論文の概要: Experiment data-driven modeling of tokamak discharge in EAST
- arxiv url: http://arxiv.org/abs/2007.10552v3
- Date: Wed, 2 Dec 2020 08:13:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 05:42:56.553731
- Title: Experiment data-driven modeling of tokamak discharge in EAST
- Title(参考訳): 東方トカマク放電の実験データ駆動モデル
- Authors: Chenguang Wan, Jiangang Li, Zhi Yu and Xiaojuan Liu
- Abstract要約: 超伝導長パルストカマク(EAST)におけるトカマク放電モデルの検討
本研究では,大規模なEAST放電に対する制御信号の時間的シーケンスを利用して,放電診断信号のモデル化のための深層学習モデルを開発する。
最初の試みは、データ駆動手法を用いてトカマク放電をモデル化するための有望な結果を示した。
- 参考スコア(独自算出の注目度): 3.7332349900024013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A model for tokamak discharge through deep learning has been done on a
superconducting long-pulse tokamak (EAST). This model can use the control
signals (i.e. Neutral Beam Injection (NBI), Ion Cyclotron Resonance Heating
(ICRH), etc) to model normal discharge without the need for doing real
experiments. By using the data-driven methodology, we exploit the temporal
sequence of control signals for a large set of EAST discharges to develop a
deep learning model for modeling discharge diagnostic signals, such as electron
density $n_{e}$, store energy $W_{mhd}$ and loop voltage $V_{loop}$. Comparing
the similar methodology, we use Machine Learning techniques to develop the
data-driven model for discharge modeling rather than disruption prediction. Up
to 95% similarity was achieved for $W_{mhd}$. The first try showed promising
results for modeling of tokamak discharge by using the data-driven methodology.
The data-driven methodology provides an alternative to physical-driven modeling
for tokamak discharge modeling.
- Abstract(参考訳): 超伝導長パルストカマク(EAST)を用いて, 深層学習によるトカマク放電モデルを構築した。
このモデルでは、ニュートラルビーム注入(NBI)、イオンサイクロトロン共鳴加熱(ICRH)などの制御信号を用いて、実際の実験を行うことなく通常の放電をモデル化することができる。
データ駆動方式を用いて,電子密度$n_{e}$,貯蔵エネルギー$w_{mhd}$,ループ電圧$v_{loop}$などの放電診断信号をモデル化するディープラーニングモデルを開発した。
同様の手法を比較することで、ディスラプション予測ではなく、データ駆動モデルの開発に機械学習技術を用いる。
95%の類似性が$W_{mhd}$に対して達成された。
最初の試みは、データ駆動法を用いてトカマク放電のモデル化に有望な結果を示した。
データ駆動手法はトカマク放電モデリングの物理駆動モデリングの代替となる。
関連論文リスト
- Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - Nonlinear System Identification of Swarm of UAVs Using Deep Learning
Methods [0.0]
目的は,Swarmモデルの非線形ダイナミクスを正確に近似することにより,将来のSwarm軌道を予測することである。
その結果,ニューラルODEと過渡的データを用いたよく訓練されたモデルの組み合わせは,初期条件の変化に対して堅牢であることがわかった。
論文 参考訳(メタデータ) (2023-11-21T13:13:12Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳(メタデータ) (2023-06-15T16:30:08Z) - BOOT: Data-free Distillation of Denoising Diffusion Models with
Bootstrapping [64.54271680071373]
拡散モデルは多様な画像を生成する優れた可能性を示している。
知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。
本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-08T20:30:55Z) - A Denoising Diffusion Model for Fluid Field Prediction [0.0]
本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。
拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。
ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
論文 参考訳(メタデータ) (2023-01-27T11:30:40Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。
我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。
CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
論文 参考訳(メタデータ) (2021-05-18T15:13:00Z) - Space-Filling Subset Selection for an Electric Battery Model [0.0]
バッテリーの動作に関する実際の運転データは、システムの強く非均一な励起を表します。
アルゴリズムは、非線形モデルの入力空間をより均質に満たす動的データポイントを選択する。
このトレーニングデータの削減は、ランダムなサブセットと比較してモデル品質の向上と、すべてのデータポイントを用いたモデリングよりも高速なトレーニングにつながることが示されている。
論文 参考訳(メタデータ) (2020-12-07T09:12:56Z) - Efficient Training Data Generation for Phase-Based DOA Estimation [8.035521056416243]
深層学習(DL)に基づく到着方向推定(DOA)は活発な研究課題であり、現在最先端技術である。
位相ベースの特徴入力でDLモデルを訓練するための,低複雑性なオンラインデータ生成手法を提案する。
実験室のインパルス応答から得られたデータを用いて,提案したトレーニングデータ生成手法を用いてトレーニングしたモデルが,ソースイメージ法に基づいてトレーニングしたモデルと相容れない性能を示すことを示した。
論文 参考訳(メタデータ) (2020-11-09T14:25:03Z) - Using machine learning to correct model error in data assimilation and
forecast applications [0.0]
本稿では,既存の知識ベースモデルの誤りを訂正するために,この手法を提案する。
結果として得られるサロゲートモデルは、元の(知識ベース)モデルとMLモデルとのハイブリッドモデルである。
DAのハイブリッドサロゲートモデルを用いることで、元のモデルよりもはるかに優れた分析が得られる。
論文 参考訳(メタデータ) (2020-10-23T18:30:45Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。