Introduction ------------ The physicist Andreevich Artsimovich in the 1970 wrote that "thermonuclear [fusion] energy will be ready when mankind needs it". Considering the actual world energy situation and the effect on the environment due to the present harnessing of the different sources of energy, the hope is that time for fusion is finally arrived. Background and Motivation ------------------------- The activities carried out in the framework of this thesis regarded the devel- opment, implementation and application of algorithms for classification and prediction of disruptions in Tokamaks. The balance of plasmas in a magnetic field can be described by the theory of magneto-hydro-dynamic (MHD). MHD instabilities are among the most serious factors that limit fusion devices operation in magnetic confinement configurations. When they occur on a large scale can degrade the perfor- mance of the plasma and lead to loss of confinement and control. A disruption is a sudden loss of stability or confinement of tokamak plasma; it is a critical event in which the plasma energy is lost within a time span of few milliseconds exposing the plasma facing components to se- vere thermo-mechanical stresses and conductors surrounding the vessel to huge electromagnetic forces. Therefore, it becomes of primary importance to avoid or mitigate disruptions in order to preserve the integrity of the ma- chine. This aspect and the understanding of disruptive phenomena play a key role in design and running of new experimental devices as ITER, cur- rently under construction in Cadarache (France), which will have the task of demonstrating the feasibility of fusion energy production from a technical and engineering point of view. These considerations motivate a strong interest in developing methods and techniques aimed to minimize both number and severity of disruptions. Furthermore when a disruption occurs it would be particularly important to be able to distinguish among its difierent types in order to improve avoidance and mitigation strategies. Since physical models able to reliably recognize and predict the occurrence of disruptions are currently not available, the re- search carried out fits in the broad framework of machine learning techniques that have been exploited as an alternative approach to disruption prediction and automatic classification. Promising approaches to prediction and classification are represented by the so-called "data-based" methods: to this purpose, existing systems have been applied and further developed and new approaches have been investi- gated. The mentioned activity has been carried out in collaboration with the University of Cagliari and European Research Centers for nuclear fusion, taking as case study some of the most important experimental machines such as JET and ASDEX Upgrade (AUG), with several months of research spent at the Culham Science Centre. Outline of the Thesis --------------------- In chapter 1 the perspectives of fusion in the world energy context as an almost unlimited source of energy for the future are discussed, with particu- lar reference to the role of magnetic confinement. Furthermore, the bases of fusion reactions have been introduced. In chapter 2 the main aspects of plasma stability in tokamaks configu- rations are described with the aim to provide an adequate reference for all the discussions of the following chapters. In particular, the main parameters related to plasma stability, which have been used for the construction of the databases, have been introduced. The chapter 3 is focused on the description of the operational limits with reference to the main quantities which should be maximized to im- prove plasma performance. Everything, also in the previous chapters, has been framed to introduce the key problems which this thesis has addressed: analysis, prediction and classification of disruptions. After the main consid- erations about the operational limits, the main phases, the causes and the consequences of disruptions have been discussed, trying to integrate the sta- bility concepts introduced in the previous chapter. The chapter 4 is finalized to provide an insight of the Machine Learn- ing methods which represent the starting point of all the analysis and algo- rithms implemented for disruption prediction and classification. Today the large amount of data available from fusion experiments and their character of high-dimensionality make particularly difficult handling, processing, un- derstanding and extracting properly what is really important among all the available information. Machine Learning allows to deal with the problem in efficient way. Therefore, a framework of all the techniques exploited for the analysis has been provided, with particular reference to the Manifold Learn- ing algorithms as Self Organizing Maps (SOMs) and Generative Topographic Mappings (GTMs). Also reference methods such as k-Nearest Neighbor (k- NN) or more recent methods such as Conformal Predictors, exploited for validation and reliability assessment purposes, have been described. In chapter 5 the state of the art of machine learning techniques ap- plied to disruption prediction and classification is presented, describing in particular the main applications with the widely employed Neural Networks, such Multi Layer Perceptrons (MLPs), Support Vector Machines (SVMs) and Self Organizing Maps (SOMs), and statistical methods such as Discrim- inant Analysis or Multiple Threshold technique. Strengths and weaknesses have also been discussed with reference to a possible solution to overcome the drawbacks of these methods: the multi-machine approach. Chapter 6 is dedicated to the description of the databases used for all the analysis presented in the following chapters. In particular, the statistical analysis and the data-reduction algorithms that have been needed to build a reliable and statistically representative database have been discussed in detail. The last three chapters contain all the analysis and all the algorithms im- plemented for the mapping of the operational space, disruption classification and prediction. In chapter 7 the mapping of the JET operational space is presented. The first sections deal with projections and data-visualization with linear projection methods such as Grand Tour (GT) and Principal Com- ponent Analysis (PCA). In the central part, the same aspects have been taken into account by exploiting nonlinear Manifold Learning techniques, SOM and GTM, on the base of which a detailed analysis of the operational space has been performed. Such analysis, showing the potentiality of the methods, has been performed, regarding GTM model, through the implementation of a dedicated tool. Finally, an outliers' analysis and performance indexes appo- sitely proposed have been considered for evaluating the overall performance of the mapping. In the chapter 8 the developed automatic disruption classification for JET has been described. The chapter is divided in two parts: the first one describes the classification of disruptions belonging to the Carbon Wall (CW) campaigns, whereas in the second part the classification of disruptions with the ITER-like Wall (ILW) is framed in the assessment of the suitability of the automatic classifier for real time applications, in conjunction with prediction systems working online at JET. The reliability of the results has been vali- dated by comparison with a k-NN based reference classifier and through the recent conformal predictors, with which is possible to provide, in addition to the prediction/classification, the related level of confidence. Chapter 9 is dedicated to the disruption prediction at ASDEX Upgrade. The first part is related to the description of the database and the data- reduction technique used to select a representative and balanced dataset. Self-Organizing Map and the Generative Topographic Mapping have been exploited to map ASDEX Upgrade operational space and to build a disrup- tion predictor, introducing at the same time their potentiality for disruptions classification. Furthermore, the use of this two methods combined with a Lo- gistic model has been proposed to realize a predictive system able to exploit the complementary behaviors of the two approaches, improving the overall performance in prediction.

Prefazione ---------- Il fisico Andreevich Artsimovich nel 1970 scrisse che "l'energia da fusione nucleare sarà disponibile quando l'umanità ne avrà bisogno". Considerando l'attuale scenario energetico mondiale e l'impatto sull'ambiente dovuto allo sfruttamento delle diverse risorse energetiche, la speranza è che quel momento sia finalmente arrivato. Background e Motivazione ------------------------ Le attività svolte nell'ambito di questa tesi hanno riguardato lo sviluppo, l'implementazione e l'applicazione di algoritmi per la classificazione e la predi- zione di disruzioni nei Tokamak. L'equilibrio dei plasmi nei campi magnetici può essere descritto dalla teo- ria magneto-idro-dinamica (MHD). Le instabilità MHD sono tra i fattori che limitano più seriamente le operazioni nelle macchine a fusione a confinamento magnetico. Una disruzione è un'improvvisa perdita di stabilità e di confinamento nei tokamak; è un evento critico durante il quale l'energia immagazzinata nel plasma viene persa nell'arco di pochi millisecondi, esponendo i componenti della parete interna della camera da vuoto a severi stress termo-meccanici, e i conduttori circostanti a enormi forze elettromagnetiche. Quindi diventa di primaria importanza l'avoidance e la mitigazione delle disruzioni al fine di preservare l'integrità della macchina. Questo aspetto e la comprensione dei fenomeni disruttivi giocano un ruolo chiave nel progetto e nel funzionamento delle nuove macchine sperimentali come ITER, attualmente in costruzione a Cadarache (Francia), la quale avrà la finalità di dimostrare la fattibilità tecnica ed ingegneristica della produzione di energia da fusione. Queste considerazioni motivano un forte interesse nello sviluppo di metodi e tecniche atti a minimizzare sia il numero che l'entità delle disruzioni. In- oltre, quando si verifica una disruzione, sarebbe veramente importante rius- cire a distinguere tra i diversi tipi di disruzione, al fine di migliorare le strate- gie di avoidance e mitigazione. Dal momento che ad oggi non esistono modelli fisici in grado di riconoscere e predire in maniera affidabile l'arrivo di una disruzione, la ricerca portata avanti in questi anni si integra nel più ampio contesto delle tecniche di Machine Learning, le quali sono state utilizzate come approccio alternativo alla predizione ed alla classificazione automatica delle disruzioni. Approcci promettenti alla predizione ed alla classificazione sono rapp- resentati dai cosidetti approcci "data-based": a questo proposito sono state applicate e ulteriormente sviluppate diverse tecniche, e si è indagato su nuovi approcci. Le attività citate sono state svolte in collaborazione con l'Università di Cagliari e importanti centri di ricerca europei sulla fusione, prendendo in esame alcune delle più importanti macchine sperimentali, quali il JET (Regno Unito) e ASDEX Upgrade (Germania), con diversi mesi trascorsi al Culham Science Centre (Abingdon, Regno Unito). Outline della Tesi ------------------ Nel capitolo 1 vengono discusse le prospettive della fusione nel contesto energetico mondiale come fonte quasi illimitata di energia per il futuro, con particolare riferimento al ruolo del confinamento magnetico. Inoltre, sono state introdotte le basi sulle reazioni di fusione. Nel capitolo 2 vengono descritti gli aspetti principali della stabilità del plasma nelle configurazioni tokamak, con l'obiettivo di fornire un riferimento adeguato per tutte le discussioni dei capitoli successivi. In particolare ven- gono introdotti i principali parametri relativi alla stabilità del plasma, che sono stati utilizzati per la costruzione dei database. Il capitolo 3 è incentrato sulla descrizione dei limiti operativi con riferi- mento ai principali parametri che dovrebbero essere ottimizzati per migliorare le performance del plasma. Tutto, anche nei capitoli precedenti, è contestuale all'introduzione dei principali problemi che questa tesi si pone l'obiettivo di affrontare: analisi, predizione e classificazione delle disruzioni. Dopo le con- siderazioni sui limiti operativi, vengono discusse le fasi principali, le cause e le conseguenze dei processi disruttivi, cercando di integrarvi i concetti sulla stabilità introdotti nel capitolo precedente. Il capitolo 4 è invece finalizzato a fornire una panoramica sui metodi di Machine Learning che rappresentano il punto di partenza per tutte le analisi e gli algoritmi implementati per la predizione e la classificazione delle dis- ruzioni. Oggi la grande quantità di dati disponibili dagli esperimenti sulla fusione e il loro carattere di alta dimensionalità, rendono particolarmente difficile la gestione, l'elaborazione, la comprensione e l'estrazione di quelle informazioni che sono veramente importanti tra tutte quelle disponibili. Il Machine Learning consente di affrontare il problema in modo efficiente. Viene quindi fornito un quadro generale di tutte le tecniche utilizzate per l'analisi, con particolare riferimento agli algoritmi di Manifold Learning come la Self Organizing Map (SOM) e la Generative Topographic Mapping (GTM). Vengono inoltre descritti metodi di riferimento come il k-Nearest Neighbor (k-NN) o metodi più recenti come i predittori conformali, utilizzati per scopi di validazione e valutazione dell'affidabilità. Nel capitolo 5 viene presentato lo stato dell'arte relativamente alle tec- niche di Machine Learning applicate alla predizione e alla classificazione di disruzioni, descrivendo in particolare le principali applicazioni con le ampia- mente utilizzate Reti Neurali, quali Multi Layer Perceptrons (MLP), Support Vector Machines (SVM) e Self Organizing Maps (SOM), e i metodi statistici come la Discriminant Analysis o la tecnica Multiple Threshold. Vantaggi e svantaggi vengono discussi anche con riferimento ad una possibile soluzione per superare gli svantaggi di questi metodi: l'approccio multi-machine. Il capitolo 6 è dedicato alla descrizione dei database utilizzati per tutte le analisi che verranno presentate nei capitoli seguenti. In particolare vengono discussi in dettaglio l'analisi statistica e gli algoritmi di data-reduction che si sono resi necessari per costruire un database affidabile e statisticamente rappresentativo. Gli ultimi tre capitoli contengono le analisi e gli algoritmi implementati per il mapping degli spazi operativi, la classificazione e la predizione delle disruzioni. Nel capitolo 7 viene descritto il mapping dello spazio oper- ativo di JET. Le prime sezioni si occupano di proiezione e visualizzazione dei dati con metodi di proiezione lineari come Grand Tour (GT) e Principal Component Analysis (PCA). Nella parte centrale sono stati trattati gli stessi aspetti sfruttando tecniche non lineari di Manifold Learning, SOM e GTM, sulla base delle quali è stata effettuata una dettagliata analisi dello spazio op- erativo. Tale analisi, mostrando la potenzialità dei metodi, è stata eseguita, per quanto riguarda il modello GTM, mediante la realizzazione di un tool dedicato. Infine, le performance nel mapping sono state valutate attraverso l'analisi degli outlier e di indici di performance appositamente proposti. Nel capitolo 8 viene descritta la classificazione automatica implementata per le disruzioni al JET. Il capitolo è diviso in due parti: la prima descrive la classificazione delle disruzioni appartenenti alle campagne con la parete in carbonio, mentre nella seconda parte è descritta la classificazione con la parete metallica (ILW) contestualmente alla valutazione della idoneità del classificatore automatico per applicazioni in tempo reale, unitamente ai sis- temi di predizione on-line al JET. L'affidabilità dei risultati è stata validata attraverso il confronto con un classificatore di riferimento basato sulla tec- nica k-NN, e attraverso i più recenti predittori conformali, con cui è possibile fornire in aggiunta alla predizione/classificazione il relativo livello di confi- denza. Il capitolo 9 invece è dedicato alla predizione delle disruzioni ad AS- DEX Upgrade. La prima parte è relativa alla descrizione del database e della tecnica di data-reduction utilizzata per selezionare un insieme di dati rappresentativo ed bilanciato. SOM e GTM sono stati utilizzate per map- pare lo spazio operativo di ASDEX Upgrade e per costruire un predittore di disruzioni, introducendo al stesso tempo le loro potenzialità in termini di classificazione. Inoltre è stato proposto l'uso combinato di questi due metodi con un regressore logistico al fine di realizzare un sistema predittivo in grado

Techniques for prediction of disruptions on TOKAMAKS / Pau, Alessandro. - (2014 Jan 30).

Techniques for prediction of disruptions on TOKAMAKS

Pau, Alessandro
2014

Abstract

Prefazione ---------- Il fisico Andreevich Artsimovich nel 1970 scrisse che "l'energia da fusione nucleare sarà disponibile quando l'umanità ne avrà bisogno". Considerando l'attuale scenario energetico mondiale e l'impatto sull'ambiente dovuto allo sfruttamento delle diverse risorse energetiche, la speranza è che quel momento sia finalmente arrivato. Background e Motivazione ------------------------ Le attività svolte nell'ambito di questa tesi hanno riguardato lo sviluppo, l'implementazione e l'applicazione di algoritmi per la classificazione e la predi- zione di disruzioni nei Tokamak. L'equilibrio dei plasmi nei campi magnetici può essere descritto dalla teo- ria magneto-idro-dinamica (MHD). Le instabilità MHD sono tra i fattori che limitano più seriamente le operazioni nelle macchine a fusione a confinamento magnetico. Una disruzione è un'improvvisa perdita di stabilità e di confinamento nei tokamak; è un evento critico durante il quale l'energia immagazzinata nel plasma viene persa nell'arco di pochi millisecondi, esponendo i componenti della parete interna della camera da vuoto a severi stress termo-meccanici, e i conduttori circostanti a enormi forze elettromagnetiche. Quindi diventa di primaria importanza l'avoidance e la mitigazione delle disruzioni al fine di preservare l'integrità della macchina. Questo aspetto e la comprensione dei fenomeni disruttivi giocano un ruolo chiave nel progetto e nel funzionamento delle nuove macchine sperimentali come ITER, attualmente in costruzione a Cadarache (Francia), la quale avrà la finalità di dimostrare la fattibilità tecnica ed ingegneristica della produzione di energia da fusione. Queste considerazioni motivano un forte interesse nello sviluppo di metodi e tecniche atti a minimizzare sia il numero che l'entità delle disruzioni. In- oltre, quando si verifica una disruzione, sarebbe veramente importante rius- cire a distinguere tra i diversi tipi di disruzione, al fine di migliorare le strate- gie di avoidance e mitigazione. Dal momento che ad oggi non esistono modelli fisici in grado di riconoscere e predire in maniera affidabile l'arrivo di una disruzione, la ricerca portata avanti in questi anni si integra nel più ampio contesto delle tecniche di Machine Learning, le quali sono state utilizzate come approccio alternativo alla predizione ed alla classificazione automatica delle disruzioni. Approcci promettenti alla predizione ed alla classificazione sono rapp- resentati dai cosidetti approcci "data-based": a questo proposito sono state applicate e ulteriormente sviluppate diverse tecniche, e si è indagato su nuovi approcci. Le attività citate sono state svolte in collaborazione con l'Università di Cagliari e importanti centri di ricerca europei sulla fusione, prendendo in esame alcune delle più importanti macchine sperimentali, quali il JET (Regno Unito) e ASDEX Upgrade (Germania), con diversi mesi trascorsi al Culham Science Centre (Abingdon, Regno Unito). Outline della Tesi ------------------ Nel capitolo 1 vengono discusse le prospettive della fusione nel contesto energetico mondiale come fonte quasi illimitata di energia per il futuro, con particolare riferimento al ruolo del confinamento magnetico. Inoltre, sono state introdotte le basi sulle reazioni di fusione. Nel capitolo 2 vengono descritti gli aspetti principali della stabilità del plasma nelle configurazioni tokamak, con l'obiettivo di fornire un riferimento adeguato per tutte le discussioni dei capitoli successivi. In particolare ven- gono introdotti i principali parametri relativi alla stabilità del plasma, che sono stati utilizzati per la costruzione dei database. Il capitolo 3 è incentrato sulla descrizione dei limiti operativi con riferi- mento ai principali parametri che dovrebbero essere ottimizzati per migliorare le performance del plasma. Tutto, anche nei capitoli precedenti, è contestuale all'introduzione dei principali problemi che questa tesi si pone l'obiettivo di affrontare: analisi, predizione e classificazione delle disruzioni. Dopo le con- siderazioni sui limiti operativi, vengono discusse le fasi principali, le cause e le conseguenze dei processi disruttivi, cercando di integrarvi i concetti sulla stabilità introdotti nel capitolo precedente. Il capitolo 4 è invece finalizzato a fornire una panoramica sui metodi di Machine Learning che rappresentano il punto di partenza per tutte le analisi e gli algoritmi implementati per la predizione e la classificazione delle dis- ruzioni. Oggi la grande quantità di dati disponibili dagli esperimenti sulla fusione e il loro carattere di alta dimensionalità, rendono particolarmente difficile la gestione, l'elaborazione, la comprensione e l'estrazione di quelle informazioni che sono veramente importanti tra tutte quelle disponibili. Il Machine Learning consente di affrontare il problema in modo efficiente. Viene quindi fornito un quadro generale di tutte le tecniche utilizzate per l'analisi, con particolare riferimento agli algoritmi di Manifold Learning come la Self Organizing Map (SOM) e la Generative Topographic Mapping (GTM). Vengono inoltre descritti metodi di riferimento come il k-Nearest Neighbor (k-NN) o metodi più recenti come i predittori conformali, utilizzati per scopi di validazione e valutazione dell'affidabilità. Nel capitolo 5 viene presentato lo stato dell'arte relativamente alle tec- niche di Machine Learning applicate alla predizione e alla classificazione di disruzioni, descrivendo in particolare le principali applicazioni con le ampia- mente utilizzate Reti Neurali, quali Multi Layer Perceptrons (MLP), Support Vector Machines (SVM) e Self Organizing Maps (SOM), e i metodi statistici come la Discriminant Analysis o la tecnica Multiple Threshold. Vantaggi e svantaggi vengono discussi anche con riferimento ad una possibile soluzione per superare gli svantaggi di questi metodi: l'approccio multi-machine. Il capitolo 6 è dedicato alla descrizione dei database utilizzati per tutte le analisi che verranno presentate nei capitoli seguenti. In particolare vengono discussi in dettaglio l'analisi statistica e gli algoritmi di data-reduction che si sono resi necessari per costruire un database affidabile e statisticamente rappresentativo. Gli ultimi tre capitoli contengono le analisi e gli algoritmi implementati per il mapping degli spazi operativi, la classificazione e la predizione delle disruzioni. Nel capitolo 7 viene descritto il mapping dello spazio oper- ativo di JET. Le prime sezioni si occupano di proiezione e visualizzazione dei dati con metodi di proiezione lineari come Grand Tour (GT) e Principal Component Analysis (PCA). Nella parte centrale sono stati trattati gli stessi aspetti sfruttando tecniche non lineari di Manifold Learning, SOM e GTM, sulla base delle quali è stata effettuata una dettagliata analisi dello spazio op- erativo. Tale analisi, mostrando la potenzialità dei metodi, è stata eseguita, per quanto riguarda il modello GTM, mediante la realizzazione di un tool dedicato. Infine, le performance nel mapping sono state valutate attraverso l'analisi degli outlier e di indici di performance appositamente proposti. Nel capitolo 8 viene descritta la classificazione automatica implementata per le disruzioni al JET. Il capitolo è diviso in due parti: la prima descrive la classificazione delle disruzioni appartenenti alle campagne con la parete in carbonio, mentre nella seconda parte è descritta la classificazione con la parete metallica (ILW) contestualmente alla valutazione della idoneità del classificatore automatico per applicazioni in tempo reale, unitamente ai sis- temi di predizione on-line al JET. L'affidabilità dei risultati è stata validata attraverso il confronto con un classificatore di riferimento basato sulla tec- nica k-NN, e attraverso i più recenti predittori conformali, con cui è possibile fornire in aggiunta alla predizione/classificazione il relativo livello di confi- denza. Il capitolo 9 invece è dedicato alla predizione delle disruzioni ad AS- DEX Upgrade. La prima parte è relativa alla descrizione del database e della tecnica di data-reduction utilizzata per selezionare un insieme di dati rappresentativo ed bilanciato. SOM e GTM sono stati utilizzate per map- pare lo spazio operativo di ASDEX Upgrade e per costruire un predittore di disruzioni, introducendo al stesso tempo le loro potenzialità in termini di classificazione. Inoltre è stato proposto l'uso combinato di questi due metodi con un regressore logistico al fine di realizzare un sistema predittivo in grado
30-gen-2014
Introduction ------------ The physicist Andreevich Artsimovich in the 1970 wrote that "thermonuclear [fusion] energy will be ready when mankind needs it". Considering the actual world energy situation and the effect on the environment due to the present harnessing of the different sources of energy, the hope is that time for fusion is finally arrived. Background and Motivation ------------------------- The activities carried out in the framework of this thesis regarded the devel- opment, implementation and application of algorithms for classification and prediction of disruptions in Tokamaks. The balance of plasmas in a magnetic field can be described by the theory of magneto-hydro-dynamic (MHD). MHD instabilities are among the most serious factors that limit fusion devices operation in magnetic confinement configurations. When they occur on a large scale can degrade the perfor- mance of the plasma and lead to loss of confinement and control. A disruption is a sudden loss of stability or confinement of tokamak plasma; it is a critical event in which the plasma energy is lost within a time span of few milliseconds exposing the plasma facing components to se- vere thermo-mechanical stresses and conductors surrounding the vessel to huge electromagnetic forces. Therefore, it becomes of primary importance to avoid or mitigate disruptions in order to preserve the integrity of the ma- chine. This aspect and the understanding of disruptive phenomena play a key role in design and running of new experimental devices as ITER, cur- rently under construction in Cadarache (France), which will have the task of demonstrating the feasibility of fusion energy production from a technical and engineering point of view. These considerations motivate a strong interest in developing methods and techniques aimed to minimize both number and severity of disruptions. Furthermore when a disruption occurs it would be particularly important to be able to distinguish among its difierent types in order to improve avoidance and mitigation strategies. Since physical models able to reliably recognize and predict the occurrence of disruptions are currently not available, the re- search carried out fits in the broad framework of machine learning techniques that have been exploited as an alternative approach to disruption prediction and automatic classification. Promising approaches to prediction and classification are represented by the so-called "data-based" methods: to this purpose, existing systems have been applied and further developed and new approaches have been investi- gated. The mentioned activity has been carried out in collaboration with the University of Cagliari and European Research Centers for nuclear fusion, taking as case study some of the most important experimental machines such as JET and ASDEX Upgrade (AUG), with several months of research spent at the Culham Science Centre. Outline of the Thesis --------------------- In chapter 1 the perspectives of fusion in the world energy context as an almost unlimited source of energy for the future are discussed, with particu- lar reference to the role of magnetic confinement. Furthermore, the bases of fusion reactions have been introduced. In chapter 2 the main aspects of plasma stability in tokamaks configu- rations are described with the aim to provide an adequate reference for all the discussions of the following chapters. In particular, the main parameters related to plasma stability, which have been used for the construction of the databases, have been introduced. The chapter 3 is focused on the description of the operational limits with reference to the main quantities which should be maximized to im- prove plasma performance. Everything, also in the previous chapters, has been framed to introduce the key problems which this thesis has addressed: analysis, prediction and classification of disruptions. After the main consid- erations about the operational limits, the main phases, the causes and the consequences of disruptions have been discussed, trying to integrate the sta- bility concepts introduced in the previous chapter. The chapter 4 is finalized to provide an insight of the Machine Learn- ing methods which represent the starting point of all the analysis and algo- rithms implemented for disruption prediction and classification. Today the large amount of data available from fusion experiments and their character of high-dimensionality make particularly difficult handling, processing, un- derstanding and extracting properly what is really important among all the available information. Machine Learning allows to deal with the problem in efficient way. Therefore, a framework of all the techniques exploited for the analysis has been provided, with particular reference to the Manifold Learn- ing algorithms as Self Organizing Maps (SOMs) and Generative Topographic Mappings (GTMs). Also reference methods such as k-Nearest Neighbor (k- NN) or more recent methods such as Conformal Predictors, exploited for validation and reliability assessment purposes, have been described. In chapter 5 the state of the art of machine learning techniques ap- plied to disruption prediction and classification is presented, describing in particular the main applications with the widely employed Neural Networks, such Multi Layer Perceptrons (MLPs), Support Vector Machines (SVMs) and Self Organizing Maps (SOMs), and statistical methods such as Discrim- inant Analysis or Multiple Threshold technique. Strengths and weaknesses have also been discussed with reference to a possible solution to overcome the drawbacks of these methods: the multi-machine approach. Chapter 6 is dedicated to the description of the databases used for all the analysis presented in the following chapters. In particular, the statistical analysis and the data-reduction algorithms that have been needed to build a reliable and statistically representative database have been discussed in detail. The last three chapters contain all the analysis and all the algorithms im- plemented for the mapping of the operational space, disruption classification and prediction. In chapter 7 the mapping of the JET operational space is presented. The first sections deal with projections and data-visualization with linear projection methods such as Grand Tour (GT) and Principal Com- ponent Analysis (PCA). In the central part, the same aspects have been taken into account by exploiting nonlinear Manifold Learning techniques, SOM and GTM, on the base of which a detailed analysis of the operational space has been performed. Such analysis, showing the potentiality of the methods, has been performed, regarding GTM model, through the implementation of a dedicated tool. Finally, an outliers' analysis and performance indexes appo- sitely proposed have been considered for evaluating the overall performance of the mapping. In the chapter 8 the developed automatic disruption classification for JET has been described. The chapter is divided in two parts: the first one describes the classification of disruptions belonging to the Carbon Wall (CW) campaigns, whereas in the second part the classification of disruptions with the ITER-like Wall (ILW) is framed in the assessment of the suitability of the automatic classifier for real time applications, in conjunction with prediction systems working online at JET. The reliability of the results has been vali- dated by comparison with a k-NN based reference classifier and through the recent conformal predictors, with which is possible to provide, in addition to the prediction/classification, the related level of confidence. Chapter 9 is dedicated to the disruption prediction at ASDEX Upgrade. The first part is related to the description of the database and the data- reduction technique used to select a representative and balanced dataset. Self-Organizing Map and the Generative Topographic Mapping have been exploited to map ASDEX Upgrade operational space and to build a disrup- tion predictor, introducing at the same time their potentiality for disruptions classification. Furthermore, the use of this two methods combined with a Lo- gistic model has been proposed to realize a predictive system able to exploit the complementary behaviors of the two approaches, improving the overall performance in prediction.
Fusion, Tokamaks, Disruptions, Machine Learning, Manifold Learning, Prediction, Classification
Techniques for prediction of disruptions on TOKAMAKS / Pau, Alessandro. - (2014 Jan 30).
File in questo prodotto:
File Dimensione Formato  
Alessandro_Pau_Tesi.pdf

accesso aperto

Tipologia: Tesi di dottorato
Licenza: Non specificato
Dimensione 3.76 MB
Formato Adobe PDF
3.76 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3423696
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact