Details

В данной работе рассматривается задача прогнозирования (регрессии) инкремента неустойчивости пилинг-баллонной (ПБ) неустойчивости (моды) на токамаке Глобус-М2. Цель исследования -- разработка эффективного инструмента, позволяющего ускорить получение данных посредством алгоритмов машинного обучения. Для решения задачи проведён сравнительный анализ современных моделей машинного обучения с использованием библиотек SciKit-Learn и PyTorch. Также разработаны программные средства для предварительной обработки, подготовки и верификации данных для качественной работы методов в условиях малого объёма данных. В результате получены модели, демонстрирующие высокую точность предсказания инкремента неустойчивости и позволяющие существенно сократить вычислительные затраты по сравнению с традиционными методами. Область применения результатов работы охватывает исследования краевых явлений в плазме токамаков. Выводы подтверждают эффективность алгоритмов машинного обучения для моделирования краевых неустойчивостей и возможность дальнейшей интеграции данных методов в исследовательские и эксплуатационные процессы.

This thesis addresses the problem of predicting (regression) the increment of the peeling-ballooning (PB) instability (mode) on the Globus-M2 tokamak. The objective is to develop an effective tool that significantly accelerates data acquisition using machine learning algorithms. To tackle the problem, a comparative analysis of modern machine learning models implemented with the SciKit-Learn and PyTorch libraries was conducted. Additionally, software tools have been developed for data preprocessing, preparation, and verification for high-quality operation of methods in conditions of a small amount of data. As a result, models were obtained that demonstrate high accuracy in predicting the instability increment and substantially reduce computational costs compared to traditional methods. The scope of the application of the results covers the study of edge phenomena in tokamak plasma. The conclusions confirm the effectiveness of machine learning algorithms in modeling plasma edge instabilities and indicate the possibility of further integrating these methods into research and operational processes.

• Применение методов анализа данных и машинного обучения для прогнозирования инкремента пилинг-баллонной неустойчивости на токамаке Глобус-М2
  • Введение
  • 1. Постановка задачи
  • 2. Обзор существующих решений
  • 3. Разработка методов исследования
  • 4. Результаты и их сравнительный анализ
  • Заключение
  • Список использованных источников
  • Приложение 1. Код модели многослойного перцептрона на PyTorch