As tecnologias de reatores de fusão estão bem posicionadas para contribuir com nossas necessidades futuras de energia de maneira segura e sustentável. Os modelos numéricos podem fornecer aos pesquisadores informações sobre o comportamento do plasma de fusão, bem como informações valiosas sobre a eficácia do projeto e operação do reator. Contudo, modelar o grande número de interações de plasma requer uma série de modelos especializados que não são rápidos o suficiente para fornecer dados sobre o projeto e a operação do reator. Aaron Ho, do grupo de Ciência e Tecnologia de Fusão Nuclear do departamento de Física Aplicada, explorou o uso de abordagens de aprendizado de máquina para acelerar a simulação numérica do transporte turbulento do plasma do núcleo. Ho defendeu sua tese em 17 de março.

O objetivo final da pesquisa em reatores de fusão é obter um ganho de potência líquida de uma maneira economicamente viável. Para alcançar este objetivo, grandes dispositivos intrincados foram construídos, mas à medida que esses dispositivos se tornam mais complexos, torna-se cada vez mais importante adotar uma abordagem preditiva em relação à sua operação. Isso reduz as ineficiências operacionais e protege o dispositivo contra danos graves.

Simular tal sistema requer modelos que possam capturar todos os fenômenos relevantes em um dispositivo de fusão, são precisas o suficiente para que as previsões possam ser usadas para tomar decisões confiáveis ​​de projeto e são rápidas o suficiente para encontrar soluções viáveis.

Modelo baseado em redes neurais

Para seu Ph.D. pesquisar, Aaron Ho desenvolveu um modelo para satisfazer esses critérios usando um modelo baseado em redes neurais. Essa técnica permite que um modelo retenha a velocidade e a precisão ao custo da coleta de dados. A abordagem numérica foi aplicada a um modelo de turbulência de ordem reduzida, QuaLiKiz, que prevê as quantidades de transporte de plasma causadas pela microturbulência. Este fenômeno particular é o mecanismo de transporte dominante em dispositivos de plasma tokamak. Infelizmente, seu cálculo também é o fator de velocidade limitante na modelagem de plasma tokamak atual.

Ho treinou com sucesso um modelo de rede neural com avaliações QuaLiKiz enquanto usava dados experimentais como entrada de treinamento. A rede neural resultante foi então acoplada a uma estrutura de modelagem integrada maior, JINTRAC, para simular o núcleo do dispositivo de plasma.

O tempo de simulação foi reduzido de 217 horas para apenas duas horas

O desempenho da rede neural foi avaliado substituindo o modelo QuaLiKiz original pelo modelo de rede neural de Ho e comparando os resultados. Em comparação com o modelo QuaLiKiz original, O modelo de Ho considerou modelos de física adicionais, duplicou os resultados com uma precisão de 10%, e reduziu o tempo de simulação de 217 horas em 16 núcleos para duas horas em um único núcleo.

Em seguida, para testar a eficácia do modelo fora dos dados de treinamento, o modelo foi usado em um exercício de otimização usando o sistema acoplado em um cenário de ramp-up de plasma como uma prova de princípio. Este estudo forneceu uma compreensão mais profunda da física por trás das observações experimentais, e destacou o benefício do rápido, preciso, e modelos de plasma detalhados.

Finalmente, Ho sugere que o modelo pode ser estendido para outras aplicações, como controlador ou projeto experimental. Ele também recomenda estender a técnica a outros modelos físicos, pois foi observado que as previsões de transporte turbulento não são mais o fator limitante. Isso melhoraria ainda mais a aplicabilidade do modelo integrado em aplicativos iterativos e permitiria os esforços de validação necessários para levar seus recursos para mais perto de um modelo verdadeiramente preditivo.