Εφαρμογές Μηχανικής Μάθησης στην Πυρηνική Σύντηξη

Κουτίτσας, Κωνσταντίνος; Koutitsas, Konstantinos

dc.contributor.author	Κουτίτσας, Κωνσταντίνος	el
dc.contributor.author	Koutitsas, Konstantinos	en
dc.date.accessioned	2020-12-12T10:34:28Z
dc.date.available	2020-12-12T10:34:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52484
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20182
dc.rights	Default License
dc.subject	Πυρηνική σύντηξη	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Αναδρομικά Νευρωνικά Δίκτυα	el
dc.subject	Διασπάσεις πλάσματος	el
dc.subject	Nuclear fusion	en
dc.subject	Deep learning	en
dc.subject	Plasma disruptions	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Recurrent Neural Networks	en
dc.title	Εφαρμογές Μηχανικής Μάθησης στην Πυρηνική Σύντηξη	el
dc.contributor.department	Τομέας Μηχανικής	el
heal.type	bachelorThesis
heal.secondaryTitle	Deep Learning applications in Nuclear Fusion	en
heal.classification	Nuclear Fusion	en
heal.classification	Πυρηνική Σύντηξη	el
heal.classification	Machine Learning	en
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-21
heal.abstract	Nuclear fusion is the process that powers the sun and all stars. This process can be the next big step in energy production for humanity. However, achieving sustainable nuclear fusion on Earth has been one of the most challenging scientific and technological achievements. Tokamaks, which are the most promising architecture of Fusion reactors, have been constructed globally, with JET (Joint European Torus, in the UK), being the largest tokamak currently in operation. These devices use superconducting magnets to confine matter and heat it up to extremely high temperatures (10 times hotter than the sun's core), creating a plasma where fusion reactions start to occur. JET is equipped with a large variety of diagnostic systems to monitor the conditions inside the plasma, with each experiment (or pulse) generating about 50 GB of data. Deep Learning is being utilized for a wide variety of data processing tasks, in all quantitative fields. Due to the massive size and high collection rate of diagnostic data from a fusion device, the ability to process large amounts of data collected in real-time, is of critical importance. Fusion data involves images and time series, which are ideal for the use of convolutional and recurrent neural networks. In this work, we describe how CNNs and RNNs can be used to develop a model for plasma disruption prediction. The model has been applied to data from a multi-channel diagnostic system in JET, called, the bolometer. This prediction model performed as state-of-the-art methods found in the literature and in some cases, even better. The model can be easily extended to use more diagnostics and it is transferrable to other devices with minimal tweaks. Successful development of such automated systems that implement Deep Learning models, is at the focus of research, with rapidly increasing popularity and their effectiveness in predicting plasma disruptions will be crucial in the success of ITER experiments.	en
heal.abstract	Η πυρηνική σύντηξη είναι η διαδικασία που τροφοδοτεί τον ήλιο και όλους τους αστέρες. Αυτή η διαδικασία μπορεί να είναι το επόμενο μεγάλο βήμα στην παραγωγή ενέργειας και για την ανθρωπότητα. Όμως, η δημιουργία των κατάλληλων συνθηκών για βιώσιμες αντιδράσεις πυρηνικής σύντηξης στη Γη, είναι ένα από τα πιο απαιτητικά επιστημονικά και τεχνολογικά επιτεύγματα. Πολλοί tokamaks, η πιο πολλά υποσχόμενη αρχιτεκτονική αντιδραστήρων σύντηξης, έχουν κατασκευαστεί σε διάφορα μέρη του κόσμου, με τον JET (Joint European Torus, UK) να είναι ο μεγαλύτερος tokamak σε λειτουργία αυτή τη στιγμή. Τέτοιες συσκευές περιορίζουν την ύλη, χρησιμοποιώντας υπεραγώγιμους μαγνήτες, και τη θερμαίνουν σε υπερβολικά υψηλές θερμοκρασίες (10 φορές υψηλότερη από τον πυρήνα του ήλιου), δημιουργώντας πλάσμα όπου ξεκινούν να συμβαίνουν αντιδράσεις σύντηξης. Ο JET έχει μεγάλη ποικιλία από διαγνωστικά συστήματα, για την επίβλεψη της κατάστασης του πλάσματος, με κάθε πείραμα τριάντα δευτερολέπτων (ή παλμός) να παράγει περίπου 50 GB δεδομένων. Η Βαθιά Μάθηση αξιοποιείται σε ένα μεγάλο εύρος εργασιών επεξεργασίας δεδομένων σε πολλούς τομείς. Η ανάλυση δεδομένων σύντηξης είναι ένας τέτοιος τομέας, αφού υπάρχει η ανάγκη για την επεξεργασία τεράστιου όγκου δεδομένων που συλλέγεται από τα διαγνωστικά συστήματα των αντιδραστήρων. Τα δεδομένα σύντηξης περιλαμβάνουν εικόνες και χρονοσειρές, τα οποία είναι κατάλληλα για τη χρήση συνελικτικών και αναδρομικών νευρωνικών δικτύων. Σε αυτή την εργασία, περιγράφουμε πως τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) και τα Αναδρομικά Νευρωνικά Δίκτυα (RNN) μπορούν να χρησιμοποιηθούν για την ανάπτυξη ενός μοντέλου για την πρόβλεψη του διασπάσεων του πλάσματος. Το μοντέλο εφαρμόστηκε σε δεδομένα από ένα πολυκάναλο διαγνωστικό σύστημα στον JET, που λέγεται σύστημα βολόμετρων. Αυτό το μοντέλο πρόβλεψης παρουσίασε επίδοση αντίστοιχη με σύγχρονες μεθόδους που υπάρχουν στη βιβλιογραφία και σε κάποιες περιπτώσεις, καλύτερη. Το μοντέλο μπορεί να επεκταθεί για τη χρήση περισσότερων διαγνωστικών και μπορεί να εφαρμοστεί και σε άλλες συσκευές με μικρές προσαρμογές. Η επιτυχής ανάπτυξη τέτοιων αυτόματων συστημάτων που εφαρμόζουν μοντέλα Βαθιάς Μάθησης, είναι στο επίκεντρο της έρευνας, με ραγδαία αύξηση στη δημοτικότητά τους και η αποτελεσματικότητα τους στην πρόβλεψη διασπάσεων πλάσματος θα είναι κρίσιμη για την επιτυχία των πειραμάτων του ITER.	el
heal.advisorName	Κομίνης, Ιωάννης	el
heal.advisorName	Kominis, Ioannis	en
heal.committeeMemberName	Κομίνης, Ιωάννης	el
heal.committeeMemberName	Kominis, Ioannis	en
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Stamou, Giorgos	en
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	el
heal.committeeMemberName	Stafylopatis, Andreas	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μηχανικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false