Detekce disrupcí na tokamaku pomocí strojového učení

Abstract

Práce se zabývá několika metodami pro detekci disrupcí v plazmatu v jaderně-fúzních zařízeních zvaných tokamak, konkrétně jejich využití na zařízení COMPASS. První metoda je replikací slibného stávajícího přístupu využívajícího náhodné lesy a aktuální hodnoty diagnostických signálů pro predikci blížící se disrupce ve výboji. Druhý přístup je rozšířením prvního přístupu o použití předchozích hodnot diagnostických signálů. Třetí přístup pro predikci nevyužívá aktuální hodnoty diagnostických signálů, ale statistiky napočítané z časových oken těchto signálů. Poslední zkoumaná metoda využívá pro predikci pouze informace o konfiguraci experimentu a stavu tokamaku. Nejlepších výsledků bylo dosaženo druhým přístupem, který dosáhl F-skóre 0,867. Poslední zkoumaný přístup pak představuje zajímavou alternativu s potenciálem identifikovat klíčové parametry experimentů, které mají vliv na stabilitu plazmatu.

The thesis explores several methods for disruption detection in plazma in nuclear fusion devices called tomakak, specifically their usage on COMPASS device. The first method is a replication of prominsing state-of-the-art approach using random forests and realtime values of diagnostic signals for prediction of imminent shot disruptions. The second method is an enchacement of the first method by inclusion of previous values of diagnostic signals as well. The third method is based on statistics computed from rolling windows of said diagnostic signals. The last method uses only configuration data of experiments and infomartion about state of tokamak, which are available before experiments for disruption prediction. The best results were reached by the second method, with F1-score 0,867. The last method represents an insteresting alternative with potential to find key parameters of experiements that have impact on plazma stability.