In this study, a full convolutional neural network is trained on a large database of experimental EAST data to classify disruptive discharges and distinguish them from non-disruptive discharges. The database contains 14 diagnostic parameters from the ∼104 discharges (disruptive and non-disruptive). The test set contains 417 disruptive discharges and 999 non-disruptive discharges, which are used to evaluate the performance of the model. The results reveal that the true positive (TP) rate is ∼ 0.827, while the false positive (FP) rate is ∼0.067. This indicates that 72 disruptive discharges and 67 non-disruptive discharges are misclassified in the test set. The FPs are investigated in detail and are found to emerge due to some subtle disturbances in the signals, which lead to misjudgment of the model. Therefore, hundreds of non-disruptive discharges from training set, containing time slices of small disturbances, are artificially added into the training database for retraining the model. The same test set is used to assess the performance of the improved model. The TP rate of the improved model increases up to 0.875, while its FP rate decreases to 0.061. Overall, the proposed data-driven predicted model exhibits immense potential for application in long pulse fusion devices such as ITER.
本研究では、実験的なEASTデータの大規模データベースを用いて、完全畳み込みニューラルネットワークを訓練し、破壊的放電を分類し、非破壊的放電と区別する。データベースには、約10⁴回の放電（破壊的および非破壊的）から得られた14の診断パラメータが含まれている。テストセットには417回の破壊的放電と999回の非破壊的放電が含まれており、モデルの性能評価に使用される。結果は、真陽性（TP）率が約0.827である一方、偽陽性（FP）率は約0.067であることを示している。これは、テストセットにおいて72回の破壊的放電と67回の非破壊的放電が誤分類されたことを意味する。FPについて詳細に調査したところ、信号中の微妙な擾乱によって誤判定が生じることが明らかになった。そこで、小さな擾乱を含む時間スライスを有する数百回の非破壊的放電を訓練セットから訓練データベースに人為的に追加し、モデルを再訓練した。同じテストセットを用いて改良モデルの性能を評価した結果、TP率は0.875に向上し、FP率は0.061に低下した。全体として、提案されたデータ駆動型予測モデルは、ITERのような長時間運転核融合装置への応用において大きな可能性を示している。