使用机器学习模型识别分离器脱落,该模型是根据DIII-D的分离器摄像头图像进行训练的.

科学领域:

• 核聚变能源的研究.
• 血物理学的等离子体物理学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 转变器脱离是托卡马克聚变装置 (如DIII-D) 中的一个关键等离子体物理现象.
• 准确及时检测转向器脱离是保持稳定的等离子体条件和设备保护的关键.
• 目前用于分离检测的方法可能无法提供实时操作控制所需的快速评估.

研究的目的:

• 应用基于卷积神经网络 (CNN) 的机器学习 (ML) 算法来自动检测DIII-D中的分离器脱离.
• 评估ML模型在从CIII发射成像中识别脱离等离体条件的准确性和有效性.
• 建立一个快速评估工具,用于转机分离,以支持DIII-D操作.

主要方法:

• 使用CNN ML算法,此前由Boyer等人开发,用于图像分析.
• 训练并测试了ML模型的CIII排放图像 (465nm) 来自DIII-D的上部和下部过转移器摄像头.
• 开发了单独的ML模型,用于下单零 (LSN) 和上单零 (USN) 等离子体配置,具有封闭的分流器形状.

主要成果:

• 由于强烈的CIII排放对比度,ML模型在检测偏移器脱离上部偏移器图像时达到100%的准确性.
• 该ML模型在检测从较低的转移器图像中脱离时达到96%的准确性,其中CIII排放对比度不那么明显.
• 开发的模型在分类附着与分离的等离子条件方面表现出很高的性能.

结论:

• ML算法使用CIII成像有效地检测DIII-D中的分离器脱落,对于上下两种分离器配置都具有高精度.
• 这种自动检测提供了对DIII-D的实时操作反至关重要的快速评估.
• 该方法表明有可能扩展到其他聚变装置,增强操作能力和等离子体控制.