由实测磁信号约束的深度神经网络 Grad-Shafranov 求解器
等离子体物理
2020-01-08 v1 机器学习
摘要
开发了一种由实测磁信号约束、用于实时重构磁平衡的 Grad-Shafranov 方程神经网络求解器。为优化神经网络自由参数而创建的数据库，包含来自两次不同实验活动的 1118 次 KSTAR 放电的离线 EFIT 结果，作为网络的输出。网络的输入数据包括由 Rogowski 线圈（等离子体电流）、磁拾取线圈（磁场法向与切向分量）和磁通环（极向磁通）测得的磁信号。所开发的神经网络不仅以离线 EFIT 的质量完全重构极向磁通函数 ，还重构环向电流密度函数 。为使网络对少量缺失输入数据保持鲁棒性，采用一种填补方案，以消除对具有大量可能缺失输入组合的补充训练集的需求。
引用
@article{arxiv.1911.02882,
title = {Deep neural network Grad-Shafranov solver constrained with measured magnetic signals},
author = {Semin Joung and Jaewook Kim and Sehyun Kwak and J. G. Bak and S. G. Lee and H. S. Han and H. S. Kim and Geunho Lee and Daeho Kwon and Y. -c. Ghim},
journal= {arXiv preprint arXiv:1911.02882},
year = {2020}
}