[发明专利]基于深度神经网络的托卡马克等离子体大破裂预测算法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

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。

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。

发明内容

本发明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。

本发明的技术方案如下：

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：

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