An attempt is made to make a prediction of the disruption boundaries for the density limit disruption case using a neural network. Using experimental signals as input, the network should, in the long run, be able to provide information to the real time control systems about the density limit at which a discharge is likely to disrupt, so that the density can be kept below that limit. Several diagnostic signals are used from the ADITYA tokamak and arepresented at selected time instants to the neural network inputs, in order to predict, at each of these instants, the density boundary. A disruption threshold has been established in order to examine the possibility of using the network as a real time disruption alarm. For most of the discharges this threshold is reached much before the actual disruption. The neural network is also used to make an optimization of the particular set of diagnostics in order to obtain the ones most crucial for predicting the density limit. The results of optimization have some of the features of the scaling laws of Murakami and Hugill. The optimized network compares well with the original one.
密度限界ディスラプションの場合について、ニューラルネットワークを用いてディスラプション境界の予測を試みた。実験信号を入力として用いることで、ネットワークは長期的には、ディスチャージがディスラプションを起こす可能性のある密度限界についての情報をリアルタイム制御システムに提供できるはずである。ADITYAトカマクからの複数の診断信号が使用され、選択された時点でニューラルネットワーク入力に提示され、各時点での密度境界を予測する。ネットワークをリアルタイムディスラプション警報として使用する可能性を検討するために、ディスラプション閾値が設定された。ほとんどのディスチャージにおいて、この閾値は実際のディスラプションよりかなり前に到達する。また、ニューラルネットワークを用いて特定の診断セットの最適化を行い、密度限界の予測に最も重要な診断を特定した。最適化の結果は、村上・ハギルスケーリング則の特徴の一部を示している。最適化されたネットワークは元のネットワークと良好な一致を示す。