Gradient-enriched machine learning control exemplified for shear flows in simulations and experiments
Contrôle par apprentissage automatique et méthodes de gradient appliqué aux écoulements cisaillés numériques et expérimentaux
Résumé
As main contribution we propose a fast and automated gradient-enriched machine learning control (gMLC) algorithm to learn feedback control laws. The framework alternates between explorative and exploitive gradient-based iterations, generalizing genetic programming control (GPC) and the Explorative Gradient Method (EGM). The gMLC algorithm has been demonstrated both numerically, with the stabilization of a MIMO system, the fluidic pinball and experimentally, with the control of the open cavity. In both cases, gMLC successfully built closed-loop control laws allowing the best performances so far. We prove, in particular, that the mechanisms behind the control of the cavity rely effectively on feedback. The benchmark of gMLC with GPC on both problems, shows that gMLC outperforms GPC both in terms of convergence speed and final solution efficiency. An acceleration of at least a factor 10 between the GPC and gMLC has been achieved, allowing the control of many experiments, e.g., with a large number of inputs and outputs or multiple parameters testing for robustness. The two developed codes are both freely available online: xMLC, based on GPC and gMLC, based on our new algorithm.
Nous proposons un algorithme rapide et automatisé de contrôle par apprentissage automatique enrichi de méthodes de gradients (gMLC) pour l’optimisation de lois de contrôle en boucle fermée. Notre méthodologie alterne entre l’exploration de l’espace de recherche et l’exploitation des gradients locaux, et généralise la programmation génétique (GPC) et l’Explorative Gradient Method (EGM). L’algorithme gMLC est implémenté et testé numériquement, par la stabilisation d’un système multi-entrées multi-sorties, le pinball fluidique et expérimentalement, par le contrôle de la cavité ouverte. Dans les deux cas, gMLC a construit des lois de contrôle en boucle fermée permettant les meilleures performances répertoriées. Nous démontrons aussi que les mécanismes de contrôle pour la cavité reposent effectivement sur la rétroaction à partir de la mesure de l’état. La comparaison entre gMLC et GPC est toujours à l’avantage de gMLC aussi bien en termes de vitesse de convergence que de qualité de la solution finale. Le gain en vitesse d’apprentissage est d’au moins un facteur 10, permettant d’envisager le contrôle d’expériences complexes avec, par exemple, un grand nombre d’entrées et de sorties ou des tests multi-paramètres pour assurer la robustesse de l’apprentissage. Enfin, deux codes sont mis en ligne en libre accès: xMLC, basé sur le contrôle par programmation génétique et gMLC, basé sur notre nouvel algorithme.
Origine : Version validée par le jury (STAR)