In view of the future high power nuclear fusion experiments, the early identification of disruptions is a mandatory requirement, and presently the main goal is moving from the disruption mitigation to disruption avoidance and control. In this work, a deep-convolutional neural network (CNN) is proposed to provide early detection of disruptive events at JET. The CNN ability to learn relevant features, avoiding hand-engineered feature extraction, has been exploited to extract the spatiotemporal information from 1D plasma profiles. The model is trained with regularly terminated discharges and automatically selected disruptive phase of disruptions, coming from the recent ITER-like-wall experiments. The prediction performance is evaluated using a set of discharges representative of different operating scenarios, and an in-depth analysis is made to evaluate the performance evolution with respect to the considered experimental conditions. Finally, as real-time triggers and termination schemes are being developed at JET, the proposed model has been tested on a set of recent experiments dedicated to plasma termination for disruption avoidance and mitigation. The CNN model demonstrates very high performance, and the exploitation of 1D plasma profiles as model input allows us to understand the underlying physical phenomena behind the predictor decision.
将来の高出力核融合実験を見据え、ディスラプションの早期特定は必須の要件であり、現在の主な目標はディスラプションの緩和から、その回避および制御へと移行しつつある。本研究では、ディスラプション事象の早期検出を目的とした深層畳み込みニューラルネットワーク（CNN）を提案する。CNNは、手動による特徴量設計を必要とせずに特徴を学習する能力を有しており、この特性を活用して、1次元プラズマプロファイルから時空間情報を抽出した。モデルは、通常の放電終了を伴う放電データを用いて訓練され、近年のITER類似壁環境で取得されたディスラプションの位相を自動的に選択して学習した。予測性能は、様々な運転シナリオを代表する放電データセットを用いて評価され、考慮した実験条件に対する性能の変化について詳細な分析を行った。さらに、JETにおけるリアルタイムトリガーおよび終了シーケンスの開発を見据え、提案モデルを最近のプラズマ終了実験に適用して検証した。その結果、CNNモデルは非常に高い性能を示し、1次元プラズマプロファイルをモデル入力として用いることで、予測器の判断の背後にある物理現象の理解が可能となることが示された。