CN111935892A - 用于测量等离子体状态的方法和设备 - Google Patents
用于测量等离子体状态的方法和设备 Download PDFInfo
- Publication number
- CN111935892A CN111935892A CN201910394446.XA CN201910394446A CN111935892A CN 111935892 A CN111935892 A CN 111935892A CN 201910394446 A CN201910394446 A CN 201910394446A CN 111935892 A CN111935892 A CN 111935892A
- Authority
- CN
- China
- Prior art keywords
- data
- plasma
- amount
- radiation
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/0006—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature
- H05H1/0012—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature using electromagnetic or particle radiation, e.g. interferometry
- H05H1/005—Investigating plasma, e.g. measuring the degree of ionisation or the electron temperature using electromagnetic or particle radiation, e.g. interferometry by using X-rays or alpha rays
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/10—Nuclear fusion reactors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Plasma Technology (AREA)
Abstract
本公开提供了用于测量等离子体状态的方法和设备、用于控制等离子体放电的方法、设备、计算机可读存储介质。该用于测量等离子体状态的方法包括:获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据;对检测数据进行预处理,以生成第二数量的第二数据,第二数量大于第一数量;基于卷积神经网络模型,提取第二数据的特征值,卷积神经网络模型经由对多个训练样本的机器学习而生成;以及基于特征值,生成指示在截面位置处的二维辐射分布数据。本公开的用于测量等离子体状态和用于控制等离子体放电的方案能够精准推断和/或控制等离子体的状态。
Description
技术领域
本公开涉及针对等离子体的层析成像,更具体地,涉及用于测量等离子体状态的方法和设备、用于控制等离子体放电的方法、设备、计算机可读存储介质。
背景技术
等离子体是由大量的、带电粒子组成的非束缚态的集合。等离子体可以被应用在多个领域。例如在核聚变实验领域,目前存在的主要技术难点在于,如何把高温等离子体约束在核聚变反应堆的核心内,以避免等离子体脱离束缚,触碰到实验装置的容器,进而对实验装置带来损害。由于在核聚变实验装置中的等离子体处于极限环境条件下(例如超高的温度)。一般的测量装置难以对等离子体的分布状态进行测量。现有的解决方案例如是:通过实验装置(例如托卡马克核聚变实验装置)的传感器对在辐射源(例如软X射线,SXR)照射下的等离子体的特定位置处的有限数量的测量值进行反演诊断,进而判断核聚变实验装置中的等离子体是否存在脱离束缚的情况,以便反馈给实验装置来调控等离子的形状与分布。
在上述测量离子体状态或控制等离子放电的方案中,由于传感器的测量值非常有限,因此基于反演结果而获得的核聚变实验装置中等离子体分布状态数据的准确性或可信度不高。
发明内容
本公开提供一种用于测量等离子体状态的方法和设备,能够精准推断出等离子体的形状。
根据本公开的第一方面,提供了一种测量等离子体状态的方法。该方法包括:获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据;对检测数据进行预处理,以生成第二数量的第二数据,第二数量大于第一数量;基于卷积神经网络模型,提取第二数据的特征值,卷积神经网络模型经由对多个训练样本的机器学习而生成;以及基于特征值,生成指示在截面位置处的二维辐射分布数据。
根据本发明的第二方面,还提供一种测量等离子体状态的设备。该设备包括:存储器,被配置为存储一个或多个程序;处理单元,耦合至存储器并且被配置为执行一个或多个程序使系统执行本公开的第一方面的方法。
本公开还提供一种用于控制等离子体放电的方法和设备,能够精准控制等离子体的形状。
根据本公开的第三方面,提供了一种用于控制等离子体放电的方法。该方法包括:在控制设备处,获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据,检测数据来自托卡马克核聚变实验装置的传感器;对检测数据进行预处理,以生成第二数量的第二数据,第二数量大于第一数量;基于卷积神经网络模型,提取第二数据的特征值,卷积神经网络模型经由对多个训练样本的机器学习而生成;以及基于特征值,生成指示在截面位置处的二维辐射分布数据,以用于控制等离子体的放电。
根据本发明的第四方面,还提供一种用于控制等离子体放电的设备。该设备包括:存储器,被配置为存储一个或多个程序;处理单元,耦合至存储器并且被配置为执行一个或多个程序使系统执行本公开的第三方面的方法。
根据本公开的第五方面,提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令,机器可执行指令在被执行时使机器执行本公开的第一方面或第三方面的方法。
提供发明内容部分是为了简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本公开的实施例的用于控制等离子体放电的方法所应用的系统100的架构图;
图2示出了根据本公开的实施例的用于测量等离子体状态的方法200的流程图;
图3示出了根据本公开的实施例的卷积神经网络模型300的示意图;
图4示出了根据本公开的实施例的反演结果的二维辐射分布数据对比示意图;
图5示出了根据本公开的实施例的生成训练样本的方法500的流程图;以及
图6示出了根据本公开的实施例的用于控制等离子体放电的方法600的流程图;
图7示意性示出了适于用来实现本公开实施例的电子设备700的框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在上述公式(1)中,表示响应矩阵。表示发射率,该发射率例如是指示软X射线辐射分布数据的50*50的二维向量。表示传感器所获得的测量数据。在传统的用于控制等离子体放电的方案中,为了确认等离子体形状是否是所期望的形状,例如确认有无存在等离子体内破裂的情况等。需要基于传感器所获得的有限数量(例如是92个)的测量数据进行反演运算,以获得发射率该作为反演结果的发射率例如是50*50的二维向量。上述通过反演有限数量(如92个)的测量数据来预测高维(例如50*50个)的发射率这一指示射线辐射强度的物理参数的方式是不可靠的,难以精准推断出等离子体的状态,例如形状。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于测量等离子体状态的方案。在该方案中,获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据;对检测数据进行预处理,以生成第二数量的第二数据,第二数量大于第一数量;基于卷积神经网络模型,提取第二数据的特征值,卷积神经网络模型经由对多个训练样本的机器学习而生成;以及基于特征值,生成指示在截面位置处的二维辐射分布数据。
在上述方案中,通过对所获取的等离子体的截面位置处检测数据进行预处理,以使其扩维至第二数量的第二数据,再利用经由多个训练样本学习的卷积神经网络,提取经扩维的第二数据的特征信息,来生成在截面位置处的二维辐射分布数据。本公开的实施例的用于测量等离子体状态的方案,以及基于该测量方法的、控制等离子体放电的方案,能够直接利用射线的测量数扩维后,反演得到辐射源的发射率值,能够精准推断出等离子体的状态,如形状。
图1示出了应用根据本公开的实施例的测量等离子体状态的方法的系统100的架构图。如图1所示,系统100包括托卡马克核聚变实验装置110和控制设备120。在一些实施例中,托卡马克核聚变实验装置110例如包括:真空室、磁场线圈(例如包括环向场线圈、极向场线圈)、多个辐射源112(例如第一辐射源112-1和第二辐射源112-2)、多个传感器阵列(未示出)和控制系统等。
关于托卡马克核聚变实验装置110,其用于进行核聚变反应。在一些实施例中,托卡马克核聚变实验装置110例如而不限于是全超导托卡马克核聚变实验装置(即EAST托卡马克实验装)、或者是WEST托卡马克实验装置。在托卡马克核聚变实验装置110中,通过提供一定条件(例如超高温和高压),使得氘或氚形成高温等离子体,并通过进一步加热和/或加压,使得等离子体的带电粒子的核外电子摆脱原子核的束缚,让带有正电荷的原子核能够互相吸引而碰撞到一起,进而发生原子核互相聚合作用,并伴随能量的释放。
高温等离子体中带有正电荷的原子核在高温环境下处于运动状态,容易脱离束缚。在一些实施例中,为了将高温等离子体约束在真空室的核心区域,以避免等离子体脱离束缚而触碰到真空室的侧壁而损害实验装置,托卡马克核聚变实验装置110还配置有用于约束高温等离子体的磁场。该磁场例如通过极向场线圈和环向场线圈来产生。在一些实施例中,被极向磁场和环向磁场所约束的等离子体的截面形状可以是圆形、椭圆形,也可以成D形等其他形状。在一些实施例中,控制设备120可以通过基于调节数据来控制极向场线圈所产生的极向磁场来控制等离子体截面形状和位置平衡,和/或通过控制环向场线圈产生的环向磁场来保证等离子体的宏观整体稳定性,使托卡马克核聚变实验装置110中的等离子体保持在预期的形状。在一些实施例中,控制设备120也可以通过调节真空室的温度,来使等离子体保持在预期的形状。
为了准确控制高温等离子体在托卡马克核聚变实验装置110的真空室中的分布,以使高温等离子体处于预期的分布形状,即符合预定条件。托卡马克核聚变实验装置110还配置有辐射源和传感器。辐射源用于提供照射等离子体的射线,例如软X射线。在一些实施例中,辐射源例如包括用于提供水平方向的、多条软X射线的第一辐射源112-1和用于提供垂直方向的、多条软X射线的第二辐射源112-2。传感器用于测量在多条软X射线照射下的等离子体的截面位置处的多个检测数据。在一些实施例中,传感器例如至少包括一个水平阵列传感器和一个垂直阵列传感器。在一些实施例中,水平阵列传感器或垂直阵列传感器的空间分辨率例如而不限于为2.5cm,时间采样为100kHz,每个水平阵列或垂直阵列传感器的探头前例如安装12.5μm的Be膜。
关于控制设备120,其用于检测离子体的状态和控制等离子体放电。在一些实施例中,控制设备120可以包括多个分立的计算设备(例如多个服务器),例如,如图1所示,控制设备120包括用于测量等离子体状态的测量装置122和用于调控托卡马克核聚变实验装置的调控装置124。该调控装置124例如与测量装置122进行信号交互。例如,测量装置122基于来自托卡马克核聚变实验装置110传感器获得的测量数据而生成关于等离子状态分布的数据(例如二维辐射分布数据、或者基于二维辐射分布数据所生成的调整数据),测量装置122将所生成的数据发送给调控装置124,调控装置124基于来自测量装置122的数据而对托卡马克核聚变实验装置110的温度、磁场、真空度、辐射源的发射率中的至少一项进行调控。在一些实施例中,控制设备120也可以是中心化的计算设备,例如其包括测试模块和调控模块。其中,测试模块用于测量等离子状态,即对应实现测量装置122的功能;调控模块用于基于测试模块的输出对托卡马克核聚变实验装置110进行调控,即对应实现调控装置124的功能。
控制设备120能够获取来自托卡马克核聚变实验装置110的传感器的第一数量的检测数据。在一些实施例中,该第一数量的检测数据例如是92个检测数据,即92个标量。其中例如包括:46个水平方向的软X射线的辐射强度的检测数据,以及46个垂直方向的软X射线的辐射强度的检测数据。该控制设备120还可以对所获取的检测数据进行预处理,以将第一数量(例如92个)的检测数据扩维至第二数量(例如92*93个)的第二数据(第二数量大于第一数量)。该控制设备120还可以利用经由机器学习而生成的卷积神经网络模型,基于经预处理后的第二数据生成指示等离子体在截面位置处的二维辐射分布数据,以便控制托卡马克核聚变实验装置110的等离子体的放电。
图2示出了根据本公开的实施例的用于测量等离子体状态的方法200的流程图。在图2中,各个动作例如由控制器执行。方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在框202处,控制设备120处,获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据。在一些实施例中,在一些实施例中,控制设备120的测量装置124获取该测量数据。在一些实施例中,该检测数据为由托卡马克核聚变实验装置110的传感器所测量的、指示截面位置处的辐射强度的测量值。在一些实施例中,射线例如为软X射线,第一数量为软X射线的数量。例如,第一数量的检测数据例如是指示92条软X射线辐射强度的92个浮点数。例如,其中46个浮点数是由托卡马克核聚变实验装置110的水平阵列传感器所测量的46条水平方向的软X射线的辐射强度的检测数据。另外的46个浮点数是由垂直阵列传感器所测量的46条垂直方向的软X射线的辐射强度的检测数据。
在框204处,控制设备120对检测数据进行预处理,以生成第二数量的第二数据,第二数量大于第一数量。关于预处理,其可以通过双线性上采样的方式来实施,也可以通过引入交互变量的方式来实施。
在一些实施例中,预处理可以包括:对第一数量的检测数据进行双线性上采样,以使得第一数量的检测数据被扩维至第二数量的第二数据。例如,该双线性上采样包括:利用第一数量的检测数据中的四个相邻检测数据进行双线性插值处理。例如,通过双线性上采样,使得92个指示软X射线辐射强度的浮点数扩维至92*93的向量,该向量包括8556个数据。在一些实施例中,可以使第一数量的检测数据经由多次双线性上采样被逐级扩维至第二数量的第二数据。
具体而言,双线性上采样的算法可以基于如下公式(2)-(4)来进行:
f(i,j+v)=v*[f(i,j+1)-f(i,j)]+f(i,j)(2)
f(i+u,j)=u*[f(i+1,j)-f(i,j)]+f(i,j)(3)
f(i+u,j+v)=(1-u)*(1-v)*f(i,j)+(1-u)*v*f(i,j+1)
+u*(1-v)*f(i+1,j)+u*v*f(i+1,j+1)(4)
其中,f(i,j)、f(i+1,j)、f(i,j+1)、f(i+1,j+1)表示四个相邻的输入数据,例如四个相邻的检测数据。i和j为自然数。f(i+u,j+v)为待求解的插值。
在一些实施例中,预处理可以包括:基于交互变量,使得第一数量的检测数据被扩维至第二数量的第二数据。例如,交互变量至少包括第一特征变量和第二特征变量,第一特征变量和第二特征变量共同与检测数据有关联或者无关联。例如,交互变量为特征变量i*特征变量j。交互变量反映特征变量i*特征变量j共同对测量数据是否有显著影响。通过采用上述手段,能够实现将92个测量数据扩维至8556个第二数据。
在框206处,控制设备120基于卷积神经网络模型,提取第二数据的特征值,卷积神经网络模型经由对多个训练样本的机器学习而生成。关于卷积神经网络模型,其可以通过具有不同网络结构的算法模型来实施。
在一些实施例中,卷积神经网络模型包括输入层、多个中间层和输出层,多个中间层中的至少一个中间层的神经元的数量小于输入层的神经元的数量,第二数据被输入至输入层。以下结合图3示例性说明上述卷积神经网络模型。
图3示出了根据本公开的实施例的卷积神经网络模型300的示意图。如图3所示,卷积神经网络模型300包括输入层310、多个中间层320-1、310-2、310-3至310-N、以及输出层330。例如,输入层310例如包括8556个神经元312(即单元)。基于交互变量而扩维的第二数量的第二数据(例如包括8556个数据的向量)被输入至卷积神经网络模型300的输入层310。每一个中间层320例如包括50*50(2500)个神经元322。输出层330例如包括50*50(2500)个神经元332。输出层330的输出值例如是视弦所经过的路径上所有位置的辐射量的累积。在一些实施例中,使用Adam优化器对上述卷积神经网络模型300进行训练。初始化学习率为0.0002。激活函数为Relu。通过采用Relu激活函数,能够提高训练速度。
在一些实施例中,卷积神经网络模型包括卷积神经网络模型包括多个卷积层,多个卷积层之中的每一个卷积层之后包括Relu激活函数。例如卷积神经网络模型包括全连接层(Fully-Connected layer)、多个卷积层(Convolutional layer)和线性整流层(Rectified Linear Units layer,即ReLU层)。其中,全连接层用于将所有局部特征结合变成全局特征,以便计算最后每一类的得分。卷积层用于提取输入的不同特征,每个卷积层的输出例如是基于权重和输入的点积,然后加上偏置而生成。每个卷积层的参数例如包括过滤器尺寸(filter size)、步幅(stride)、补零(zero-padding)。多个卷积层能够迭代提取更复杂的特征。ReLU层用于使用线性整流活化函数。在一些实施例中,每一卷积层后面跟着ReLU层。
无论是图3所示的卷积神经网络模型,还是其他结构的卷积神经网络模型,其采用的网络结构相对简单。因此基于上述卷积神经网络模型的反演处理所消耗时间较少,处理速度较快。
在框208处,控制设备120基于特征值,基于特征值,生成指示在截面位置处的二维辐射分布数据。关于二维分布数据,在一些实施例中,其例如而不限于是50*50的向量。
在上述方案中,通过对所获取的等离子体的截面位置处检测数据进行预处理,使有限数量的测量数据被扩维至第二数量的第二数据,再利用基于多个训练样本学习的卷积神经网络,生成等离子的二维辐射分布数据,本公开的实施例能够直接利用辐射射线的测量数据反演得到辐射源的发射率值,进而能够精准推断出等离子体的形状。
图4示出了根据本公开的实施例的反演结果的二维辐射分布数据对比示意图。在图4中,位于左侧一列的是预设真实辐射分布图,位于中间一列的是经反演处理的辐射分布图,位于右侧一列的是对比差异情况。经比较发现,本公开实施例的所测量等离子状态的结果在5%噪声水平下的最大误差值仅为10%左右。由此可见,本公开的实施例的用于测量等离子状态的方案,在没有任何磁平衡位形信息的情况下,能够精准推断出等离子体内破裂时的复杂结构。另外,本公开实施例中的反演得到的发射率值误差较小。能够清晰地识别高温等离子体的旋转、扰动、破裂、以及重新聚合等状态。
在一些实施例中,方法200还进一步包括用于训练卷积神经网络模型的多个训练样本的生成方法,以下结合图5进行示例性说明。
图5示出了根据本公开的实施例的生成训练样本的方法500的流程图。在图5中,各个动作例如由控制器执行。方法500还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
如图5所示,在框502处,控制设备120基于贝叶斯高斯反演处理,生成多个软X射线时序辐射分布图。在一些实施例中,例如以中国全超导托卡马克核聚变实验装置(EAST)中软X射线反演诊断系统所获得测量数据为样本,利用贝叶斯高斯过程反演工具,生成15000个软X射线时序辐射分布图(其分辨率为50x50像素点)。
在框504处,控制设备120基于所述多个软X射线时序辐射分布图,生成所述多个训练样本,所述多个训练样本与带有随机噪声的时序信号相关联。例如基于框404处所生成的辐射分布图,通过虚拟诊断,生成15000个带有5%随机噪声的时序信号作为训练样本。
图6示出了根据本公开的实施例的用于控制等离子体放电的方法600的流程图。在图6中,各个动作例如由控制器执行。方法600还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在框602处,在控制设备120处,获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据,检测数据来自托卡马克核聚变实验装置的传感器。在框604处,在控制设备120处,对检测数据进行预处理,以生成第二数量的第二数据,第二数量大于第一数量。在框606处,在控制设备120处,基于卷积神经网络模型,提取第二数据的特征值,卷积神经网络模型经由对多个训练样本的机器学习而生成。
在框608处,在控制设备120处,基于特征值,生成指示在截面位置处的二维辐射分布数据,以用于控制等离子体的放电。
关于控制等离子体的放电方式,在一些实施例中,控制设备120基于二维辐射分布数据,确定等离子体的分布状态是否符合预定条件;以及响应于确定等离子体的分布状态不符合预定条件,基于二维辐射分布数据,确定用于调节容纳所述等离子体的托卡马克核聚变实验装置的温度、磁场、真空度、辐射源的发射率中的至少一项的调节数据。例如,控制设备120基于二维辐射分布数据确定等离子体内存在破裂、或者等离子体的形状超出预期形状(即发生脱离束缚),则生成用于控制温度和/或磁场的调节数据。
在一些实施例中,控制设备120基于调节数据,调节托卡马克核聚变实验装置的以下至少一项:极向场线圈所产生的极向磁场;以及环向场线圈所产生的环向磁场。在一些实施例中,控制设备120发送该调节数据至托卡马克核聚变实验装置110的控制系统,由托卡马克核聚变实验装置110集成的控制系统调节极向场线圈的电流,进而通过控制极向磁场来控制等离子体截面形状,以便使得等离子体截面形状使其达到预期状态。在一些实施例中,由托卡马克核聚变实验装置110的控制系统,直接基于来自控制设备120的辐射分布数据生成调节数据,来调节托卡马克核聚变实验装置110的磁场和/或温度。
以下结合表1示例性说明上述框604至框608的各动作。在表1中,n表示过滤器的个数。例如第七层的通道指示(2n,n),其表示第七层的输入64*2个过滤器,输出64个过滤器。
表一
如表1所示,92个测量数据被输入至第一层(即全连接层)。第一层输出64个6*6的过滤器。第二层用于双线性上采样,第二层的输入数据大小为6*6,输出数据为大小为12*12。第三层为第一卷积层,第一卷积层的输入数据大小为12*12,第一卷积层输出64个过滤器。第四层用于双线性上采样,第四层的输入数据大小为的12*12,输出数据为大小为24*24。第五层为第二卷积层,第二卷积层的输入数据大小为24*24,第二卷积层输出64*2个过滤器。第六层用于双线性上采样,第六层的输入数据大小为的24*24,输出数据为大小为50*50。第七层为第三卷积层,第三卷积层的输入数据大小为50*50,第三卷积层输出64个过滤器。第八层为第四卷积层,第四卷积层的输入数据大小为50*50,第一卷积层输出1个过滤器。每个卷积层的过滤器尺寸为3、步幅为1、补零为1。在上述表1中,对第一数量的检测数据进行多次双线性上采样,以使得第一数量的检测数据被逐级扩维。
在一些实施例中,使用Adam优化器对上述卷积神经网络进行训练。初始化学习率0.0001,超参数beta为(0.5,0.99)。在上述卷积神经网络模型中,通过设置多个层用于双线性上采样,使输出数据逐渐升维,例如由输入的92个测量数据升维至50*50的输出数据。
在上述方案中,通过在控制设备处,对所获取的等离子体的截面位置处检测数据进行预处理,使有限数量的测量数据被扩维至第二数量的第二数据,再利用基于多个训练样本学习的卷积神经网络,生成等离子的二维辐射分布数据来控制等离子放电,本公开的实施例能够直接基于精准的等离子体状态,精准地控制等离子放电。
图7示意性示出了适于用来实现本公开实施例的电子设备700的框图。设备700可以用于实现图1的控制设备120。如图所示,设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元701执行上文所描述的各个方法和处理,例如执行方法200和500。例如,在一些实施例中,方法200、500和600可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由CPU 701执行时,可以执行上文描述的方法200、和500的一个或多个操作。备选地,在其他实施例中,CPU701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、500和600的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上所述仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (17)
1.一种用于测量等离子体状态的方法,包括:
获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据;
对所述检测数据进行预处理,以生成第二数量的第二数据,所述第二数量大于所述第一数量;
基于卷积神经网络模型,提取所述第二数据的特征值,所述卷积神经网络模型经由对多个训练样本的机器学习而生成;以及
基于所述特征值,生成指示在所述截面位置处的二维辐射分布数据。
2.根据权利要求1所述的方法,其中所述射线为软X射线,所述第一数量为所述软X射线的数量。
3.根据权利要求2所述的方法,其中所述检测数据为由托卡马克核聚变实验装置的传感器所测量的、指示所述截面位置处的辐射强度的测量值。
4.根据权利要求1所述的方法,其中所述预处理包括:
对所述第一数量的检测数据进行双线性上采样,以使得所述第一数量的检测数据被扩维至所述第二数量的第二数据。
5.根据权利要求4所述的方法,其中所述预处理包括:
使所述第一数量的检测数据经由多次双线性上采样被扩维至所述第二数量的第二数据。
6.根据权利要求4所述的方法,其中所述双线性上采样包括:
利用所述第一数量的检测数据中的四个相邻检测数据进行双线性插值处理。
7.根据权利要求1所述的方法,其中所述预处理包括:
基于交互变量,使得所述第一数量的检测数据被扩维至所述第二数量的第二数据。
8.根据权利要求7所述的方法,其中所述交互变量至少包括第一特征变量和第二特征变量,所述第一特征变量和所述第二特征变量共同与所述检测数据有关联或者无关联。
9.根据权利要求7所述的方法,其中所述卷积神经网络模型包括输入层、多个中间层和输出层,所述多个中间层中的至少一个中间层的神经元的数量小于所述输入层的神经元的数量,所述第二数据被输入至所述输入层。
10.根据权利要求1所述的方法,其中所述卷积神经网络模型包括多个卷积层,所述多个卷积层之中的每一个卷积层之后包括Relu激活函数。
11.根据权利要求1所述的方法,还包括:
基于贝叶斯高斯反演处理,生成多个软X射线时序辐射分布图;以及
基于所述多个软X射线时序辐射分布图,生成所述多个训练样本,所述多个训练样本与带有随机噪声的时序信号相关联。
12.一种用于测量等离子体状态的设备,所述设备包括:
存储器,被配置为存储一个或多个程序;
处理单元,耦合至所述存储器并且被配置为执行所述一个或多个程序使所述设备执行权利要求1-11中任一所述的方法。
13.一种用于控制等离子体放电的方法,包括:
在控制设备处,获取在射线照射下的等离子体的截面位置处的、第一数量的检测数据,所述检测数据来自托卡马克核聚变实验装置的传感器;
对所述检测数据进行预处理,以生成第二数量的第二数据,所述第二数量大于所述第一数量;
基于卷积神经网络模型,提取所述第二数据的特征值,所述卷积神经网络模型经由对多个训练样本的机器学习而生成;以及
基于所述特征值,生成指示在所述截面位置处的二维辐射分布数据,以用于控制所述等离子体的放电。
14.根据权利要求13所述的方法,其中控制所述等离子体放电包括:
基于所述二维辐射分布数据,确定所述等离子体的分布状态是否符合预定条件;
响应于确定所述等离子体的分布状态不符合预定条件,基于所述二维辐射分布数据,确定用于调节容纳所述等离子体的托卡马克核聚变实验装置的温度、磁场、真空度、辐射源的发射率中的至少一项的调节数据。
15.根据权利要求14所述的方法,还包括:
基于所述调节数据,调节所述托卡马克核聚变实验装置的以下至少一项:
极向场线圈所产生的极向磁场;以及
环向场线圈所产生的环向磁场。
16.一种用于控制离子体放电的设备,所述设备包括:
存储器,被配置为存储一个或多个程序;
处理单元,耦合至所述存储器并且被配置为执行所述一个或多个程序使所述设备执行权利要求13-15中任一所述的方法。
17.一种非瞬态计算机可读存储介质,其上存储有机器可执行指令,所述机器可执行指令在被执行时使机器执行根据权利要求1-11和13-15中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394446.XA CN111935892B (zh) | 2019-05-13 | 2019-05-13 | 用于测量等离子体状态的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394446.XA CN111935892B (zh) | 2019-05-13 | 2019-05-13 | 用于测量等离子体状态的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111935892A true CN111935892A (zh) | 2020-11-13 |
CN111935892B CN111935892B (zh) | 2022-11-22 |
Family
ID=73282840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910394446.XA Active CN111935892B (zh) | 2019-05-13 | 2019-05-13 | 用于测量等离子体状态的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111935892B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113161020A (zh) * | 2021-04-20 | 2021-07-23 | 核工业西南物理研究院 | 一种用于托卡马克装置的多系统联合等离子体控制平台 |
CN113762475A (zh) * | 2021-08-27 | 2021-12-07 | 核工业西南物理研究院 | 一种等离子体破裂预测器的预测依据可视化方法 |
CN113780522A (zh) * | 2021-08-27 | 2021-12-10 | 核工业西南物理研究院 | 基于深度神经网络的托卡马克等离子体大破裂预测算法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050277209A1 (en) * | 2002-08-22 | 2005-12-15 | Hideki Tanaka | Plasma leak monitoring method, plasma processing apparatus and plasma processing method |
CN204314475U (zh) * | 2014-11-25 | 2015-05-06 | 浙江工力宝隆科技有限公司 | 一种用于托卡马克核聚变装置的辐射监控系统 |
CN105636328A (zh) * | 2015-12-25 | 2016-06-01 | 北京理工大学 | 一种基于驻极体的等离子体密度测量系统及其测量方法 |
WO2016168145A1 (en) * | 2015-04-17 | 2016-10-20 | Google Inc. | Convolutional color correction |
CN106647330A (zh) * | 2016-12-23 | 2017-05-10 | 核工业西南物理研究院 | 一种应用于托卡马克的等离子体位形实时重建系统及方法 |
CN107374657A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 对ct扫描数据进行校正的方法及ct扫描系统 |
CN107633540A (zh) * | 2017-07-28 | 2018-01-26 | 上海联影医疗科技有限公司 | 图像转换的系统和方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN108168709A (zh) * | 2017-12-21 | 2018-06-15 | 合肥工业大学 | 一种托卡马克偏滤器靶板温度精确测量方法 |
CN108733946A (zh) * | 2018-05-24 | 2018-11-02 | 大连理工大学 | 一种用于托卡马克中电子回旋电流剖面演化的模拟方法 |
CN109345506A (zh) * | 2018-08-23 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种基于卷积神经网络的热点与marfe自动检测方法 |
CN109523024A (zh) * | 2018-11-22 | 2019-03-26 | 天津大学 | 面向医用x射线探测器的能谱校正方法 |
-
2019
- 2019-05-13 CN CN201910394446.XA patent/CN111935892B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050277209A1 (en) * | 2002-08-22 | 2005-12-15 | Hideki Tanaka | Plasma leak monitoring method, plasma processing apparatus and plasma processing method |
CN204314475U (zh) * | 2014-11-25 | 2015-05-06 | 浙江工力宝隆科技有限公司 | 一种用于托卡马克核聚变装置的辐射监控系统 |
WO2016168145A1 (en) * | 2015-04-17 | 2016-10-20 | Google Inc. | Convolutional color correction |
CN105636328A (zh) * | 2015-12-25 | 2016-06-01 | 北京理工大学 | 一种基于驻极体的等离子体密度测量系统及其测量方法 |
CN106647330A (zh) * | 2016-12-23 | 2017-05-10 | 核工业西南物理研究院 | 一种应用于托卡马克的等离子体位形实时重建系统及方法 |
CN107374657A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 对ct扫描数据进行校正的方法及ct扫描系统 |
CN107633540A (zh) * | 2017-07-28 | 2018-01-26 | 上海联影医疗科技有限公司 | 图像转换的系统和方法 |
CN108168709A (zh) * | 2017-12-21 | 2018-06-15 | 合肥工业大学 | 一种托卡马克偏滤器靶板温度精确测量方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN108733946A (zh) * | 2018-05-24 | 2018-11-02 | 大连理工大学 | 一种用于托卡马克中电子回旋电流剖面演化的模拟方法 |
CN109345506A (zh) * | 2018-08-23 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种基于卷积神经网络的热点与marfe自动检测方法 |
CN109523024A (zh) * | 2018-11-22 | 2019-03-26 | 天津大学 | 面向医用x射线探测器的能谱校正方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113161020A (zh) * | 2021-04-20 | 2021-07-23 | 核工业西南物理研究院 | 一种用于托卡马克装置的多系统联合等离子体控制平台 |
CN113762475A (zh) * | 2021-08-27 | 2021-12-07 | 核工业西南物理研究院 | 一种等离子体破裂预测器的预测依据可视化方法 |
CN113780522A (zh) * | 2021-08-27 | 2021-12-10 | 核工业西南物理研究院 | 基于深度神经网络的托卡马克等离子体大破裂预测算法 |
CN113762475B (zh) * | 2021-08-27 | 2023-08-15 | 核工业西南物理研究院 | 一种等离子体破裂预测器的预测依据可视化方法 |
CN113780522B (zh) * | 2021-08-27 | 2023-09-08 | 核工业西南物理研究院 | 基于深度神经网络的托卡马克等离子体大破裂预测算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111935892B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Boyer et al. | Real-time capable modeling of neutral beam injection on NSTX-U using neural networks | |
CN111935892B (zh) | 用于测量等离子体状态的方法和设备 | |
Grierson et al. | Orchestrating TRANSP simulations for interpretative and predictive tokamak modeling with OMFIT | |
Riva et al. | Blob dynamics in the TORPEX experiment: a multi-code validation | |
Ferreira et al. | Deep learning for plasma tomography and disruption prediction from bolometer data | |
Abbate et al. | Data-driven profile prediction for DIII-D | |
Lovell et al. | Quantifying uncertainties on fission fragment mass yields with mixture density networks | |
US20190392959A1 (en) | Predicting Multiple Nuclear Fuel Failures, Failure Locations and Thermal Neutron Flux 3D Distributions Using Artificial Intelligent and Machine Learning | |
Vezinet et al. | Non-monotonic growth rates of sawtooth precursors evidenced with a new method on ASDEX Upgrade | |
Wai et al. | Neural net modeling of equilibria in NSTX-U | |
Boyer et al. | Prediction of electron density and pressure profile shapes on NSTX-U using neural networks | |
Liu et al. | Plasma current profile reconstruction for EAST based on Bayesian inference | |
Agarwal et al. | Deep sequence to sequence learning-based prediction of major disruptions in ADITYA tokamak | |
Zhexue et al. | Multistage Bayesian fusion evaluation technique endorsing immersive virtual maintenance | |
Dudek et al. | Predictive power and theoretical uncertainties of mathematical modelling for nuclear physics | |
CN108985460A (zh) | 一种面向时序隐变量的因果结构发现方法 | |
Sabbagh et al. | Tokamak disruption event characterization and forecasting research and expansion to real-time application | |
CN109243637A (zh) | 一种重构反应堆时空分布模型的方法和系统 | |
Wei et al. | MHD mode tracking using high-speed cameras and deep learning | |
Huang et al. | Implementation of a Kalman filter-based eddy current estimator for the P-EFIT magnetic equilibrium reconstruction code | |
Ferreira et al. | Deep learning for plasma tomography in nuclear fusion | |
CN116755477B (zh) | 流体通道的流量自动控制调节方法及系统 | |
Chertenkov et al. | Finite-size analysis in neural network classification of critical phenomena | |
Chiariello et al. | Plasma boundary reconstruction in JET by magnetic measurements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |