論文の概要: Scenario adaptive disruption prediction study for next generation
burning-plasma tokamaks
- arxiv url: http://arxiv.org/abs/2109.08956v1
- Date: Sat, 18 Sep 2021 15:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:05:48.793367
- Title: Scenario adaptive disruption prediction study for next generation
burning-plasma tokamaks
- Title(参考訳): 次世代燃焼プラズマトカマクのシナリオ適応破壊予測に関する研究
- Authors: J. Zhu, C. Rea, R.S. Granetz, E. S. Marmar, K. J. Montes, R. Sweeney,
R.A. Tinguely, D. L. Chen, B. Shen, B. J. Xiao, D. Humphreys, J. Barr, O.
Meneghini
- Abstract要約: 次世代高性能トカマク(HP)は、高電流および電力の未緩和破壊によるリスク損傷を発生させる。
トカマクの運用体制が、訓練された破壊予測器のパワーにどのように影響するかを実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Next generation high performance (HP) tokamaks risk damage from unmitigated
disruptions at high current and power. Achieving reliable disruption prediction
for a device's HP operation based on its low performance (LP) data is key to
success. In this letter, through explorative data analysis and dedicated
numerical experiments on multiple existing tokamaks, we demonstrate how the
operational regimes of tokamaks can affect the power of a trained disruption
predictor. First, our results suggest data-driven disruption predictors trained
on abundant LP discharges work poorly on the HP regime of the same tokamak,
which is a consequence of the distinct distributions of the tightly correlated
signals related to disruptions in these two regimes. Second, we find that
matching operational parameters among tokamaks strongly improves cross-machine
accuracy which implies our model learns from the underlying scalings of
dimensionless physics parameters like q_{95}, \beta_{p} and confirms the
importance of these parameters in disruption physics and cross machine domain
matching from the data-driven perspective. Finally, our results show how in the
absence of HP data from the target devices, the best predictivity of the HP
regime for the target machine can be achieved by combining LP data from the
target with HP data from other machines. These results provide a possible
disruption predictor development strategy for next generation tokamaks, such as
ITER and SPARC, and highlight the importance of developing on existing machines
baseline scenario discharges of future tokamaks to collect more relevant
disruptive data.
- Abstract(参考訳): 次世代高性能トカマク(HP)は、高電流および電力の未緩和破壊によるリスク損傷を発生させる。
低パフォーマンス(lp)データに基づくデバイスのhp操作の信頼性の高い破壊予測を実現することが、成功の鍵となる。
本稿では,複数の既存トカマクについて探索的データ解析と専用数値実験を行い,トカマクの運用体制が訓練された破壊予測器のパワーに与える影響を実証する。
まず,lp放電を豊富に訓練したデータ駆動破壊予測器は,同一トカマクのhpレジームでは不十分な働きをすることが示唆された。
第2に,tokamaks間の操作パラメータのマッチングは,q_{95}, \beta_{p}などの無次元物理パラメータの基盤となるスケーリングからモデルが学習するクロスマシン精度を強く改善し,破壊物理学やデータ駆動の観点からのクロスマシン領域マッチングにおいて,これらのパラメータの重要性を確認した。
最後に, 対象機器からのHPデータがない場合, 対象機器からのLPデータと他の機器からのHPデータとを組み合わせることにより, 対象機器のHPレジームの最良の予測性を実現することができることを示す。
これらの結果から,ITERやSPARCといった次世代トカマクの破壊予測開発戦略が実現され,今後のトカマクのベースラインシナリオ放電による破壊的データ収集の重要性が浮き彫りになる。
関連論文リスト
- Cross-tokamak Disruption Prediction based on Physics-Guided Feature
Extraction and domain adaptation [3.0854960284180133]
本稿では,数回の放電だけで将来のトカマクの破壊を予測できる新しい手法を実証する。
最初のステップは、物理の既存の理解を利用して、各トカマクの診断信号から物理誘導された特徴を抽出することである。
第2のステップは、将来のトカマクからのデータと、既存のトカマクからの大量のデータを調整することだ。
論文 参考訳(メタデータ) (2023-09-11T10:13:30Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳(メタデータ) (2023-05-17T08:55:53Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Understanding the Impact of Competing Events on Heterogeneous Treatment
Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。
提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。
HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文 参考訳(メタデータ) (2023-02-23T14:28:55Z) - Multi-Dimensional Self Attention based Approach for Remaining Useful
Life Estimation [0.17205106391379021]
RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。
本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。
本稿では,RUL推定のためのデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2022-12-12T08:50:27Z) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳(メタデータ) (2022-07-29T22:35:05Z) - Explaining Hyperparameter Optimization via Partial Dependence Plots [5.25855526614851]
我々は、解釈型機械学習(IML)を用いて、ベイズ最適化(BO)を用いたHPOで得られた実験データから洞察を得ることを提案する。
BOサロゲートモデルの後方不確実性を利用して、推定信頼帯域を持つ部分依存プロット(PDP)の変種を導入する。
本研究では,サブリージョンにおけるPDPの質向上に関する定量的証拠を実験的に提示する。
論文 参考訳(メタデータ) (2021-11-08T20:51:54Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳(メタデータ) (2020-07-07T10:00:32Z) - Hybrid deep learning architecture for general disruption prediction
across tokamaks [0.0]
本研究では,爆発的データ解析から得られた重要な知見に基づいて,新たなディープラーニング破壊予測アルゴリズムを提案する。
新しいアルゴリズムは,C-Mod,DIII-D,EASTトカマクに対して高い予測精度を実現する。
論文 参考訳(メタデータ) (2020-07-02T21:42:00Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。