Detectie van plasma-instabiliteiten in tokamaks met machinaal leren

Studenten:Mateo Van Damme en Casper Haems
Richting:Master of Science in de industriële wetenschappen: informatica
Abstract:Nucleaire fusie is een veelbelovende bron van energie. Het heeft het potentieel om in de toekomst een schone en duurzame elektriciteitsbron te bieden. Een van de meest voorkomende en veelbelovende benaderingen is het gebruik van een torusvormig apparaat genaamd een "tokamak". Een gunstige bedrijfsmodus in tokamaks is de H-mode (of hoog-confinementmodus). Echter, het optreden van schadelijke gebeurtenissen, genaamd edge-localized modes (ELM's) tijdens de H-mode vormt een aanzienlijke uitdaging. Het begrijpen en detecteren van ELM's is daarom van cruciaal belang voor het onderzoek en de ontwikkeling van nucleaire fusie. Er bestaan eenvoudige methoden voor het detecteren van ELMs, maar deze zijn niet voldoende voor moeilijkere typen ELMs. Het doel van deze masterproef is om methoden te ontwikkelen die nauwkeurig en betrouwbaar meerdere ELM-types kunnen detecteren op basis van gegevens van echte tokamakreactoren. Hiervoor moeten relevante kenmerken uit de gegevens worden geïdentificeerd en geëxtraheerd. Wiskundige transformaties en machine learning technieken worden toegepast om kenmerken uit de gegevens te identificeren en te extraheren. Ruisverwijderingstechnieken worden gebruikt om hoge frequentie variaties en willekeurige schommelingen te filteren, terwijl belangrijke laagfrequente informatie behouden blijft voor ELM-detectie. Er worden meerdere ELM-detectiemethoden ontwikkeld, elk met verschillende benaderingen en met hun eigen voor- en nadelen. De prestaties van deze methoden worden geëvalueerd en vergeleken met bestaande methoden. Samenvattend richt deze masterproef zich op de uitdagingen van ELM-detectie in tokamakreactoren door het ontwikkelen van robuuste methoden. Door wiskundige transformaties en machine learning technieken toe te passen op echte JET-gegevens, draagt het bij aan het onderzoek naar nucleaire fusie. Deze bevindingen leggen de basis voor efficiënt ELM-onderzoek en bevorderen het uiteindelijke doel van het realiseren van fusie-energie.
Abstract (Eng):Nuclear fusion is a promising source of energy. It has the potential to provide a clean and sustainable source of electricity for the future. One of the most common and promising approaches is the use of a donut-shaped vessel called the ”tokamak”. A favorable mode of operation in tokamaks is H-mode (or high confinement mode). However, the occurrence of harmful events called edge-localized modes (ELMs) during H-mode poses a significant challenge. Understanding and therefore detecting ELMs is a crucial part of the research and development of nuclear fusion. Simple ELM detection methods exist but do not suffice for more difficult types of ELMs. The objective of this master’s dissertation is to develop methods that can accurately and reliably detect multiple ELM types based on data from real tokamak devices. This requires identifying and extracting relevant features from the data. Mathematical transformations and machine learning techniques are employed to identify and extract features from the data. Noise removal techniques are utilized to filter high-frequency variations and random fluctuations while preserving essential low-frequency information for ELM detection. Multiple ELM detection methods are developed, each employing different approaches and having their advantages and disadvantages. The performance of these methods is evaluated and compared with existing methods. In conclusion, this master’s dissertation addresses ELM detection challenges in tokamak reactors by developing robust methods. Through mathematical transformations and machine learning techniques applied to real JET data, it contributes to nuclear fusion research. These findings pave the way for efficient ELM research, advancing the goal of fusion energy realization.