A neural network solving the Grad–Shafranov equation constrained with measured magnetic signals to reconstruct magnetic equilibria in real time is developed. The database created to optimize the neural network's free parameters contains off-line EFIT results as the output of the network from 1118 KSTAR experimental discharges of two different campaigns. Input data to the network constitute magnetic signals measured by a Rogowski coil (plasma current), magnetic pick-up coils (normal and tangential components of magnetic fields) and flux loops (poloidal magnetic fluxes). The developed neural networks fully reconstruct not only the poloidal flux function but also the toroidal current density function with the off-line EFIT quality. To preserve the robustness of the networks against missing input data, an imputation scheme is utilized to eliminate the required additional training sets with a large number of possible combinations of the missing inputs.
計測された磁気信号を制約条件としてGrad-Shafranov方程式を解き、磁気平衡をリアルタイムで再構成するニューラルネットワークを開発した。ニューラルネットワークの自由パラメータを最適化するために作成されたデータベースには、2つの異なるキャンペーンの1118回のKSTAR実験放電からのオフラインEFIT結果がネットワークの出力として含まれている。ネットワークへの入力データは、ロゴスキーコイル（プラズマ電流）、磁気ピックアップコイル（磁場の法線成分および接線成分）、フラックスループ（ポロイダル磁束）によって計測された磁気信号で構成される。開発されたニューラルネットワークは、ポロイダル磁束関数とトロイダル電流密度関数の両方をオフラインEFIT品質で完全に再構成する。欠損入力データに対するネットワークの堅牢性を維持するため、欠損入力の多数の可能な組み合わせを含む追加のトレーニングセットを不要にするインピュテーション手法を利用する。