Safe operations at ITER will require accurate detection of incoming disruptions. To this end, we propose a shapelet-based neural network architecture. Firstly, using a multi-class disruption dataset from JET, we show that our shapelet-based models perform better than two architectures from the literature. Secondly, on a cross-tokamak dataset with JET and ASDEX-Upgrade data, we highlight the remarkable interpretability of this method and gain insight into the processes triggering the predictions.
Übersetzte Kurzfassung:
Der sichere Betrieb ITERs erfordert die Erkennung zukünftiger Disruptionen. Zu diesem Zweck schlagen wir ein Shapelet-basiertes neuronales Netzwerk vor. Anhand eines Mehrklassen-Disruptionsdatensatzes von JET zeigen wir, dass unser shapelet-basiertes Modell besser als zwei Architekturen aus der Literatur abschneidet.
Zudem zeigen wir mittels eines Cross-Tokamak-Datensatzes von JET- und ASDEX-Upgrade die bemerkenswerte Interpretierbarkeit dieser Methode und gewinnen Einblicke in die Vorhersagen.
«
Der sichere Betrieb ITERs erfordert die Erkennung zukünftiger Disruptionen. Zu diesem Zweck schlagen wir ein Shapelet-basiertes neuronales Netzwerk vor. Anhand eines Mehrklassen-Disruptionsdatensatzes von JET zeigen wir, dass unser shapelet-basiertes Modell besser als zwei Architekturen aus der Literatur abschneidet.
Zudem zeigen wir mittels eines Cross-Tokamak-Datensatzes von JET- und ASDEX-Upgrade die bemerkenswerte Interpretierbarkeit dieser Methode und gewinnen Einblicke in die Vorhersagen....
»