Een plasmadisruptie in tokamak-fusiemachines is een plots verlies
van plasmaopsluiting en -stroom. In de volgende-generatie
fusiemachine ITER zal de resulterende snelle vrijgave van
thermische en magnetische energie kunnen leiden tot zware
hittebelasting en mechanische belasting. Cruciaal voor succesvolle
tempering is voorspelling van een opkomende disruptie met
voldoende waarschuwingstijd.
De mechanismen die ten grondslag liggen aan de ontwikkeling van
een disruptie zijn complex. Het huidig fysisch begrip ervan is dan ook
niet ver genoeg gevorderd om voorspellingen van disrupties te
baseren op enkele welgedefinieerde drempelwaarden in signalen.
Om die reden worden “data-gedreven” technieken bestudeerd om de
plasmatoestand als hetzij disruptief of gezond te classificeren. Door
de diverse mogelijke oorzaken van een disruptie en verschillen van
de ene machine tot de andere, vereisen deze classificatiemodellen
evenwel een onpraktische trainingsfase en kunnen ze niet goed
veralgemeend worden naar nieuwe data, met als gevolg veel valspositieve
en vals-negatieve resultaten. Om dit aan te pakken, wens ik
mijn onderzoek te focussen op de ontwikkeling van technieken uit het
machinaal leren zoals “anomaliedetectie”. Het doel is disrupties in
reële tijd te voorspellen, gebaseerd op meetbare grootheden met een
duidelijke fysische interpretatie en genormaliseerd om
onafhankelijkheid van de machine te garanderen. Dit zal het
overzetten van het systeem naar ITER mogelijk maken.