The identification of turbulence sources would drive to a deeper understanding of confinement dynamics in tokamak plasmas. Turbulence results from a mixture of instabilities corresponding to sources at different timescales and spatial scales. Using poloidal correlation reflectometry and multi-pin Langmuir probe, it was shown in the T-10 and the Tokamak Experiment for Technology Oriented Research (TEXTOR) tokamaks that the reflectometry frequency spectrum is the superposition of several components: broadband component, quasi-coherent (QC) modes and low-frequency components. The relevance of QC modes is associated with their link with the trapped electron mode instability. This link was exhibited in the transition from the linear ohmic confinement (LOC) to the saturated ohmic confinement (SOC) regime. A method is presented in this paper to extract the QC mode component from the reflectometry data, enabling its separation from the broadband component and the study of its time evolution. It is a first step toward the discrimination of turbulence sources. The central idea explores a way to combine the approach of signal processing and machine learning. The continuous wavelet transform on the basis of complex Morlet wavelet has proved to be efficient in providing a decomposition of a signal at different scales over time for fluctuation tackling; clustering techniques, such as the mini-batch K-means, are able to tackle clusters at different scales. The method was applied to Tore Supra and TEXTOR reflectometry data. In Tore Supra, the amplitude of the extracted QC mode component decreases during the LOC–SOC transition. In TEXTOR, the amplitude of the coherent spectra of the extracted QC mode component is similar to the experimental coherent spectra obtained through correlation reflectometry. The developed method permits the extraction of components, preserving their physical and statistical properties.
乱流源の同定は、トカマクプラズマにおける閉じ込め力学の深い理解につながるであろう。乱流は、異なる時間スケールと空間スケールに対応する複数の不安定性の混合に起因する。ポロイダル相関反射計測と多ピンラングミュアプローブを用いて、T-10およびトカマク技術指向研究（TEXTOR）装置において、反射計測周波数スペクトルが複数の成分、すなわち広帯域成分、準コヒーレント（QC）モード、および低周波成分の重ね合わせであることが示された。QCモードの重要性は、閉じ込め遷移における役割に関連している。このモードは、閉じ込めモードの遷移、具体的には線形閉じ込め（LOC）から飽和閉じ込め（SOC）への遷移において、捕捉電子モード（TEM）との関連を示す。本論文では、反射計測データからQCモード成分を抽出する手法を提示し、これにより広帯域成分からの分離とその時間発展の研究を可能にする。これは乱流源の識別に向けた第一歩である。中心となる考え方は、信号処理と機械学習のアプローチを組み合わせる方法を探求することである。複素モーレーウェーブレットに基づく連続ウェーブレット変換は、変動の異なるスケールでの信号分解において効率的であることが実証されている。また、ミニバッチK平均法などのクラスタリング手法は、異なるスケールでのクラスタを識別することができる。本手法はTore SupraおよびTEXTORの反射計測データに適用された。Tore Supraでは、抽出されたQCモード成分の振幅は、LOCからSOCへの遷移中に減少する。TEXTORでは、抽出されたQCモード成分のコヒーレントスペクトルの振幅は、相関反射計測によって得られた実験的なコヒーレントスペクトルと類似している。開発された手法は、物理的および統計的特性を保持したまま成分の抽出を可能にする。