基于深度学习的ELM实时识别研究

doi:10.16568/j.0254-6086.202004003

核聚变与等离子体物理 ›› 2020, Vol. 40 ›› Issue (4): 300-308.DOI: 10.16568/j.0254-6086.202004003

基于深度学习的ELM实时识别研究

黄尧，夏凡，杨宗谕，钟武律，刘春华

(核工业西南物理研究院，成都 610041)

收稿日期:2019-03-21 修回日期:2020-04-08 出版日期:2020-12-15 发布日期:2021-06-03
作者简介:黄尧(1995-)，男，贵州黔东南人，硕士研究生，实习研究员，主要从事人工智能在等离子体控制和运行上的应用研究。
基金资助:
国家磁约束核聚变能发展研究专项(2018YEF0302104)；国家自然科学基金(11875022)

ELM real-time recognition research based on deep learning

HUANG Yao, XIA Fan, YANG Zong-yu, ZHONG Wu-lü, LIU Chun-hua

(Southwestern Institute of Physics, Chengdu 610041)

Received:2019-03-21 Revised:2020-04-08 Online:2020-12-15 Published:2021-06-03
Supported by:

摘要/Abstract

摘要： 基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。

关键词: H模, 神经网络, 深度学习, HL-2A装置

Abstract: Based on the deep learning method, this paper introduced an ELM real-time recognition algorithm on HL-2A tokamak. The algorithm used data from 5200 shots (about 241,900 data slices) for learning and a 22-layer convolutional neural network was obtained. The algorithm has recognized all historical data of HL-2A since it achieved stable ELMy H-mode discharge in 2009. A total of 1665 shots of H-mode have been recognized, of which 35 shots were misidentified, with the false positive rate (FPR) of 2.10%. In the actual 1634 shots of H-mode, the system missed to recognize 4 of them, with the false negative rate (FNR) of 0.24%. The FPR and FNR fulfill the precision requirements of real-time ELM recognition. In the simulated real-time environment, the algorithm’s average calculation time of a single slice is 0.46 milliseconds, which satisfy the calculation speed requirements of the real-time ELM recognition.

Key words: H-mode, Neural network, Deep learning, HL-2A tokamak.

中图分类号:

TL65+9

黄尧，夏凡，杨宗谕，钟武律，刘春华. 基于深度学习的ELM实时识别研究[J]. 核聚变与等离子体物理, 2020, 40(4): 300-308.

HUANG Yao, XIA Fan, YANG Zong-yu, ZHONG Wu-lü, LIU Chun-hua . ELM real-time recognition research based on deep learning[J]. NUCLEAR FUSION AND PLASMA PHYSICS, 2020, 40(4): 300-308.

参考文献

[1]Wagner F, Becker G, Behringer K, et al. Regime of improved confinement and high beta in neutral-beam-heated divertor discharges of the ASDEX tokamak [J]. Phys. Rev. Lett., 1982, 49(19): 1408-1412. [2]Jahns G L, Groebner R J, John H S. Comparison of transport in H- and L-phase discharges in the DIII-D tokamak [J]. Nucl. Fusion, 1989, 29(8): 1271. [3]Osborne T H, Brooks N H, Burrell K H, et al. Observation of the H-mode in ohmically heated divertor discharges on DIII-D [J]. Nucl. Fusion, 1990, 30(10): 2023-2028. [4]Askinazi L G, Golant V E, Lebedev S V, et al. Radial current in a tokamak caused by a biased electrode [J]. Nucl. Fusion, 1992, 32(2): 271-277. [5]杨曾辰. HL-2A装置上超声分子束缓解边缘局域模的实验研究 [D]. 成都: 西华大学, 2016. [6]高金明, 程钧, 严龙文, 等. HL-2A装置超声分子束注入缓解偏滤器靶板上边缘局域模热通量研究 [J]. 核聚变与等离子体物理, 2015, 35(1): 1-7. [7]Eich T, Andrew P, Herrmann A, et al. ELM resolved energy distribution studies in the JET MKII gas-box divertor using infra-red thermography [J]. Plasma Phys. Contr. Fusion, 2007, 49(5): 573-604. [8]Wang L, Xu G S, Guo H Y, et al. Particle and power deposition on divertor targets in EAST H-mode plasmas [J]. Nucl. Fusion, 2012, 52(6): 063024. [9]Petrie T W, Evans T E, Brooks N H, et al. Results from radiating divertor experiments with RMP ELM suppression and mitigation [J]. Nucl. Fusion, 2011, 51(7): 073003. [10]Cui zhengying, Xu yuan, Feng beibing, et al. Favourable scenarios established by SMBI for the realization of the ELMy H-mode at HL-2A [J]. Chinese Physics B, 2017, 26(8): 288-296. [11]Matos F A, Ferreira D R, Carvalho P J. Deep learning for plasma tomography using the bolometer system at JET [J]. Fusion Eng. Design, 2017, 114: 18-25. [12]Diogo E Aguiam, António Silva, Luis Guimar?is, et al. Estimation of X-mode reflectometry first fringe frequency using neural networks [J]. IEEE Transactions on Plasma Science, 2018, 99: 1-8. [13]Rietman E A, Beachy M. A study on failure prediction in a plasma reactor [J]. IEEE Transactions on Semiconductor Manufacturing, 1998, 11(4): 670-680. [14]Cannas B, Cau F, Fanni A, et al. Automatic disruption classification at JET: comparison of dinerent pattern recognition techniques [J]. Nucl. Fusion, 2008, 46(7): 699. [15]刘春华, 侯智培, 王瑜琴, 等. 人工神经网络在HL-2A装置汤姆逊散射数据处理中的应用 [J]. 强激光与粒子束, 2019, 31(2): 41-47. [16]McCulloch W S, Pitts W. A logical calculus of the ideas immanent in nervous activity [J]. The Bulletin of Mathematical Biophysics, 1943, 5(4): 115-133. [17]Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks [C]. Advances in Neural Information Processing Systems, 2012. 1097-1105. [18]Bergstra J, Bengio Y. Random search for hyper-parameter optimization [J]. Journal of Machine Learning Research, 2012, 13(1): 281-305.

基于深度学习的ELM实时识别研究

ELM real-time recognition research based on deep learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	沈勇, 董家齐, 李佳, 韩明昆, 沈煜航, 张晓然, 刘嘉言, 王占辉, 李继全 . HL-2A装置低频漂移波模数据库与机器学习初步研究[J]. 核工业西南物理研究院, 2024, 44(2): 141-148.
[2]	朱晓博, 夏凡, 杨宗谕, 刘锋武, 龚新文, 刘宇航, 张毅, 施培万, 陈伟, 于利明, 陈正威, 钟武律. 基于深度学习的HL-2A鱼骨模识别算法研究[J]. 核工业西南物理研究院, 2024, 44(2): 149-156.
[3]	马铭键, 叶孜崇(Yip Chi-shung), 江堤, 毛世峰, 张炜, 靳琛垚, 叶民友 . 激光诱导荧光诊断的波长标定方法的研究 [J]. 核工业西南物理研究院, 2023, 43(4): 469-476.
[4]	黄荣林, 傅鹏, 黄连生, 许留伟, 高格, 何诗英. CRAFT超导磁体电源控制策略设计[J]. 核工业西南物理研究院, 2023, 43(3): 255-262.
[5]	刘智民, 汪金新, 赵远哲, 谢亚红, 谢远来. 基于神经网络的EAST-NBI实验数据分析系统研究[J]. 核聚变与等离子体物理, 2023, 43(2): 191-198.
[6]	陈伯伦, 王鹏, 夏立琼, 童杰, 杨川, 苏春晓, 王峰, 杨家敏. 激光实验诊断集成管控系统中人工智能技术应用[J]. 核聚变与等离子体物理, 2022, 42(s1): 131-136.
[7]	龙婷, Diamond P H, 柯锐, 洪荣杰, 许敏, 聂林, 王占辉, 李波, 高金明, HL-A团队. HL-2A装置密度极限附近边缘剪切流和极向剩余胁强的实验研究[J]. 核聚变与等离子体物理, 2022, 42(s1): 152-157.
[8]	李兵利, 王天博, 聂林, 龙婷, 张霄翼, 王灏, 张晓龙, 焦少东, 青万钧, 田野, 潘垣. Tikhonov算法在相干成像辐射率和流速反演中的应用[J]. 核聚变与等离子体物理, 2022, 42(s1): 158-163.
[9]	梁嘉禾, 刘松芬, 王鸿鹏, 杜月, 王占辉, 陈逸航, 许敏, 夏凡, 杨宗谕, 钟武律. 基于卷积神经网络的HL-2A装置H模辨识研究[J]. 核聚变与等离子体物理, 2022, 42(s1): 164-169.
[10]	付贤飞, 杨斌, 王世庆, . 基于深度神经网络的HL-2A等离子体水平位移研究 [J]. 核聚变与等离子体物理, 2022, 42(2): 264-270.
[11]	王朝辉, 肖建元, 秦宏. 基于逆卷积神经网络的等离子体辐射分布断层重建方法[J]. 核聚变与等离子体物理, 2021, 41(3): 207-214.
[12]	吴一帆1, 2，余羿1, 2，柯锐2，许敏2，聂林2，吴婷2，孙爱萍2，兰涛1，袁博达1, 2，刘灏1, 2，龚少博1, 2，龙婷2，段旭如2，叶民友1，HL-2A团队2. HL-2A装置中性束发射光谱诊断系统的研制与测试 [J]. 核聚变与等离子体物理, 2020, 40(3): 200-207.
[13]	徐红兵1，曹曾1，陈程远1，朱根良1，蔡潇1，刘亮1，李永高1，杨曾辰1，钟云柯1，张占文2，刘德权1. HL-2A充气弹丸注入初步实验结果[J]. 核聚变与等离子体物理, 2020, 40(2): 104-108.
[14]	赵丽, 罗萃文, 宋显明, 夏凡, 陈燎原. HL-2M装置测量控制系统运行管理研究[J]. 核聚变与等离子体物理, 2018, 2(2): 228-235.
[15]	曾晓晓，才来中，吴婷. 石英晶体微天平在HL-2A装置上的应用[J]. 核聚变与等离子体物理, 2017, 37(2): 144-151.