基于深度神经网络的托卡马克等离子体大破裂预测算法制造技术

本发明专利技术属于等离子体物理领域，具体为基于深度神经网络的托卡马克等离子体大破裂预测算法，训练数据集准备、进行神经网络模型创建及预测计算，之后进行模型参数训练，神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的破裂可能性值。针对聚变装置的数据特点进行了定制化优化的神经网络模型，这一模型可以简便地接入不同类型地控制和诊断信号，克服了标准神经网络模型对数据源的限制问题，也令神经网络更加适用于处理长序列、多模态、多噪声标签的聚变数据，最终在破裂预测任务上实现了提前30ms，96.1％预测正确率的效果。率的效果。率的效果。

【技术实现步骤摘要】
基于深度神经网络的托卡马克等离子体大破裂预测算法


[0001]本专利技术属于等离子体物理领域，具体涉及一种基于深度神经网络的托卡马克等离子体大破裂预测算法。

技术介绍

[0002]现有技术的托卡马克等离子体大破裂预测技术可以大致分为两类：(1)传统机器学习方法；(2)基于标准神经网络方案的方法。
[0003]基于传统机器学习的预测方法通过一些破裂相关的物理分析，得到若干低维度的与破裂有较为直接关联性的物理量，例如密度与Greenwald密度极限的比值、锁模幅值等，然后通过随机森林、支持向量机、全连接神经网络等传统机器学习算法综合各个相关量给出破裂发生的可能性。而基于标准神经网络方案的方法则适当减少对手动提取物理特征过程的依赖，收集例如安全因子剖面分布，密度剖面分布等维度较高，更细致刻画等离子体本身性质的数据，通过深度神经网络的特征提取能力，令网络自行学习与破裂相关的特征，并用于预测破裂事件。
[0004]基于传统机器学习的预测方法在2010年前后得到了充分的研究，但最终被发现缺少在装置间的泛化能力，并且正确率本身存在瓶颈难以突破。这一方面来源于与破裂相关的物理特征的提取方法在不同装置上存在较强的特异性，一方面也来源于传统机器学习算法对复杂问题的解析能力不足。因此这一类技术在解决未来聚变堆破裂问题上很难起到实质性的帮助。
[0005]基于标准神经网络方案的方法是目前的主流技术方案，这一方案通常利用计算机领域用于处理图像和文本数据的卷积神经网络和循环神经网络来从等离子体物理性质数据中提取与破裂相关的物理信息，但这些标准神经网络对输入数据的数值分布性质的有较高的要求，托卡马克上的控制和诊断信号种类非常繁多，使得标准神经网络能够利用的数据源非常有限，聚变数据的长序列、多模态、多噪声标签等特点也都限制了标准神经网络方案在破裂预测任务上的表现。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度神经网络的托卡马克等离子体大破裂预测算法，能够解决标准神经网络模型对数据源的限制问题，提高预测正确率。
[0007]本专利技术的技术方案如下：
[0008]基于深度神经网络的托卡马克等离子体大破裂预测算法，包括如下步骤：
[0009]步骤一、训练数据集准备；
[0010]获取托卡马克装置历史放电中与破裂相关的各个诊断和控制系统的信号；
[0011]采集多次历史放电中的时间序列数据，形成训练数据集；
[0012]步骤二、神经网络模型创建及预测计算
[0013]神经网络模型的层序列包括一维卷积层、批归一化层、全连接层和循环神经网络
层；
[0014]2.1利用神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵；
[0015]2.2利用神经网络层序列进行计算，得到高采样率输入的时序特征显著性矩阵；
[0016]2.3将步骤2.1和步骤2.2的矩阵输出进行拼接，经神经网络层序列进行计算，得到最终的神经网络模型输出，即破裂可能性值；
[0017]步骤三、进行模型参数训练
[0018]3.1根据每个神经网络层的输入和输出矩阵规模，利用Glorot初始化法给定参数矩阵的初始化值
[0019]3.2随机抓取训练数据集中的时间序列数据，随机截取时间长度一端，构成一个训练批次的数据，其包括输入矩阵A、输入矩阵C和输出标签L，以及权重矩阵Weight；其中A和C来自于对历史数据库的采集，L由该数据来源的放电实验是否发生了破裂决定，如果数据来源的实验发生了破裂，且数据对应的时间距离破裂不超过0.1秒，则L取值为1，否则为
‑
1；如果数据来源的实验发生了破裂，且数据对应的时间距离破裂在0.03秒和0.2秒之间，则Weight取值为0，否则取值为1。
[0020]3.3将一个训练批次的数据输入神经网络模型进行计算，神经网络对每个A和C的值得出计算结果Y，将Y与标签L求hinge loss，并以Weight加权，则会得到本批次的预测损失，如下式所示。
[0021]Loss＝max(1，1
‑
Y*L)*Weight
[0022]3.4更新神经网络模型的权重参数W
*
[0023][0024]B
*
的计算方式与W
*
完全相同，将公式中的W替换为B即可；
[0025]其中η代表梯度下降法的步长，用于确定最小化预测损失，Loss为前一步骤计算的预测损失；
[0026]步骤3.5反复执行3.2
‑
3.4步骤，直到损失函数不再下降，或者整个训练集的数据都被抓取过20次以上，则停止训练；
[0027]步骤四、推理阶段实时化部署
[0028]神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的破裂可能性值。
[0029]步骤一所述的各个诊断和控制系统的信号为单值浮点数和浮点数向量。
[0030]所述的单值浮点数为15道1kHz信号，包括等离子体电流、等离子体电流与预设电流差值、等离子体环压、环向磁场、欧姆场线圈电流、Bolometer系统平均辐射水平、中平面电子线积分密度、0
‑
5千电子伏能区硬X射线水平、5
‑
10千电子伏能区硬X射线水平、ECRH加热系统加热功率、NBI加热系统加热功率、等离子体储能、等离子体水平位移、等离子体垂直位移和等离子体归一化比压；所述的浮点数向量为6道10kHz信号，包括偏滤器去氘α线辐射强度、软X射线中平面线积分强度、对称位置极向磁探针一对和对称位置环向磁探针一对。
[0031]所述的采集多次历史放电中的时间序列数据，形成训练数据集中，采集的时间区间从每一次放电过程等离子体电流达到预设平顶段开始，到等离子体电流持续10ms以上偏离预设值超过20kA为止。
[0032]所述的采集多次历史放电中的时间序列数据，形成训练数据集中，获得3805个时间序列数据，每个时间序列数据的长度范围为50ms—3000ms，每毫秒为一个时间节点，对应15个单值浮点数和6个长度10的浮点数向量，所有时间序列数据构成训练数据集。
[0033]所述步骤2.1中的神经网络层序列包含两个并行的循环神经网络层；
[0034]神经元数量为16的循环神经网络层；
[0035]神经元数量为16的循环神经网络层；
[0036]将获得的15个单值浮点数对应输入15个并行的神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵，其为15*1的矩阵输入转换为15*16的矩阵输出。
[0037]所述步骤2.2中的神经网络层序列为6个并行的神经网络层，即
[0038]卷积核数量为32、卷积核宽度为3的一维卷积层；
[0039]卷积核数量为32、卷积核宽度为3的批归一化层；
[0040]卷积核数量为64、卷积核宽度为3的一维卷积层；
[0041]卷积核数量为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于，包括如下步骤：步骤一、训练数据集准备；获取托卡马克装置历史放电中与破裂相关的各个诊断和控制系统的信号；采集多次历史放电中的时间序列数据，形成训练数据集；步骤二、神经网络模型创建及预测计算神经网络模型的层序列包括一维卷积层、批归一化层、全连接层和循环神经网络层；2.1利用神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵；2.2利用神经网络层序列进行计算，得到高采样率输入的时序特征显著性矩阵；2.3将步骤2.1和步骤2.2的矩阵输出进行拼接，经神经网络层序列进行计算，得到最终的神经网络模型输出，即破裂可能性值；步骤三、进行模型参数训练3.1根据每个神经网络层的输入和输出矩阵规模，利用Glorot初始化法给定参数矩阵的初始化值；3.2随机抓取训练数据集中的时间序列数据，随机截取时间长度一端，构成一个训练批次的数据，其包括输入矩阵A、输入矩阵C和输出标签L，以及权重矩阵Weight；其中A和C来自于对历史数据库的采集，L由该数据来源的放电实验是否发生了破裂决定，如果数据来源的实验发生了破裂，且数据对应的时间距离破裂不超过0.1秒，则L取值为1，否则为
‑
1；如果数据来源的实验发生了破裂，且数据对应的时间距离破裂在0.03秒和0.2秒之间，则Weight取值为0，否则取值为1；3.3将一个训练批次的数据输入神经网络模型进行计算，神经网络对每个A和C的值得出计算结果Y，将Y与标签L求hinge loss，并以Weight加权，则会得到本批次的预测损失，如下式所示。Loss＝max(1，1
‑
Y*L)*Weight3.4确定更新后的神经网络模型的权重参数W
*
和B
*
B
*
的计算方式与W
*
完全相同，将公式中的W替换为B即可；其中η代表梯度下降法的步长，用于确定最小化预测损失，Loss为前一步骤计算的预测损失；步骤3.5反复执行3.2
‑
3.4步骤，直到损失函数不再下降，或者整个训练集的数据都被抓取过20次以上，则停止训练；步骤四、推理阶段实时化部署神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的破裂可能性值。2.如权利要求1所述的基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于：步骤一所述的各个诊断和控制系统的信号为单值浮点数和浮点数向量。3.如权利要求2所述的基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于：所述的单值浮点数为15道1kHz信号，包括等离子体电流、等离子体电流与预设电流
差值、等离子体环压、环向磁场、欧姆场线圈电流、Bolometer系统平均辐射水平、中平面电子线积分密度、0
‑
5千电子伏能区硬X射线水平、5
‑
10千电子伏能区硬X射线水平、ECRH加热系统加热功率、NBI加热系统加热功率、等离子体储能、等离子体水平位移、等离子体垂直位移和等离子体归一化比压；所述的浮点数向量为6道10kHz信号，包括偏滤器去氘α线辐射强度、软X射线中平面线积分强度、对称位置极向磁探针一对和对称位置环向磁探针一对。4.如权利要求3所述的基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于：所述的采集多次历史放电中的时间序列数据，形成训练数据集中，采集的时间区间从每一次放电过程等离子体电流达到预设平顶段开始，到等离子体电流持续10ms以上偏离预设值超过20kA为止。5.如权利要求4所述的基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于：所述的采集多次历史放电中的时间序列数据，形成训练数据集中，获得3805个时间序列数据，每个时间序列数据的长度范围为50ms—3000ms，每毫秒为一个时间节点，对应15个单值浮点数和6个长度10的浮点数向量，所有时间序列数据构成训练数据集。6.如权利要求3所述的基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于：所述步骤2.1中的神经网络层序列包含两个并行的循环神经网络层；神经元数量为16的循环神经网络层；神经元数量为16的循环神经网络层；将获得的15个单值浮点数对应输入15个并行的神经网络层序列进行计算，得到低采样率输入的时序特征显著性矩阵，其为15*1的矩阵输入转换为15*16的矩阵输出。7.如权利要求6所述的基于深度神经网络的托卡马克等离子体大破裂预测算法，其特征在于：所述步骤2.2中的神经网络层序列...

【专利技术属性】
技术研发人员：杨宗谕，夏凡，宋显明，高喆，李宜轩，董云波，王硕，
申请(专利权)人：核工业西南物理研究院，
类型：发明
国别省市：