Fusiereactortechnologieën zijn goed gepositioneerd om op een veilige en duurzame manier bij te dragen aan onze toekomstige energiebehoeften. Numerieke modellen kunnen onderzoekers informatie verschaffen over het gedrag van het fusieplasma, evenals waardevol inzicht in de effectiviteit van het ontwerp en de werking van reactoren. Echter, om het grote aantal plasma-interacties te modelleren, zijn een aantal gespecialiseerde modellen nodig die niet snel genoeg zijn om gegevens te verstrekken over het ontwerp en de werking van de reactor. Aaron Ho van de Science and Technology of Nuclear Fusion-groep van de afdeling Technische Natuurkunde heeft het gebruik van machine learning-benaderingen onderzocht om de numerieke simulatie van turbulent kernplasmatransport te versnellen. Ho verdedigde zijn proefschrift op 17 maart.

Het uiteindelijke doel van onderzoek naar fusiereactoren is het behalen van een netto vermogenswinst op een economisch haalbare manier. Om dit doel te bereiken, grote ingewikkelde apparaten zijn gebouwd, maar naarmate deze apparaten complexer worden, het wordt steeds belangrijker om een ​​voorspellende benadering te hanteren met betrekking tot de werking ervan. Dit vermindert operationele inefficiënties en beschermt het apparaat tegen ernstige schade.

Om zo'n systeem te simuleren zijn modellen nodig die alle relevante fenomenen in een fusie-apparaat kunnen vastleggen, zijn nauwkeurig genoeg zodat voorspellingen kunnen worden gebruikt om betrouwbare ontwerpbeslissingen te nemen en snel genoeg zijn om snel werkbare oplossingen te vinden.

Model gebaseerd op neurale netwerken

Voor zijn Ph.D. Onderzoek, Aaron Ho ontwikkelde een model om aan deze criteria te voldoen door gebruik te maken van een model gebaseerd op neurale netwerken. Met deze techniek kan een model effectief zowel snelheid als nauwkeurigheid behouden ten koste van gegevensverzameling. De numerieke benadering werd toegepast op een turbulentiemodel van verminderde orde, QuaLiKiz, die plasmatransporthoeveelheden voorspelt die worden veroorzaakt door microturbulentie. Dit specifieke fenomeen is het dominante transportmechanisme in tokamak plasma-apparaten. Helaas, de berekening ervan is ook de beperkende snelheidsfactor in de huidige tokamak-plasmamodellering.

Ho heeft met succes een neuraal netwerkmodel getraind met QuaLiKiz-evaluaties terwijl hij experimentele gegevens als trainingsinvoer gebruikte. Het resulterende neurale netwerk werd vervolgens gekoppeld aan een groter geïntegreerd modelleringsraamwerk, JINTRAC, om de kern van het plasmaapparaat te simuleren.

Simulatietijd teruggebracht van 217 uur naar slechts twee uur

De prestaties van het neurale netwerk werden geëvalueerd door het originele QuaLiKiz-model te vervangen door het neurale netwerkmodel van Ho en de resultaten te vergelijken. In vergelijking met het originele QuaLiKiz-model, Ho's model beschouwde aanvullende natuurkundige modellen, dupliceerde de resultaten met een nauwkeurigheid van 10%, en verminderde de simulatietijd van 217 uur op 16 cores tot twee uur op een enkele core.

Om vervolgens de effectiviteit van het model buiten de trainingsgegevens te testen, het model werd gebruikt in een optimalisatieoefening met het gekoppelde systeem op een plasma-opvoerscenario als een proof-of-principle. Deze studie gaf een dieper inzicht in de fysica achter de experimentele waarnemingen, en benadrukte het voordeel van snelle, nauwkeurig, en gedetailleerde plasmamodellen.

Eindelijk, Ho suggereert dat het model kan worden uitgebreid voor verdere toepassingen zoals controller of experimenteel ontwerp. Hij beveelt ook aan de techniek uit te breiden naar andere natuurkundige modellen, aangezien werd waargenomen dat de turbulente transportvoorspellingen niet langer de beperkende factor zijn. Dit zou de toepasbaarheid van het geïntegreerde model in iteratieve toepassingen verder verbeteren en de validatie-inspanningen mogelijk maken die nodig zijn om de mogelijkheden ervan dichter bij een echt voorspellend model te brengen.