Dissertação
Use of MHD Activity for Disruption Prediction in Tokamaks EVALUATED
As disrupções em tokamaks são atualmente um dos maiores desafios para a viabilidade da fusão nuclear e a sua validação experimental. Uma das principais causas de disrupções deve-se à interacção de certos modos instáveis de magnetohidrodinâmica (MHD) com a parede do reactor, causando a sua interrupção e paragem no referencial da máquina - modos locked (modos bloqueados). Estes modos são extensamente reconhecidos pela comunidade como desencadeadores de disrupções. Neste trabalho, pretendemos utilizar ferramentas de aprendizagem profunda para prever este tipo de disrupções e perceber possíveis mecanismos desencadeadores. Numa primeira fase, é treinado um modelo baseado numa rede neuronal convolucional (CNN) para receber atividade MHD de uma experiência em forma de espectrograma e prever se a mesma é disruptiva devido a modos locked. O modelo consegue distinguir razoavelmente as classes de classificação, embora não possa ser diretamente comparado com outros classificadores de estado-da-arte. Posteriormente, uma ferramenta de interpretabilidade em aprendizagem automática para redes neuronais convolucionais, denominada mapas de ativação de classe (CAM), é utilizada na tentativa de perceber qual a atividade MHD relevante que o modelo considera para a classificação e verificar a sua validação com a intuição física. Os resultados indicam um foco considerável do método CAM para a interrupção de atividade MHD, em particular modos kink internos, e a sua ressurgência antes do desenvolvimento dos modos locked, sendo congruente com a explicação física dada pelo espectrograma e com estudos anteriores.
dezembro 9, 2021, 17:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
