The improvement of plasma parameters is severely limited by magnetohydrodynamic (MHD) instabilities. The identification of MHD modes is crucial for the study and control of MHD instabilities. In this study, an MHD mode identifier is developed based on a temporal convolutional network and long short-term memory (LSTM) network. The identifier is trained and tested on a small dataset containing 33 shots. Firstly, the temporal convolutional network encodes 27 diagnostic signals and then decodes them using LSTM network with different parameters to obtain the MHD modes and their frequency and intensity. The identifier exhibits an accuracy of approximately 98.38% on the test set and can accurately calculate the frequency and intensity of the MHD modes. To further examine the performance of the identifier, seven shots outside the dataset are used for shot-by-shot testing. The identifier can accurately identify the time period of tearing modes, and the identification accuracies of 2/1 and 3/2 tearing modes are 92.7% and 100%, respectively. The identification accuracy of the fishbone mode is slightly worse, only 82.1%. This is because the fishbone mode occurs intermittently. The frequent switching between the fishbone mode and no MHD behavior affects the identification of the fishbone mode. Overall, through the training of the small datasets, the identifier exhibits a good identification performance for the MHD modes. The proposed data-driven identifier can serve as a reference for establishing a large MHD mode database of EAST as well as a real-time MHD identification and control algorithm.
プラズマパラメータの向上は、磁気流体力学（MHD）不安定性によって厳しく制限されている。MHDモードの同定は、MHD不安定性の研究と制御にとって極めて重要である。本研究では、時間畳み込みネットワークと長短期記憶（LSTM）ネットワークに基づくMHDモード同定器を開発した。この同定器は、33ショットを含む小規模データセットで訓練およびテストされた。まず、時間畳み込みネットワークが27の診断信号を符号化し、その後、異なるパラメータを持つLSTMネットワークを用いて復号化し、MHDモードとその周波数および強度を取得する。この同定器は、テストセットにおいて約98.38%の精度を示し、MHDモードの周波数と強度を正確に算出できる。同定器の性能をさらに検証するため、データセット外の7ショットを用いてショット単位のテストを実施した。この同定器はテアリングモードの時間帯を正確に同定でき、2/1および3/2テアリングモードの同定精度はそれぞれ92.7%および100%であった。フィッシュボーンモードの同定精度はやや低く、82.1%のみであった。これは、フィッシュボーンモードが間欠的に発生するためである。フィッシュボーンモードとMHD非発生状態との間の頻繁な切り替えが、フィッシュボーンモードの同定精度に影響を与えている。全体として、小規模データセットでの訓練を通じて、この同定器はMHDモードに対して良好な同定性能を示した。提案されたデータ駆動型同定器は、EASTの大規模MHDモードデータベースの構築、ならびにリアルタイムMHD同定および制御アルゴリズムのための参考となり得る。