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

• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Generative Principal Component Regression via Variational Inference [2.4415762506639944]
  適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。 我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。 シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
  論文  参考訳（メタデータ） (2024-09-03T22:38:55Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
  この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。 本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
  論文  参考訳（メタデータ） (2024-03-15T12:47:45Z)
• 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)
• 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)
• 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。