Locked mode-induced disruptions (LMiDs) are investigated using an interpretable machine learning approach in EAST. The experimental data of LM come from error field penetration experiments conducted between 2015 and 2022. Decision tree ensembles, known for their strong interpretability and accuracy, were selected as the machine learning algorithm to analyze and predict LMiDs. Two prediction models were developed: an interpretable predictor and a real-time predictor. The interpretable predictor, which employs physics-guided feature extraction, achieved exceptional performance on the test set (AUC = 0.997). This model identified the distance between the outer boundary of the magnetic island and the last closed surface of the plasma, denoted as , as the most important feature for LMiDs. Other important features include stored energy , radial force , total heating power , toroidal magnetic fields , internal inductance and electron temperature . The real-time predictor achieved 94% successful alarm rate with an average alarm time of 137 ms at 10% false alarm rate, demonstrating robustness against measurement uncertainties. An analysis of a typical LMiD discharge confirmed the model’s ability to identify critical parameter thresholds preceding disruptions.
ロックモード誘起ディスラプション（LMiDs）を、解釈可能な機械学習アプローチを用いてEASTで調査した。LMの実験データは、2015年から2022年の間に実施された誤差磁場貫通実験に由来する。強い解釈可能性と精度で知られる決定木アンサンブルを、LMiDsを分析・予測する機械学習アルゴリズムとして選択した。解釈可能な予測器とリアルタイム予測器の2つの予測モデルを開発した。物理に基づく特徴抽出を採用した解釈可能な予測器は、テストセット上で卓越した性能（AUC = 0.997）を達成した。このモデルは、磁気島の外側境界とプラズマの最終閉磁気面との間の距離（ と表される）を、LMiDsの最も重要な特徴として特定した。その他の重要な特徴には、蓄積エネルギー 、径方向力 、総加熱電力 、トロイダル磁場 、内部インダクタンス 、および電子温度 が含まれる。リアルタイム予測器は、10%の誤警報率で94%の成功警報率を達成し、平均警報時間は137 msであり、測定不確かさに対する堅牢性を示した。典型的なLMiD放電の解析により、ディスラプションに先立つ重要なパラメータ閾値を識別するモデルの能力が確認された。