深度学习模型以减少TJ-II森散射诊断中的流浪光
Ricardo Correa1, Gonzalo Farias1, Ernesto Fabregas2
1Escuela de Ingeniería Eléctrica, Pontificia Universidad Católica de Valparaiso, Av. Brasil 2147, Valparaiso 2362804, Chile.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
深度学习模型有效地从核聚变等离子体诊断中去除迷路光噪声. 这种Pix2Pix GAN方法增强了森散射测量,提高了用于核聚变能源研究的数据准确性.
科学领域:
- 核聚变能源是核聚变能源.
- 等离子体物理学的物理学
- 机器学习应用 机器学习应用
背景情况:
- 核聚变为全球需求提供了一个可持续的能源解决方案.
- 像TJ-II这样的热核聚变装置对于了解聚变过程至关重要.
- 森散射 (TS) 是测量等离子体温度和密度的关键诊断仪.
研究的目的:
- 开发一种深度学习方法,以减少TS诊断图像中的流浪光噪声.
- 为了提高受散光影响的血形状测量的准确性.
主要方法:
- 使用Pix2Pix神经网络,是一种生成对抗网络 (GAN).
- 实施图像对图像翻译方法,将噪音图像转换为干净的图像.
- 在TS诊断图像上训练模型,这些图像来自TJ-II聚变装置.
主要成果:
- 在TS图像中,Pix2Pix模型成功地减少了迷路光噪声.
- 实现了高达98%的降噪,明显优于以前的方法 (85%的验证数据).
- 能够更可靠地测量等离子体温度和密度概况.
结论:
- 深度学习,特别是Pix2Pix GANs,为融合诊断中的流浪光噪声提供了有效的解决方案.
- 这种方法提高了TS诊断数据的可靠性,用于核聚变能源研究.
- 自动降噪避免了手动调整,简化了数据处理.
