Advanced techniques of disruption prediction, application to JET and extrapolation to ITER

Resumen

Esta tesis aborda las bases de datos masivas generadas por los dispositivos experimentales de fusión nuclear. Se utilizan técnicas de inteligencia artificial y algoritmos de aprendizaje automático para resolver problemas específicos en fusión nuclear con datos muy ruidosos y altamente desbalanceados. Este trabajo se centra en la predicción de disrupciones y sus bases de datos. Las disrupciones son la inestabilidad más peligrosa en los dispositivos tokamak, por ello es necesario predecirlas con efectividad para llevar a cabo acciones de mitigación. Sin embargo, los datos proporcionados para desarrollar predictores no son triviales, es necesario realizar un estudio y análisis exhaustivo para posteriormente procesarlos. Esta tesis está estructurada en cinco capítulos. El capítulo 1 explica los conceptos más importantes sobre fusión nuclear y resume la física de plasma fundamental para entender el contexto de la tesis. Este capítulo aborda el problema más importante en un tokamak, las disrupciones. En el capítulo 2 se explican las técnicas de minería de datos y aprendizaje automático utilizadas. El capítulo 3 muestra la generación de las bases de datos utilizadas en esta tesis y otros trabajos. En este mismo capítulo se explica el predictor APODIS y los trabajos realizados con este predictor: los resultados y funcionamiento del predictor durante las campañas de pared metálica (ILW) en JET (Joint European Torus), un análisis de robustez para determinar las características más importantes y la implementación de un mecanismo de ventanas deslizantes para cambiar la resolución temporal. En el capítulo 4 se desarrolla una herramienta automática para determinar el instante de disrupción. Finalmente el capítulo 5 contiene los estudios de predicción de disrupciones en vistas a las nueva generación de dispositivos de fusión: un nuevo predictor de una sola capa, predictores partiendo de cero y un análisis de la dinámica del plasma alrededor del tiempo de la disrupción.