26 episodi, equivalenti ad appena 3 ore e 15 minuti di misura. In letteratura, al momento della scrittura, non sono presenti applicazioni a valori simili del numero di Reynolds e dai risultati ottenuti questa metodologia risulta particolarmente vantaggiosa e versatile per problemi di controllo e ottimizzazione in ambito sperimentale. Questo apre la porta alla possibilità di implementazione della metodologia in problemi di maggiore interesse comune e pratico, spostando l'attenzione da formulazioni puramente numeriche ad applicazioni nel quotidiano.