利用不同机器学习技术的托卡马克破裂预测

破裂预测与缓放在可持续托卡马克反应堆的发展中具有关键重要性。机器学习已成为此项工作中的关键工具。本文将测试并比较多种机器学习模型。特别侧重于它们的可移植性。这描述了模型用于新装置数据的难易程度。本文使用的方法包括支持向量机、两级支持向量机、随机森林、梯度提升树以及长短期记忆网络。结果表明，在标准模型中支持向量机的性能略优，而梯度提升树表现最差。各模型的可移植变体性能较低。随机森林获得了最高的可移植性能。结果还表明，可在破裂事件发生前早至600毫秒检测到破裂。计算成本分析显示所有模型运行时间均小于1毫秒，为破裂缓释留有充足时间。