A disruption prediction system, based on neural networks, is presented in this paper. The system is ideally suitable for on-line application in the disruption avoidance and/or mitigation scheme at the JET tokamak.A multi-layer perceptron (MLP) predictor module has been trained on nine plasma diagnostic signals extracted from 86 disruptive pulses, selected from four years of JET experiments in the pulse range 47830–57346 (from 1999 to 2002).The disruption class of the disruptive pulses is available. In particular, the selected pulses belong to four classes (density limit/high radiated power, internal transport barrier, mode lock and h-mode/l-mode).A self-organizing map has been used to select the samples of the pulses to train the MLP predictor module and to determine its target, increasing the prediction capability of the system.The prediction performance has been tested over 86 disruptive and 102 non-disruptive pulses. The test has been performed presenting to the network all the samples of each pulse sampled every 20 ms. The missed alarm rate and the false alarm rate of the predictor, up to 100 ms prior to the disruption time, are 23% and 1%, respectively.Recent plasma configurations might present features different from those observed in the experiments used in the training set. This 'novelty' can lead to incorrect behaviour of the predictor. To improve the robustness and reliability of the system, a novelty detection module has been integrated in the prediction system, increasing the system performance and resulting in a missed alarm rate reduced to 7% and a false alarm rate reduced to 0%.
本論文では、ニューラルネットワークに基づくディスラプション予測システムを提示する。本システムは、JETトカマクにおけるディスラプション回避および/または緩和スキームへのオンライン適用に理想的に適している。マルチレイヤーパーセプトロン（MLP）予測モジュールは、1999年から2002年までの4年間のJET実験から選択されたパルス番号47830〜57346の86のディスラプションパルスから抽出された9つのプラズマ診断信号を用いて学習された。ディスラプションパルスのディスラプションクラスが利用可能である。特に、選択されたパルスは4つのクラス（密度限界/高放射パワー、内部輸送障壁、モードロック、Hモード/Lモード）に属する。自己組織化マップを用いて、MLP予測モジュールを学習させるためのパルスのサンプルを選択し、そのターゲットを決定することで、システムの予測能力を向上させた。予測性能は、86のディスラプションパルスと102の非ディスラプションパルスに対してテストされた。テストは、各パルスの全サンプルを20 msごとにサンプリングしてネットワークに提示することで実施された。ディスラプション時刻の最大100 ms前までの予測器の取り逃し率と誤警報率は、それぞれ23%と1%である。最近のプラズマ配位は、学習セットで使用された実験で観測されたものとは異なる特徴を示す可能性がある。この「新規性」は、予測器の誤動作を引き起こす可能性がある。システムの堅牢性と信頼性を向上させるため、新規性検出モジュールが予測システムに統合され、システム性能が向上し、その結果、取り逃し率は7%に、誤警報率は0%に低減された。