The importance of predicting the occurrence of disruptions is going to increase significantly in the next generation of tokamak devices. The expected energy content of ITER plasmas, for example, is such that disruptions could have a significant detrimental impact on various parts of the device, ranging from erosion of plasma facing components to structural damage. Early detection of disruptions is therefore needed with evermore increasing urgency. In this paper, the results of a series of methods to predict disruptions at JET are reported. The main objective of the investigation consists of trying to determine how early before a disruption it is possible to perform acceptable predictions on the basis of the raw data, keeping to a minimum the number of 'ad hoc' hypotheses. Therefore, the chosen learning techniques have the common characteristic of requiring a minimum number of assumptions. Classification and Regression Trees (CART) is a supervised but, on the other hand, a completely unbiased and nonlinear method, since it simply constructs the best classification tree by working directly on the input data. A series of unsupervised techniques, mainly K-means and hierarchical, have also been tested, to investigate to what extent they can autonomously distinguish between disruptive and non-disruptive groups of discharges. All these independent methods indicate that, in general, prediction with a success rate above 80% can be achieved not earlier than 180 ms before the disruption. The agreement between various completely independent methods increases the confidence in the results, which are also confirmed by a visual inspection of the data performed with pseudo Grand Tour algorithms.
次世代のトカマク装置におけるディスラプション予測の重要性は、今後ますます高まると考えられる。例えば、ITERのプラズマが持つと予想されるエネルギー量を考えれば、ディスラプションが発生した場合、プラズマ対向機器の損耗から構造部材の損傷に至るまで、装置の様々な部分に深刻な悪影響を及ぼし得る。したがって、ディスラプションの早期検出に対する必要性は、これまで以上に高まっている。本論文では、JETにおいてディスラプションを予測するための一連の手法を用いて行った実験結果について報告する。本研究の主な目的は、生データに基づいて、ディスラプションのどれだけ前に許容可能な予測が可能であるかを判断することであり、その際、「アドホック」な仮定の数を最小限に抑えることを目指す。したがって、選択した学習手法は、いずれも仮定を最小限にしか必要としないという共通の特徴を持つ。分類回帰木（CART）は、教師あり学習ではあるが、入力データに直接作用して最適な分類木を構築するため、完全に偏りのない非線形手法である。さらに、教師なし学習の一連の手法、主にK-means法と階層的クラスタリング法もテストし、ディスラプションを起こす放電群と起こさない放電群を、どの程度自律的に区別できるかを調査した。これらの独立した手法はすべて、一般的に、ディスラプションの180 ms前までに80%を超える成功率で予測が可能であることを示している。互いに完全に独立した複数の手法による結果の一致は、結果の信頼性を高めるものであり、これらの結果は、擬似グランドツアーアルゴリズムを用いたデータの視覚的検査によっても裏付けられている。