【技術實現步驟摘要】
本專利技術屬于磁約束核聚變領域，具體涉及一種利用機器學習統計低雜波天線起弧位置及時間的方法。
技術介紹
1、在托卡馬克裝置中，等離子體環向電流對等離子體約束起著至關重要的作用。但傳統方式利用歐姆感應來驅動環向電流，變壓器提供的有限可變磁通制約了環向電流的維持時間，因此需要輔助的非感應方式驅動等離子體電流。低雜波電流驅動(lhcd)是目前托卡馬克裝置中高效率的非感應電流驅動方式，是實現托卡馬克長脈沖穩態運行的重要手段之一，lhcd可以作為維持其等離子體電流的方法，而托卡馬克裝置的低雜波天線在高功率注入時容易發生起弧現象，這些現象會在天線表面產生局部高密度的等離子體，降低低雜波耦合效率，影響低雜波系統的穩定運行。起弧現象還會產生大量的高原子序數金屬雜質，這些雜質會污染等離子體，嚴重影響等離子體放電的穩定性，甚至可能導致等離子體破裂，影響托卡馬克裝置的安全運行。因此，理解低雜波天線表面起弧現象的機制并實現實時監測和識別對于托卡馬克裝置的穩定運行至關重要。由于低雜波天線加熱功率的變化時刻及放電時等離子體電流階段的不同，低雜波天線不可避免的會產生不同程度的起弧狀態，每一炮放電條件的不同也會有不同起弧狀態的變化過程。目前低雜波天線會有不同程度的起弧狀態，起弧會嚴重影響托卡馬克裝置的穩態運行，而人工統計這些起弧狀態、位置及時間會耗費大量的人力資源且在未來裝置運行過程中難以實現實時統計。因此，亟需獲得一種方便、快捷、準確的統計低雜波天線起弧位置及時間的方法。
技術實現思路
1、為解決上述技術問題，
2、為達到上述目的，本專利技術采用如下技術方案：
3、一種利用機器學習統計低雜波天線起弧位置及時間的方法，包括以下步驟：
4、步驟1、在磁約束核聚變裝置運行前，調節高速ccd可見相機與可見光路前端的內窺鏡系統，根據實驗條件設置高速ccd可見相機的曝光時間及采集幀率，實現對低雜波天線起弧現象的觀測；
5、步驟2、在磁約束核聚變裝置運行時，利用高速ccd可見相機全程記錄低雜波天線起弧時產生亮斑狀態的變化過程圖像；
6、步驟3、結合磁約束核聚變裝置運行參數的變化，利用變化過程圖像，建立包括三種不同起弧狀態的圖像數據庫；三種不同起弧狀態為未起弧狀態、單點起弧狀態、多點起弧狀態；
7、步驟4、將步驟3中建立的圖像數據庫作為深度卷積神經網絡模型的輸入端，訓練深度卷積神經網絡模型，結合深度卷積神經網絡模型輸出的圖像，對比分析圖像數據庫中未記錄的人工確定的起弧狀態，精準識別不同的起弧狀態，獲得輸出的結果；
8、步驟5、對步驟4中的輸出的結果中的不同的起弧狀態采用機器學習-dbscan算法統計每一炮放電過程中低雜波天線上所有起弧位置及該起弧位置上電弧持續的時間；
9、步驟6、在低雜波天線起弧時，將其中一次或兩次放電過程采集到的圖像作為機器學習-dbscan算法的輸入，將輸出的計算結果與人工統計結果對比，實現機器學習-dbscan算法對起弧位置及持續時間的精確統計；
10、步驟7、將深度卷積神經網絡模型和機器學習-dbscan算法應用在磁約束聚變裝置的放電過程中，結合磁約束聚變裝置的運行期間的實驗控制條件，實現對不同的起弧狀態的精確識別后，進一步采用機器學習-dbscan算法實現起弧位置及持續時間的統計。
11、本專利技術在磁約束聚變裝置運行時，通過高速ccd可見相機對起弧產生的亮斑觀測，實現對低雜波天線起弧狀態的變化過程連續記錄，將大量的不同電弧狀態識別分類并建立對應的圖像數據庫，圖像數據庫作為深度卷積神經網絡的輸入，統計學習分類不同起弧狀態，對比人工識別與深度卷積神經網絡識別的起弧狀態的結果，校準的同時驗證深度卷積神經網絡計算的精確性，基于深度卷積神經網絡識別的結果，對不同的起弧狀態進一步采用機器學習-dbscan算法對分類后的圖像歸一化聚類處理，統計低雜波天線上不同起弧位置及持續時間，最終應用在磁約束聚變裝置實時放電的過程中。
12、有益效果：
13、本專利技術能精準實時確定每一炮放電中不同起弧狀態的情況及不同起弧狀態下的起弧位置與該位置電弧的持續時間，為研究低雜波天線的耦合性能以及裝置物理運行提供更加準確的數據分析。本專利技術為進一步研究其對等離子體運行的影響以及發展控制電弧觸發的方法，保證低雜波電流驅動系統的穩態運行，促進托卡馬克長脈沖穩態運行的發展具有重要意義。
本文檔來自技高網...【技術保護點】
1.一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟1中，所述實驗條件表示磁約束聚變裝置放電的持續時間不同；當磁約束聚變裝置運行時，等離子體放電破裂的現象排除在記錄之外。
3.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟2中，利用高速CCD可見相機全程記錄每一炮放電過程中低雜波天線的不同起弧狀態，每一幀圖像用于后續統計該炮的起弧位置及對應的持續時間。
4.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟4中，結合其他參數對比深度卷積神經網絡識別的結果和人工分類的結果，從而分析去除偏差數據，所述其他參數包括低雜波天線注入功率及相位變化的時間、等離子電流穩態階段的時間。
5.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟4中的深度卷積神經網絡采用已識別的大量不同起弧狀態的數據
6.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟5中，機器學習-DBSCAN算法統計的在某一起弧位置的電弧持續的時間通過在整個放電過程中電弧不連續出現的幀數合集計算。
...【技術特征摘要】
1.一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟1中，所述實驗條件表示磁約束聚變裝置放電的持續時間不同；當磁約束聚變裝置運行時，等離子體放電破裂的現象排除在記錄之外。
3.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，其特征在于，所述步驟2中，利用高速ccd可見相機全程記錄每一炮放電過程中低雜波天線的不同起弧狀態，每一幀圖像用于后續統計該炮的起弧位置及對應的持續時間。
4.根據權利要求1所述的一種利用機器學習統計低雜波天線起弧位置及時間的方法，...
【專利技術屬性】
技術研發人員：王保國，周鵬飛，鄢容，朱大煥，
申請(專利權)人：中國科學院合肥物質科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。