Reduced-order model for dynamic stall: a deep reinforcement learning approach for parameter optimization

A Deep Reinforcement Learning approach is proposed to assess the parameters of the Leishmann-Beddoes second generation reduced order model for dynamic stall. The algorithm implemented is a Deep Q-Network, trained with dynamic stall data obtained from CFD simulations for NACA0012 at different reduced frequencies k in the interval k = [0.02, 0.2]. The model implemented is compared with a Genetic Algorithm optimization presented in literature, using the same experimental and numerical reference cases. The results show a similar retrieving of parameters in the case of experimental references, while with numerical references the DQN obtain better results. In conclusion, the DQN method presented is more robust in the reduced frequency domain studied.

In questa tesi viene presentato un approccio basato sul Deep Reinforcement Learning per la determinazione dei parametri del modello di ordine ridotto di Leishman-Beddoes di seconda generazione per lo stallo dinamico. L’algoritmo implementato è di tipo Deep Q-Network (DQN), addestrato su dati di stallo dinamico ottenuti da simulazioni CFD per il profilo NACA0012 a diverse frequenze ridotte k nell’intervallo k = [0.02, 0.2]. Il modello sviluppato viene confrontato con un’ottimizzazione basata su algoritmo genetico presente in letteratura, utilizzando gli stessi casi di riferimento sperimentali e numerici. I risultati mostrano che, rispetto ai dati sperimentali, entrambi i metodi portano a un recupero dei parametri simile, mentre nel caso di riferimenti numerici il DQN fornisce una stima più accurata. Il metodo DQN risulta più robusto sul range di frequenze analizzato.