TEMPLATE PER LE MEMORIE DA PRESENTARE ALLA

PREDIZIONE E CLASSIFICAZIONE DI DISRUZIONI NEI TOKAMAK
B. Cannas, A. Fanni, A. Pau, G. Sias
Dipartimento di Ingegneria Elettrica ed Elettronica,Università di Cagliari, Cagliari.
Ad oggi, uno dei metodi comunemente utilizzato nei tokamak per la predizione delle
disruzioni si avvale del segnale modo locato. Quando la rotazione delle instabilità
macroscopiche rallenta rispetto al plasma (fenomeno di modo locato), l'ampiezza del segnale
aumenta. Generalmente, durante un esperimento, se l'ampiezza del segnale oltrepassa una
certa soglia viene attivato un allarme che può far intervenire il sistema di mitigazione.
Nell’ambito dello sviluppo di nuovi approcci fisici per la predizione delle disruzioni, in [1] è
stato presentato un algoritmo che, combinando informazioni, sia nel dominio del tempo che
della frequenza, contenute nel segnale diagnostico del modo locato sintetizza un indicatore in
grado di estrapolare il modo locato dagli altri fenomeni transitori. La validità dell’indicatore
proposto è stata valutata utilizzandolo come perdittore di disruzioni sia su JET che su ASDEX
Upgrade (AUG), e le sue prestazioni sono state confrontate con quelle del segnale disponibile
dalla diagnostica. Per entrambe le macchine è stata ottimizzata una soglia sul valore
dell’indicatore che distingue tra configurazioni disrotte e non disrotte. Testando l’algoritmo su
un insieme di impulsi diverso da quello usato nella fase di l’ottimizzazione, per entrambe le
macchine, si è ottenuto miglioramento delle prestazioni di circa il 10% rispetto a quelle
ottenute con il segnale grezzo.
Ad oggi, i metodi predittivi proposti dalla comunità scientifica, se pure dimostrano ottime
prestazioni quando applicati nel dominio in cui sono stati ottimizzati, non fanno intravedere
portabilità da una macchina ad un’altra. Nella prospettiva di andare verso la generalizzazione
e la portabilità di un predittore su diverse macchine, in [1] le scariche di AUG sono state
classificate manualmente sulla base della catena degli eventi, così come proposto per le scariche
di JET. La presenza di fenomeni fisici rappresentativi di tipici processi disruttivi di AUG che
sono anche precursori di disruzioni in JET ha consentito di identificare classi di disruzioni
comuni nelle due macchine. Perciò, in [2] è stata condotta una analisi statistica multivariabile
il cui scopo è stato quello di studiare la capacità predittiva dei precursori della disruzione,
riferiti a quantità di base disponibili in real-time, comuni alle due macchine. Inoltre, sia per
JET che per AUG, è stata valutata la capacità predittiva della combinazione di questi
precursori con l’indicatore adimensionale di modo locato.
Parametri adimensionali ed indicatori rappresentativi della dinamica e della fenomenologia
delle catene di eventi che portano alla disruzione risultano essere fondamentali oltre per lo
sviluppo di sistemi di predizione anche per quelli di classificazione automatica delle
disruzioni. In [3] è stato presentato un sistema di classificazione di disruzioni automatico
basato su una sofisticata tecnica di manifold learning su framework probabilistico, la
Generative Topographic Mapping (GTM). Tale tecnica, utilizzando 10 parametri di plasma
disponibili in real-time ed attraverso un mapping non lineare, ha consentito di proiettare su
una mappa 2D il complesso manifold associato allo spazio operativo di 7 classi di disruzione
con la ITER-like Wall al JET. Sulla base dei parametri considerati, così come si era trovato in
[4], le classi vengono naturalmente clusterizzate con un discreto grado di separazione, a
dimostrazione del fatto che le diverse fenomenologie e le regioni dello spazio operativo che
caratterizzano una determinata classe di disruzione rispondono a combinazioni dei parametri
distinguibili, seppur complesse e di difficile interpretazione.
Il lavoro in [3] ha ulteriormente evidenziato non solo le potenzialità dei metodi di manifold
learning più avanzati sia per analisi off-line che per un eventuale utilizzo in real-time, ma ha
anche mostrato come modelli più onerosi dal punto di vista computazionale, quali K-Nearest
Neighbour (basato sulla distanza Mahalanobis) e predittori conformali, convergano in prima
approssimazione sugli stessi risultati. Sulla base di questo, due considerazioni di base possono
essere fatte. La prima è che i metodi di manifold learning rappresentano uno strumento
particolarmente avanzato per la descrizione di un particolare spazio operativo consentendo
approfondite analisi sulle relazioni complesse nell’ambito dello spazio di parametri
considerato. La seconda è che i parametri tipicamente usati per la predizione non sempre sono
sufficienti a discriminare le complesse fenomenologie alla base delle diverse classi
disruzione, ma altri parametri, come ad esempio i profili di grandezze fisiche quali
temperatura, densità o radiazione del plasma, sono necessari a questo scopo.
Quest’ultima considerazione, assieme all’esigenza di portabilità degli algoritmi di controllo e
predizione già descritta, si ricollega direttamente ad una delle problematiche che oggi,
trasversalmente, la comunità della fusione sta sollevando con forza: la mancanza di database
affidabili costruiti sulla base di parametri confrontabili per le diverse macchine. Questa
problematica riguarda, tra le altre, anche le disruzioni. Un database multimacchina per le
disruzioni è già in fase di sviluppo nell’ambito dell’International Tokamak Physics Activity
dell’MHD topical group, allo scopo di render disponibili i dati di più macchine per la
modellizzazione e per l’estrapolazione ai reattori a fusion di future generazione, quali ITER.
Tuttavia, sono necessari ancora molti sforzi affinché i dati messi a disposizione dalle singole
macchine siano realmente confrontabili; la stessa definizione dei parametri tipici della
disruzione diventa problematica considerando macchine con caratteristiche diverse. La
costruzione di un database multimacchina richiede quindi innanzitutto la definizione di
parametri su base comune e di metodi di calcolo robusti che, per quanto possibile siano
indipendenti dalle caratteristiche specifiche della singola macchina. Questo è uno step
necessario non solo per la predisposizione in se di un database consistente, ma soprattutto per
lo studio delle leggi di scala e per il test degli algoritmi di predizione e controllo su macchine
diverse. A tal proposito, in [5] viene proposto un tool per il calcolo automatico dei principali
parametri che descrivono le diverse fasi della disruzione sia per JET che per ASDEX
Upgrade. Il tool consente tramite un’interfaccia grafica di determinare con elevata accuratezza
i tempi degli spike della corrente di plasma, correlandoli ai cosiddetti “quench” della
temperatura al centro della colonna di plasma e all’azione del controllo sulla stessa corrente di
plasma. Nella fattispecie, vengono discussi l’effetto del controllo, delle diverse tipologie di
disruzione o eventuale mitigazione con iniezione di impurezze, sull’evoluzione della fase
finale del processo disruttivo e del calcolo stesso dei parametri considerati.
BIBLIOGRAFIA
[1] R. Aledda, B. Cannas, A. Fanni, A Murari, A. Pau, G. Sias, the ASDEX Upgrade Team
and JET EFDA Contributors, “A comparative multivariate analysis of disruption classes
between JET and AUG”, 42nd European Physical Society Conference on Plasma
Physics, Lisbon, Portugal, 22nd—26th June 2015.
[2] R. Aledda, B. Cannas, R. Delogu, A. Fanni, A Murari, A. Pau, G. Sias, the ASDEX
Upgrade Team and JET Contributors, “A multivariate analysis of disruption precursors at
JET and AUG”, 1st IAEA Technical Meeting on Fusion Data Processing, Validation and
Analysis,1st of June - 3rd of June 2015, Nice, France.
[3] Cannas B, P C de Vries, Fanni A, Murari A, Pau A, Sias G and JET Contributors
“Automatic disruption classification in JET with the ITER-like wall”, PPCF 57 125003.
[4] Cannas B, Fanni A, Murari A, Pau A, Sias G and JET EFDA Contributors 2013b
“Automatic disruption classification based on manifold learning for real time applications
on JET”, Nucl. Fusion 53 093023.
[5] Pau A, Cannas B, Fanni A, Murari A, Sias G and JET Contributors “A method for the
automatic construction of reliable disruption databases.”, EUROfusion Pinboard.