Machine Learning Control – Taming Nonlinear Dynamics and Turbulence

این اولین کتاب درسی در مورد یک استراتژی کنترلی کاربردی برای آشفتگی و سایر سیستم های پیچیده غیرخطی است. رویکرد این کتاب از روش‌های قدرتمند یادگیری ماشین برای قوانین کنترل غیرخطی بهینه استفاده می‌کند. این کنترل یادگیری ماشینی (MLC) در فصل های 1 و 2 با انگیزه و تفصیل ارائه شده است. در فصل 3، روش های تئوری کنترل خطی بررسی شده است. در فصل 4، MLC برای بازتولید قوانین کنترل بهینه شناخته شده برای دینامیک خطی (LQR، LQG) نشان داده شده است. در فصل 5، MLC زمانی که روش‌های کنترل خطی شکست خورده‌اند، مکانیزم تحریک غیرخطی شدیداً یک سیستم دینامیکی با ابعاد پایین را شناسایی و از آن بهره‌برداری می‌کند. نمایش‌های کنترل تجربی از لایه برشی آرام تا لایه‌های مرزی آشفته در فصل 6 بررسی می‌شوند، و سپس روش‌های خوب کلی برای آزمایش‌ها در فصل 7 بررسی می‌شود. برای تکرار آسان نتایج ارائه شده ارائه شده است. این کتاب شامل مصاحبه با محققان برجسته در زمینه کنترل تلاطم (س. باقری، ب. باتن، ام. گلاسر، دی. ویلیامز) و یادگیری ماشینی (م. شوئناور) برای دیدگاهی گسترده تر است. تمام فصل ها دارای تمرین هستند و فیلم های تکمیلی از طریق یوتیوب در دسترس خواهند بود.

This is the first textbook on a generally applicable control strategy for turbulence and other complex nonlinear systems. The approach of the book employs powerful methods of machine learning for optimal nonlinear control laws. This machine learning control (MLC) is motivated and detailed in Chapters 1 and 2. In Chapter 3, methods of linear control theory are reviewed. In Chapter 4, MLC is shown to reproduce known optimal control laws for linear dynamics (LQR, LQG). In Chapter 5, MLC detects and exploits a strongly nonlinear actuation mechanism of a low-dimensional dynamical system when linear control methods are shown to fail. Experimental control demonstrations from a laminar shear-layer to turbulent boundary-layers are reviewed in Chapter 6, followed by general good practices for experiments in Chapter 7. The book concludes with an outlook on the vast future applications of MLC in Chapter 8. Matlab codes are provided for easy reproducibility of the presented results. The book includes interviews with leading researchers in turbulence control (S. Bagheri, B. Batten, M. Glauser, D. Williams) and machine learning (M. Schoenauer) for a broader perspective. All chapters have exercises and supplemental videos will be available through YouTube.