Using data-driven methodology, we exploit the time series of relevant plasma parameters for a large set of disrupted and non-disrupted discharges to develop a classification algorithm for detecting disruptive phases in shots that eventually disrupt. Comparing the same methodology on different devices is crucial in order to have information on the portability of the developed algorithm and the possible extrapolation to ITER. Therefore, we use data from two very different tokamaks, DIII-D and Alcator C-Mod. We focus on a subset of disruption predictors, most of which are dimensionless and/or machine-independent parameters, coming from both plasma diagnostics and equilibrium reconstructions, such as the normalized plasma internal inductance ℓi and the n = 1 mode amplitude normalized to the toroidal magnetic field. Using such dimensionless indicators facilitates a more direct comparison between DIII-D and C-Mod. We then choose a shallow Machine Learning technique, called Random Forests, to explore the databases available for the two devices. We show results from the classification task, where we introduce a time dependency through the definition of class labels on the basis of the elapsed time before the disruption (i.e. 'far from a disruption' and 'close to a disruption'). The performances of the different Random Forest classifiers are discussed in terms of several metrics, by showing the number of successfully detected samples, as well as the misclassifications. The overall model accuracies are above 97% when identifying a 'far from disruption' and a 'disruptive' phase for disrupted discharges. Nevertheless, the Forests are intrinsically different in their capability of predicting a disruptive behavior, with C-Mod predictions comparable to random guesses. Indeed, we show that C-Mod recall index, i.e. the sensitivity to a disruptive behavior, is as low as 0.47, while DIII-D recall is ∼0.72. The portability of the developed algorithm is also tested across the two devices, by using DIII-D data for training the forests and C-Mod for testing and vice versa.
データ駆動型の手法を用いて、大規模な破壊的および非破壊的放電の関連プラズマパラメータの時系列を活用し、最終的に破壊に至るショットにおける破壊的位相を検出するための分類アルゴリズムを開発する。異なる装置で同じ手法を比較することは、開発したアルゴリズムの移植性やITERへの適用可能性に関する情報を得るために極めて重要である。そのため、我々はDIII-DとAlcator C-Modという2つの非常に異なるトカマクのデータを使用する。我々は、プラズマ診断と平衡再構成の両方に由来する破壊予測因子のサブセットに焦点を当てるが、その大部分は無次元量および/または装置に依存しないパラメータであり、例えば規格化されたプラズマ内部インダクタンスℓiや、トロイダル磁場で規格化されたn=1モード振幅などである。このような無次元指標を用いることで、DIII-DとC-Modの間のより直接的な比較が容易になる。次に、我々はランダムフォレストと呼ばれる浅い機械学習手法を選択し、2つの装置で利用可能なデータベースを探索する。我々は、破壊までの経過時間に基づくクラスラベルの定義を通じて時間依存性を導入した分類タスクの結果を示す（すなわち、「破壊から遠い」状態と「破壊に近い」状態）。異なるランダムフォレスト分類器の性能は、いくつかの指標を用いて議論され、正しく検出されたサンプル数と誤分類の数を示す。破壊的放電について「破壊から遠い」位相と「破壊的」位相を識別する場合、モデル全体の精度は97%を超える。それにもかかわらず、フォレストは破壊的行動を予測する能力において本質的に異なり、C-Modの予測はランダムな推測に匹敵する。実際、C-Modの再現率指標、すなわち破壊的行動に対する感度は0.47と低く、DIII-Dの再現率は約0.72である。開発したアルゴリズムの移植性も、2つの装置間でテストされ、DIII-Dのデータでフォレストを訓練しC-Modでテストする場合と、その逆の場合の両方が行われた。