The development of accurate real-time disruption predictors is a pre-requisite to any mitigation action. Present theoretical models of disruptions do not reliably cope with the disruption issues. This article deals with data-driven predictors and a review of existing machine learning techniques, from both physics and engineering points of view, is provided. All these methods need large training datasets to develop successful predictors. However, ITER or DEMO cannot wait for hundreds of disruptions to have a reliable predictor. So far, the attempts to extrapolate predictors between different tokamaks have not shown satisfactory results. In addition, it is not clear how valid this approach can be between present devices and ITER/DEMO, due to the differences in their respective scales and possibly underlying physics. Therefore, this article analyses the requirements to create adaptive predictors from scratch to learn from the data of an individual machine from the beginning of operation. A particular algorithm based on probabilistic classifiers has been developed and it has been applied to the database of the three first ITER-like wall campaigns of JET (1036 non-disruptive and 201 disruptive discharges). The predictions start from the first disruption and only 12 re-trainings have been necessary as a consequence of missing 12 disruptions only. Almost 10 000 different predictors have been developed (they differ in their features) and after the chronological analysis of the 1237 discharges, the predictors recognize 94% of all disruptions with an average warning time (AWT) of 654 ms. This percentage corresponds to the sum of tardy detections (11%), valid alarms (76%) and premature alarms (7%). The false alarm rate is 4%. If only valid alarms are considered, the AWT is 244 ms and the standard deviation is 205 ms. The average probability interval about the reliability and accuracy of all the individual predictions is 0.811 ± 0.189.
正確なリアルタイムディスラプション予測器の開発は、あらゆる緩和措置の前提条件である。現在のディスラプションの理論モデルは、ディスラプション問題に確実に対処できない。本稿はデータ駆動型予測器を扱い、物理学と工学の両方の観点から既存の機械学習技術のレビューを提供する。これらの手法はすべて、成功する予測器を開発するために大規模なトレーニングデータセットを必要とする。しかし、ITERやDEMOは、信頼できる予測器を得るために何百ものディスラプションを待つことはできない。これまでのところ、異なるトカマク間で予測器を外挿する試みは満足のいく結果を示していない。さらに、現在の装置とITER/DEMOの間でこのアプローチがどの程度有効であるかは、それぞれの規模およびおそらく基礎となる物理の違いにより、明確ではない。したがって、本稿は、運転開始時から個々の装置のデータから学習する適応型予測器をゼロから作成するための要件を分析する。確率的分類器に基づく特定のアルゴリズムが開発され、JETの最初の3回のITER類似壁キャンペーンのデータベース（非ディスラプション放電1036回、ディスラプション放電201回）に適用された。予測は最初のディスラプションから開始され、わずか12回のディスラプションを見逃した結果として、わずか12回の再トレーニングのみが必要であった。約10 000個の異なる予測器が開発され（それらは特徴量が異なる）、1237回の放電の時系列分析の後、予測器は全ディスラプションの94%を認識し、平均警告時間（AWT）は654 msであった。このパーセンテージは、遅延検出（11%）、有効警報（76%）、早期警報（7%）の合計に相当する。誤警報率は4%である。有効警報のみを考慮すると、AWTは244 msであり、標準偏差は205 msである。個々の予測すべての信頼性と正確性に関する平均確率区間は0.811 ± 0.189である。