用于测量等离子体状态的方法和设备技术

本公开提供了用于测量等离子体状态的方法和设备、用于控制等离子体放电的方法、设备、计算机可读存储介质。该用于测量等离子体状态的方法包括：获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据；对检测数据进行预处理，以生成第二数量的第二数据，第二数量大于第一数量；基于卷积神经网络模型，提取第二数据的特征值，卷积神经网络模型经由对多个训练样本的机器学习而生成；以及基于特征值，生成指示在截面位置处的二维辐射分布数据。本公开的用于测量等离子体状态和用于控制等离子体放电的方案能够精准推断和/或控制等离子体的状态。

Method and equipment for measuring plasma state

【技术实现步骤摘要】
用于测量等离子体状态的方法和设备
本公开涉及针对等离子体的层析成像，更具体地，涉及用于测量等离子体状态的方法和设备、用于控制等离子体放电的方法、设备、计算机可读存储介质。
技术介绍
等离子体是由大量的、带电粒子组成的非束缚态的集合。等离子体可以被应用在多个领域。例如在核聚变实验领域，目前存在的主要技术难点在于，如何把高温等离子体约束在核聚变反应堆的核心内，以避免等离子体脱离束缚，触碰到实验装置的容器，进而对实验装置带来损害。由于在核聚变实验装置中的等离子体处于极限环境条件下(例如超高的温度)。一般的测量装置难以对等离子体的分布状态进行测量。现有的解决方案例如是：通过实验装置(例如托卡马克核聚变实验装置)的传感器对在辐射源(例如软X射线，SXR)照射下的等离子体的特定位置处的有限数量的测量值进行反演诊断，进而判断核聚变实验装置中的等离子体是否存在脱离束缚的情况，以便反馈给实验装置来调控等离子的形状与分布。在上述测量离子体状态或控制等离子放电的方案中，由于传感器的测量值非常有限，因此基于反演结果而获得的核聚变实验装置中等离子体分布状态数据的准确性或可信度不高。
技术实现思路
本公开提供一种用于测量等离子体状态的方法和设备，能够精准推断出等离子体的形状。根据本公开的第一方面，提供了一种测量等离子体状态的方法。该方法包括：获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据；对检测数据进行预处理，以生成第二数量的第二数据，第二数量大于第一数量；基于卷积神经网络模型，提取第二数据的特征值，卷积神经网络模型经由对多个训练样本的机器学习而生成；以及基于特征值，生成指示在截面位置处的二维辐射分布数据。根据本专利技术的第二方面，还提供一种测量等离子体状态的设备。该设备包括：存储器，被配置为存储一个或多个程序；处理单元，耦合至存储器并且被配置为执行一个或多个程序使系统执行本公开的第一方面的方法。本公开还提供一种用于控制等离子体放电的方法和设备，能够精准控制等离子体的形状。根据本公开的第三方面，提供了一种用于控制等离子体放电的方法。该方法包括：在控制设备处，获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据，检测数据来自托卡马克核聚变实验装置的传感器；对检测数据进行预处理，以生成第二数量的第二数据，第二数量大于第一数量；基于卷积神经网络模型，提取第二数据的特征值，卷积神经网络模型经由对多个训练样本的机器学习而生成；以及基于特征值，生成指示在截面位置处的二维辐射分布数据，以用于控制等离子体的放电。根据本专利技术的第四方面，还提供一种用于控制等离子体放电的设备。该设备包括：存储器，被配置为存储一个或多个程序；处理单元，耦合至存储器并且被配置为执行一个或多个程序使系统执行本公开的第三方面的方法。根据本公开的第五方面，提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令，机器可执行指令在被执行时使机器执行本公开的第一方面或第三方面的方法。提供
技术实现思路
部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。
技术实现思路
部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。附图说明通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。图1示出了根据本公开的实施例的用于控制等离子体放电的方法所应用的系统100的架构图；图2示出了根据本公开的实施例的用于测量等离子体状态的方法200的流程图；图3示出了根据本公开的实施例的卷积神经网络模型300的示意图；图4示出了根据本公开的实施例的反演结果的二维辐射分布数据对比示意图；图5示出了根据本公开的实施例的生成训练样本的方法500的流程图；以及图6示出了根据本公开的实施例的用于控制等离子体放电的方法600的流程图；图7示意性示出了适于用来实现本公开实施例的电子设备700的框图。在各个附图中，相同或对应的标号表示相同或对应的部分。具体实施方式下面将参照附图更详细地描述本公开的优选实施例。虽然附图中下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。如上文所描述的，在传统的用于测量离子体状态的方案或者用于控制等离子放电的方案中，发射率和传感器的测量数据之间的关系可以通过如下公式(1)来表示。在上述公式(1)中，表示响应矩阵。表示发射率，该发射率例如是指示软X射线辐射分布数据的50*50的二维向量。表示传感器所获得的测量数据。在传统的用于控制等离子体放电的方案中，为了确认等离子体形状是否是所期望的形状，例如确认有无存在等离子体内破裂的情况等。需要基于传感器所获得的有限数量(例如是92个)的测量数据进行反演运算，以获得发射率该作为反演结果的发射率例如是50*50的二维向量。上述通过反演有限数量(如92个)的测量数据来预测高维(例如50*50个)的发射率这一指示射线辐射强度的物理参数的方式是不可靠的，难以精准推断出等离子体的状态，例如形状。为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于测量等离子体状态的方案。在该方案中，获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据；对检测数据进行预处理，以生成第二数量的第二数据，第二数量大于第一数量；基于卷积神经网络模型，提取第二数据的特征值，卷积神经网络模型经由对多个训练样本的机器学习而生成；以及基于特征值，生成指示在截面位置处的二维辐射分布数据。在上述方案中，通过对所获取的等离子体的截面位置处检测数据进行预处理，以使其扩维至第二数量的第二数据，再利用经由多个训练样本学习的卷积神经网络，提取经扩维的第二数据的特征信息，来生成在截面位置处的二维辐射分布数据。本公开的实施例的用于测量等离子体状态的方案，以及基于该测量方法的、控制等离子体放电的方案，能够直接利用射线的测量数扩维后，反演得到辐射源的发射率值，能够精准推断出等离子体的状态，如形状。图1示出了应用根据本公开的实施例的测量等离子体状态的方法的系统100的架构图。如图1所示，系统100包括托卡马克核聚变实验装置110和控制设备120。在一些实施例中，托卡马本文档来自技高网...

【技术保护点】
1.一种用于测量等离子体状态的方法，包括：/n获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据；/n对所述检测数据进行预处理，以生成第二数量的第二数据，所述第二数量大于所述第一数量；/n基于卷积神经网络模型，提取所述第二数据的特征值，所述卷积神经网络模型经由对多个训练样本的机器学习而生成；以及/n基于所述特征值，生成指示在所述截面位置处的二维辐射分布数据。/n

【技术特征摘要】
1.一种用于测量等离子体状态的方法，包括：
获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据；
对所述检测数据进行预处理，以生成第二数量的第二数据，所述第二数量大于所述第一数量；
基于卷积神经网络模型，提取所述第二数据的特征值，所述卷积神经网络模型经由对多个训练样本的机器学习而生成；以及
基于所述特征值，生成指示在所述截面位置处的二维辐射分布数据。


2.根据权利要求1所述的方法，其中所述射线为软X射线，所述第一数量为所述软X射线的数量。


3.根据权利要求2所述的方法，其中所述检测数据为由托卡马克核聚变实验装置的传感器所测量的、指示所述截面位置处的辐射强度的测量值。


4.根据权利要求1所述的方法，其中所述预处理包括：
对所述第一数量的检测数据进行双线性上采样，以使得所述第一数量的检测数据被扩维至所述第二数量的第二数据。


5.根据权利要求4所述的方法，其中所述预处理包括：
使所述第一数量的检测数据经由多次双线性上采样被扩维至所述第二数量的第二数据。


6.根据权利要求4所述的方法，其中所述双线性上采样包括：
利用所述第一数量的检测数据中的四个相邻检测数据进行双线性插值处理。


7.根据权利要求1所述的方法，其中所述预处理包括：
基于交互变量，使得所述第一数量的检测数据被扩维至所述第二数量的第二数据。


8.根据权利要求7所述的方法，其中所述交互变量至少包括第一特征变量和第二特征变量，所述第一特征变量和所述第二特征变量共同与所述检测数据有关联或者无关联。


9.根据权利要求7所述的方法，其中所述卷积神经网络模型包括输入层、多个中间层和输出层，所述多个中间层中的至少一个中间层的神经元的数量小于所述输入层的神经元的数量，所述第二数据被输入至所述输入层。


10.根据权利要求1所述的方法，其中所述卷积神经网络模型包括多个卷积层，所述多个卷积层之中的每一个卷积层之后包括Relu激活函数。


11.根据权利要求1所述的方法，还包括：...

【专利技术属性】
技术研发人员：李源，王天博，郭俊豪，侯容，李栋，
申请(专利权)人：中科智云科技有限公司，
类型：发明
国别省市：上海;31