CN115510768A - 一种托卡马克磁场最外闭合磁面的建模方法 - Google Patents
一种托卡马克磁场最外闭合磁面的建模方法 Download PDFInfo
- Publication number
- CN115510768A CN115510768A CN202211458248.3A CN202211458248A CN115510768A CN 115510768 A CN115510768 A CN 115510768A CN 202211458248 A CN202211458248 A CN 202211458248A CN 115510768 A CN115510768 A CN 115510768A
- Authority
- CN
- China
- Prior art keywords
- tokamak
- magnetic field
- modeling
- outermost closed
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 10
- 239000012792 core layer Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000007599 discharging Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000004927 fusion Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种托卡马克磁场最外闭合磁面的建模方法，该方法基于一维移动窗口自注意力机制的机器学习模型，可以进行离线和在线的托卡马克磁场最外闭合磁面建模。该一维移动窗口自注意力机制机器学习模型至少包括相对位置编码层，一维移动窗口自注意力计算层，基于一维卷积神经网络的嵌入层。本发明实现了离线的超长时间序列的整个托卡马克放电过程的磁场最外闭合磁面预测和在线的一步提前的托卡马克磁场最外闭合磁面预测。本发明可以与实验提案系统耦合进行托卡马克实验提案设计，供托卡马克实验提案人员检查提案的有效性和合理性。本发明同时也可用于辅助托卡马克的高精度磁场实时控制。
Description
技术领域
本发明属于机器学习和托卡马克物理领域，具体涉及一种托卡马克最外闭合磁面的建模方法。
背景技术
热核聚变能是清洁且可持续能源的理想形式之一，有可能满足未来的能源需求，同时具有内在的安全性和潜在满足接近无限的能量生产特性。托卡马克是一种先进的磁约束聚变装置，用于产生受控的热核聚变能量。托卡马克实验研究的一项核心便是控制约束等离子体所需的磁场分布。特别是对于目前开发出的磁场高级配置，因为由此产生的磁场分布是由复杂的、有时是不可预测的等离子体状态和广泛的致动器输入的相互作用决定的。所以迫切地需要一种高精度、快速的磁场重建工具来开发稳健的且准确的磁控制策略。从物理的角度研究该时变、非线性、多时空尺度，高维任务的方法是求解一系列逆问题，以预先计算一组执行器线圈（极向场线圈等）电流和电压。然后根据模拟代码（EFIT，LIUQUE等）对托卡马克等离子体平衡的实时估计，相应地调制致动器线圈电压。虽然这些物理模拟代码通常是有效的，但是一旦托卡马克磁场配置改变，这些物理模拟代码便需要大量的物理学家努力、设计和专业知识来重新标定代码。通过利用机器学习 (ML) 和人工智能 (AI)方法，可以高保真地估计磁场的时间演化。
然而利用机器学习研究磁场建模和重建也有一些特有问题。托卡马克的磁场控制数据均是时间序列数据，而目前的托卡马克实验已经迈入了千秒量级，按照1kHz的采样率进行计算，需要进行超过1×106长度的时间序列建模。从机器学习的角度来说，机器学习的时序序列建模主要有以下三种方法，多层感知器（MLP），循环神经网络（RNN）以及其变体，Transformer模型。MLP模型由于无法直接建模时序特性，一般进行时序建模的时候准确率受限。RNN模型的计算复杂度为O(nd 2)，也可以传递时序信息但是由于RNN一般都是近邻信息传递，会有梯度和信息消失的问题，造成实际使用的时候精度也不是很高。基于自注意力机制的 Transformer 模型是目前最先进的模型，在自然语言处理，时序预测等各个方面都取得了先进的成果。然而，对于目前的超长时间序列建模问题，由于Transformer模型的计算复杂度为O(n 2 d)，在该计算复杂度的前提下对于长度超过1000的序列计算时间一般都会超过实际可接受的范围，而目前托卡马克所产生的序列长度超过1×106，原始Transformer模型的计算时间对于托卡马克的序列建模而言是无法接受的。
现有技术中几乎没有用于托卡马克磁场建模的专利申请，现有的文献也多使用磁场建模代码进行托卡马克磁场建模研究。目前这些研究由于托卡马克系统非线性，多时空尺度，多物理特征，广泛的磁场执行器输入，内部等离子体的复杂特性，在多个特征的耦合下使得基于物理过程的模拟代码建模的模型难以高保真地，快速地进行长时间尺度的全过程托卡马克磁场最外闭合磁面地重建。
发明内容
为了克服现有的全过程托卡马克磁场建模无法进行长时间尺度的高保真磁场重建的问题，本发明提供了一种托卡马克磁场最外闭合磁面建模方法，其为采用一维移动窗口自注意力机制的机器学习模型，利用移动窗口自注意力机制实现超长时间序列的建模。同时利用托卡马克的实验数据训练该模型，实现了高保真地，快速地超长时间序列的托卡马克磁场最外闭合磁面建模，实现离线的托卡马克实验提案最外闭合磁面磁场验证和辅助进行在线高精度的托卡马克磁场实时控制。
为达到上述目的，本采用的技术方案为：
基于一维移动窗口自注意力机制的机器学习模型构建离线和在线的托卡马克磁场最外闭合磁面的建模模型，具体包括如下步骤：
步骤1、原始数据获取：获取托卡马克的原始控制器信息和实际的托卡马克磁场的测量值的原始数据；
步骤2、进行机器学习模型训练：利用托卡马克实际的测量输出和模型的预测输出构建并计算损失函数，而后利用计算得到的损失使用误差反向传播方法训练所述机器学习模型；在线的托卡马克磁场最外闭合磁面的建模模型和离线的托卡马克磁场最外闭合磁面的建模模型是两个不同的模型，使用Parzen树估计技术，优化模型的超参数最终得到两者的最优模型；
步骤3、进行机器学习模型和托卡马克控制器的耦合控制：利用在线的机器学习模型预测控制命令所能得到的下一步托卡马克的磁场表现，而后利用该磁场表现优化下一步的控制命令。
步骤4、进行托卡马克磁场提案验证：利用离线的机器学习模型预测控制命令所能得到托卡马克放电全过程的磁场表现，而后利用该磁场表现指导实验提案设计。
进一步地，所述基于一维移动注意力的机器学习模型通过相对位置编码层、基于一维移动窗口自注意力机制的核心层和最后的线性层实现。
进一步地，所述损失函数是一个掩码通道有效性和序列有效长度的均方误差损失函数。
进一步地，所述相对位置编码层利用正弦函数将原始的位置映射到正弦函数的输出值，而后将原始位置和原始序列求和得到嵌入相对位置编码的序列。
进一步地，所述基于一维移动窗口自注意力机制的核心层将所述序列按照窗口大小分割成多个子序列，而后在窗口内进行自注意力计算，而后再移动窗口，移动窗口时，最后一个窗口使用掩码注意力；使用基于一维卷积神经元的嵌入层，利用所述嵌入层将序列的深度随着计算层数的增加而逐步加深。
进一步地，所述离线的托卡马克磁场最外闭合磁面的建模模型使用等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈作为该模型的输入数据，并能在秒量级计算出全过程的托卡马克磁场最外闭合磁面。
进一步地，所述离线的托卡马克磁场最外闭合磁面的建模模型使用等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈作为机器学习建模模型的输入数据，并在1秒内计算出托卡马克放电全过程的托卡马克磁场最外闭合磁面。
进一步地，所述在线的托卡马克最外闭合磁面的建模模型使用等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈，容器内感应电流和当前时刻的磁场测量值作为模型的输入数据，并在1毫秒内计算出下一步的托卡马克磁场最外闭合磁面。
本发明开发了一种基于移动窗口注意力机制的类Transsformer模型，在不过分降低计算有效性的前提下，将计算复杂度从关于序列长度的平方复杂度降低成关于序列长度线性复杂度，从而实现了超过1×106的超长序列建模。本发明实现了长时间尺度的托卡马克磁场最外闭合磁面高保真，准确，快速的建模，相对于使用基于物理模型的模拟代码，本发明不需要解复杂的Grad–Shafranov方程，规避了复杂的物理求解，可以在较短时间内给出高保真的托卡马克最外闭合磁面的值。典型的离线建模全过程建模时间为0.22s，典型的在线建模全过程建模时间为0.7ms。本发明的结果准确可靠快速，具有实用价值。
附图说明
图1为本发明的模型训练和使用图；其中，图（a）为实际原始托卡马克控制系统工作流程图；图（b）为本发明所述的机器学习模型训练原理图；图（c）为训练好的机器学习模型嵌入至托卡马克控制系统进行辅助控制的工作原理图；
图2为本发明的基于一维移动窗口自注意力机制的模型架构图；
图3为本发明的具体离线建模实施例图；
图4为本发明的具体在线建模实施例图；
图5为本发明在EAST测试数据上的离线建模测试图；
图6为本发明在EAST测试数据上的在线建模测试图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明利用一维移动窗口自注意力的模型，使用基于实验的数据训练该模型，完成了托卡马克长时间尺度的磁场最外闭合磁面的建模。本发明解决的两个问题分别是离线的托卡马克磁场最外闭合磁面的建模和在线的托卡马克磁场最外闭合磁面建模。
所述离线的托卡马克磁场最外闭合磁面的建模利用机器学习方法，可以在实验提案阶段，对托卡马克磁场最外闭合磁面的行为进行预测，从而指导托卡马克的实验提案地设计。在线的托卡马克磁场建模是实时的利用托卡马克磁场控制系统的输入命令，预测下一步的托卡马克磁场行为。高精度在线托卡马克磁场建模可以和托卡马克控制系统耦合，实现精度更高的托卡马克磁场控制。
对于这两个问题，本发明采用基于一维自注意力机制的机器学习模型。由于离线和在线的托卡马克磁场最外闭合磁面的建模中，能获取到的信号量不相同，所以离线的磁场最外闭合磁面的建模模型和在线的磁场最外闭合磁面的建模模型的输入参数是不相同的。由于离线和在线建模所具备的不同点，本发明采用了两个机器学习模型。基于此，本发明主要贡献分成三个部分，第一部分为基于一维移动窗口自注意力机制的骨干模型构建，第二部分为离线托卡马克放电的建模模型参数设计和模型调优。第三部分为在线托卡马克放电的建模模型参数设计和模型调优。
所述一维移动窗口自注意力机制的骨干模型主要分成三个部分：相对位置编码层、基于一维移动窗口注意力机制的核心层和最后的线性层。
所述相对位置编码层使用以下函数，将直接位置信息按照如下公式映射成三角函数的输出p i,j ，而后将该输出p i,j 和原始序列求和得到嵌入相对位置编码的序列。
其中，位置记为i, 信号通道编号记为j，信号通道总数记为d。
所述基于一维移动窗口自注意力机制的核心层由嵌入层和一维移动注意力堆叠层组成。所述嵌入层使用一维卷积神经网络单元使得计算数据随经过的神经网络层数增加，深度逐渐增加。所述一维移动窗口自注意力堆叠层是将一个完整的多头自注意力的计算分割成多个窗口进行计算，随后将窗口移动一定的距离再构建一个窗口自注意力机制计算，连接两层窗口自注意力构成单个一维移动窗口自注意力层，堆叠多个所述一维移动窗口自注意力层构成所述一维移动窗口自注意力堆叠层。顺序连接嵌入层和一维移动窗口自注意力堆叠层构成所述基于一维移动窗口自注意力机制的核心层。
所述线性层为简单的一维线性层，输出通道的激活函数为线性激活函数。所述线性层对齐了模型输出通道和磁场测量通道。
所述离线托卡马克磁场最外闭合磁面的建模模型实现如下：所述离线托卡马克磁场最外闭合磁面的建模模型的输入数据是等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈。一共56道数据，堆叠的层数大小为:D0，D1，D2，D3，（如图2所示）分别是[2,2,4,2]，隐含层大小为36，窗口大小为12。
所述在线托卡马克最外闭合磁面的建模模型实现如下：所述在线托卡马克最外闭合磁面的建模模型的输入数据是等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈，容器内感应电流和当前时刻的磁场测量值，利用这些输入数据可以计算出下一个时刻的磁场测量值。所述在线托卡马克最外闭合磁面的建模模型一共输入了130道信号，堆叠的层数大小为：D0，D1，D2，D3（如图2所示）分别是[2,2,4,2]，隐含层大小是60，窗口大小为1。
下面结合附图和实施例对本发明进一步说明。如图1所示，本发明的托卡马克磁场最外闭合磁面的建模方法的实现主要包括三个步骤：原始数据库转存、机器学习模型训练、机器学习模型和托卡马克控制器的耦合控制。其中图1的图（a）为实际的托卡马克控制器工作流程。托卡马克控制器通过测量实际托卡马克装置的实际表现和预设的目标值之间的差，让控制器发出指令去调整这种差。图1的图（b）为本发明所述的机器学习模型训练原理；本发明通过计算实际托卡马克磁场和机器学习模型产生的磁场的误差损失函数，而后利用该损失使用误差反向传播的方法训练机器学习模型。图1的图（c）为训练好的机器学习模型嵌入至托卡马克控制系统进行辅助控制的工作流程。训练好的机器学习模型可以预测下一步的磁场的表现，而后根据该表现托卡马克控制器可以提供更加有效准确的控制命令。
步骤1、原始数据获取：获取托卡马克的原始控制器信息和实际的托卡马克磁场的测量值的原始数据。
步骤2、进行机器学习模型训练：通过机器学习模型训练器实现，所述机器学习模型训练器使用模型实际的测量输出和模型的预测输出构建计算损失函数，所述损失函数是一个掩码通道有效性和序列有效长度的均方误差损失函数。而后利用损失反向传播方法训练机器学习模型。在线的模型和离线的模型是两个不同的模型，这两个模型的输入是不同的，离线模型共有56道输入，在线模型一共有130道输入，在所述机器学习模型训练器中要使用Parzen树估计技术，优化模型的超参数最终得到最优模型。
步骤3、进行机器学习模型和托卡马克控制器的耦合控制：利用在线机器学习模型预测控制命令能得到下一步模型表现，而后利用该表现优化下一步的控制命令。
如图2所示，所述机器学习模型的主体架构主要分成三个部分：相对位置编码层、基于一维移动窗口自注意力机制的核心层和最后的线性层。其中L为序列长度，E为嵌入维度，C为通道数，O为输出维度。
所述相对位置编码层利用正弦函数将原始的位置映射到正弦函数的输出值，而后将该输出值和原始序列求和得到嵌入相对位置编码的序列。
所述基于一维移动窗口自注意力机制的核心层是使用一维移动窗口自注意力层和嵌入层，一维移动窗口自注意力层是将序列按照窗口大小分割成多个子序列，而后在窗口内进行自注意力计算，而后再移动窗口，移动窗口时，最后一个窗口需要使用掩码自注意力。除了自注意力计算之外，还需要使用基于一维卷积神经元的嵌入层，利用该嵌入层将序列的深度随着计算层数的增加而逐步加深。
所述线性层用于在机器学习模型直接输出的通道数和托卡马克实际磁场测量通道数不一致时，使用线性层进行最后的对齐操作。
【实施例1】
离线的托卡马克磁场最外闭合磁面的建模结果见图3。首先选择了#73678炮作为测试数据，该炮的放电时间超过70s，序列长度超过7×104。具体过程为：1. 设置托卡马克磁控系统的输入量，本实施例中直接调用#73678炮对应的控制系统源文件，而后使用#73678炮的磁场控制系统实际致动器输入信号作为系统的输入。2. 将数据转换为Tensor类型加载到GPU中，并且加载训练好的机器学习模型到GPU中，利用训练好的机器学习模型计算输入数据得到离线的磁场最外层磁面的建模结果。3. 将数据转换成array格式进行可视化。
【实施例2】
在线的托卡马克磁场最外闭合磁面的建模结果见图4。为了与离线的建模进行对比，在线的建模也选择了#73678炮作为测试数据。具体过程为：1.设置托卡马克当前时刻磁控系统的输入量和获取实际托卡马克最外层磁场的测量值，本实施例中的具体方法和实施例1的基本相同，不同点主要是系统的每次输入只需要输入当前时刻的值不用输入整个序列值。2. 将所有的数据都加载到显存中，并且调用训练好的机器学习模型得到下一个时刻值。3. 重复步骤2直至整个序列都已经完成建模。4. 将数据转换成array格式进行数据可视化。
如图5和图6所示，在合肥“东方超环（EAST）”托卡马克装置中，以共1677炮作为测试集，测试了模型在整体测试集上的表现，本发明在离线的托卡马克磁场最外闭合磁面建模的平均相似度为93.2%，本发明在在线的托卡马克磁场最外闭合磁面建模的平均相似度为99.8%。在测试集的良好表现可以说明本发明的建模结果准确可靠有实用价值。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，基于一维移动窗口自注意力机制的机器学习模型构建离线和在线的托卡马克磁场最外闭合磁面的建模模型，具体包括如下步骤：
步骤1、原始数据获取：获取托卡马克的原始控制器数据和实际的托卡马克磁场的测量值的原始数据；
步骤2、进行机器学习模型训练：使用托卡马克装置实际的测量输出和机器学习模型的预测输出构建并计算损失函数，而后利用损失函数计算出的损失使用误差反向传播方法训练所述机器学习模型；在线的托卡马克磁场最外闭合磁面的建模模型和离线的托卡马克磁场最外闭合磁面的建模模型是两个不同的模型，使用Parzen树估计技术，优化模型的超参数最终得到在线的托卡马克磁场最外闭合磁面的最优建模模型和离线的托卡马克磁场最外闭合磁面的最优建模模型；
步骤3、进行机器学习模型和托卡马克控制器的耦合控制：利用在线的机器学习模型预测控制命令所能预测下一步托卡马克磁场的表现，而后利用该磁场表现优化下一步的控制命令。
2.根据权利要求1所述的一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，所述基于一维移动窗口自注意力机制的机器学习模型通过相对位置编码层、基于一维移动窗口自注意力机制的核心层和最后的线性层实现。
3.根据权利要求1所述的一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，所述损失函数是一个同时掩码通道有效性和序列有效长度的均方误差损失函数。
4.根据权利要求2所述的一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，所述相对位置编码层利用正弦函数将原始的位置映射到正弦函数的输出值，而后将输出值和原始序列求和得到嵌入相对位置编码的序列。
5.根据权利要求4所述的一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，所述基于一维移动窗口自注意力机制的核心层将所述序列按照窗口大小分割成多个子序列，而后在窗口内进行自注意力计算，再移动窗口，移动窗口时，最后一个窗口使用掩码自注意力；使用基于一维卷积神经元的嵌入层，利用所述嵌入层将序列的深度随着计算层数的增加而逐步加深。
6.根据权利要求1所述的一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，所述离线的托卡马克磁场最外闭合磁面的建模模型使用等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈作为机器学习建模模型的输入数据，并在1秒内计算出托卡马克放电全过程的托卡马克磁场最外闭合磁面。
7.根据权利要求1所述的一种托卡马克磁场最外闭合磁面的建模方法，其特征在于，所述在线的托卡马克最外闭合磁面的建模模型使用等离子体形状前馈，极向场线圈电流前馈，极向场线圈电压，等离子电流前馈，容器内感应电流和当前时刻的磁场测量值作为模型的输入数据，并在1毫秒内计算出下一步的托卡马克磁场最外闭合磁面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211458248.3A CN115510768B (zh) | 2022-11-21 | 2022-11-21 | 一种托卡马克磁场最外闭合磁面的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211458248.3A CN115510768B (zh) | 2022-11-21 | 2022-11-21 | 一种托卡马克磁场最外闭合磁面的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115510768A true CN115510768A (zh) | 2022-12-23 |
| CN115510768B CN115510768B (zh) | 2023-03-14 |
Family
ID=84514070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211458248.3A Active CN115510768B (zh) | 2022-11-21 | 2022-11-21 | 一种托卡马克磁场最外闭合磁面的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510768B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2017115081A (ru) * | 2017-04-28 | 2018-10-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ моделирования систем магнитного управления формой и током плазмы с обратной связью в токамаке |
| RU2702137C1 (ru) * | 2018-09-17 | 2019-10-04 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ формирования модели магнитного управления формой и током плазмы с обратной связью в токамаке |
| CN114239413A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院合肥物质科学研究院 | 基于双向长短时记忆神经网络的托卡马克放电建模系统 |
-
2022
- 2022-11-21 CN CN202211458248.3A patent/CN115510768B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2017115081A (ru) * | 2017-04-28 | 2018-10-29 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ моделирования систем магнитного управления формой и током плазмы с обратной связью в токамаке |
| RU2702137C1 (ru) * | 2018-09-17 | 2019-10-04 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Московский государственный университет имени М.В. Ломоносова" (МГУ) | Способ формирования модели магнитного управления формой и током плазмы с обратной связью в токамаке |
| CN114239413A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院合肥物质科学研究院 | 基于双向长短时记忆神经网络的托卡马克放电建模系统 |
Non-Patent Citations (2)
| Title |
|---|
| 丁涟城，吴格，王丁: "MPT－X磁偏滤器位形的数值计算" * |
| 余俊: "弱剪切环向转动托卡马克平衡方程研究", 《数理医药学杂志》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115510768B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN105637539B (zh) | 用于修改神经动态的自动化方法 | |
| Bai et al. | Prediction of SARS epidemic by BP neural networks with online prediction strategy | |
| KR20180048109A (ko) | 뉴럴 네트워크 변환 방법 및 이를 이용한 인식 장치 | |
| Abbate et al. | Data-driven profile prediction for DIII-D | |
| CN108647839A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| CN113988449B (zh) | 基于Transformer模型的风电功率预测方法 | |
| JP2022544474A (ja) | 技術システムのための改善された機械学習 | |
| CN115146700B (zh) | 一种基于Transformer序列到序列模型的径流预测方法 | |
| Mak et al. | On the improvement of the real time recurrent learning algorithm for recurrent neural networks | |
| CN113836783A (zh) | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 | |
| Chen et al. | Application of a PCA-ANN based cost prediction model for general aviation aircraft | |
| CN115510768B (zh) | 一种托卡马克磁场最外闭合磁面的建模方法 | |
| Akritas et al. | Identification and prediction of discrete chaotic maps applying a Chebyshev neural network | |
| Basterrech et al. | Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction | |
| Cadini et al. | Simulating the dynamics of the neutron flux in a nuclear reactor by locally recurrent neural networks | |
| CN116502774A (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
| CN110991604A (zh) | 一种基于小波循环神经网络的时序金融数据预测方法 | |
| Zargar et al. | Deep learning in early-stage structural performance prediction: Assessing morphological parameters for buildings | |
| Pasandidehpoor et al. | Predicting US Energy Consumption Utilizing Artificial Neural Network | |
| Zhang et al. | Hybrid Water Quality Prediction with Bidirectional Long Short-Term Memory and Encoder-Decoder | |
| Xuewu et al. | The city taxi quantity prediction via GM-BP model | |
| Noel | Stock Price Prediction using Dynamic Neural Networks | |
| Santos et al. | Neural network evaluation of reflectometry density profiles for control purposes | |
| Jun | Structural damage detection using parameters combined with changes in flexibility based on BP neural networks |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: 230031 Building 2, Dongpu Island, Hefei City, Anhui Province Patentee after: Hefei Science Island Holdings Co.,Ltd. Country or region after: China Address before: 230031 no.181, Gucheng Road, sanzigang Township, Luyang District, Hefei City, Anhui Province Patentee before: HEFEI INSTITUTES OF PHYSICAL SCIENCE, CHINESE ACADEMY OF SCIENCES Country or region before: China |