Real-time estimation of divertor heat loads is critical for plasma-facing component protection in Wendelstein 7-X (W7-X). The current heat-flux reconstruction tool, THEODOR, is too computationally demanding for real-time use, motivating the development of faster physics-based surrogates. Physics-informed neural networks (PINNs) have recently been shown to model the heat equation and the associated heat-flux partial differential equation, though only for fixed boundary and initial conditions, when the heat potential profile at the top of the tile is represented as a Gaussian function. This choice is motivated by the observation that experimental profiles can be well approximated by a small number of Gaussian peaks in the strike-line region. Within this framework, the present work extends the PINN framework by assessing the sensitivity of the PDE solution to variations in the boundary and initial conditions, using a synthetic dataset with Gaussian boundary-condition profiles. Two approaches are investigated: (i) training multiple PINNs for different initial tile temperatures and Gaussian boundary-condition parameters; (ii) developing a parameterized PINN capable of solving the PDE across a continuous range of conditions. This approach demonstrates the feasibility of PINN-based heat-flux reconstruction with improved flexibility, in view of the application with real-time experimental data at W7-X.
ダイバータ熱負荷のリアルタイム推定は、Wendelstein 7-X (W7-X)におけるプラズマ対向部品の保護にとって極めて重要である。現在の熱流束再構築ツールであるTHEODORは、リアルタイム使用には計算負荷が高すぎるため、より高速な物理ベースのサロゲートの開発が動機付けられている。物理情報ニューラルネットワーク（PINNs）は、近年、熱方程式および関連する熱流束偏微分方程式をモデル化できることが示されているが、固定された境界条件と初期条件の場合に限られ、タイル上面の熱ポテンシャル分布がガウス関数として表される場合に限られる。この選択は、実験的な分布がストライクライン領域において少数のガウスピークによって十分に近似できるという観察によって動機付けられている。この枠組みの中で、本研究は、ガウス型境界条件プロファイルを持つ合成データセットを用いて、境界条件および初期条件の変動に対するPDE解の感度を評価することにより、PINNフレームワークを拡張するものである。2つのアプローチが調査される：(i) 異なる初期タイル温度およびガウス型境界条件パラメータに対して複数のPINNを訓練する；(ii) 連続的な条件範囲にわたってPDEを解くことができるパラメータ化されたPINNを開発する。このアプローチは、W7-Xでのリアルタイム実験データを用いた応用を見据えて、改善された柔軟性を備えたPINNベースの熱流束再構築の実現可能性を示すものである。