Prediction of major disruptions occurring at the β -limit for tokamak plasmas with a normal magnetic shear in JT-60U was conducted using neural networks. Since no clear precursors are generally observed a few tens of milliseconds before the β -limit disruption, a sub-neural network is trained to output the value of the βN limit every 2 ms. The target βN limit is artificially set by the operator in the first step to train a network with non-disruptive shots as well as disruptive shots, and then in the second step the target limit is modified using the βN limit output from the trained network. The adjusted target greatly improves the consistency between the input data and the output. This training, the 'self-teaching method', has greatly reduced the false alarm rate triggered for non-disruptive shots. To improve the prediction performance further, the difference between the output βN limit and the measured βN, and 11 parameters, are inputted to the main neural network to calculate the 'stability level'. The occurrence of a major disruption is predicted when the stability level decreases to the 'alarm level'. Major disruptions at the β -limit have been predicted by the main network with a prediction success rate of 80% at 10 ms prior to the disruption while the false alarm rate is lower than 4% for non-disruptive shots. This 80% value is much higher than that obtained for a network trained with a fixed target βN limit set to be the maximum βN observed at the start of a major disruption, lower than 10%. A prediction success rate of 90% with a false alarm rate of 12% at 10 ms prior to the disruption has also been obtained. This 12% value is about half of that obtained for a network trained with a fixed target βN limit.
トカマクプラズマにおけるβ限界で発生する大規模ディスラプションの予測を、JT-60Uにおいてニューラルネットワークを用いて実施した。β限界ディスラプションの数10ミリ秒前には明確な前駆現象が一般的に観測されないため、サブニューラルネットワークにβN限界値を2ミリ秒ごとに出力するよう学習させた。第1段階では、目標βN限界値をオペレーターが人為的に設定し、非ディスラプションショットおよびディスラプションショットの両方を用いてネットワークを学習させた。続いて第2段階では、学習済みネットワークから出力されるβN限界値を用いて目標値を修正した。この調整により、入力データと出力データの整合性が大幅に向上した。この学習手法である「自己教示法」により、非ディスラプションショットにおいて誤警報率が大幅に低減された。予測性能をさらに向上させるため、出力されたβN限界値と測定されたβN値との差、および11個のパラメータをメインニューラルネットワークに入力し、「安定度レベル」を算出した。大規模ディスラプションの発生は、安定度レベルが「警報レベル」まで低下したときに予測される。メインネットワークによるβ限界ディスラプションの予測成功率は、ディスラプションの10ミリ秒前において80%であり、非ディスラプションショットに対する誤警報率は4%未満であった。この80%という値は、ディスラプション開始時に観測された最大βN値を固定目標βN限界値として学習させたネットワークによって得られた値（10%未満）よりもはるかに高いものであった。また、ディスラプションの10ミリ秒前における予測成功率90%、誤警報率12%という結果も得られた。この12%という値は、固定目標βN限界値を用いて学習させたネットワークによって得られた値の約半分である。