Deep Reinforcement Learning stabilisiert hypersonische Inlet-Unstarts bei Mach 5

Ein neues Verfahren nutzt Deep‑Reinforcement‑Learning (DRL), um das gefährliche Unstart‑Phänomen in hypersonischen Ansaugungen zu kontrollieren. Bei Mach 5 und einem Reynolds‑Zahl von 5 × 10⁶ werden hochauflösende CFD‑Simulationen mit adaptiver Mesh‑Verfeinerung eingesetzt, um Schockbewegungen, Boundary‑Layer‑Dynamik und Strömungs­trennung exakt zu erfassen.

Der DRL‑Controller stabilisiert die Inlet‑Operation zuverlässig über ein breites Spektrum an Rückdruckbedingungen, die typische Verbrennungs­kammerzustände widerspiegeln. Er demonstriert zudem eine starke Zero‑Shot‑Generalisation: Unbekannte Rückdruck‑Levels, unterschiedliche Reynolds‑Zahlen und alternative Sensor‑Setups werden ohne erneutes Training erfolgreich gehandhabt.

Selbst bei verrauschten Messungen bleibt die Kontrolle robust. Ein minimaler, optimal gewählter Sensor‑Set liefert vergleichbare Leistungen, was die praktische Umsetzung erheblich erleichtert. Diese datengetriebene Lösung eröffnet einen real‑time‑fähigen Ansatz für hypersonische Strömungs­kontrolle unter realistischen Betriebsunsicherheiten.