Fast Dynamic 1D Simulation of Divertor Plasmas with Neural PDE Surrogates

要約

ダイバータターゲットの熱と粒子束の制約により、原子炉規模のトカマク装置を動作させるには、ダイバータプラズマの管理が極めて重要です。
シミュレーションは、これらのプラズマを理解して制御するための重要なツールですが、リアルタイム アプリケーションや徹底的なパラメーター スキャンの場合、現時点では単純な近似のみが十分に高速です。
私たちは、古典的な数値手法で生成された解を使用してトレーニングされたデータ駆動型ニューラル ネットワーク ベースのサロゲート モデルであるニューラル PDE サロゲートを使用して、高速シミュレータの不足に対処します。
サロゲートは、参照物理ベース モデルの完全な空間ソリューションを時間の経過とともに進化させるタイムステップ演算子を近似します。
データを生成するための参照モデルとして、ダイバータ プラズマの 1D 動的モデルである DIV1D を使用します。
DIV1D のドメインは、X 点 (上流) からターゲットまでの 1D 熱流束チューブをカバーします。
上流の密度ランプによって誘発されるダイナミクスを使用して現実的な TCV ダイバータ プラズマをシミュレートし、高速過渡現象に対する探索的な見通しを提供します。
最先端のニューラル PDE サロゲートは共通のフレームワークで評価され、DIV1D データのプロパティに対して拡張されています。
(1) 速度と精度のトレードオフを評価します。
(2) 非線形動作を再現する。
(3) データ効率。
(4) パラメータの内挿および外挿。
トレーニングが完了すると、ニューラル PDE サロゲートは、サブリアルタイムの計算速度で DIV1D のダイバータ プラズマ ダイナミクスを忠実に近似できます。提案された構成では、2 ミリ秒のプラズマ ダイナミクスを実時間の約 0.63 ミリ秒で計算でき、数桁速くなります。
DIV1Dよりも。

要約(オリジナル)

Managing divertor plasmas is crucial for operating reactor scale tokamak devices due to heat and particle flux constraints on the divertor target. Simulation is an important tool to understand and control these plasmas, however, for real-time applications or exhaustive parameter scans only simple approximations are currently fast enough. We address this lack of fast simulators using neural PDE surrogates, data-driven neural network-based surrogate models trained using solutions generated with a classical numerical method. The surrogate approximates a time-stepping operator that evolves the full spatial solution of a reference physics-based model over time. We use DIV1D, a 1D dynamic model of the divertor plasma, as reference model to generate data. DIV1D’s domain covers a 1D heat flux tube from the X-point (upstream) to the target. We simulate a realistic TCV divertor plasma with dynamics induced by upstream density ramps and provide an exploratory outlook towards fast transients. State-of-the-art neural PDE surrogates are evaluated in a common framework and extended for properties of the DIV1D data. We evaluate (1) the speed-accuracy trade-off; (2) recreating non-linear behavior; (3) data efficiency; and (4) parameter inter- and extrapolation. Once trained, neural PDE surrogates can faithfully approximate DIV1D’s divertor plasma dynamics at sub real-time computation speeds: In the proposed configuration, 2ms of plasma dynamics can be computed in $\approx$0.63ms of wall-clock time, several orders of magnitude faster than DIV1D.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google