基于 HL-3 托卡马克的神经网络实时平衡重构
等离子体物理
2024-05-21 v1
摘要
已开发出一种神经网络模型 EFITNN，能够基于 HL-3 托卡马克的磁测信号进行实时磁力平衡重构。该模型处理来自 1159 套 HL-3 实验放电的 68 通道磁测数据输入，包括等离子体电流、回路电压以及由平衡探针测量的径向磁场。该模型的输出包括八个关键等离子体参数，以及高分辨率 () 的扭曲电流密度 和径向磁通轮廓 。此外，网络架构采用多任务学习结构，使不同输出之间能够共享权重和相互校正，从而使模型精度提高最高可达32%。EFITNN 的性能在离线 EFIT 上表现出显著一致性，分别对八个等离子体参数、 和 达到平均 和 。该模型的鲁棒泛化能力在其成功预测准雪花 (QSF) 偏转配置以及熟练处理训练期间未遇到的射线号或等离子体电流区间的数据方面尤为突出。与数值方法相比，EFITNN 显著提高了计算效率，平均计算时间范围为 0.08ms 到 0.45ms，表明其在实时等离子体控制和等离子体轮廓管理中具有潜在实用性。
引用
@article{arxiv.2405.11221,
title = {Real-time equilibrium reconstruction by neural network based on HL-3 tokamak},
author = {Guohui Zheng and Songfen Liu and Zongyu Yang and Rui Ma and Xinwen Gong and Ao Wang and Shuo Wang and Wulyu Zhong},
journal= {arXiv preprint arXiv:2405.11221},
year = {2024}
}