基于卷积神经网络的HL-2A装置H模辨识研究

doi:10.16568/j.0254-6086.2022s1012

核聚变与等离子体物理 ›› 2022, Vol. 42 ›› Issue (s1): 164-169.DOI: 10.16568/j.0254-6086.2022s1012

基于卷积神经网络的HL-2A装置H模辨识研究

梁嘉禾1，刘松芬*1，王鸿鹏2，杜月2，王占辉3，陈逸航3，许敏3，夏凡3，杨宗谕3，钟武律3

(1. 南开大学物理科学学院，天津 300071；2. 南开大学人工智能学院，天津300350；3. 核工业西南物理研究院，成都 610041)

收稿日期:2021-06-28 修回日期:2022-01-17 出版日期:2022-05-15 发布日期:2022-05-24
作者简介:梁嘉禾(2001-)，男，吉林长春人，本科，专业方向为物理学专业。
基金资助:
政府间国际科技创新合作专项磁约束核聚变能发展研究(2017YFE0301702)；国家基础科学人才拔尖计划(J11- 03208)

H mode period recognition in HL-2A tokamak based on convolutional neural network

LIANG Jia-he1, LIU Song-fen1, WANG Hong-peng2, DU Yue2, WANG Zhan-hui3,CHEN Yi-hang3, XU Min3, XIA Fan3, YANG Zong-yu3, ZHONG Wu-lü3

(1. School of Physics, Nankai University, Tianjin 300071; 2. College of Artificial Intelligence, Nankai University, Tianjin 300350; 3. Southwestern Institute of Physics, Chengdu 610041)

Received:2021-06-28 Revised:2022-01-17 Online:2022-05-15 Published:2022-05-24

摘要/Abstract

摘要： 基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘a通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。

关键词: HL-2A装置, 高约束模, 卷积神经网络, 模式识别

Abstract: A machine learning method has been adopted to train models for H-mode prediction from the HL-2A experimental data. Stored energy and deuterium alpha signals from 206 discharges are selected for training, 15 for validation and 474 for testing. H-mode period of all the data is marked previously. Instances of 2-channel time sequence are generated in the way of time window. Finally, a 21 layers convolutional neural network was developed. It scored 98.17% of accuracy in test set and the recognized H-mode beginning and ending time error were lower than 10ms, which can be applied to the high confinement mode research.

Key words: HL-2A tokamak, High confinement mode, Convolutional neural network, Pattern recognition

中图分类号:

TL62+2

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.

LIANG Jia-he, LIU Song-fen, WANG Hong-peng, DU Yue, WANG Zhan-hui, CHEN Yi-hang, XU Min, XIA Fan, YANG Zong-yu, ZHONG Wu-lü. H mode period recognition in HL-2A tokamak based on convolutional neural network[J]. Nuclear Fusion and Plasma Physics, 2022, 42(s1): 164-169.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	马瑞，夏凡，凌飞，李佳鲜. HL-2A等离子体实时平衡重建的GPU并行化[J]. 核聚变与等离子体物理, 2017, 37(2): 159-166.
[13]	许婕，董方正，唐芳群，田培红. HL-2A 装置真空室烘烤温度反馈控制系统设计[J]. 核聚变与等离子体物理, 2016, 36(2): 160-166.
[14]	康自华，黄梅，饶军，周俊，冯锟，王贺，卢波，王洁琼. HL-2A装置3MW 68GHz ECRH系统调试与运行[J]. 核聚变与等离子体物理, 2016, 36(1): 24-31.
[15]	白兴宇，梁军，王洁琼，陈娅莉. HL-2A 3.7GHz速调管磁体磁场特性研究[J]. 核聚变与等离子体物理, 2016, 36(1): 32-36.

基于卷积神经网络的HL-2A装置H模辨识研究

H mode period recognition in HL-2A tokamak based on convolutional neural network

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