Artificial neural networks (NNs) are trained, based on the numerical database, to predict the no-wall and ideal-wall βN limits, due to onset of the n = 1 (n is the toroidal mode number) ideal external kink instability, for the HL-2M tokamak. The database is constructed by toroidal computations utilizing both the equilibrium code CHEASE (Lütjens et al 1992 Comput. Phys. Commun.69 287) and the stability code MARS-F (Liu et al 2000 Phys. Plasmas7 3681). The stability results show that (1) the plasma elongation generally enhances both βN limits, for either positive or negative triangularity plasmas; (2) the effect is more pronounced for positive triangularity plasmas; (3) the computed no-wall βN limit linearly scales with the plasma internal inductance, with the proportionality coefficient ranging between 1 and 5 for HL-2M; (4) the no-wall limit substantially decreases with increasing pressure peaking factor. Furthermore, both the NN model and the convolutional neural network (CNN) model are trained and tested, producing consistent results. The trained NNs predict both the no-wall and ideal-wall limits with as high as 95% accuracy, compared to those directly computed by the stability code. Additional test cases, produced by the Tokamak Simulation Code (Jardin et al 1993 Nucl. Fusion33 371), also show reasonable performance of the trained NNs, with the relative error being within 10%. The constructed database provides effective references for the future HL-2M operations. The trained NNs can be used as a real-time monitor for disruption prevention in the HL-2M experiments, or serve as part of the integrated modeling tools for ideal kink stability analysis.
人工ニューラルネットワーク（NN）は、数値データベースに基づいて、HL-2Mトカマクにおけるn=1（nはトロイダルモード数）理想外部キンク不安定性の発現による無壁および理想壁βN限界を予測するために訓練される。このデータベースは、平衡コードCHEASE（Lütjensら、1992年、Comput. Phys. Commun. 69、287）と安定性コードMARS-F（Liuら、2000年、Phys. Plasmas 7、3681）の両方を用いたトロイダル計算によって構築される。安定性の結果は、以下のことを示している：（1）プラズマの伸長度は、正または負の三角形度のプラズマの両方において、一般的に両方のβN限界を向上させる；（2）その効果は正の三角形度のプラズマでより顕著である；（3）計算された無壁βN限界はプラズマの内部インダクタンスと線形にスケーリングし、その比例係数はHL-2Mにおいて1から5の範囲である；（4）無壁限界は圧力ピーキング係数の増加に伴って大幅に減少する。さらに、NNモデルと畳み込みニューラルネットワーク（CNN）モデルの両方が訓練およびテストされ、一貫した結果が得られる。訓練されたNNは、安定性コードによって直接計算されたものと比較して、無壁および理想壁限界の両方を最大95%の精度で予測する。追加のテストケース（Jardinら、1993年、Nucl. Fusion 33、371のトカマクシミュレーションコードによって生成）でも、訓練されたNNは良好な性能を示し、相対誤差は10%以内である。構築されたデータベースは、HL-2Mの将来の運転に対する有効な参照を提供する。訓練されたNNは、HL-2M実験におけるディスラプションのリアルタイムモニターとして、または理想キンク安定性解析のための統合モデリングツールの一部として使用できる。