The short time retractable instrumented calorimeter experiment is a critical diagnostic tool for characterizing the source for production of negative ions of deuterium extracted from radio frequency plasma. Due to technical limitations, direct temperature measurement on the calorimeter’s front side, facing the ion source, is infeasible. Instead, reconstructing the front-side heat flux from back-side temperature data formulates an inverse problem. This study introduces a convolutional neural network (CNN) to achieve real-time reconstruction of the heat flux distribution, modeled with Gaussian fitting for each beamlet, directly from infrared (IR) camera images. The CNN’s performance is benchmarked against a multi-layer perceptron (MLP) model, which requires offline parametrization of IR images, limiting real-time applicability. Using experimental IR images and heat flux data generated via iterative finite element method modelling, the CNN demonstrated comparable accuracy to the MLP without the need for feature extraction engineering, offering a robust real-time solution.
短時間引き込み式計測熱量計実験は、高周波プラズマから引き出される重水素の負イオン生成源を特性評価するための重要な診断ツールである。技術的制約により、イオン源に面する熱量計の前面での直接温度測定は不可能である。代わりに、背面温度データから前面の熱流束を再構成することは逆問題を定式化する。本研究では、赤外線(IR)カメラ画像から直接、各ビームレットに対してガウスフィッティングでモデル化された熱流束分布のリアルタイム再構成を達成するために、畳み込みニューラルネットワーク(CNN)を導入する。CNNの性能は、IR画像のオフラインでのパラメータ化を必要とし、リアルタイム適用性を制限する多層パーセプトロン(MLP)モデルと比較して評価される。反復有限要素法モデリングによって生成された実験用IR画像と熱流束データを用いて、CNNは、特徴抽出エンジニアリングを必要とせずにMLPと同等の精度を示し、堅牢なリアルタイムソリューションを提供する。