Details

Данная работа посвящена разработке методов машинного обучения для быстрого моделирования транспортных процессов в плазме токамака Т-15МД. В работе проведён анализ данных, полученных с помощью кода ASTRA, разработана полносвязная нейронная сеть с остаточными соединениями для аппроксимации решений транспортных уравнений. Проведена оценка точности модели с использованием метрик качества (R2 = 0.988, коэффициент Пирсона r = 0.999). Основные результаты включают: • Создание обучающей выборки на основе 1000 конфигураций плазмы • Оптимизацию архитектуры нейронной сети для задач физики плазмы • Анализ отклонений предсказаний модели (MAE = 1.203) Результаты работы могут быть применены в системах оперативного контроля параметров плазмы и цифровых двойниках термоядерных установок.

This work is devoted to developing machine learning methods for fast modeling of transport processes in T-15MD tokamak plasma. The study includes analysis of data generated by ASTRA code, development of a fully connected neural network with residual connections for transport equations approximation, and model accuracy evaluation (R2 = 0.988, Pearson coefficient r = 0.999). Key results: • Creation of training dataset based on 1000 plasma configurations • Neural network architecture optimization for plasma physics tasks • Prediction deviation analysis (MAE = 1.203) The results can be applied in plasma parameter monitoring systems and digital twins of fusion devices.

• ВВЕДЕНИЕ
• ГЛАВА 1. Обзор Литературы
  • 1.1. Экспериментальная установка
  • 1.3. Astra
  • 1.4. Нейронная сеть
  • 1.5. Виды нейронных сетей
  • 1.5.1. Однослойные нейронные сети
  • 1.5.2. Многослойные нейронные сети
  • 1.5.3. Сети прямого распространения
  • 1.5.4. Сети с обратными связями
  • 1.5.5. PINN-сети (Physics-Informed Neural Networks)
  • 1.6. Транспортное уравнение
  • 1.7. Ожидаемые результаты
• ГЛАВА 2. Методология исследования
  • 2.1 Полный процесс обучения нейронной сети
  • 2.2 Обработка данных входа
  • 2.2 Результаты работы Astra
  • 2.3. Обработка данных перед обучением
  • 2.4. Полносвязная нейронная сеть
  • 2.5. Результаты обучения модели
• ГЛАВА 3. Результаты
  • 3.1 Анализ метрик и отклонений
  • 3.2 Сравнение профилей
  • 3.3 Анализ граничных значений
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ 1
• ПРИЛОЖЕНИЕ 2