Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Pau, Alessandro (2014) Techniques for prediction of disruptions on TOKAMAKS. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF (PhD Thesis del Dottorato in Fusion Science and Engineering )
3761Kb

Abstract (inglese)

Introduction
------------
The physicist Andreevich Artsimovich in the 1970 wrote that "thermonuclear
[fusion] energy will be ready when mankind needs it". Considering the actual
world energy situation and the effect on the environment due to the present
harnessing of the different sources of energy, the hope is that time for fusion
is finally arrived.

Background and Motivation
-------------------------
The activities carried out in the framework of this thesis regarded the devel-
opment, implementation and application of algorithms for classification and
prediction of disruptions in Tokamaks.
The balance of plasmas in a magnetic field can be described by the theory
of magneto-hydro-dynamic (MHD). MHD instabilities are among the most
serious factors that limit fusion devices operation in magnetic confinement
configurations. When they occur on a large scale can degrade the perfor-
mance of the plasma and lead to loss of confinement and control.
A disruption is a sudden loss of stability or confinement of tokamak
plasma; it is a critical event in which the plasma energy is lost within a
time span of few milliseconds exposing the plasma facing components to se-
vere thermo-mechanical stresses and conductors surrounding the vessel to
huge electromagnetic forces. Therefore, it becomes of primary importance
to avoid or mitigate disruptions in order to preserve the integrity of the ma-
chine. This aspect and the understanding of disruptive phenomena play a
key role in design and running of new experimental devices as ITER, cur-
rently under construction in Cadarache (France), which will have the task
of demonstrating the feasibility of fusion energy production from a technical
and engineering point of view.
These considerations motivate a strong interest in developing methods
and techniques aimed to minimize both number and severity of disruptions.
Furthermore when a disruption occurs it would be particularly important to
be able to distinguish among its difierent types in order to improve avoidance
and mitigation strategies. Since physical models able to reliably recognize
and predict the occurrence of disruptions are currently not available, the re-
search carried out fits in the broad framework of machine learning techniques
that have been exploited as an alternative approach to disruption prediction
and automatic classification.
Promising approaches to prediction and classification are represented by
the so-called "data-based" methods: to this purpose, existing systems have
been applied and further developed and new approaches have been investi-
gated.
The mentioned activity has been carried out in collaboration with the
University of Cagliari and European Research Centers for nuclear fusion,
taking as case study some of the most important experimental machines
such as JET and ASDEX Upgrade (AUG), with several months of research
spent at the Culham Science Centre.

Outline of the Thesis
---------------------
In chapter 1 the perspectives of fusion in the world energy context as an
almost unlimited source of energy for the future are discussed, with particu-
lar reference to the role of magnetic confinement. Furthermore, the bases of
fusion reactions have been introduced.
In chapter 2 the main aspects of plasma stability in tokamaks configu-
rations are described with the aim to provide an adequate reference for all
the discussions of the following chapters. In particular, the main parameters
related to plasma stability, which have been used for the construction of the
databases, have been introduced.
The chapter 3 is focused on the description of the operational limits
with reference to the main quantities which should be maximized to im-
prove plasma performance. Everything, also in the previous chapters, has
been framed to introduce the key problems which this thesis has addressed:
analysis, prediction and classification of disruptions. After the main consid-
erations about the operational limits, the main phases, the causes and the
consequences of disruptions have been discussed, trying to integrate the sta-
bility concepts introduced in the previous chapter.
The chapter 4 is finalized to provide an insight of the Machine Learn-
ing methods which represent the starting point of all the analysis and algo-
rithms implemented for disruption prediction and classification. Today the
large amount of data available from fusion experiments and their character
of high-dimensionality make particularly difficult handling, processing, un-
derstanding and extracting properly what is really important among all the
available information. Machine Learning allows to deal with the problem in
efficient way. Therefore, a framework of all the techniques exploited for the
analysis has been provided, with particular reference to the Manifold Learn-
ing algorithms as Self Organizing Maps (SOMs) and Generative Topographic
Mappings (GTMs). Also reference methods such as k-Nearest Neighbor (k-
NN) or more recent methods such as Conformal Predictors, exploited for
validation and reliability assessment purposes, have been described.
In chapter 5 the state of the art of machine learning techniques ap-
plied to disruption prediction and classification is presented, describing in
particular the main applications with the widely employed Neural Networks,
such Multi Layer Perceptrons (MLPs), Support Vector Machines (SVMs)
and Self Organizing Maps (SOMs), and statistical methods such as Discrim-
inant Analysis or Multiple Threshold technique. Strengths and weaknesses
have also been discussed with reference to a possible solution to overcome
the drawbacks of these methods: the multi-machine approach.
Chapter 6 is dedicated to the description of the databases used for all
the analysis presented in the following chapters. In particular, the statistical
analysis and the data-reduction algorithms that have been needed to build
a reliable and statistically representative database have been discussed in
detail.
The last three chapters contain all the analysis and all the algorithms im-
plemented for the mapping of the operational space, disruption classification
and prediction. In chapter 7 the mapping of the JET operational space
is presented. The first sections deal with projections and data-visualization
with linear projection methods such as Grand Tour (GT) and Principal Com-
ponent Analysis (PCA). In the central part, the same aspects have been taken
into account by exploiting nonlinear Manifold Learning techniques, SOM and
GTM, on the base of which a detailed analysis of the operational space has
been performed. Such analysis, showing the potentiality of the methods, has
been performed, regarding GTM model, through the implementation of a
dedicated tool. Finally, an outliers' analysis and performance indexes appo-
sitely proposed have been considered for evaluating the overall performance
of the mapping.
In the chapter 8 the developed automatic disruption classification for
JET has been described. The chapter is divided in two parts: the first one
describes the classification of disruptions belonging to the Carbon Wall (CW)
campaigns, whereas in the second part the classification of disruptions with
the ITER-like Wall (ILW) is framed in the assessment of the suitability of the
automatic classifier for real time applications, in conjunction with prediction
systems working online at JET. The reliability of the results has been vali-
dated by comparison with a k-NN based reference classifier and through the
recent conformal predictors, with which is possible to provide, in addition to
the prediction/classification, the related level of confidence.
Chapter 9 is dedicated to the disruption prediction at ASDEX Upgrade.
The first part is related to the description of the database and the data-
reduction technique used to select a representative and balanced dataset.
Self-Organizing Map and the Generative Topographic Mapping have been
exploited to map ASDEX Upgrade operational space and to build a disrup-
tion predictor, introducing at the same time their potentiality for disruptions
classification. Furthermore, the use of this two methods combined with a Lo-
gistic model has been proposed to realize a predictive system able to exploit
the complementary behaviors of the two approaches, improving the overall
performance in prediction.

Abstract (italiano)

Prefazione
----------
Il fisico Andreevich Artsimovich nel 1970 scrisse che "l'energia da fusione
nucleare sarà disponibile quando l'umanità ne avrà bisogno". Considerando
l'attuale scenario energetico mondiale e l'impatto sull'ambiente dovuto allo
sfruttamento delle diverse risorse energetiche, la speranza è che quel momento
sia finalmente arrivato.

Background e Motivazione
------------------------
Le attività svolte nell'ambito di questa tesi hanno riguardato lo sviluppo,
l'implementazione e l'applicazione di algoritmi per la classificazione e la predi-
zione di disruzioni nei Tokamak.
L'equilibrio dei plasmi nei campi magnetici può essere descritto dalla teo-
ria magneto-idro-dinamica (MHD). Le instabilità MHD sono tra i fattori che
limitano più seriamente le operazioni nelle macchine a fusione a confinamento
magnetico.
Una disruzione è un'improvvisa perdita di stabilità e di confinamento nei
tokamak; è un evento critico durante il quale l'energia immagazzinata nel
plasma viene persa nell'arco di pochi millisecondi, esponendo i componenti
della parete interna della camera da vuoto a severi stress termo-meccanici,
e i conduttori circostanti a enormi forze elettromagnetiche. Quindi diventa
di primaria importanza l'avoidance e la mitigazione delle disruzioni al fine di
preservare l'integrità della macchina. Questo aspetto e la comprensione dei
fenomeni disruttivi giocano un ruolo chiave nel progetto e nel funzionamento
delle nuove macchine sperimentali come ITER, attualmente in costruzione
a Cadarache (Francia), la quale avrà la finalità di dimostrare la fattibilità
tecnica ed ingegneristica della produzione di energia da fusione.
Queste considerazioni motivano un forte interesse nello sviluppo di metodi
e tecniche atti a minimizzare sia il numero che l'entità delle disruzioni. In-
oltre, quando si verifica una disruzione, sarebbe veramente importante rius-
cire a distinguere tra i diversi tipi di disruzione, al fine di migliorare le strate-
gie di avoidance e mitigazione. Dal momento che ad oggi non esistono modelli
fisici in grado di riconoscere e predire in maniera affidabile l'arrivo di una
disruzione, la ricerca portata avanti in questi anni si integra nel più ampio
contesto delle tecniche di Machine Learning, le quali sono state utilizzate
come approccio alternativo alla predizione ed alla classificazione automatica
delle disruzioni.
Approcci promettenti alla predizione ed alla classificazione sono rapp-
resentati dai cosidetti approcci "data-based": a questo proposito sono state
applicate e ulteriormente sviluppate diverse tecniche, e si è indagato su nuovi
approcci.
Le attività citate sono state svolte in collaborazione con l'Università di
Cagliari e importanti centri di ricerca europei sulla fusione, prendendo in
esame alcune delle più importanti macchine sperimentali, quali il JET (Regno
Unito) e ASDEX Upgrade (Germania), con diversi mesi trascorsi al Culham
Science Centre (Abingdon, Regno Unito).

Outline della Tesi
------------------
Nel capitolo 1 vengono discusse le prospettive della fusione nel contesto
energetico mondiale come fonte quasi illimitata di energia per il futuro, con
particolare riferimento al ruolo del confinamento magnetico. Inoltre, sono
state introdotte le basi sulle reazioni di fusione.
Nel capitolo 2 vengono descritti gli aspetti principali della stabilità del
plasma nelle configurazioni tokamak, con l'obiettivo di fornire un riferimento
adeguato per tutte le discussioni dei capitoli successivi. In particolare ven-
gono introdotti i principali parametri relativi alla stabilità del plasma, che
sono stati utilizzati per la costruzione dei database.
Il capitolo 3 è incentrato sulla descrizione dei limiti operativi con riferi-
mento ai principali parametri che dovrebbero essere ottimizzati per migliorare
le performance del plasma. Tutto, anche nei capitoli precedenti, è contestuale
all'introduzione dei principali problemi che questa tesi si pone l'obiettivo di
affrontare: analisi, predizione e classificazione delle disruzioni. Dopo le con-
siderazioni sui limiti operativi, vengono discusse le fasi principali, le cause e
le conseguenze dei processi disruttivi, cercando di integrarvi i concetti sulla
stabilità introdotti nel capitolo precedente.
Il capitolo 4 è invece finalizzato a fornire una panoramica sui metodi di
Machine Learning che rappresentano il punto di partenza per tutte le analisi
e gli algoritmi implementati per la predizione e la classificazione delle dis-
ruzioni. Oggi la grande quantità di dati disponibili dagli esperimenti sulla
fusione e il loro carattere di alta dimensionalità, rendono particolarmente
difficile la gestione, l'elaborazione, la comprensione e l'estrazione di quelle
informazioni che sono veramente importanti tra tutte quelle disponibili.
Il Machine Learning consente di affrontare il problema in modo efficiente.
Viene quindi fornito un quadro generale di tutte le tecniche utilizzate per
l'analisi, con particolare riferimento agli algoritmi di Manifold Learning come
la Self Organizing Map (SOM) e la Generative Topographic Mapping (GTM).
Vengono inoltre descritti metodi di riferimento come il k-Nearest Neighbor
(k-NN) o metodi più recenti come i predittori conformali, utilizzati per scopi
di validazione e valutazione dell'affidabilità.
Nel capitolo 5 viene presentato lo stato dell'arte relativamente alle tec-
niche di Machine Learning applicate alla predizione e alla classificazione di
disruzioni, descrivendo in particolare le principali applicazioni con le ampia-
mente utilizzate Reti Neurali, quali Multi Layer Perceptrons (MLP), Support
Vector Machines (SVM) e Self Organizing Maps (SOM), e i metodi statistici
come la Discriminant Analysis o la tecnica Multiple Threshold. Vantaggi e
svantaggi vengono discussi anche con riferimento ad una possibile soluzione
per superare gli svantaggi di questi metodi: l'approccio multi-machine.
Il capitolo 6 è dedicato alla descrizione dei database utilizzati per tutte le
analisi che verranno presentate nei capitoli seguenti. In particolare vengono
discussi in dettaglio l'analisi statistica e gli algoritmi di data-reduction che
si sono resi necessari per costruire un database affidabile e statisticamente
rappresentativo.
Gli ultimi tre capitoli contengono le analisi e gli algoritmi implementati
per il mapping degli spazi operativi, la classificazione e la predizione delle
disruzioni. Nel capitolo 7 viene descritto il mapping dello spazio oper-
ativo di JET. Le prime sezioni si occupano di proiezione e visualizzazione
dei dati con metodi di proiezione lineari come Grand Tour (GT) e Principal
Component Analysis (PCA). Nella parte centrale sono stati trattati gli stessi
aspetti sfruttando tecniche non lineari di Manifold Learning, SOM e GTM,
sulla base delle quali è stata effettuata una dettagliata analisi dello spazio op-
erativo. Tale analisi, mostrando la potenzialità dei metodi, è stata eseguita,
per quanto riguarda il modello GTM, mediante la realizzazione di un tool
dedicato. Infine, le performance nel mapping sono state valutate attraverso
l'analisi degli outlier e di indici di performance appositamente proposti.
Nel capitolo 8 viene descritta la classificazione automatica implementata
per le disruzioni al JET. Il capitolo è diviso in due parti: la prima descrive
la classificazione delle disruzioni appartenenti alle campagne con la parete
in carbonio, mentre nella seconda parte è descritta la classificazione con la
parete metallica (ILW) contestualmente alla valutazione della idoneità del
classificatore automatico per applicazioni in tempo reale, unitamente ai sis-
temi di predizione on-line al JET. L'affidabilità dei risultati è stata validata
attraverso il confronto con un classificatore di riferimento basato sulla tec-
nica k-NN, e attraverso i più recenti predittori conformali, con cui è possibile
fornire in aggiunta alla predizione/classificazione il relativo livello di confi-
denza.
Il capitolo 9 invece è dedicato alla predizione delle disruzioni ad AS-
DEX Upgrade. La prima parte è relativa alla descrizione del database e
della tecnica di data-reduction utilizzata per selezionare un insieme di dati
rappresentativo ed bilanciato. SOM e GTM sono stati utilizzate per map-
pare lo spazio operativo di ASDEX Upgrade e per costruire un predittore
di disruzioni, introducendo al stesso tempo le loro potenzialità in termini di
classificazione. Inoltre è stato proposto l'uso combinato di questi due metodi
con un regressore logistico al fine di realizzare un sistema predittivo in grado

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Bettini, Paolo - Fanni, Alessandra
Dottorato (corsi e scuole):Ciclo 26 > Corsi 26 > Fusion Science and Engineering
Data di deposito della tesi:30 Gennaio 2014
Anno di Pubblicazione:30 Gennaio 2014
Parole chiave (italiano / inglese):Fusion, Tokamaks, Disruptions, Machine Learning, Manifold Learning, Prediction, Classification
Settori scientifico-disciplinari MIUR:Area 02 - Scienze fisiche > FIS/04 Fisica nucleare e subnucleare
Area 09 - Ingegneria industriale e dell'informazione > ING-IND/18 Fisica dei reattori nucleari
Struttura di riferimento:Centri > Centro Interdipartimentale "Centro Ricerche Fusione"
Codice ID:6664
Depositato il:28 Apr 2015 17:39
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

Chapter 1 Cerca con Google

--------- Cerca con Google

[1] World Energy Outlook-Special Report 2013 IEA, Redrawing the Energy Cerca con Google

Climate Map Cerca con Google

[2] W.M. Stacey, 2010 WILEY-VCH Verlag GmbH & Co. KGaA, Fusion: Cerca con Google

An Introduction to the Physics and Technology of Magnetic Confinement Cerca con Google

Fusion Cerca con Google

[3] J.P. Freidberg, 2007 Cambridge University Press, Plasma Physics and Cerca con Google

Fusion Energy Cerca con Google

[4] G. McCracken and P. Stott, 2005 Elsevier Academic Press, Fusion: The Cerca con Google

Energy of the Universe Cerca con Google

Chapter 2 Cerca con Google

--------- Cerca con Google

[1] J. Wesson J. Oxfor University Press 2004, Tokamaks 4th edn Cerca con Google

[2] V. S. Mukhovatov, V. D. Shafranov, 2011 Plasma Equilibrium in a Toka- Cerca con Google

mak, Nuclear Fusion 11 Cerca con Google

[3] J.P. Freidberg, 2007 Cambridge University Press, Plasma Physics and Cerca con Google

Fusion Energy Cerca con Google

[4] C. Xiao et al. IOP-IAEA 2008, Investigation of MHD instabilities on Cerca con Google

STOR-M tokamak Cerca con Google

[5] J.P. Friedberg 1987 Plenum Press, New York, "Ideal MHD Cerca con Google

[6] http://home.physics.ucla.edu/calendar/conferences/cmpd/ Vai! Cerca con Google

talks/forest.pdf Cerca con Google

Chapter 3 Cerca con Google

--------- Cerca con Google

[1] T.B. Kingery, John Wiley & Sons 2011, Nuclear Energy Encyclopedia: Cerca con Google

Science, Technology, and Applications a cura di Thomas B. Kingery Cerca con Google

[2] H Zohm et al. 2003 Plasma Phys. Control. Fusion 45 A163, MHD limits Cerca con Google

to tokamak operation and their control Cerca con Google

[3] M. Greenwald, 2002 Plasma Phys. Control. Fusion 44 R27, Density Lim- Cerca con Google

its in Toroidal Plasmas Cerca con Google

[4] J. Wesson, 2000, The Science of JET, http://www.jet.efda.org/ Vai! Cerca con Google

documents/books/wesson.pdf Cerca con Google

[5] J. Wesson J. Oxford University Press 2004, Tokamaks 4th edn Cerca con Google

[6] F. Troyon et al. 1984 Plasma Phys. Control. Fusion 26 209, MHD-Limits Cerca con Google

to Plasma Confinement Cerca con Google

[7] J.P. Friedberg 1987 Plenum Press, New York, Ideal MHD Cerca con Google

[8] T.C. Hender et al. 2007 Nucl. Fusion 47 S128, Chapter 3: MHD stability, Cerca con Google

operational limits and disruptions Cerca con Google

[9] P.C. deVries et al. 2011 Nucl. Fusion 51 053018, Survey of disruption Cerca con Google

causes at JET Cerca con Google

[10] H.R. Koslowsky 2008 Trans. Fusion Sci. Technol. 53 144, Operational Cerca con Google

Limits and Limiting Instabilities in Tokamak Machines Cerca con Google

[11] F.C.Schuller, 1995 Plasma Phys. Control. Fusion 37 A135, Disruptions Cerca con Google

in Tokamaks Cerca con Google

[12] B. Lipschultz, 1987 J. Nucl. Materials, 145-147 15, Review of MARFE Cerca con Google

Phenomena in Tokamaks Cerca con Google

[13] J.Rapp 1999 Nucl. Fusion 39 765, Density limit in Textor-94 auxiliary Cerca con Google

heated discharges Cerca con Google

[14] M.Z. Tokar et al. 1995 Plasma Phys. Control. Fusion 37 A241, The In- Cerca con Google

fluence of Impurities on Limites Tokamak Plasmas and Relevant Mech- Cerca con Google

anisms Cerca con Google

[15] P.C. deVries et al. 2012 Plasma Phys. Control. Fusion 54 124032, The Cerca con Google

impact of the ITER-like wall at JET on disruptions Cerca con Google

[16] O. Sauter et al. 1997 Phys. Plasmas 4 1654, Beta limits in long-pulse Cerca con Google

tokamak discharges Cerca con Google

[17] Loarte A. et al. 2011 Nucl. Fusion 51 073004 Magnetic energy flows Cerca con Google

during the current quench and termination of disruptions with runaway Cerca con Google

current plateau formation in JET and implications for ITER Cerca con Google

[18] S.P. Gerhardt 2013 Nucl. Fusion 53 023005 Dynamics of the disruption Cerca con Google

halo current toroidal asymmetry in NSTX Cerca con Google

Chapter 4 Cerca con Google

--------- Cerca con Google

[1] L. Cayton 2005 Algorithms for manifold learning, available from psu. Cerca con Google

edu Cerca con Google

[2] Lee J.A. and Verleysen M. Springer 2007 Nonlinear Dimensionality Re- Cerca con Google

duction Cerca con Google

[3] Jolliffe I.T. 1986 Berlin: Springer, Principal Component Analysis Cerca con Google

[4] Asimov D. 1985 SIAM Journal on Scientific and Statistical Computing, Cerca con Google

6(1):128- 143, The Grand Tour: a Tool for Viewing Multidimensional Cerca con Google

Data Cerca con Google

[5] A. Buja and D. Asimov 1986 In D.M. Allen, editor, Computer Science Cerca con Google

and Statistics: Proc. of the 17th Symposium on the Interface, pages 63- Cerca con Google

67, Amsterdam: North Holland, Elsevier Science Publisher B.V., Grand Cerca con Google

Tour Methods: An Outline. Cerca con Google

[6] Martinez W.L. and Martinez A.R. 2005 London: CRC Press, Ex- Cerca con Google

ploratory Data Analysis with Matlab Cerca con Google

[7] Wegman E.J. 2003 Stat Med. May 15;22(9):1383-97,Visual data mining Cerca con Google

[8] Kohonen M.T. 1989 New York: Springer, Self-Organization and Asso- Cerca con Google

ciative Memory Cerca con Google

[9] Bishop, C., Svensen, M., & Williams, C. 1998 Neural Computation, Cerca con Google

10(1), 215-234., GTM: The Generative Topographic Mapping Cerca con Google

[10] M. Svensen 1998 University of Aston in Birmingham, GTM: The Gen- Cerca con Google

erative Topographic Mapping Cerca con Google

[11] W.L. Martinez, A.R. Martinez, J.L. Solka, 2010 CRC Press, Exploratory Cerca con Google

Data Analysis with MATLAB Cerca con Google

[12] T.M. Cover, P.E. Hart 1967) IEEE Transactions on Information Theory Cerca con Google

13 (1): 21-27, Nearest neighbor pattern classification Cerca con Google

[13] R.O. Duda, P.E. Hart, D.G. Stork 2001 Wiley, Pattern Classification, Cerca con Google

2nd Edition Cerca con Google

[14] Mahalanobis 1936, On the generalised distance in statistics. Proceedings Cerca con Google

of the National Institute of Sciences of India 2 (1): 49 − 55. Retrieved Cerca con Google

2012 − 05 − 03. Cerca con Google

[15] V. Vovk, A. Gammerman, G. Shafer Springer 2010 , Algorithmic Learn- Cerca con Google

ing in a Random World Cerca con Google

[16] G. Shafer, V. Vovk 2008 Journal of Machine Learning Research 9 371- Cerca con Google

421, A Tutorial on Conformal Prediction Cerca con Google

Chapter 5 Cerca con Google

--------- Cerca con Google

[1] Hernandez J.V. et al. 1996 Neural network prediction of some classes of Cerca con Google

tokamak disruption Nucl. Fusion 36 1009 − 17 Cerca con Google

[2] Vannucci A. et al 1999 Forecast of TEXT plasma disruptions using soft Cerca con Google

X rays as input signal in neural network Nucl. Fusion 39 255 − 62 Cerca con Google

[3] Sengupta A. and Ranjan P. 2000 Prediction of density limit dis- ruption Cerca con Google

boundaries from diagnostic signals using neural net- works Nucl. Fusion Cerca con Google

40 1993 − 2008 Cerca con Google

[4] Yoshino R. 2003 Neural-net disruption predictor in JT-60U Nucl. Fusion Cerca con Google

43 1771 − 86 Cerca con Google

[5] Pautasso G. and Gruber O. 2003 Study of disruptions in ASDEX Up- Cerca con Google

grade Fusion Sci and Tech 44 716 Cerca con Google

[6] Cannas B. et al 2010 An adaptive real-time disruption predictor for AS- Cerca con Google

DEX Upgrade Nucl. Fusion 50 075004 Cerca con Google

[7] Cannas, A. Fanni, G. Pautasso, G. Sias, P. Sonato and ASDEX-Upgrade Cerca con Google

Team 2009 Criteria and algorithms for constructing reliable data bases Cerca con Google

for statistical analysis of disruptions at ASDEX-Upgrade, Fusion Engi- Cerca con Google

neering and Design, vol. 84, no. 2 − 6, pp.534 − 539. Cerca con Google

[8] Cannas B., A. Fanni, G. Pautasso, G. Sias and the ASDEX Upgrade Cerca con Google

Team 2011 Disruption prediction with adaptive neural networks for AS- Cerca con Google

DEX UPGRADE, Fusion Engineering and Design 86 1039 − 1044. Cerca con Google

[9] Cannas B. et al. 2004 Disruptions forecasting at JET using neu- ral Cerca con Google

networks Nucl. Fusion 44 68 − 76 Cerca con Google

[10] Cannas B. et al. 2007 A prediction tool for real-time application in the Cerca con Google

disruption prediction system at JET Nucl. Fusion 47 1559-69 Cerca con Google

[11] Cannas, R. S. Delogu, A. Fanni, P. Sonato, M. K. Zedda and JET-EFDA Cerca con Google

contributors 2007 Support Vector Machines for disruption prediction and Cerca con Google

novelty detection at JET, Fusion Engineering and Design, Vol. 82, Issues Cerca con Google

5 − 14, pp. 1124 − 1130. Cerca con Google

[12] R. Aledda, B. Cannas, A. Fanni, G. Pautasso ,G. Sias and the ASDEX Cerca con Google

Upgrade Team 2012 Mapping of the Asdex Upgrade Operational Space Cerca con Google

for Disruption Prediction, IEEE Trans. on Plasma Science, Vol. 40, no.3, Cerca con Google

pp. 570 − 576. Cerca con Google

[13] J. Vega, S. Dormido-Canto, J. M. López, A. Murari, J. M. Ramírez, Cerca con Google

R. Moreno, M. Ruiz, D. Alves, R. Felton and JET-EFDA Contributors Cerca con Google

2013 Results of the JET real-time disruption predictor in the ITER-like Cerca con Google

wall campaigns, Fusion Engineering and Design 88 1228 − 1231. Cerca con Google

[14] P. C. de Vries, M. F. Johnson, I. Segui and JET-EFDA Contributors Cerca con Google

2009 Nuclear Fusion 49 055011 (12 pp). Cerca con Google

[15] Cannas B., Cau F., Fanni A., Sonato P., Zedda M.K. and JET-EFDA Cerca con Google

Contributors 2006 Automatic disruption classification at JET: compari- Cerca con Google

son of different pattern recognition techniques Nucl. Fusion 46 699−708. Cerca con Google

[16] Murari A., Boutot P., Vega J., Gelfusa M., Moreno R., Verdoolaege G., Cerca con Google

de Vries P.C. and JET-EFDA Contributors 2013 Clustering based on the Cerca con Google

Geodesic Distance on Gaussian Manifolds for the Automatic Classifica- Cerca con Google

tion of Disruptions, Nucl. Fusion 53 033006 Cerca con Google

[17] Zhang Y. et al. 2011 Prediction of disruptions on ASDEX Up- grade Cerca con Google

using discriminant analysis Nucl. Fusion 51 063039 Cerca con Google

[18] R. Aledda, B. Cannas, A. Fanni, G. Sias, G. Pautasso and the ASDEX Cerca con Google

Upgrade team, 2013 Multivariate statistical models for disruption predic- Cerca con Google

tion at ASDEX Upgrade, Fusion Engineering and Design, 88 1297−1301. Cerca con Google

[19] Gerhardt S.P et al. 2013 Detection of disruptions in the high-β spherical Cerca con Google

torus NSTX Nucl. Fusion 53 063021 Cerca con Google

[20] Vaglisindi G. et al. 2008 A disruption predictor based on fuzzy logic Cerca con Google

applied to JET database IEEE Trans Plas Sci 36 253-62 Cerca con Google

[21] Windsor C.G. et al. 2005 A cross-tokamak neural network dis- ruption Cerca con Google

predictor for the JET an ASDEX Upgrade tokamaks Nucl. Fusion 45 Cerca con Google

337-50 Cerca con Google

[22] Murari A. et al. 2013 Latest developments in data analysis tools for Cerca con Google

disruption prediction and for the exploration of multimachine operational Cerca con Google

spaces in Fusion Energy 2012 (Proc. 24th Int.Conf. San Diego, 2012) Cerca con Google

(Vienna: IAEA) CD-ROM EX/P8-04 Cerca con Google

Chapter 6 Cerca con Google

--------- Cerca con Google

[1] Rattá G A, Vega J, Murari A, Vagliasindi G, Johnson M F, de Vries P Cerca con Google

C and EFDA-JET Contributors 2010 Nucl. Fusion 50 025005-15 Cerca con Google

[2] Zhang Y, Pautasso G, Kardaun O, Tardini G, Zhang X D and the AS- Cerca con Google

DEX Upgrade Team 2011 Nucl. Fusion 51 063039-41 Cerca con Google

[3] de Vries P C, Johnson M F, Alper B, Buratti P, Hender T C, Koslowski Cerca con Google

H R, Riccardo V and JET-EFDA Contributors 2011 Nucl. Fusion 51 Cerca con Google

053018-30 Cerca con Google

[4] Murari A, Vega J, Rattà G A, Vagliasindi G, Johnson M F, Hong S H Cerca con Google

and JET-EFDA Contributors 2009 Nucl. Fusion 49 055028-39 Cerca con Google

[5] Cannas B, Fanni A, Pautasso G, Sias G and Sonato P 2010 Nucl. Fusion Cerca con Google

50 075004 Cerca con Google

[6] Cox D R, Hinkley D V 1974 Theoretical Statistics (Chapman & Hall) Cerca con Google

[7] Lloyd S P 1982 IEEE Trans. on Information Theory 2 12937 Cerca con Google

[8] Dunn J 1974 J Cybern 495-104 Cerca con Google

Chapter 7 Cerca con Google

--------- Cerca con Google

[1] SOMtoolbox 2005 Adaptive Informatics Research Cerca con Google

Centre, Helsinky Univ. of Technology, Finland. Cerca con Google

http://www.cis.hut.fi/projects/somtoolbox Vai! Cerca con Google

[2] Bishop C, Svensén M, Williams C 1998 Neural Computation 10 215-34 Cerca con Google

[3] Dempster AP; Laird NM, Rubin DB 1977 Journal of the Royal Statis- Cerca con Google

tical Society. Series B (Methodological) 39 1-38 Cerca con Google

[4] Exploratory Data Analysis Toolbox for MATLAB, http: Cerca con Google

//www.icml.uach.cl/jgarces/BIMA285/Libros/Exploratory% Vai! Cerca con Google

20Data%20Analysis%20with%20MATLAB/C3669APPb.pdf Cerca con Google

[5] De Vries P, Johnson M F, Segui I and JET EFDA Contributors 2009 Cerca con Google

Nucl. Fusion 49 055011-13 Cerca con Google

[6] Wars D J and Wesson L A 1992 Nucl. Fusion 32 1117-23 Cerca con Google

[7] DeVries P C, Johnson M F, Alper B, Buratti P, Hender T C, Koslowski Cerca con Google

H R, Riccardo V and JET-EFDA Contributors 2011 Nucl. Fusion 51 Cerca con Google

053018-30 Cerca con Google

[8] Vesanto J, Himberg J, Alhoniemi E and Parhankangas J 2000 SOM Cerca con Google

toolbox for Matlab5, Helsinki Univ. of Tech., http://www.cis.hut. Vai! Cerca con Google

fi/somtoolbox/package/papers/techrep.pdf Cerca con Google

[9] Zhang Y, Pautasso G, Kardaun O, Tardini G, Zhang X D and the AS- Cerca con Google

DEX Upgrade Team 2011 Nucl. Fusion 51 063039-41 Cerca con Google

[10] Rattá G A, Vega J, Murari A, Vagliasindi G, Johnson M F, de Vries P Cerca con Google

C and EFDA-JET Contributors 2010 Nucl. Fusion 50 025005-15 Cerca con Google

[11] Cannas B, Fanni A, Pautasso G, Sias G and Sonato P 2010 Nucl. Fusion Cerca con Google

50 075004 Cerca con Google

[12] Bartkowiak 2004 A. Visualizing large data by the SOM and GTM meth- Cerca con Google

ods - what are we obtaining? Intelligent Information Processing and Cerca con Google

Web Mining, Advances in Soft Computing 25, 399-403 Cerca con Google

[13] Kohonen MT 1989 Self-Organization and Associative Memory, Springer- Cerca con Google

Verlag, New York Cerca con Google

[14] J. Venna and S. Kaski. 2007 Nonlinear dimensionality reduction as in- Cerca con Google

formation retrieval. In Marina Meila and Xiaotong Shen, editors, Proc. Cerca con Google

of the 11th International Conference on Artificial Intelligence and Statis- Cerca con Google

tics (AISTATS 2007), San Juan, Puerto Rico, March 21-24, pp. 568-575 Cerca con Google

Chapter 8 Cerca con Google

--------- Cerca con Google

[1] Cannas B., Fanni A., Zedda M.K., Sonato P. and JET EFDA Contrib- Cerca con Google

utors 2007 A prediction tool for real-time application in the disruption Cerca con Google

protection system at JET Nucl. Fusion 47 1559-69. Cerca con Google

[2] Cannas B., Delogu R. S., Fanni A., Sonato P., Zedda M.K. and JET- Cerca con Google

EFDA Contributors 2007 Support Vector Machines for disruption pre- Cerca con Google

diction and novelty detection at JET Fusion Engineering and Design 82 Cerca con Google

1124-1130. Cerca con Google

[3] Cannas B., Fanni A., Pautasso G., Sias G., and Sonato P. 2010 An Cerca con Google

adaptive real-time disruption predictor for ASDEX Upgrade Nucl. Fusion Cerca con Google

50 075004. Cerca con Google

[4] Rattá G.A., Vega J., Murari A., Vagliasindi G., Johnson M.F., De Vries Cerca con Google

P.C. and JET EFDA Contributors 2010 An advanced disruption predic- Cerca con Google

tor for JET tested in a simulated real-time environment Nucl. Fusion 50 Cerca con Google

025005. Cerca con Google

[5] de Vries P.C., Johnson M.F., Alper B., Buratti P., Hender T.C., Cerca con Google

Koslowski H.R., Riccardo V. and JET-EFDA Contributors 2011 Sur- Cerca con Google

vey of disruption causes at JET Nucl. Fusion 51 53018. Cerca con Google

[6] deVries P.C. et al. 2012 Plasma Phys. Control. Fusion 54 124032, The Cerca con Google

impact of the ITER-like wall at JET on disruptions Cerca con Google

[7] Huber A et al. 2012 Impact of the ITER-like wall on divertor detachment Cerca con Google

and on the density limit in the JET tokamak 20th Conf. on Plasma Cerca con Google

Surface Interaction (Aachen, Germany, 2012) J. Nucl. Mater. submitted Cerca con Google

[8] de Vries et al. 2013 5th Annual Meeting of the APS Division of Plasma Cerca con Google

Physics, Denver, Colorado, USA, The influence of an ITER-like wall on Cerca con Google

disruptions at JET Cerca con Google

[9] Cannas B., Cau F., Fanni A., Sonato P., Zedda M.K. and JET-EFDA Cerca con Google

Contributors 2006 Automatic disruption classification at JET: compar- Cerca con Google

ison of difierent pattern recognition techniques Nucl. Fusion 46 699-708 Cerca con Google

[10] Murari A., Vega J., Rattà G. A., Vagliasindi G., Johnson M. F., Hong Cerca con Google

S. H. and JET-EFDA Contributors 2009 Unbiased and non-supervised Cerca con Google

learning methods for disruption prediction at JET Nucl. Fusion 49 Cerca con Google

055028-39 Cerca con Google

[11] Rattá G. A., Vega J., Murari A., Johnson M. F. and JET EFDA Con- Cerca con Google

tributors 2008 Disruption Prediction at JET with a Combination of Ex- Cerca con Google

ploratory Data Analysis and Supervised Method, Proc. Topical Conf. Cerca con Google

High Temperature Plasma Diagnostic, Albuquerque, New Mexico Cerca con Google

[12] Zhang Y., Pautasso G., Kardaun O., Tardini G., Zhang X.D. and the Cerca con Google

ASDEX Upgrade Team 2011 Prediction of ASDEX Upgrade disruptions Cerca con Google

using discriminant analysis Nucl. Fusion 51 063039-41 Cerca con Google

[13] Rapp J. et al. 1999 Density limits in TEXTOR-94 auxiliary heated dis- Cerca con Google

charges, Nucl. Fusion 39 765 Cerca con Google

[14] Borrass K. et al. 2004 Recent H-mode density limit studies at JET, Nucl. Cerca con Google

Fusion 44 752. Cerca con Google

[15] Buratti P., Buttery R.J., Chapman I.T., Crisanti F., Gryaznevich M., Cerca con Google

Hender T.C., Howell D.F., Joffrin E., Hobirk J., Litaudon X., Mailloux Cerca con Google

J. and JET-EFDA Contributors 2009 MHD stability limit analysis in Cerca con Google

JET high N advanced scenarios 36th EPS Conference on Plasma Phys. Cerca con Google

Sofia, June 29 - July 3 ECA 33 O-2.007. Cerca con Google

[16] Gammerman A. and Vovk V. 2007, Hedging Predictions in Machine Cerca con Google

Learning Cerca con Google

Chapter 9 Cerca con Google

--------- Cerca con Google

[1] Aledda R. et al. 2012 IEEE Transactions On Plasma Science, Vol. 40, Cerca con Google

No. 3. Cerca con Google

[2] Cannas B., Fanni A., Murari A., Pau A., Sias G., and JET EFDA Cerca con Google

Contributors 2013, Manifold learning to interpret JET high-dimensional Cerca con Google

operational space, Plasma Phys. Control. Fusion 55 art. no 045006 Cerca con Google

[3] Cannas B. et al. 2010 Nuclear Fusion 50 075004 Cerca con Google

[4] SOMtoolbox 2005 Adaptive Informatics Research Cerca con Google

Centre, Helsinky Univ. of Technology, Finland. Cerca con Google

http://www.cis.hut.fi/projects/somtoolbox Vai! Cerca con Google

[5] Cannas B., Fanni A., Murari A., Pau A., Sias G. and JET EFDA Cerca con Google

Contributors 2013 Automatic disruption classification based on mani- Cerca con Google

fold learning for real-time applications on JET Nucl. Fusion 53 093023 Cerca con Google

[6] Pautasso G., et al. 2009, Disruptions studies in ASDEX Upgrade in view Cerca con Google

of ITER Plasma Phys. Control Fusion, vol. 51, no. 12, p. 124 056 Cerca con Google

[7] Zhang Y., Pautasso G., Kardaun O., Tardini G., Zhang X.D. and the Cerca con Google

ASDEX Upgrade Team 2011 Prediction of ASDEX Upgrade disruptions Cerca con Google

using discriminant analysis, Nucl. Fusion 51 063039-41 Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record