In this study, a long short-term memory (LSTM) model is trained on a large disruption warning database to predict the disruption on EAST tokomak. To compare the performance of the proposed model with the previously reported full convolutional neural network (CNN) (Guo et al 2020 Plasma Phys. Control. Fusion63 025008), the same data set and diagnostic signals are used. Based on the test set, the area under the receiver operating characteristic curve, i.e. the AUC value of the LSTM model is obtained as 0.87, and the true positive rate (TPR) is sim87.5%, while the false positive rate (FPR) is sim15.1%. Since the LSTM model is more sensitive to radiation fluctuations than CNN, the prediction performance of LSTM model is inferior to that of CNN model (for CNN, AUC sim 0.92, TPR sim 87.5%, FPR sim 6.1%). However, the advance warning time of LSTM model is 14 ms earlier than that of CNN. To reduce the FPR and improve the performance of the model, more fast bolometer channels are added as the input signals of the LSTM model, including the radiation from the upper and lower edges and the plasma core. Consequently, for the same test set, the AUC value increases to 0.89, and the FPR decreases to sim9.4%, but the TPR also decreases to sim83.9%. In addition, the sensitivity of the model to radiation fluctuations caused by impurity behavior decreases significantly, and the warning time becomes 8.7 ms earlier as compared to that of the original model. Overall, it is proved that deep learning algorithms exhibit immense application potential in the disruption prediction of long-pulse fusion devices.
本研究では、大規模なディスラプション警告データベースを用いて長期短期記憶（LSTM）モデルを訓練し、EASTトカマクにおけるディスラプションを予測する。提案モデルの性能を、既報の完全畳み込みニューラルネットワーク（CNN）（Guoら 2020 Plasma Phys. Control. Fusion 63 025008）と比較するため、同一のデータセットと診断信号を使用する。テストセットに基づき、LSTMモデルの受信者動作特性曲線下面積、すなわちAUC値は0.87、真陽性率（TPR）は約87.5%、偽陽性率（FPR）は約15.1%と得られた。LSTMモデルはCNNよりも放射変動に敏感であるため、LSTMモデルの予測性能はCNNモデル（CNNの場合、AUC約0.92、TPR約87.5%、FPR約6.1%）よりも劣る。しかし、LSTMモデルの事前警告時間はCNNよりも14 ms早い。FPRを低減しモデルの性能を向上させるため、より多くの高速ボロメータチャネルがLSTMモデルの入力信号として追加され、上部・下部エッジおよびプラズマコアからの放射が含まれる。その結果、同一のテストセットに対して、AUC値は0.89に増加し、FPRは約9.4%に減少するが、TPRも約83.9%に減少する。さらに、不純物挙動に起因する放射変動に対するモデルの感度は有意に低下し、警告時間は元のモデルと比較して8.7 ms早くなる。全体として、深層学習アルゴリズムは長パルス核融合装置のディスラプション予測において大きな応用可能性を示すことが実証された。