24 ème Congrès Français de Mécanique Brest, 26 au 30 Août 2019 Apprentissage automatique de lois de contrôle d’écoulement par programmation génétique G. Y. Cornejo Maceda a , B. R. Noack b , F. Lusseyran c , N. Deng d , L. Pastur e , M. Morzyński f a. LIMSI, CNRS - UPR3251 Université Paris-Sud, Université Paris-Sud, France + cornejo@limsi.fr b. LIMSI, CNRS - UPR3251 Université Paris-Saclay, France - TU Braunschweig, Allemagne - TU Berlin, Allemagne - HIT Shenzen, Chine + bernd.noack@limsi.fr c. LIMSI, CNRS - UPR3251 Université Paris-Saclay, France + francois.lusseyran@limsi.fr d. LIMSI, CNRS, Université Paris-Sud, France + nan.deng@limsi.fr e. IMSIA - UMR9219, ENSTA ParisTech, France + luc.pastur@ensta-paristech.fr f. Poznan University of Technology, Pologne + marek.morzynski@put.poznan.pl ... Résumé : Ce travail vise à la mise en place de stratégies de contrôle en boucle fermée par apprentissage au- tomatique (Machine Learning, ML) pour les écoulements fluides. Notre outil de contrôle, fondé sur la programmation génétique, est testé sur une configuration d’écoulement simple mais qui réunit les carac- téristiques essentielles des écoulements en situation réelle, le "pinball fluidique". La richesse dynamique et la possibilité d’un contrôle multi-entrée, multi-sortie justifie le choix du pinball fluidique comme objet d’étude. Notre contribution réside dans l’accélération de l’apprentissage grâce à une meilleure explo- ration de l’espace de recherche, notamment en éliminant les lois de contrôles redondantes. La program- mation génétique a permis de construire une loi de contrôle non intuitive, combinant deux mécanismes d’action issus de la littérature et avec une meilleure performance, en terme d’objectif de contrôle, que celles atteintes par les études précédentes. Abstract : This work aims to implement a closed-loop, machine learning (ML) control strategy for fluid flows. Our control tool, based on genetic programming, is tested on a flow configuration that despite its simplicity gathers caracteristics of real flows, the fluidic pinball. The choice of the fluidic pinball is justified by the vast number of accessible dynamics and the possibility of multiple input multiple output (MIMO) control. Our contribution is the acceleration of the learning process. We removed redundant control laws, allo- wing a better exploration of the search space. Genetic programming managed to build a non intuitive control law, combining two actuation mechanisms of the litterature. This control law outperformed all control laws previously studied. Mots clefs : apprentissage automatique, contrôle, programmation génétique, intelligence artificielle, réduction de traînée, pinball fluidique