一种基于数据增强的托卡马克等离子体破裂预测方法技术

技术编号：44466549 阅读：0 留言：0更新日期：2025-03-04 17:39

本发明专利技术适用于核聚变技术领域，提供了一种基于数据增强的托卡马克等离子体破裂预测方法，包括如下步骤：利用原始数据结合正态分布公式生成高斯噪音模型；将正态分布随机值添加到原始数据中，添加了高斯噪声的数据与原始数据结合，形成增强后的数据集；通过ACO算法对BP算法的初始权值进行优化；集成学习框架，以解决数据增强带来的偏差问题。本发明专利技术基于数据增强的模型具有出色的泛化功能，能够在有限数据的条件下生成更多的破裂样本，优化预测模型的训练过程，提高破裂预测准确性，为操作人员提供了足够的时间来采取相应的控制和干预措施，以避免或减轻破裂带来的影响，保证托卡马克装置安全运行。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于核聚变，尤其涉及一种基于数据增强的托卡马克等离子体破裂预测方法。

技术介绍

1、磁约束可控核聚变是目前解决未来能源问题最可行的途径之一。

2、托卡马克作为当前最受关注的磁约束装置，通过磁场实现粒子的约束，达成聚变条件进行输出，然而等离子体破裂时托卡马克实验装置运行时较为常见的事件，甚至是不可避免的突发事件。等离子体破裂时，大量的能量(热能和磁能)在极短的时间内以热流、晕电流和逃逸电子等形式沉积到装置第一壁材料或其他部件，长时间会对装置造成损伤，且随着聚变装置尺寸的增大和运行参数的提高，等离子体破裂对装置的危害也会更大。因此，提前进行破裂预警并实施有效的破裂避免或缓解，对装置安全非常重要。

3、目前破裂预测研究主要包括两种方法，包括物理模型预测和数据驱动预测，然而由于等离子体破裂发展的复杂性和非线性特征，对破裂物理机制的理解还不够清晰；另外，破裂发生的时间极短且各个因素之间的关系非常复杂，传统的机器学习模型很难准确捕捉到这些非线性关系，从而导致预测精度和预警时间难以令人满意；虽然基于大数据驱动的破裂预测可以有效地避免以上问题，但由于未来大型托卡马克地破裂数据相对有限，导致数据驱动的模型难以学习破裂前兆特征。

技术实现思路

1、本专利技术实施例的目的在于提供一种基于数据增强的托卡马克等离子体破裂预测方法，旨在解决上述
技术介绍
中存在的问题。

2、本专利技术实施例是这样实现的，一种基于数据增强的托卡马克等离子体破裂预测方法，包括以下步骤：</p>

3、s1、利用原始数据结合正态分布公式生成高斯噪音模型进行数据增强；

4、s2、将正态分布随机值添加到原始数据中，添加了高斯噪声的数据与原始数据结合，形成增强后的数据集；

5、s3、通过aco算法对bp算法的初始权值进行优化；

6、s4、集成学习框架，以解决数据增强带来的偏差问题。

7、优选地，还包括bp神经网络，所述bp神经网络具有多层前馈神经。

8、优选地，所述bp神经网络包括：输入层、输出层和多个隐含层。

9、优选地，所述高斯噪音模型的概率密度函数为：

10、

11、其中，均值为零，σ为标准差。

12、优选地，所述s3中的aco算法结合了分布式计算、正反馈机制和贪婪式搜索的特点，通过模拟蚂蚁寻找食物的行为，利用信息素进行路径选择。

13、优选地，在aco-bp算法中，网络权值分别记为q1，q2，...，qp，将其中任一参数qi(1，2，...，p)取值范围划分为n个子区间，形成集合iqi，将每个子区间的边界值作为临时备选值，每个子区间中信息素为τj(iqi)(t)，j＝1，2，...，n；

14、若系统中蚂蚁总数量为k，任何一只蚂蚁k从集合iqi中随机选择元素j的概率是：

15、

16、信息素更新的表达式为：

17、

18、式中，ρ(0＜ρ＜1)是信息素残留系数；q是常量，用于调整信息素的更新速度；ek是蚂蚁k在集合里选择出的元素作为模型权重时各训练样本的输出误差的最大值。

19、优选地，所述s4中通过组合多个弱学习模型，得到一个更强大、更全面的模型。

20、本专利技术实施例提供的一种基于数据增强的托卡马克等离子体破裂预测方法，运用了数据增强技术，基于数据增强的模型具有出色的泛化功能，能够在有限数据的条件下生成更多的破裂样本，优化预测模型的训练过程，从而提高破裂预测的准确性，这为操作人员提供了足够的时间来采取相应的控制和干预措施，以避免或减轻破裂带来的影响，从而保证了托卡马克装置的安全运行。

本文档来自技高网...

【技术保护点】

1.一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，还包括BP神经网络，所述BP神经网络具有多层前馈神经。

3.根据权利要求2所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述BP神经网络包括：输入层、输出层和多个隐含层。

4.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述高斯噪音模型的概率密度函数为：

5.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述S3中的ACO算法结合了分布式计算、正反馈机制和贪婪式搜索的特点，通过模拟蚂蚁寻找食物的行为，利用信息素进行路径选择。

6.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，在ACO-BP算法中，网络权值分别记为q1，q2，...，qp，将其中任一参数qi(1，2，...，p)取值范围划分为N个子区间，形成集合Iqi，将每个子区间的边界值

7.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述S4中通过组合多个弱学习模型，得到一个更强大、更全面的模型。

...

【技术特征摘要】

1.一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，还包括bp神经网络，所述bp神经网络具有多层前馈神经。

3.根据权利要求2所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述bp神经网络包括：输入层、输出层和多个隐含层。

4.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述高斯噪音模型的概率密度函数为：

5.根据权利要求1所述的一种基于数据增强的托卡马克等离子体破裂预测方法，其特征在于，所述s3中的...

【专利技术属性】
技术研发人员：林志芳，陈太原，杨扬，闫娟娟，戴健鑫，问钰杨，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人