Locating and predicting Internal Reconnection Events in ST40
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2024-06-19
Department
Major/Subject
Advanced Energy Technologies
Mcode
SCI3106
Degree programme
Master’s Programme in Engineering Physics
Language
en
Pages
63
Series
Abstract
In response to the critical need for sustainable energy sources, fusion energy has emerged as a promising solution. Spherical Tokamaks, with their compact design and cost-effectiveness, have garnered attention for their potential in fusion research. However, challenges unique to Spherical Tokamaks, such as Internal Reconnection Events (IREs), pose obstacles to achieving stable fusion reactions. This study focuses on analyzing, locating, and predicting IREs using data from the 40 cm major radius spherical tokamak ST40, operated by Tokamak Energy in the UK. By automating the detection and location of IREs, the aim is to create a dataset for machine learning approaches, utilizing data from several different plasma parameters and control currents. Through this analysis, we seek to identify key factors for identifying IREs and develop predictive models to anticipate their occurrence. Three different approaches were tested, including two different Multilayer Perceptron (MLP) models (a binary approach and a regression approach) and a Long Short-Term Memory (LSTM) model. The best regression MLP model yielded a coefficient of determination of 0.82 on average and correctly predicted 96 percent of the operational pulses with and without an IRE. The LSTM model achieved a slightly lower coefficient of determination, but similar accuracies in predicting IREs. Based on the results of the modeling, plasma parameters and control current values can be used to detect IREs beforehand. An alarm system could potentially be implemented to detect IREs by using parameters that can be derived in real-time as input features. Models based on the methods used in this project could then contribute to the development of monitoring and control systems for avoiding IREs.Ilmastonmuutoksen vuoksi tarve kestävien energiaratkaisuiden kehittämiselle on kasvava. Fuusioenergia on noussut lupaavaksi vaihtoehdoksi tulevaisuuden energialähteenä. Pallomaiset tokamakit ovat herättäneet kiinnostusta kompaktin muotoilunsa ja kustannustehokkuutensa ansiosta fuusiotutkimuksessa \cite{Morris2005-lb}. Pallomaisiin tokamakeihin liittyy kuitenkin haasteita, jotka muodostavat esteitä vakaiden fuusioreaktioiden saavuttamiselle. Plasman sisäinen magneettinen uudelleenkytkentä (Internal Reconnection Event, IRE) on esimerkki tällaisesta ilmiöstä. Tämä tutkimus keskittyy uudelleenkytkentöjen analysointiin, paikantamiseen ja ennustamiseen käyttäen dataa ST40-fuusiolaitteesta. Automaattisen IRE:iden havaitsemisen ja paikantamisen avulla pyritään luomaan datasetti koneoppimismenetelmille, hyödyntäen dataa useista eri plasmaparametreistä ja ohjausvirroista. Analysoimalla näitä plasmadiagnostiikkoja tavoitteena on tunnistaa keskeiset tekijät, joista tunnistaa ilmiön esiintyminen, sekä kehittää malleja niiden ennakoimiseksi. Uudelleenkytkentöjen ennustamisen tavoitteena on edistää pallomaisten tokamakien plasmadynamiikan ymmärtämistä ja hallintaa. Kolmea erilaista lähestymistapaa testattiin, mukaan lukien kaksi erilaista monikerroksista neuroverkkoa (binäärinen lähestymistapa ja regressiomalli) sekä Long Short-Term Memory (LSTM) -malli. Regressiomalli antoi keskimäärin 0.82:n määräyskertoimen ja pystyi ennustamaan 96 prosenttia uudelleenkytkennöistä. LSTM malli saavutti hieman matalamman määräyskertoimen, mutta tarkkuus uudelleenkytkentöjen ennustamisessa oli samaa luokkaa. Mallinnuksen tulosten perusteella plasmaparametreja ja ohjausvirtojen arvoja voidaan käyttää uudelleenkytkentöjen havaitsemiseen etukäteen. Hälytysjärjestelmä voitaisiin mahdollisesti toteuttaa ilmiön havaitsemiseksi reaaliajassa johdettavien parametrien avulla. Projektissa käytettyjen menetelmien perusteella luodut mallit voivat siten edistää reaaliaikaisen seurannan ja ohjausjärjestelmien kehittämistä ilmiön välttämiseksi.Description
Supervisor
Kurki-Suonio, TainaThesis advisor
Windsor, ColinKeywords
neural network, fusion, spherical tokamak, internal reconnection event, LSTM