基于机器学习的 KSTAR 中 ELM 细丝动力学分析
等离子体物理
2022-04-05 v2 无序系统与神经网络
人工智能
仪器与探测器
摘要
在高约束模式下托卡马克等离子体内部，与边缘局域模（ELMs）相关的细丝结构的出现与动力学通常利用电子回旋发射成像（ECEI）诊断系统进行研究。ECEI 允许推断电子温度变化，通常跨极向截面。此前，对细丝动力学的详细分析与 ELM 崩溃前兆的分类均为人工完成。我们提出一种基于机器学习的模型，能够自动识别 ELM 细丝的位置、空间范围与幅度。该模型为深度卷积神经网络，已在来自 KSTAR 托卡马克的大量人工标注 ECEI 数据上训练与优化。训练后，模型达到 93.7% 精度，并可鲁棒地识别未见 ECEI 数据中的等离子体细丝。训练后的模型用于表征单次 H 模等离子体放电中的 ELM 细丝动力学。我们识别出细丝尺寸、总热含量与径向速度的准周期振荡。这些量的详细动力学彼此强相关，并在崩溃前与 ELM 崩溃阶段表现出定性差异。
引用
@article{arxiv.2201.07941,
title = {Machine-Learning enabled analysis of ELM filament dynamics in KSTAR},
author = {Cooper Jacobus and Minjun J. Choi and Ralph Kube},
journal= {arXiv preprint arXiv:2201.07941},
year = {2022}
}
备注
25 pages, 13 figures