基于湍流模型和机器学习的EUROfusion Pedestal Database电子温度轮廓重建

本研究使用EUROfusion pedestal database中的等离子体轮廓数据，聚焦于H模式ELMy JET ITER-Like-Wall(ILW)脉冲中电子温度和电子密度轮廓。我们系统地预测电子温度 pedestal，使用密度轮廓和工程参数作为输入。我们首先提出一种机器学习算法，给定比基于理论建模更多的输入且以数据库80%作为训练数据，能够在20%的剩余温度轮廓内重建，这些轮廓在实验值20%以内，包括对 pedestal宽度和位置的准确估计。最重要的工程参数包括磁场强度、粒子喷射速率、电流和撞点配置。这确认了使用大型数据库进行准确 pedestal预测的潜力。接下来，我们采用简单理论方法，假设密度梯度($R/L_{n_e}$)和温度梯度($R/L_{T_e}$)之间存在局部幂律关系：$R/L_{T_e}=A\left(R/L_{n_e}\right)^\alpha$其中$\alpha\approx 0.4$在陡峭梯度区域内拟合良好。当$A$和$\alpha$针对每个 pedestal独立拟合时，出现一一相关，这也适用于JET-C数据。对于$\alpha = 1$，$A \equiv \eta_e$，这是slab-ETG理论中已知的控制参数。测量的$\eta_e$在陡峭梯度区域的值明显高于slab-ETG稳定阈值，这表明存在非线性阈值位移或超临界湍流态。最后，我们测试动力学模拟激发的热流标度，并为重建JET-ILW pedestal提供最佳拟合参数。这些模型需要额外的实验输入才能达到机器学习重建的精度。