Plasma start-up is typically achieved manipulating poloidal magnetic fields, gas injection and possibly auxiliary heating. Model-based design techniques have been gaining increasing attention in view of future large tokamaks which have more stringent constraints and less room for trial-and-error. In this paper, we formulate the tokamak start-up scenario design problem as a constrained optimization problem and introduce a novel shot-to-shot correction algorithm, based on the Iterative Learning Control concept, to compensate for unavoidable modeling errors based on experimental data. The effectiveness of the approach is demonstrated in experiments on the TCV tokamak showing that the target ramp-up scenario could be obtained in a small number of shots with a rough electromagnetic model.
プラズマ立ち上げは通常、ポロイダル磁場の操作、ガス入射、場合によっては追加加熱によって達成される。モデルベース設計手法は、より厳しい制約があり試行錯誤の余地が少ない将来の大型トカマクを念頭に、ますます注目を集めている。本論文では、トカマク立ち上げシナリオ設計問題を制約付き最適化問題として定式化し、実験データに基づいて避けられないモデル化誤差を補償するために、反復学習制御の概念に基づく新しいショット間補正アルゴリズムを導入する。このアプローチの有効性は、TCVトカマクでの実験で実証され、粗い電磁モデルを用いても、目標のランプアップシナリオが少数のショットで得られることが示された。