一种托卡马克等离子体边界识别和位形重建方法技术

本发明专利技术提出了一种托卡马克等离子体边界识别和位形重建方法。首先利用U

【技术实现步骤摘要】
一种托卡马克等离子体边界识别和位形重建方法


[0001]本专利技术属于等离子体边界识别和位形重建领域，具体涉及一种托卡马克等离子体边界识别和位形重建方法。

技术介绍

[0002]实时重建托卡马克装置等离子体位形对于优化运行参数，控制真空室壁和偏滤器靶板上的热负荷和粒子沉积，以及减少对真空室部件的损伤，具有重大意义。现代托卡马克装置通常采用磁测量方式，EAST上主要用EFIT来估计等离子体的位置和形状。由于磁体的扰动对等离子体的影响，会使磁力线随机扰乱，以及该测量存在的积分漂移现象(参见：Dickinson D,Roach C M,Saarelma S,et al.Microtearing modes at the top of the pedestal[J].Plasma Physics&Controlled Fusion,2013,55(7):69
‑
78.)，使得该测量方法不适用于未来托卡马克装置长时间的运行。
[0003]因此为适应未来托卡马克装置长时间运行的需求，发展新的等离子体位形重建算法十分必要。从EAST上可见光相机拍摄的图像中，本专利技术可以清晰的看到等离子体边界。从图像中提取等离子体边界并进行位形重建，能够避免磁测量遇到的问题。
[0004]Hao LUO等人提出了一种不需要相机标定的边界重建方法(Luo H,Luo Z P,Chao X U,et al.Optical plasma boundary reconstruction based on least squares for EAST Tokamak[J].信息与电子工程前沿：英文版,2018,19(9):11.)，其算法目的为使光学重建结果与EFIT数据距离最小化，在EAST放电实验和EFIT数据上达到了1
‑
2cm的误差。然而其边缘提取算法需要手动设置ROI区域，难以提取外等离子体边界，且拟合数据存在水平漂移现象。
[0005]过去，在等离子体边界提取算法方面，EAST相关团队采用了自适应Canny边缘检测算法(Xue E,Luo J,Shu S,et al.Plasma Edge Detection and Tracking in the EAST Superconducting Tokamak Discharge[C]//Third International Conference on Measuring Technology&Mechatronics Automation.IEEE,2011.)和基于图像能量理论的Snake活动轮廓法，但实验结果证明两种算法只能在真空室较暗的状态下进行边缘提取，当EAST装置真空室较亮的时候，两种算法会出现大量的错误边缘。

技术实现思路

[0006]为解决上述技术问题，本专利技术提出了一种托卡马克等离子体边界识别和位形重建方法，其为基于U
‑
Net网络的图像分割的提取边界算法，对整张图像提取等离子体边界，无需手动设置ROI区域，能够提取外等离子体边界，且基于XGBoost的光学重建算法，达到了7.36mm的平均误差。为了更好的提取运行时的等离子体边界，本专利技术采用基于深度学习的图像分割方法，基于U
‑
Net网络对等离子体边界进行了提取，实验表明，基于U
‑
Net网络的图像分割方法，在EAST上对等离子边界的提取，效果十分显著。
[0007]为达到上述目的，本专利技术采用的技术方案为：
[0008]一种托卡马克等离子体边界识别和位形重建方法，包括如下步骤：
[0009]步骤1、等离子体边界识别：采用基于深度学习的图像分割方法，并采用U
‑
Net网络对等离子体边界进行提取；
[0010]损失函数采用交叉熵损失，公式如下：
[0011][0012]其中，M表示类别数；y
c
取值为0或1，当该类别与真实类别相同时取值1，否则为0；p
c
为预测值，表示该样本属于类别c的概率；
[0013]将图像通过人为标注选取等离子体边界区域，作为网络训练时的真实分割图像；将得到的模型，对训练集外的图像数据进行预测；
[0014]步骤2、位形重建：
[0015]采用XGBoost模型进行拟合；所述XGBoost的模型定义为：
[0016][0017]其中，f
k
(x)表示第k棵决策树，x
i
表示输入的特征向量，表示预测值，模型包含K棵树；
[0018]模型的目标函数Obj由损失函数L和正则化项Ω组成，损失函数L用于评估预测值与真实值y
i
的误差，正则化项Ω用来控制模型的复杂度，避免过拟合；
[0019]XGBoost的目标函数定义如下所示：
[0020][0021]其中，正则化项Ω的定义为：
[0022][0023]其中，γ和λ为可修改的参数，T为叶子数，ω为叶子结点的权重分数；f表示决策树模型；
[0024]第s轮模型可定义为：
[0025][0026]其中，s为迭代轮数，第s轮的模型等于第s
‑
1轮模型加上新模型f(x
i
)，其中f(x
i
)使得目标函数Obj最小；
[0027]改写目标函数Obj：
[0028][0029]其中，为第s
‑
1轮模型对样本x
i
的预测值，f
s
(x
i
)为第s轮训练的新模型的预测值；
[0030]对目标函数Obj进行泰勒展开：
[0031][0032]其中，g
i
为损失函数的一阶导数，h
i
为损失函数的二阶导数；
[0033]去除不影响目标函数的优化的常数项不影响目标函数的优化，并将Ω(f
s
)带入公式，目标函数Obj写为：
[0034][0035]其中，I
j
为落在叶子结点j的所有样本；
[0036]令并对叶子结点j的权重分数ω
j
求偏导，使得偏导数等于0，解得：
[0037][0038][0039]根据最优解的目标函数Obj
(s)
分裂样本数据。
[0040]有益效果：
[0041]本专利技术提供的一种光学等离子体边界重建的算法，其主要分为U
‑
Net网络的边界提取，和基于XGBoost的边界重建。基于U
‑
Net网络的图像分割算法，无需对原始图像进行预处理，无需进行手动设置ROI区域，与传统边缘检测算法相比，本专利技术的方法能更好的提取边界，且不存在大量虚假边界。在没有相机标定的情况下，本专利技术提出了如何选取像素坐标的标签值，并基于XGBoost实现了等离子体的边界重建，将图像平面转换为托卡马克的极向面。从实验结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种托卡马克等离子体边界识别和位形重建方法，其特征在于，包括如下步骤：步骤1、等离子体边界识别：采用基于深度学习的图像分割方法，并采用U
‑
Net网络对等离子体边界进行提取；损失函数采用交叉熵损失，公式如下：其中，M表示类别数；y
c
取值为0或1，当该类别与真实类别相同时取值1，否则为0；p
c
为预测值，表示该样本属于类别c的概率；将图像通过人为标注选取等离子体边界区域，作为网络训练时的真实分割图像；将得到的模型，对训练集外的图像数据进行预测；步骤2、位形重建：采用XGBoost模型进行拟合；所述XGBoost的模型定义为：其中，f
k
(x)表示第k棵决策树，x
i
表示输入的特征向量，表示预测值，模型包含K棵树；模型的目标函数Obj由损失函数L和正则化项Ω组成，损失函数L用于评估预测值与真实值y
i
的误差，正则化项Ω用来控制模型的复杂度，避免过拟合；XGBoost的目标函数定义如下所示：其中，正则化项Ω的定义为：其中，γ和λ为可修改的参数，T为...

【专利技术属性】
技术研发人员：韩效锋，严海龙，杨建华，王纪超，扈嘉辉，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：