Disruptions are sudden and unavoidable losses of confinement that may put at risk the integrity of a tokamak. However, the physical phenomena leading to disruptions are very complex and non-linear and therefore no satisfactory model has been devised so far either for their avoidance or their prediction. For this reason, machine learning techniques have been extensively pursued in the last years. In this paper a real-time predictor specifically developed for JET and based on support vector machines is presented. The main aim of the present investigation is to obtain high recognition rates in a real-time simulated environment. To this end the predictor has been tested on the time slices of entire discharges exactly as in real world operation.Since the year 2000, the experiments at JET have been organized in campaigns named sequentially beginning with campaign C1. In this paper results from campaign C1 (year 2000) and up to C19 (year 2007) are reported. The predictor has been trained with data from JET's campaigns up to C7 with particular attention to reducing the number of missed alarms, which are less than 1%, for a test set of discharges from the same campaigns used for the training. The false alarms plus premature alarms are of the order of 6.4%, for a total success rate of more than 92%. The robustness of the predictor has been proven by testing it with a wide subset of shots of more recent campaigns (from C8 to C19) without any retraining. The success rate over the period between C8 and C14 is on average 88% and never falls below 82%, confirming the good generalization capabilities of the developed technique. After C14, significant modifications were implemented on JET and its diagnostics and consequently the success rates of the predictor between C15 and C19 decays to an average of 79%. Finally, the performance of the developed detection system has been compared with the predictions of the JET protection system (JPS). The new predictor clearly outperforms JPS up to about 180 ms before the disruptions.
ディスラプションは、トカマクの完全性を危険に晒す可能性がある、突然の不可避的な閉じ込めの喪失である。しかしながら、ディスラプションに至る物理現象は非常に複雑かつ非線形であり、そのため予測または回避のための満足のいくモデルはこれまで考案されていない。この理由から、機械学習技術がここ数年で広く追求されてきた。本論文では、JETのために特別に開発され、サポートベクターマシンに基づくリアルタイム予測器を提示する。本研究の主な目的は、リアルタイム模擬環境における高い認識率を得ることである。この目的のため、予測器は実際の運転とまったく同じように、全放電のタイムスライスに対して試験された。2000年以降、JETでの実験は、キャンペーンC1から始まる一連のキャンペーンとして順次編成されてきた。本論文では、キャンペーンC1（2000年）からC19（2007年）までの結果を報告する。予測器は、C7までのJETのキャンペーンのデータを用いて訓練され、訓練に使用されたものと同じキャンペーンの放電のテストセットに対して、見逃しアラームの削減に特に注意が払われ、見逃しアラームは1%未満であった。誤警報および早期警報は約6.4%であり、総合成功率は92%を超えた。予測器の堅牢性は、再訓練なしで、より最近のキャンペーン（C8からC19）の広範なショットのサブセットを用いて試験することにより実証された。C8からC14の期間における成功率は平均88%であり、82%を下回ることはなかった。これは、開発された手法の優れた一般化能力を確認するものである。C14以降、JETおよびその診断装置に大幅な変更が実施され、その結果、C15からC19の間の予測器の成功率は平均79%に低下した。最後に、開発された検出システムの性能は、JET保護システム（JPS）の予測と比較された。新しい予測器は、ディスラプションの約180ms前までJPSを明確に上回る性能を示した。