Een belangrijk deel van de Europese activiteiten op het gebied van gecontroleerde thermonucleaire fusie is gericht op ontwerp en R&D voor een demonstratie fusie-energiecentrale DEMO. Met de overgang van het pre-conceptuele ontwerp naar het conceptuele ontwerp, gestart in 2021, zijn vragen over ontwerponzekerheden en hun impact op de werking van de machine van toenemend belang geworden. Het raamwerk van geïntegreerde data-analyse (IDA) maakt onzekerheidspropagatiestudies en het combineren van gegevens van meerdere sensoren of diagnostieken mogelijk. Met behulp van Bayesiaanse probabilistische inferentie wordt informatie over de gezamenlijke kansverdeling van een reeks plasmagrootheden van belang afgeleid, op basis van meerdere gegevensbronnen. Op deze manier kan de voortplanting van onzekerheden worden bestudeerd door middel van ingewikkelde, niet-lineaire modellen die het meetproces beschrijven (voorwaartse modellen). Tegelijkertijd kunnen synergieën in de metingen van meerdere diagnostieken worden benut, aangezien elke diagnostiek informatie bijdraagt over de relevante grootheden.

Dit onderzoeksproject omvat de ontwikkeling van IDA voor DEMO-diagnostieken. Daarnaast is een zeer nieuw aspect van het project de toepassing van Bayesiaanse methoden voor het kwantificeren van onzekerheden in de respons van het plasma op actuatorsignalen die door het controlesysteem worden ingesteld. Een andere belangrijk aspect heeft betrekking op de relatief nieuwe ontwikkeling van voorspellend onderhoud voor fusietoepassingen. Het gaat hierbij om geautomatiseerde, real-time analyse van metingen van sensoren en diagnostieken met behulp van statistische en machine learning-technieken, om afwijkend gedrag van het plasma of machinecomponenten te detecteren en te voorspellen.

In 2023 zijn de doelstellingen als volgt:

• Voorwaartsemodellen leveren voor magnetische sondes op basis van inductieve metingen en Hall-sondes, en IDA uitvoeren voor reconstructie van de plasmastroom, positie en vorm.
• Techniekenontwikkelen voor snelle reconstructie van Bayesiaanse a posteriori distributies die in een real-time setting kunnen worden gebruikt met het oog op plasmacontrole.
• Machinelearning-technieken toepassen en ontwikkelen voor conditiebewaking van plasmagerichte componenten onder DEMO-relevante omstandigheden, met het oog op het schatten van hun resterende levensduur tijdens