浙大海洋学院港口海岸与近海工程研究所赵西增教授课题组在人工智能与计算流体力学的学科交叉研究领域取得了创新性的突破与成果。

相关学术论文“Sloshing suppression with active controlled baffles through deep reinforcementlearning-expert demonstrations-behavior cloning process”，以海洋学院19级博士生谢玉林为第一作者，近日在流体力学领域重要学术期刊《Physics of Fluids》发表。

近年来随着人工智能技术在各领域的深入应用，海洋开发装备呈现智能化发展趋势，智能海洋工程装备成为实施海洋强国战略的又一角逐“高地”。深度强化学习属于人工智能技术领域一种能够自主学习控制策略的算法，借助深度神经网络的特征提取能力，使其在处理非线性、高维等复杂的智能决策问题中具有优越的性能，近年来引起了物理和工程领域的关注。而海洋工程装备的智能控制往往与流体力学有着密不可分的关系，涉及到复杂的非线性力学问题，使得深度强化学习在该领域具有非常大的潜力。

文章通过将深度强化学习与流体力学结合，利用人工智能技术来搭建虚拟智能体，具体框架如图1所示。文章同时创新性的引入克隆学习的概念，借助神经网络的可迁移性优势来加速智能体自主学习过程，如图2所示。通过训练该智能体对起伏板运动的最佳控制策略进行自主学习，最终得到最佳的液舱晃荡抑制效果，具有重大的工程应用意义。

图1 深度强化学习+流体力学（CFD）耦合框架

图2 基于克隆学习的智能体自主学习加速训练框架

结果表明，智能起伏板能够有效地抑制液舱晃荡问题，并能够揭示有价值的物理规律从而指导专家学者改进结构设计，部分成果如图3所示。

图3 智能起伏板控制后的液舱内测点舱壁液面高度的

时间曲线(上)与液舱流场(下)

同时，课题组相关学术论文“基于卷积神经网络的涵洞式直立堤波浪透射预测”，近日在国内力学领域重要学术期刊《力学学报》发表。

文章基于卷积神经网络，对不同开孔条件下的涵洞式直立堤透浪特征进行预测。首先利用模型试验结果验证数值模型的有效性，然后基于数值模型生成相应的训练数据集，通过训练卷积神经网络模型，建立相应的波浪透射结果之间的数据映射关系，从而实现在新的工况下对波浪透射系数以及透射波波形等特征的快速预测。所采用的卷积神经网络结构如图4所示。

该项成果得到项目团队承担的国家自然科学基金项目资助；数值计算工作则得到舟山校区高性能计算集群支持。

编辑：刘蕊