TEMPLATE PER LE MEMORIE DA PRESENTARE ALLA
Transcript
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.