Восстановление сигнала электронной плотности при выходе за пределы рабочего диапазона измерительного прибора
- Авторы: Лешов Н.В.1,2, Щербак А.Н.2, Городничев М.Г.1
-
Учреждения:
- Московский технический университет связи и информатики (МТУСИ)
- Государственный научный центр Российской Федерации Троицкий институт инновационных и термоядерных исследований
- Выпуск: Том 12, № 3 (2025)
- Страницы: 152-159
- Раздел: ИНФОРМАТИКА И ИНФОРМАЦИОННЫЕ ПРОЦЕССЫ
- URL: https://journals.eco-vector.com/2313-223X/article/view/695760
- DOI: https://doi.org/10.33693/2313-223X-2025-12-3-152-159
- EDN: https://elibrary.ru/BRJDPD
- ID: 695760
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
Модели машинного обучения широко внедряются в системы контроля и управления, необходимые для повышения эффективности работы токамака. Для обучения моделей требуется использовать большое количество данных, но в связи с тем, что экспериментальные кампании на токамаке продолжительны во времени, сбор данных ограничен. При этом, во время отбора количество пригодных для обучения данных может еще сократиться в связи с выявлением среди них некорректных (ошибочных) сигналов диагностик. А во время введения в полноценную эксплуатацию нового токамака или отдельного оборудования, частота появления ошибочных сигналов возрастает. В рамках данной работы, мы предлагаем изучить возможность восстановления полученных сигналов с ошибками с помощью моделей машинного обучения. В частности, мы рассматриваем сигналы, полученные при превышении диапазона работы измерительного прибора. За счет восстановленных сигналов предлагается увеличить объем данных для обучения, и тем самым повысить эффективность обучения конечных моделей.
Полный текст
Об авторах
Николай Валерьевич Лешов
Московский технический университет связи и информатики (МТУСИ); Государственный научный центр Российской Федерации Троицкий институт инновационных и термоядерных исследований
Автор, ответственный за переписку.
Email: nikolya.leshov@gmail.com
ORCID iD: 0000-0002-7844-1768
аспирант, кафедра «Математическая кибернетика и информационные технологии»
Россия, г. Москва; г. Троицк, МоскваАнастасия Николаевна Щербак
Государственный научный центр Российской Федерации Троицкий институт инновационных и термоядерных исследований
Email: shcherbak@triniti.ru
ORCID iD: 0000-0002-0942-9837
ведущий инженер, лаборатория диагностики плазмы токамаков и физики плазменных процессов отделения физики токамаков-реакторов и токонесущей плазмы
Россия, г. Троицк, МоскваМихаил Геннадьевич Городничев
Московский технический университет связи и информатики (МТУСИ)
Email: m.g.gorodnichev@mtuci.ru
ORCID iD: 0000-0003-1739-9831
кандидат технических наук, доцент, декан, факультет «Информационные технологии»
Россия, г. МоскваСписок литературы
- Wesson J. Tokamaks. 4th ed. Oxford University Press, 2011. 828 p. (International Series of Monographs on Physics)
- O’Shea F. H. et al. Coincidence anomaly detection for unsupervised locating of edge localized modes in the DIII-D tokamak dataset. Machine Learning: Science and Technology. 2024. Vol. 5. No. 3. 035050.
- Lu J. et al. Fast equilibrium reconstruction by deep learning on EAST tokamak. AIP Advances. 2023. Vol. 13. No. 7.
- Degrave J. et al. Magnetic control of tokamak plasmas through deep reinforcement learning. Nature. 2022. Vol. 602. No. 7897. Pp. 414–419.
- Zheng W. et al. Hybrid neural network for density limit disruption prediction and avoidance on J-TEXT tokamak. Nuclear Fusion. 2018. Vol. 58. No. 5. 056016.
- Zhu J. X. et al. Integrated deep learning framework for unstable event identification and disruption prediction of tokamak plasmas. Nuclear Fusion. 2023. Vol. 63. No. 4. 046009.
- Zhu J. X. et al. Hybrid deep-learning architecture for general disruption prediction across multiple tokamaks. Nuclear Fusion. 2020. Vol. 61. No. 2. 026007.
- Yang Z. et al. Implementing deep learning-based disruption prediction in a drifting data environment of new tokamak: HL-3. Nuclear Fusion. 2024.
- Abbate J. et al. Data-driven profile prediction for DIII-D. Nuclear Fusion. 2021. Vol. 61. No. 4. 046027.
- Felici F. et al. Real-time-capable prediction of temperature and density profiles in a tokamak using RAPTOR and a first-principle-based transport model. Nuclear Fusion. 2018. Vol. 58. No. 9. 096006.
- Chayapathy D. et al. Time series viewmakers for robust disruption prediction. In: Machine learning and the physical sciences workshop. NeurIPS, 2024.
- Hochreiter S. et al. Long short-term memory. Neural Computation. 1997. Vol. 9. No. 8. Pp. 1735–1780.
- Guo B.H. et al. Disruption prediction on EAST tokamak using a deep learning algorithm. Plasma Physics and Controlled Fusion. 2021. Vol. 63. No. 11. 115007.
- Seo J. et al. Feedforward beta control in the KSTAR tokamak by deep reinforcement learning. Nuclear Fusion. 2021. Vol. 61. No. 10. 106010.
- Matos F. et al. Classification of tokamak plasma confinement states with convolutional recurrent neural networks. Nuclear Fusion. 2020. Vol. 60. No. 3. 036022.
- Akiba T. et al. Optuna: A next-generation hyperparameter optimization framework. In: Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining. 2019. Pp. 2623–2631.
- Kingma D. P. et al. Adam: A method for stochastic optimization. Published as a conference paper at the 3rd International Conference for Learning Representations. San Diego, 2015.
- Paszke A. et al. Pytorch: An imperative style, high-performance deep learning library. In: Advances in neural information processing systems. 2019. Vol. 32.
Дополнительные файлы
