Dokument: Surrogate models for particle and power exhaust in divertor tokamak simulations

Titel:	Surrogate models for particle and power exhaust in divertor tokamak simulations
Weiterer Titel:	Surrogat-Modelle für die Simulation des Ausströmverhaltens von Teilchen und Energie in Tokamaks
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=69084
URN (NBN):	urn:nbn:de:hbz:061-20250328-083808-2
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	M. Sc. Dasbach, Stefan [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 70,97 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 19.03.2025 / geändert 19.03.2025
Beitragende:	Prof. Dr. Liang, Yunfeng [Gutachter] Prof. Dr. Brezinsek, Sebastijan [Gutachter]
Stichwörter:	scrape-off layer, SOLPS, neural network, machine learning
Dewey Dezimal-Klassifikation:	500 Naturwissenschaften und Mathematik » 530 Physik
Beschreibungen:	The heat exhaust constitutes one of the most critical operational limits in tokamak fusion reactors. Unmitigated, the expected heat fluxes in future reactors will exceed what is sustainable for known materials. The scrape-off layer connects the plasma and reactor components. It plays a crucial role for limiting the heat fluxes to reactor components while maintaining desirable plasma conditions in the confined region. Accurate models of the scrape-off layer are required for the design and during the operation of tokamak reactors. Simplified analytical descriptions of the scrape-off layer lack the required predictive capabilities due to a lack in the included physical processes. This often necessitates a calibration against experimental measurements, which introduces uncertainties for the planning of future larger reactors. While more complex simulations include all necessary physical processes, these simulations are computationally expensive, difficult to operate and suffer from numerical instabilities. This prevents their application in rapid design studies, algorithmic optimization or integrated modeling. A potential remedy comes in using machine learning models trained on simulations for fast and easy to use predictions. This thesis is devoted to provide a proof-of-concept of such a surrogate model and to provide recommendations for the methods to construct it. To this end, a large dataset of several thousand SOLPS-ITER simulations using a reduced fidelity fluid neutral gas description was created. The dataset uses a conformal size scaling to encompass cross-machine scenarios across an eight dimensional parameter space. Besides the reactor size, the varied simulation parameters include the input power, deuterium throughput, impurity seeding rate and strength of anomalous cross-field transport. Analysis shows that the reduced fidelity procedure introduced some simulation artifacts, but all expected physical regimes and trends are recovered. Based on this dataset, a variation of machine learning models with differing architectures and scopes are tested. Among these are different variants of Gradient Boosted Regression Trees and fully connected feedforward neural networks. The evaluation shows that the neural networks are the most accurate. Further, it has no benefit to develop models for specific parts of the scrape-off layer, but the conditions in the whole domain can be predicted at once. It is easier to achieve high accuracy by employing independent models for different observables rather than by using a combined model. For the tested models it is difficult to preserve the small temperature gradients in low density regimes. This leads to drastic errors in heat fluxes deduced from the surrogate predictions. Using independent models the heat fluxes can be predicted accurately but the predictions are then not consistent with the other plasma properties. So far it was not possible to create a model that predicts accurate heat fluxes self-consistent with all plasma quantities in all regimes. Analysis shows that the surrogate model accuracy drops drastically when less than 1000 training simulations are available. Using the developed surrogate model some potential applications are demonstrated and the impurity concentrations necessary to achieve detachment are predicted for multiple tokamaks. These predictions show similar functional relations as previous scaling laws. Finally, a small dataset of higher fidelity ITER simulations is used to train surrogate models. The smaller scope of the dataset allows for achieving much more accurate predictions. Further analysis shows that transfer learning from the previous surrogate model has no benefits over training a new model from scratch. But due to the the small number of high fidelity test simulations, no final evaluation is possible. Therefore, future efforts should focus on discovering the potential and the methods for models utilizing simulations with mixtures of fidelity. Die Abwärme stellt eine der kritischsten Betriebsgrenzen in Tokamak-Fusionsreaktoren dar. Ungehemmt werden die zu erwartenden Wärmeströme in zukünftigen Reaktoren das für bekannte Materialien tragbare Maß überschreiten. Die Plasmarandschicht verbindet das Plasma und die Reaktorkomponenten. Sie spielt daher eine entscheidende Rolle die Wärmeströme zu den Reaktorkomponenten zu begrenzen und gleichzeitig die gewünschten Plasmabedingungen im eingeschlossenen Bereich aufrechtzuerhalten. Genaue Modellvorhersagen der Plasmarandschicht sind erforderlich für die Konstruktion und den erfolgreichen Betrieb von Tokamak-Reaktoren. Vereinfachte analytische Beschreibungen der Plasmarandschicht haben aufgrund fehlender physikalischer Prozesse nicht die erforderlichen Vorhersagefähigkeiten. Dies macht häufig eine Kalibrierung anhand von experimentellen Messungen erforderlich. Dies Kalibrierung führt zu Unsicherheiten hinsichtlich der Anwendbarkeit für die Planung künftiger größerer Reaktoren. Komplexere Simulationen enthalten zwar alle erforderlichen physikalischen Prozesse, sind aber rechenintensiv, schwierig zu bedienen und leiden unter numerischen Instabilitäten. Dies verhindert ihre Anwendung für schnelle Designstudien, algorithmische Optimierung oder integrierte Modellierung. Eine mögliche Lösung besteht in der Verwendung von Modellen des maschinellen Lernens, die auf Simulationen trainiert werden, um schnelle und einfach zu handhabende Vorhersagen zu ermöglichen. In dieser Arbeit wird ein Konzeptnachweis für ein solches Surrogatmodell erbracht und es werden Empfehlungen für Methoden zur dessen Erstellung gegeben. Zu diesem Zweck wurde ein großer Datensatz mit mehreren tausend SOLPS-ITERSimulationen erstellt, bei denen ein vereinfachtes Fluid Modell für das neutrale Gas wurde. Der Datensatz verwendet eine konforme Größenskalierung, um Experiment übergreifende Szenarien in einem achtdimensionalen Parameterraum zu erfassen. Zu den variierten Simulationsparametern gehören neben der Reaktorgröße auch die Eingangsleistung, der Deuteriumdurchsatz, die Stickstoffkonzentration und die Stärke des anomalen Querfeldtransports. Die Analyse zeigt, dass das vereinfachte Simulationsmodell zu einigen Simulationsartefakte führt, aber alle erwarteten physikalischen Regime und Trends reproduziert werden. Auf der Grundlage dieses Datensatzes werden verschiedene Modelle des maschinellen Lernens mit unterschiedlichen Architekturen und Anwendungsbereichen getestet. Dazu gehören verschiedene Varianten von Regressionsbäumen und neuronalen Netzen. Die Auswertung zeigt, dass die neuronalen Netze am genauesten sind. Darüber hinaus hat es keinen Vorteil, Modelle für bestimmte Teile der Plasmarandschicht zu entwickeln, sondern die Bedingungen im gesamten Bereich können auf einmal vorhergesagt werden. Eine hohe Genauigkeit lässt sich einfacher erreichen, indem unabhängige Modelle für verschiedene Beobachtungsgrößen verwendet werden, anstatt eines kombinierten Modells. Die getesteten Modelle zeigen Schwierigkeiten, die kleinen Temperaturgradienten in Fällen mit niedriger Dichte korrekt zu erhalten. Dies führt zu drastischen Fehlern bei den Wärmeströmen, die aus den Surrogatvorhersagen abgeleitet werden. Mit unabhängigen Modellen können die Wärmeströme genau vorhergesagt werden, aber die Vorhersagen sind dann nicht mit den anderen Plasmagrößen konsistent. Bisher war es nicht möglich ein Modell zu erstellen, das genaue Wärmeströme vorhersagt, die mit allen Plasmagrößen in allen Regimen konsistent sind. Die Analyse zeigt, dass die Genauigkeit des Surrogatmodells drastisch abnimmt, wenn weniger als 1000 Simulationen zum Training zur Verfügung stehen. Anhand des entwickelten Surrogatmodells werden einige potenzielle Anwendungen demonstriert und die erforderlichen Verunreinigungskonzentrationen für mehrere Tokamaks vorhergesagt. Diese Vorhersagen zeigen ähnliche funktionale Abhängigkeiten wie frühere Skalierungsgesetze. Schließlich wird ein kleiner Datensatz von ITER-Simulationen mit höherer Genauigkeit verwendet, um Surrogatmodelle zu trainieren. Durch den geringeren Geltungsbereich des Datensatzes lassen sich wesentlich genauere Vorhersagen treffen. Eine weitere Analyse zeigt, dass das Transfer-Lernen aus dem vorherigen Surrogatmodell keine Vorteile gegenüber dem Training von Grund auf hat. Aber aufgrund der geringen Anzahl von Simulationen ist keine endgültige Bewertung möglich. Daher sollten sich künftige Bemühungen auf die Erforschung des Potenzials und der Methoden für Modelle konzentrieren, die Simulationen mit unterschiedlicher Genauigkeit verwerten.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Physik » Laser- und Plasmaphysik
Dokument erstellt am:	28.03.2025
Dateien geändert am:	28.03.2025
Promotionsantrag am:	27.08.2024
Datum der Promotion:	13.01.2025