This paper reports an algorithm to automatically identify the chain of events leading to a disruption, evaluating the so-called reference warning time. This time separates the plasma current flat-top of each disrupted discharge into two parts: a non-disrupted part and a pre-disrupted one. The algorithm can be framed into the anomaly detection techniques as it aims to detect the off-normal behavior of the plasma. It is based on a statistical analysis of a set of dimensionless plasma parameters computed for a selection of discharges from the JET experimental campaigns. In every data-driven model, such as the generative topographic mapping (GTM) predictor proposed in this paper, it is indeed necessary to label the samples needed for training the model itself. The samples describing the disruption-free behavior are extracted from the plasma current flat-top phase of the regularly terminated discharges. The disrupted space is described by all the samples belonging to the pre-disruptive phase of each disruptive discharge in the training set. Note that a proper selection of the pre-disruptive phase plays a key role in the prediction performance of the model. Moreover, these models, which are highly dependent on the training input space, may be particularly prone to degradation as the operational space of any experimental machine is continuously evolving. Hence, a regular schedule of model review and retrain must be planned. The proposed algorithm avoids the cumbersome and time-consuming manual identification of the warning times, helping to implement a continuous learning system that could be automated, despite being offline. In this paper, the automatically evaluated warning times are compared with those obtained with a manual analysis in terms of the impact on the mapping of the JET input parameter space using the GTM methodology. Moreover, the algorithm has been used to build the GTM of recent experimental campaigns, with promising results.
本論文は、ディスラプション（プラズマ崩壊）に至る事象連鎖を自動的に特定するアルゴリズムを報告し、いわゆる基準警報時間を評価するものである。この時間は、各ディスラプション放電のプラズマ電流フラットトップを、非ディスラプション部分とディスラプション前部分の2つに分離する。本アルゴリズムは、プラズマの異常挙動を検出することを目的とするため、異常検知技術として位置づけることができる。本アルゴリズムは、JET実験キャンペーンからの放電群に対して計算された一連の無次元プラズマパラメータの統計解析に基づいている。本論文で提案する生成的トポグラフィックマッピング（GTM）予測器のようなあらゆるデータ駆動型モデルにおいて、モデル自体の学習に必要なサンプルにラベルを付与することが不可欠である。ディスラプションを含まない挙動を記述するサンプルは、正常終了した放電のプラズマ電流フラットトップ位相から抽出される。ディスラプション空間は、トレーニングセット内の各ディスラプション放電のディスラプション前位相に属する全サンプルによって記述される。ディスラプション前位相の適切な選択が予測性能において重要な役割を果たすことに留意されたい。さらに、これらのモデルはトレーニング入力空間に強く依存するため、任意の実験装置の運転空間が継続的に進化するにつれて、性能劣化が生じる可能性がある。したがって、モデルの定期的なレビューと再学習のスケジュールを計画する必要がある。本アルゴリズムは、警報時間の手動特定という煩雑で時間のかかる作業を回避し、オフラインでありながら自動化可能な継続的学習システムの実装を可能にする。本論文では、自動評価された警報時間を、手動解析により得られた警報時間と、JET入力パラメータ空間のマッピングに対する影響の観点から比較する。さらに、本アルゴリズムを最近の実験キャンペーンに適用してGTMを構築し、有望な結果が得られている。