Project

Onderzoek op het gebied van de beheerste thermonucleaire fusie - jaar 2024

Code
160C09124
Looptijd
01-01-2024 → 31-12-2024
Onderzoeksdisciplines
  • Natural sciences
    • Probability theory
    • Machine learning and decision making
    • Physics of (fusion) plasmas and electric discharges
Trefwoorden
kernfusie sensorfusie Bayesiaanse waarschijnlijkheid voorspellend onderhoud machinaal leren
 
Projectomschrijving

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. Sensorfusie 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 sensorfusie 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 2024 zijn de doelstellingen als volgt:

  • Modellen verschaffen voor dichtheidsdiagnostiek met behulp van expertise die al is ontwikkeld in interferometrie, polarimetrie en reflectometrie in het DEMO-team, en sensorfusie uitvoeren voor de reconstructie van 1D- of 2D-dichtheidsprofielen.
  • Een uitgebreid model ontwikkelen voor 2D-plasmastroom- en evenwichtsreconstructie, waarbij zowel met magnetische als kinetische diagnostiek rekening wordt gehouden, samen met de onbekende parameters. Voor 2025-2026 wordt een snelle reconstructietechniek voorzien.
  • Doorgaan met de ontwikkeling van technieken voor snelle reconstructie van Bayesiaanse posterieure verdelingen die in een real-time setting kunnen worden gebruikt voor plasmacontrole.
  • Karakterisering van schade aan berylliumtegels onder steady-state hittebelasting. Ontwikkeling van een model om de resterende gebruiksduur (RUL) van de tegels te schatten door beeldverwerkingstechnieken toe te passen op gegevens die tijdens tests van een infraroodcamera zijn verkregen.