Нейросеть овладела навыком регулирования турбулентного воздушного потока вблизи крыловой поверхности и существенно сократила аэродинамическое сопротивление. При компьютерном моделировании удалось уменьшить локальное сопротивление на 38%, а общее сопротивление трёхмерного крыла профиля NACA0012 на 11%. Достигнутые результаты пока являются плодом численного моделирования и не проверены в реальных условиях полёта.

Исследователи решали сложную задачу аэродинамики: как рационально управлять турбулентностью у поверхности без перебора бесчисленных вариантов на подлинной геометрии крыла. Турбулентный слой вблизи стенки формирует касательные силы и возрастает трение, поэтому малейшие изменения в структуре потока могут значительно влиять на общие потери при обтекании.

Вместо прямого обучения на крыле исследователи сначала тренировали систему в упрощённой компьютерной среде с турбулентным потоком в канале. Многоагентная система использовала обучение с подкреплением: независимые управляющие блоки отслеживали скоростные пульсации воздуха у поверхности, опробовали различные воздействия и получали поощрение при снижении касательного напряжения.

Воздействие осуществлялось посредством локального впрыскивания и откачивания воздуха перпендикулярно стенке. Система автоматически определяла интенсивность воздействия для каждого участка, сохраняя баланс между поступающим и удаляемым воздухом. Такой принцип позволял влиять непосредственно на турбулентные вихри, которые передают импульс к поверхности и усиливают трение.

В процессе обучения алгоритм освоил методы ослабления продольных скоростных полос вблизи стенки и связанных с ними вихревых образований. Полученную стратегию затем применили к трёхмерной модели крыла NACA0012 при числе Рейнольдса 200 000 и нулевом угле атаки без дополнительного обучения.

Условия на крыле существенно отличались от тренировочной среды. Крыло имеет изогнутую форму и переменное давление по профилю, которых не было в прямолинейном канале. Тем не менее система смогла распознать характерные турбулентные структуры вблизи стенки и надлежащим образом реагировать на них.

В зоне контроля локальное трение упало на 38%. Общее аэродинамическое сопротивление модели сократилось на 11%. Авторы рассматривают результат как доказательство эффективности переноса найденной тактики, но не как гарантию аналогичного выигрыша для настоящего самолёта.

Основная выгода состояла в экономии вычислительной мощности. Упрощённая модель канала требовала примерно в сто раз меньше расчётных узлов сравнительно с моделью крыла. С учётом оптимизированного распределения вычислений поиск управляющей тактики потребовал более чем в 10 000 раз меньше машинного времени. Даже с систематическими проверками на полноценной модели крыла общее время вычислений сократилось в 60 раз по сравнению с непосредственным обучением на крыле.

Для проведения подобных исследований учёные разработали открытую систему HydroGym. Она содержит более 60 математических моделей для изучения и управления течениями: от относительно несложных ламинарных процессов до трёхмерной турбулентности. Система даёт возможность оценивать различные методики в единых условиях и проверять, сохраняют ли найденные решения результативность вне среды обучения.

Исследователи затрудняются оценить границы применимости найденного подхода. Испробованный метод опирается на сходство явлений в турбулентном потоке непосредственно у стенки. При значительных скачках давления, нарушении целостности потока, заметной стиснутости газа или в других режимах система может действовать иначе.

Главная ценность этой работы состоит не только в уменьшении сопротивления. Исследование демонстрирует возможность тренировки системы управления потоком на недорогой, упрощённой модели с последующим применением обученной тактики на существенно более сложную конструкцию без переобучения. При подтверждении этого подхода в прочих режимах и натурных испытаниях аналогичные системы найдут применение при разработке крыльев, турбомашин и прочих объектов, где сопротивление и турбулентность критически влияют на производительность.