EAST托卡马克基于深度学习的等离子体破裂预测研究
磁约束托卡马克是可控核聚变研究中最有前途的装置之一。目前，托卡马克仍存在许多问题需要攻克，等离子破裂就是其中之一。等离子体破裂是由于磁流体动力学(MHD)不稳定性事件快速发展到不可控，导致等离子体约束性能下降，储能快速损失，等离子体电流快速熄灭的事件。等离子体破裂时，大量的能量(热能和磁能)在极短的时间内以热流、晕电流和逃逸电子等形式沉积到装置第一壁材料或其他部件，长时间会对装置造成损伤。随着聚变装置尺寸的增大和运行参数的提高，如:ITER和CFETR，等离子体破裂对装置的危害也会更大。因此，提前进行破裂预警并实施有效的破裂避免或缓解，对装置安全非常重要。 由于等离子体破裂发展的复杂性、非线性和快速性，对破裂物理机制的理解不是很清晰，基于破裂物理机制的模型很难预测等离子体破裂。过去二三十年来，等离子体破裂预警是各大磁约束托卡马克装置需要共同攻克的技术难题。得益于大数据发展和计算机运算能力的提高，基于数据驱动的等离子体破裂预警研究逐渐展现出它的优势，不仅能实现高准确率，还能具有较长时间的提前预警。本论文依托于EAST超导托卡马克，在详细理解等离子体破裂特征后，分类统计了破裂类型，并搭建了破裂预警数据库。在此基础上，分别使用卷积神经网络和长短期记忆网络对破裂数据和非破裂数据进行训练学习，成功搭建了两套基于深度学习的破裂预警模型。最后在完成比较两种算法后，结合两者的优点，构建了混合深度神经网络算法。 等离子体破裂发生前，会伴随着一定物理参量的变化，这些先兆参量可以用来作为破裂预警的输入参量。本论文首先分析统计了近六年来的破裂放电。发现EAST托卡马克实验中，超过50％的破裂来源于杂质溅射，杂质主要来源于第一壁中的轻杂质，偏滤器部件的重杂质以及波天线端口的金属杂质。其次破裂类型是垂直位移不稳定性和密度极限破裂。确定破裂类型后，挑选出与破裂发展趋势相关度较大的物理参数，如磁信号和辐射信号等，搭建了EAST等离子体破裂预警数据库。 基于破裂预警数据库，分别开展两种深度学习算法的破裂预警模型研究。基于全卷积神经网络的破裂预警模型对诊断信号数据进行训练学习。结果显示全卷积神经网络的破裂预警模型的接受者操作特性曲线下面积(AUC值)达到0.92，可以准确对87.5％的破裂放电进行预警，对安全放电有6.1％错误预警，平均预警时间为46毫秒。在同样的数据集和诊断信号基础上，利用长短期记忆网络进行训练学习。在同样的离线测试集下发现，长短期记忆网络破裂预警模型的AUC值达到0.87，对破裂放电的准确预警率为87.5％，安全放电的误判率却高达15.1％，平均预警时间为60毫秒。从结果分析发现，卷积神经网络对输入信号的瞬间异常变化的容忍度较高，在破裂特征提取方面优势明显，而采用长短期记忆网络模型在提前预警时间方面优势明显。 本文融合两种算法的优势，构建混合神经网络模型框架，并对破裂预警数据库进行了扩充。基于MHD扰动阵列信号以及辐射阵列信号，通过二维卷积层，分别提取阵列信息构建成一维有效特征，并将其余诊断信号通过并行一维卷积层，分别提取各自的一维有效特征。将所提取的所有有效特征进行融合，最终利用长短期记忆网络算法进行训练学习。测试结果表明，混合神经网络破裂预警模型的AUC值达到0.95，可以准确对90.9％的破裂放电进行预警，对安全放电只有2.4％错误报警。
托卡马克核聚变装置;等离子体;破裂预测;深度学习
中国科学技术大学
博士
核能科学与工程
沈飊
2021
中文
TL612
2022-09-27（万方平台首次上网日期，不代表论文的发表时间）