Redes neurais artificias, tipo \"feedforward\", de duas camadas, foram utilizadas neste trabalho para fazer previsões das instabilidades de disruptura que surgem nas descargas de plasma do tokamak TEXT (E.U.A.), obtendo-se resultados bastante encorajadores. Verificou-se que uma arquitetura de rede, do tipo m:2m:m:1, onde m é dimensão de imersão do atrator do sistema dinâmico em estudo, costuma ser um bom chute inicial para a escolha da arquitetura ideal de trabalho, que costuma ser livre e, não raro, trabalhosa. Utilizando-se, em sinais de raios-X, uma rede neural artificial com arquitetura 15:30:15:1, por exemplo, conseguiu-se fazer previsões com uma antecipação de até 4 ms das instabilidades de disruptura, tempo quatro vezes maior do que o obtido utilizaudo-se sinais magnéticos das bobinas de Mirnov. Tal antecipação é bastante significativa e abre a possibilidade de, no futuro, utilizaremse mecanismos de defesa da máquina, tais como injeção de partículas neutras (ou\"pellets\"), aplicação de campos magnéticos externos, etc, no sentido de se tentar evitar a ocorrência destas instabilidades, ou, pelo menos, minimizar os seus efeitos nocivos. Isto certamente contribuirá significativamente para a viabilização dos futuros reatores de fusão à plasma. Finalmente, o sistema de diagnóstico de raios-X de baixas energias do tokamak TCABR, que foi projetado e já se encontra em fase de instalação para fornecer sinais que servirão para alimentar a rede neural, também possibilitará a reconstrução tomográfica das regiões de mesma emissividade da coluna de plasma. A análise tomográfica, utilizando-se os sinais de dois conjuntos de detectores de raios-X moles, também será muito útil na investigação dos mecanismos físicos que dão surgimento às instabilidades de disruptura, além de permitir, ainda, a medida da temperatura eletrônica do plasma, através do método dos absorvedores. / Two-layer feedforward neural network has been used in this work to forecast the disruptive instabilities that occur in the TEXT tokamak plasma discharges. For this task, soft X-ray experimental signals were used with very promising results. It was verified that a neural net with an architecture of the type m:2m:m:1, where m is the embedding dimension of the atractor of dynamical system in focus, is usually a good initial guess in the searching process of finding the ideal architecture. A neural network with architecture 15:30:15:1 was capable, for example, to forecast the disruptive instabilities up to 4 ms in advance. This period of time is four time larger than the one obtained when magnetic signals from Mirnov coils were used. This forecasting time is quite significative and opens up the possibility of using defensive mechanisms, such as the injection of neutral particles (or pellets), the application of external magnetic fields, etc, with the objective of avoiding the occurrence of the disruptions or, at least, to minimize their harmful effects. This achievement certainly would be an important contribution to the development of the next generation fusion devices. Finally, the soft X-ray diagnostic system for the TCABR was projected and it is already being installed. This system will provide experimental signals that will be analyzed by neural networks and will be also used to identify, through tomografic image reconstructions, the regions of the plasma that have the same soft X-ray emissivity. The tomography analysis of the plasma, that will be carried out by using the signals of two soft X-ray detectors arrays, will be also very usefull for investigating the triggering mechanism of disruptions and will also allow the determination of the plasma electron temperature through the two foil absorbing method.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-09102012-150421 |
| Date | 25 February 2000 |
| Creators | Oliveira, Kenya Andrésia de |
| Contributors | Vannucci, Alvaro |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | English |
| Type | Tese de Doutorado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0018 seconds