Machine Learning for Electron-Scale Turbulence Modeling in W7-X
Ionut-Gabriel Farcas, Don Lawrence Carl Agapito Fernando, Alejandro Banon Navarro, Gabriele Merlo, and Frank Jenko
为湍流传输构建简化模型对于加速配置文件预测和实现许多查询任务(如不确定性量化、参数扫描和设计优化)至关重要。 本文介绍了温德尔斯坦7-X(W7-X)恒星仪中电子温度梯度(ETG)湍流的机器学习驱动的还原模型。 每个模型预测ETG热通量作为三个等离子体参数的函数:正态电子温度径向梯度(ω_T_e),正电子温度和密度径向梯度(η_e)的比例,以及电子与离子温度比(τ)。 我们首先使用回归和基于机器学习的主动过程在七个径向位置构建模型。 这个过程使用低卡性稀疏网格训练数据初始化模型,然后通过从预先存在的模拟数据库中选择最翔实的点来迭代改进其训练集。 我们使用每个位置超过393点的样本外数据集评估模型的预测能力,并通过引导评估预测不确定性估计95%的预测间隔。 然后,我们研究广义还原模型的构建,包括通用的,位置无关的模型,并在三个额外的位置评估其热通量预测能力。 我们的模型具有与原始参考模拟相当的稳健性能和预测准确性,即使在训练域之外应用也是如此。
Constructing reduced models for turbulent transport is essential for accelerating profile predictions and enabling many-query tasks such as uncertainty quantification, parameter scans, and design optimization. This paper presents machine-learning-driven reduced models for Electron Temperature Gradient (ETG) turbulence in the Wendelstein 7-X (W7-X) stellarator. Each model predicts the ETG heat flux as a function of three plasma parameters: the normalized electron temperature radial gradient (ω_T_...