The need for predictive capabilities greater than 95% with very limited false alarms are demanding requirements for reliable disruption prediction systems in tokamaks such as JET or, in the near future, ITER. The prediction of an upcoming disruption must be provided sufficiently in advance in order to apply effective disruption avoidance or mitigation actions to prevent the machine from being damaged.In this paper, following the typical machine learning workflow, a generative topographic mapping (GTM) of the operational space of JET has been built using a set of disrupted and regularly terminated discharges. In order to build the predictive model, a suitable set of dimensionless, machine-independent, physics-based features have been synthesized, which make use of 1D plasma profile information, rather than simple zero-D time series. The use of such predicting features, together with the power of the GTM in fitting the model to the data, obtains, in an unsupervised way, a 2D map of the multi-dimensional parameter space of JET, where it is possible to identify a boundary separating the region free from disruption from the disruption region. In addition to helping in operational boundaries studies, the GTM map can also be used for disruption prediction exploiting the potential of the developed GTM toolbox to monitor the discharge dynamics. Following the trajectory of a discharge on the map throughout the different regions, an alarm is triggered depending on the disruption risk of these regions. The proposed approach to predict disruptions has been evaluated on a training and an independent test set and achieves very good performance with only one tardive detection and a limited number of false detections. The warning times are suitable for avoidance purposes and, more important, the detections are consistent with physical causes and mechanisms that destabilize the plasma leading to disruptions.
95%を超える予測能力と極めて限られた誤警報の必要性は、JETや、近い将来にはITERのようなトカマクにおける信頼性の高いディスラプション予測システムに対する厳しい要件である。差し迫ったディスラプションの予測は、機械の損傷を防ぐための効果的なディスラプション回避または緩和措置を適用するために、十分に前もって提供されなければならない。本論文では、典型的な機械学習ワークフローに従い、ディスラプションを起こした放電と正常に終了した放電のセットを用いて、JETの運転空間の生成トポグラフィックマッピング（GTM）を構築した。予測モデルを構築するために、単純な0次元時系列ではなく、1次元プラズマ分布情報を利用する、無次元で装置に依存しない物理ベースの特徴量の適切なセットを合成した。このような予測特徴量の使用は、データにモデルを適合させるGTMの能力と相まって、教師なし方式でJETの多次元パラメータ空間の2次元マップを取得し、そのマップ上でディスラプションのない領域とディスラプション領域を分ける境界を特定することができる。運転境界の研究に役立つことに加えて、GTMマップは、開発したGTMツールボックスの可能性を活用して放電のダイナミクスを監視することにより、ディスラプション予測にも使用できる。マップ上の放電の軌跡を異なる領域にわたって追跡し、それらの領域のディスラプションリスクに応じてアラームが発動される。提案するディスラプション予測手法は、訓練セットと独立したテストセットで評価され、遅延検出が1回のみで、誤検出の数も限られており、非常に良い性能を達成している。警報時間は回避目的に適しており、さらに重要なことに、検出はプラズマを不安定化させディスラプションに至らせる物理的原因およびメカニズムと一致している。