Plasma-instabiliteiten in nucleaire fusie detecteren met behulp van AI

Inleiding

Nucleaire fusie is een alternatief voor nucleaire splitsing om grote hoeveelheden energie te genereren voor onze samenleving. In tegenstelling tot splijting produceert fusie weinig gevaarlijke afvalproducten. Bovendien is er geen mogelijkheid voor een onbeheersbare reactor meltdown, aangezien het fusieproces vanzelf uitdooft wanneer het niet actief in stand wordt gehouden.

Een tokamak is een donutvormig apparaat waar plasma wordt verhit en beheerst. Deze wordt bediend in een operationele modus genaamd H-mode. Deze modus gaat gepaard met het optreden van Edge-Localized Modes (ELMs), plotselinge uitbarstingen van energie die de reactorwand kunnen beschadigen, vergelijkbaar met stoom die vrijkomt uit een snelkookpan.

Veel onderzoek is gewijd aan de studie van ELMs, waarvoor de ELMS eerst moeten worden aangeduid. Dit is een tijdrovend en moeilijk proces. Bestaande automatische methoden blijken onvoldoende effectief voor de detectie van kleine en onregelmatige ELMs. Deze scriptie heeft als hoofddoel de ontwikkeling van algoritmen die in staat zijn om diverse ELM-types, inclusief de uitdagende varianten, te detecteren."

ELMs zijn moeilijk te modelleren op basis van fundamentele natuurkundige principes. Daarom vertrouwen studies ook op empirische gegevens uit grootschalige internationale experimenten, zoals JET (Joint European Torus), ASDEX-Upgrade en DIII-D.

Bovenstaande foto toont de binnenkant van de JET tokamak reactor. De buitenwand die beschadigd wordt door ELMs is zichtbaar. Bron: EUROfusion/CC BY 4.0, https://www.euro-fusion.org/media-library/fusion-experiments/

Gedetailleerde beschrijving van de gegevens

Definiëren van shots

Tokamaks werken niet continu, maar in meerdere pulsen, die shots worden genoemd. De gegevens die in deze masterproef worden gebruikt, zijn verzameld vanuit JET. Voor elke shot wordt een verzameling signalen vastgelegd, waarvan er twee in deze masterproef worden gebruikt om ELMs te detecteren. Het eerste signaal meet de lichtemissiviteit van het plasma, dit is handig want een ELM gaat altijd samen met een piek in dit signaal. Het tweede signaal meet hoeveel energie er in het plasma zit. Bij een ELM verliest het plasma energie, en het is juist deze energie die de reactorwand beschadigt. Hoewel het plasma-energiesignaal waardevolle informatie bevat, is het niet altijd beschikbaar, daarom is het belangrijk om ook ELM-detectiemethoden te ontwikkelen die zonder dit signaal kunnen functioneren.

Uitvoerformaat

Gedetecteerde ELMs in dit werk worden weergegeven met behulp van eenvoudige intervallen. Elk interval bestaat uit een begin- en eindtijd, waarbij effectief de tijdsduur van een ELM-evenement wordt vastgelegd.

Metrieken

Voor de training en evaluatie van de ELM-detectiemethoden zijn metrieken vereist. Het vinden van bestaande metrieken was uitdagend, omdat de meeste metrieken voor machine learning gericht zijn op classificatie en niet direct toepasbaar zijn op pieken gepresenteerd als intervallen. Daarom zijn specifieke metrieken ontwikkeld die afgestemd zijn op de datastructuur van dit werk, welke de gebruikelijke confusionmatrix toepast op intervallen.

Methoden

Hieronder volgt een overzicht van de methodes die we hebben ontworpen. 

Robust Optimal Threshold

De Robust Optimal Threshold (ROT) is een eenvoudige bestaande methode die gebruikt wordt als maatstaf voor de nieuwe methoden. 

MACD

De MACD-methode maakt gebruik van de moving average convergence/divergence (MACD) filter om een nieuw signaal te verkrijgen uit het emissiviteitssignaal met minder ruis en onderscheidende kenmerken. Dit signaal wordt vervolgens door een algoritme geleid om pieken/ELMs te verkrijgen.

Rolling Z-score

De Rolling Z-score-methode berekent de Z-score over een schuivend venster. Vervolgens wordt een algoritme gebruikt om pieken/ELMs te vinden in dit gefilterde emissiviteitssignaal.

LOG

De LoG-methode voor ELM-detectie houdt in dat het emissiviteitssignaal gefilterd wordt met behulp van een Laplacian of Gaussian-kernel. Pieken/ELMs worden verkregen door het gefilterde signaal te thresholden.

LoGDoG

LoGDoG bouwt voort op de LoG-methode. In deze methode wordt het emissiviteitssignaal afgezwakt op basis van de afgeleide van het plasma-energiesignaal. De afgeleide wordt verkregen door het plasma-energiesignaal te filteren met een afgeleide van Gaussische kernel. Hierdoor worden pieken alleen gedetecteerd wanneer er een daling in de plasma-energie optreedt.

CustomKernel

De CustomKernel-methode detecteert pieken door het signaal te filteren met een op maat gemaakte kernel. Deze kernel wordt automatisch bepaald door de methode te trainen op het invoersignaal.

RNN

De RNN-methode maakt gebruik van een combinatie van filters op het emissiviteitssignaal en het plasma-energiesignaal, maakt sequenties en leidt deze door een recurrent neuraal netwerk (RNN). De voorspellingen worden vervolgens gethreshold om de ELMs te verkrijgen.

CNN

De CNN werkt op dezelfde manier als de RNN-methode, maar maakt gebruik van een convolutioneel neuraal netwerk (CNN).

Deconvolution

De Deconvolution-methode is gebaseerd op een recent gepubliceerd artikel. Hierbij wordt een deconvolutieproces toegepast om het signaal te ontbinden in een superpositie van individuele pulsen.

Bespreking van de resultaten

Alle ontwikkelde methoden in deze masterproef presteren beter dan de bestaande ROT-methode. We hebben echter opgemerkt dat de deconvolutiemethode niet geschikt is voor de specifieke kenmerken van de ELMs die in dit onderzoek zijn aangetroffen. Elke methode heeft zijn eigen sterke en zwakke punten. De RNN- en CNN-modellen zijn bijvoorbeeld getraind met specifieke parameters die mogelijk moeten worden aangepast voor gebruik op andere datasets. Over het algemeen presteren de LoG, CustomKernel, CNN en RNN methoden het beste.

Conclusie

Deze masterproef heeft de uitdagingen in het detecteren van ELMs in tokamak-reactoren vereenvoudigd voor de onderzoekers van ELMs, door het ontwikkelen van robuuste methoden. Elke methode heeft zijn eigen sterktes en zwaktes. Deze bevindingen dragen bij aan efficiënter ELM-onderzoek en dragen bij aan het uiteindelijke doel van fusie-energie.