文献类型：期刊文章

作　　者：陈俊杰[1] 胡文慧[2] 肖建元[1] 郭笔豪[2] 肖炳甲[1,2]

CHEN Jun-Jie;HU Wen-Hui;XIAO Jian-Yuan;GUO Bi-Hao;XIAO Bing-Jia(Department of Engineering and Applied Physics,School of Physics Sciences,University of Science and Technology of China,Hefei 230026,China;Institute of Plasma Physics,Hefei Institutes of Physical Science,Chinese Academy of Sciences,Hefei 230031,China)

机构地区：[1]中国科学技术大学物理学院工程与应用物理系,合肥230026 [2]中国科学院合肥物质科学研究院等离子体物理研究所,合肥230031

出　　处：《计算机系统应用》

基　　金：国家重点研发计划(2016YFA0400600,2016YFA0400601,2016YFA0400602);国家自然科学基金(11775219,11575186);中国科学院合肥物质科学研究院院长基金(YZJJ2020QN11)

年　　份：2020

卷　　号：29

期　　号：11

起止页码：21-28

语　　种：中文

收录情况：IC、ZGKJHX、普通刊

摘　　要：为了对全超导托卡马克核聚变实验装置(EAST)密度极限破裂进行预测,根据密度极限破裂的基本特征从2014到2019年放电数据中筛选出972炮密度极限破裂炮,选取了13种诊断信号为特征作为输入,分别由多层感知机(MLP)和长短时记忆网络(LSTM)为模型、以破裂概率为模型输出建立破裂预测器对密度极限破裂进行预测实验.结果表明:对密度极限破裂炮,在不同的预警时间下,LSTM的成功预测率(95%)均高于MLP的成功预测率(85%);而对于非破裂炮,LSTM和MLP的错误预测率相近(8%).LSTM对密度极限破裂的预测性能较MLP有较大的提高.说明利用神经网络进行EAST密度极限破裂预测以及提高破裂避免和缓解系统响应性能的可行性.

关 键 词：托卡马克 密度极限破裂预测  MLP LSTM  机器学习  

分 类 号：TP183] TL631.24]