基于卷积循环神经网络托卡马克等离子体约束状态分类
数据分析、统计与概率
2020-04-15 v1 等离子体物理
摘要
在托卡马克放电过程中，等离子体可在不同约束区之间变化：低约束（L）、高约束（H），以及在某些情况下称为抖动（D）的暂态（中间态）。此外，当等离子体处于H模时，可能发生边界局域模（ELMs）。这些状态之间变化及ELMs的自动检测对托卡马克运行十分重要。受此及深度学习（DL）近期进展的推动，我们开发并比较了两种用于自动检测L-D-H转变和ELMs发生的方法，应用于TCV托卡马克的数据。这些方法包括卷积神经网络（CNN）和卷积长短期记忆神经网络（Conv-LSTM）。我们使用ROC曲线和Youden指数衡量关于ELMs的结果，并使用Cohen's Kappa指数衡量状态检测结果。
引用
@article{arxiv.1911.04234,
title = {Classification of tokamak plasma confinement states with convolutional recurrent neural networks},
author = {F. Matos and V. Menkovski and F. Felici and A. Pau and F. Jenko},
journal= {arXiv preprint arXiv:1911.04234},
year = {2020}
}