During the operation of tokamak devices, addressing the thermal load issues caused by edge localized modes (ELMs) eruption is crucial. Ideally, mitigation and suppression measures for ELMs should be promptly initiated as soon as the first low-to-high confinement (L-H) transition occurs, which necessitates the real-time monitoring and accurate identification of the L-H transition process. Motivated by this, and by recent deep learning boom, we propose a deep learning-based L-H transition identification algorithm on HL-2A tokamak. In this work, we have constructed a neural network comprising layers of Residual long short-term memory and temporal convolutional network. Unlike previous work based on recognition for ELMs by slice, this method implements recognition on L-H transition process before the first ELMs crash. Therefore the mitigation techniques can be triggered in time to suppress the initial ELMs bursts. In order to further explain the effectiveness of the algorithm, we developed a series of evaluation indicators by shots, and the results show that this algorithm can provide necessary reference for the mitigation and suppression system.
トカマク装置の運転中、周辺局在モード（ELMs）の噴出によって引き起こされる熱負荷問題に対処することは極めて重要である。理想的には、ELMsの緩和および抑制対策は、最初の低から高閉じ込め（L-H）遷移が発生するとすぐに開始されるべきであり、そのためにはL-H遷移過程のリアルタイム監視と正確な識別が必要である。この動機と、最近の深層学習の隆盛により、我々はHL-2Aトカマクにおける深層学習ベースのL-H遷移識別アルゴリズムを提案する。本研究では、Residual long short-term memory層と時間的畳み込みネットワークからなるニューラルネットワークを構築した。ELMsをスライス単位で認識する従来の研究とは異なり、本手法は最初のELMsクラッシュ前のL-H遷移過程に対する認識を実装する。したがって、緩和技術は初期ELMsバーストを抑制するために適時にトリガーされ得る。アルゴリズムの有効性をさらに説明するために、ショット単位での一連の評価指標を開発し、その結果は、このアルゴリズムが緩和および抑制システムに必要な参照を提供できることを示している。