电子密度是表征任何等离子体的关键参数。 低温等离子体(LTP)领域的大多数等离子体应用和研究都是基于对等离子体密度和等离子体温度的准确估计。 电子密度测量的传统方法为任何给定的线性LTP设备提供轴向和径向剖面。 这些方法具有操作范围(不太广泛)、仪器仪表繁琐和复杂的数据分析程序等主要缺点。 文章提出了深度学习(DL)辅助微波等离子体相互作用的非侵入性策略,该策略可以作为一种新的替代方法,以解决与现有等离子体密度测量技术相关的一些挑战。 由于等离子体微波散射而产生的电场模式用于估计密度轮廓。 概念验证测试了模拟训练数据集,包括低温,未磁化,碰撞等离子体。 不同类型的对称(高斯形)和不对称密度剖面,在10^16-10^19 m^-3的范围内,在我们的研究中已经考虑了一系列实验配置。 在准备合成训练数据集时,考虑了现实生活中的实验问题,如噪声的存在和测量数据的数量(密度与稀疏)。 基于DL的技术具有确定等离子体内电子密度谱的能力。 拟议的基于深度学习的方法的性能已经使用三个指标进行了评估 - SSIM,RMSLE和MAPE。 获得的结果显示了在估计给定线性等离子体器件密度的2D径向剖面方面有希望的表现,并肯定了拟议的基于ML的方法在等离子体诊断中的潜力。
计算电磁场中带电粒子的动力学(即粒子推动问题)是用于等离子体物理模拟的粒子在细胞(PIC)方法中计算最密集的组成部分之一。 当等离子体被强磁化时,这项任务尤其具有挑战性,因为在这种情况下,粒子运动由广泛的时间尺度组成,从高度振荡快速陀螺到缓慢的宏观行为,由此产生的数值模型非常僵硬。 目前用于模拟粒子运动的最先进的时间集成器具有局限性,因为问题严重的数值刚度和更有效的方法令人感兴趣。 最近,指数集成商被提议作为这些模拟的一种有前途的新方法,并证明与常用的方案相比,提供计算优势。 指数方法可以准确地解决线性问题,并且是A稳定的。 在本文中,标准指数算法框架被扩展为推导Nyström型指数方法,该方法将牛顿运动方程作为二阶微分方程。 特定Nyström型二和三单的方案衍生并应用于强磁化粒子推动问题。 数值实验证明Nyström型指数集成器可以显著提高计算效率,而不是标准指数方法。
我们的贡献来自依赖于维持磁流体动力学(MHD)平衡的聚变反应堆,其中等离子体压力和密通磁场之间的平衡是稳定运行所必需的。 特别是在轴对称托卡马克反应堆中,并且在对流控对称的假设下,这种平衡可以使用Grad-Shafranov方程(GSE)进行数学建模。 最近的作品展示了使用物理信息神经网络(PINNs)来模拟GSE的潜力。 现有的研究没有研究单个网络推广到各种边界条件的现实情景。 解决这一限制,我们评估将边界点作为网络输入的PINN架构。 此外,我们将PINN模型的准确性和推理速度与傅里叶神经操作员(FNO)模型进行比较。 发现 PINN 模型性能最强,并且在我们的设置中准确无误,我们使用网络验证工具 Marabou 执行一系列验证任务。 尽管我们发现PyTorch中本地网络的评估之间存在一些差异,但与通过Marabou相比,我们能够证明有用和实用的验证工作流程。 我们的研究是对这种网络的验证的第一次调查。
计算电磁场中带电粒子的动力学(即粒子推动问题)是用于等离子体物理模拟的粒子在细胞(PIC)方法中计算最密集的组件之一。 当等离子体被强磁化时,这项任务尤其具有挑战性,因为在这种情况下,粒子运动由广泛的时间尺度组成,从高度振荡快陀螺到缓慢的宏观行为,由此产生的数值模型非常僵硬。 目前用于模拟粒子运动的最先进的时间集成器具有局限性,因为问题严重的数值刚度和更有效的方法令人感兴趣。 最近,指数集成商被提议作为这些模拟的一种有前途的新方法,并证明与常用的方案相比具有计算优势。 指数方法可以准确地解决线性问题,并且是A稳定的。 在本文中,标准指数算法框架被扩展为推导Nyström型指数方法,该方法将牛顿运动方程作为二阶微分方程集成在一起。 特定Nyström型二阶和三阶方案衍生并应用于强磁化粒子推动问题。 数值实验证明Nyström型指数集成器可以显著提高计算效率,而不是标准指数方法。
当等离子体在图卡马克中中断时,大量的热和电磁负载沉积到周围的设备组件上。 这些力以等离子体电流和磁场强度进行扩展,使中断成为未来设备面临的关键挑战之一。 不幸的是,中断尚未完全了解,有许多不同的根本原因难以预料。 数据驱动的模型在预测它们方面取得了成功,但它们只提供了有限的可解释性。 另一方面,大规模的统计分析是理解破坏性模式的巨大资产。 在本文中,我们利用数据驱动的方法来找到等离子体状态的可解释表示,用于破坏表征。 具体来说,我们使用潜在变量模型将诊断测量表示为低维,潜在表示。 我们以可变自动解码器(VAE)框架为基础,并将其扩展到(1)等离子体轨迹的连续预测;(2)多模态结构到单独的操作机制;(3)与破坏性机制的分离。 随后,我们可以根据测量数据的统计属性确定中断率和破坏率的连续指标。 拟议的方法使用大约1600 TCV放电的数据集进行演示,选择平顶中断或定期终止。 我们评估有关(1)已确定的中断风险及其与其他等离子体特性的相关性的方法;(2)区分不同类型的中断的能力;(3)下游分析。 对于后者,我们使用反事实分析对识别与中断相关的参数进行了示范性研究。 总体而言,该方法可以充分确定不同的操作机制,其特征是以可解释的方式与中断的不同接近。
No more items to load.