Данная работа посвящена исследованию предсказания срыва в плазме токамака “Глобус-М/М2” с помощью глубокого машинного обучения. Срывы являются строго нежелательными событиями для токамака реакторного масштаба, поэтому необходимо добиться либо снижения частоты возникновения срывов, либо смягчить последствия срывов, которых нельзя избежать иными способами. Для смягчения последствий срыва необходимо сформировать триггер данного события с опережением времени достаточным для активации системы управляемого гашения разряда. Цель данной работы – исследовать возможность применения нейросетей для предсказанная событий в плазме токамака Глобус-М2 на примере данных о срывах. Для достижения поставленной цели был проведен корреляционный анализ сигналов диагностик доступных в реальном времени, чтобы отобрать набор сигналов, используемых для предсказания срыва. Выбрана топология нейронной сети с параллельными сверточными и полносвязными слоями. Разработан программный комплекс для выделения базисного набора сигналов,подготовки тренировочных примеров, обучения модели нейронной сети и оценки, получившейся эффективности. Эффективность системы была проверена на 50 тестовых разрядах. Значение ложных срабатывания для обученной в данной работе модели составило 14%, значение пропущенных срывов - 7%.

This work is devoted to the study of the disruption prediction in the plasma of the Globus-M/M2 tokamak using deep machine learning. Disruptions are strictly undesirable events for a reactor-scale tokamak; therefore, it is necessary to either reduce the frequency of disruptions or mitigate the consequences of disruptions that cannot be avoided by other means. To mitigate the consequences of the breakdown, it is necessary to form a trigger of this event ahead of time sufficient to activate the controlled discharge extinguishing system. The purpose of this work is to investigate the possibility of using neural networks for predicted events in the plasma of the Globus-M2 tokamak using data on disruptions as an example. To achieve this goal, a correlation analysis of signals from diagnostics available in real time was carried out in order to select a set of signals used to predict breakdown. A neural network topology with parallel convolutional and fully connected layers is chosen. A software package has been developed for identifying a basic set of signals, preparing training examples, training a neural network model and evaluating the resulting efficiency. The efficiency of the system has been tested with 50 test discharges. The value of false alarms for the model trained in this work was 14%, the value of missed disruptions was 7%.