Lower hybrid current drive (LHCD) is a potential source of non-inductive off-axis current drive (CD) for tokamaks. Although LHCD has been successfully deployed on a number of tokamaks, it is highly sensitive to the scrape-off layer (SOL) conditions local to the LHCD launcher. Large gaps between the launcher and plasma core, SOL turbulence, or edge density perturbations due to edge-localized modes can hamper CD or cause large reflected power. These coupling issues in part motivated the installation of an LHCD launcher on the high-field side (HFS) of DIII-D. On the HFS, the SOL is less turbulent and more controllable compared to the low-field side. This quiescence may result in more predictable edge conditions and thus a more predictable CD. In this work, HFS SOL reflectometry measurements are predicted from global plasma parameters using machine learning models. The SOL predictions coupled with the full-wave simulation of the LHCD launcher allow for the prediction of reflected power, directivity, and arcing risk before the discharge. Launcher performance is then optimized using multi-objective Bayesian optimization, finding the shot parameters that result in an optimal SOL density that maximizes CD while minimizing the risk of arcing. The predictions and optimizations of LHCD performance are then accelerated using a surrogate model of the full-wave LHCD simulation.
低域混成波電流駆動（LHCD）は、トカマクにおける非誘導オフアクシス電流駆動（CD）の潜在的な源である。LHCDは多くのトカマクで成功裏に展開されてきたが、LHCDランチャー近傍のスクレイプオフ層（SOL）条件に非常に敏感である。ランチャーとプラズマコアの間の大きなギャップ、SOL乱流、または周辺局在モードによる周辺密度摂動は、CDを妨げたり、大きな反射電力を引き起こしたりする可能性がある。これらの結合問題が、DIII-Dの高磁場側（HFS）へのLHCDランチャー設置の動機の一部となった。HFSでは、SOLは低磁場側と比較して乱流が少なく、より制御しやすい。この静穏性により、周辺条件がより予測可能になり、その結果CDもより予測可能になる可能性がある。本研究では、機械学習モデルを用いて、全体プラズマパラメータからHFS SOL反射計測定を予測する。SOL予測をLHCDランチャーの全波シミュレーションと組み合わせることで、放電前に反射電力、指向性、およびアーク放電リスクを予測できる。次に、ランチャー性能は多目的ベイズ最適化を用いて最適化され、アーク放電のリスクを最小化しつつCDを最大化する最適なSOL密度をもたらすショットパラメータが見つけられる。そして、LHCD性能の予測と最適化は、全波LHCDシミュレーションのサロゲートモデルを用いて高速化される。