Dokument: Development of Surrogate Models for Divertor Power Load Prediction Based on Machine Learning Techniques

Titel:	Development of Surrogate Models for Divertor Power Load Prediction Based on Machine Learning Techniques
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=60000
URN (NBN):	urn:nbn:de:hbz:061-20220701-104108-5
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Brenzke, Martin [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 18,07 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 27.06.2022 / geändert 27.06.2022
Beitragende:	Prof. Dr. Pukhov, Alexander [Gutachter] Prof. Dr. Liang, Yunfeng [Gutachter]
Stichwörter:	Nuclear Fusion, Machine Learning, Divertor
Dewey Dezimal-Klassifikation:	500 Naturwissenschaften und Mathematik » 530 Physik
Beschreibungen:	Der Transport von Wärme und Teilchen auf die Divertorplatten in Tokamaks stellt eine der größten Herausforderungen für den langfristigen Betrieb von Fusionsreaktoren dar. Die deponierte Leistung darf materialspezifische Grenzwerte nicht überschreiten, woraus sich Einschränkungen für den Betrieb aktueller und zukünftiger Fusionsanlagen, wie etwa ITER, ergeben. Um diese Einschränkungen bei der Planung von Fusionsanlagen berücksichtigen und die Wärmelast auf den Divertorplatten während des Betriebs kontrollieren zu können, sind Vorhersagen für die zu erwartenden Wärmelasten nötig. Allerdings ist die Vorhersage dieser Wärmelasten vor einem Experiment ein komplizierter Prozess. Vereinfachte analytische Modelle berücksichtigen nicht alle atomistischen und molekularen Prozesse, die nahe an den Divertorplatten auftreten. Im Gegensatz dazu haben Simulationscodes, die diese Prozesse berücksichtigen, sehr lange Laufzeiten und können unter numerischer Instabilität leiden. Um diese Probleme zu umgehen, wurden in der vorliegenden Arbeit Methoden des maschinellen Lernens zur Vorhersage der Wärmelasten an den Divertorplatten getestet. Da diese Modelle hochgradig nicht lineare Funktionen beschreiben können, könnten die gelernten Abhängigkeiten das Problem besser beschreiben als vereinfachte analytische Modelle. Außerdem sind die präsentierten Methoden des maschinellen Lernens rechnerisch günstiger als etablierte Simulationscodes. Um die Methoden des maschinellen Lernens zu optimieren und zu testen wurde eine Datenbank aus beinahe 6 Jahren experimenteller Daten des ASDEX Upgrade (AUG) Experiments erstellt. Auf Basis dieser Daten wurden mehrere Methoden des maschinellen Lernens im Bezug auf ihre Fähigkeit, die Wärmelast an den Divertorplatten als Funktion zugänglicher Plasmaparameter vorherzusagen, untersucht. Alle untersuchten Modelle zeigen, dass es möglich ist, Vorhersagen der Wärmelast an den Divertorplatten als Funktion der gewählten Parameter zu erhalten. Darüber hinaus wurden die erlernten Abhängigkeiten einiger Modelle untersucht. Obwohl sich Effekte störender Korrelationen zeigen, bestätigen einige der Abhängigkeiten die Erwartungen anderer physikalischer Analysen. Schließlich wurden Ansätze getestet, um adäquate Vorhersagen für die Modellunsicherheiten zu erhalten. Zu diesem Zwecke wurden Mixture Density Networks (MDNs) und Gaussian Process Regression (GPR) genutzt. Allerdings zeigt die Analyse, dass weitere Arbeit nötig ist, um die Modellunsicherheiten vorherzusagen. The power loads at the divertor targets are one of the main challenges in the sustained operation of tokamak fusion reactors. These power loads define critical operational limits for current and future fusion devices, such as ITER. In order to account for these limits in the planning of fusion reactors and to mitigate critical divertor power loads during the operation, reliable predictions for the divertor power loads are needed. However, modeling divertor power loads prior to performing experiments is an involved task. Simplified analytical models do not necessarily take into account the complex atomic and molecular physics close to the divertor targets. On the other hand, fully fledged simulation codes, taking into account the atomic and molecular processes, are computationally very expensive and can suffer from numerical instability. To alleviate these challenges machine learning based models for divertor power load predictions were tested in this analysis. Since the models can describe highly non-linear functions, the learned dependencies might describe the problem at hand more closely than simplified models based on first principles. On top of that, the machine learning models, once set up, are computationally less expensive than established simulation codes. To set up and evaluate the models a data base utilizing almost 6 years of data from the ASDEX Upgrade (AUG) experiment was established from the experimental data. Based on this data, several machine learning approaches were investigated with regard to their ability to infer divertor power loads from generally accessible plasma parameters. All of the tested models show that it is possible to obtain predictions of the divertor power loads as a function of the selected parameters. Furthermore, the learned dependencies of some of the models were analyzed. While there are some effects of spurious correlations that can be observed, some main dependencies of the models match the expectations from other physics analyses. Moreover, approaches to obtaining adequate predictions of model uncertainties were examined. For this, Mixture Density Networks (MDNs) and Gaussian Process Regression (GPR) were utilized. However, the analysis shows that further work with regard to the uncertainty estimation is needed.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Physik » Theoretische Physik
Dokument erstellt am:	01.07.2022
Dateien geändert am:	01.07.2022
Promotionsantrag am:	27.07.2021
Datum der Promotion:	16.03.2022