基于JET实验数据填充训练空间的QuaLiKiz神经网络代理模型

在托卡马克等离子体集成建模中，湍流输运代码通常是限制其在放电后分析之外常规使用的计算瓶颈。神经网络（NN）代理模型已被用于加速这些计算，同时保留基于物理的模型所需的精度。本文通过纳入杂质、等离子体旋转和磁平衡效应的影响，扩展了先前称为QLKNN-hyper-10D的NN模型。这是通过添加轻杂质分数密度（$n_{imp,light} / n_e$）及其归一化梯度、归一化压力梯度（$\alpha$）、环向马赫数（$M_{tor}$）和归一化环向流速度梯度来实现的。输入空间基于JET托卡马克的实验数据进行采样，以避免维数灾难。所得网络命名为QLKNN-jetexp-15D，与原始QuaLiKiz模型表现出良好一致性，无论是通过比较单个输运量预测，还是比较其在集成模型JINTRAC中的影响。对于所测试的5种情景，集成建模模拟的剖面平均RMS均<10%。考虑到控制等离子体输运的高度非线性方程组中存在的潜在数值不稳定性，尤其是考虑到本文提出的模型新增加的动量通量预测，这是非平凡的。在一个径向位置对所有25个NN输出量的评估耗时$\sim$0.1 ms，比原始QuaLiKiz模型快$10^4$倍。在本研究进行的JINTRAC集成建模测试中，使用QLKNN-jetexp-15D仅带来60-100倍的加速，因为湍流输运之外的其他物理模块成为瓶颈。