基于深度学习的HL-2A装置ELM实时控制系统的研制

利用HL-2A装置已开发的基于深度学习的边缘局域模(ELM)识别算法和超声分子束注入(SMBI)等ELM缓解设备组成了一个ELM实时识别和控制系统。该系统实时采集相关的输入数据,通过神经网络计算分析,输出识别信号,当检测到存在连续ELM时,触发SMBI以缓解ELM。在HL-2A装置放电实验期间对ELM实时控制系统进行了测试,识别效果明显,在1ms控制周期中,达到了ELM的实时缓解与控制。     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

ʯӢ����΢��ƽ��HL-2Aװ���ϵ�Ӧ��

在HL-2A装置上采用石英晶体微天平(QCM)测量碳元素及其化合物的沉积质量,从测量的数据可知,每次等离子体放电后QCM的沉积量都会有细微变化,每次放电测得的沉积质量约为0.1~10μg.沉积量的变化与沉积物质再腐蚀或者溅射有关.根据一天的测量结果,可以计算得出HL-2A装置偏滤器区域平均每次放电(非H模放电)的沉积厚度约为10nm.     

石英晶体微天平在HL-2A装置上的应用

在HL-2A装置上采用石英晶体微天平(QCM)测量碳元素及其化合物的沉积质量,从测量的数据可知,每次等离子体放电后QCM的沉积量都会有细微变化,每次放电测得的沉积质量约为0.1~10μg。沉积量的变化与沉积物质再腐蚀或者溅射有关。根据一天的测量结果,可以计算得出HL-2A装置偏滤器区域平均每次放电(非H模放电)的沉积厚度约为10nm。     

HL-2A托卡马克上的边缘局域模特性初步研究

高约束模式(H模)下自发产生的边缘局域模(ELM),虽然利于控制等离子体密度和排出杂质粒子从而实现H模放电的稳态运行,但是ELM爆发携带的大量粒子和能量会对装置的第一壁材料造成很大的损坏,所以在下一代聚变装置上使用之前很多装置已经开始了对ELM的研究.在HL-2A装置上观察到了不同的ELM,扰动幅度小的ELM引起的等离子体储能损失小于3%,ELM之间的时间间隔约为3 ms,表现出Ⅲ型ELM的特征;扰动幅度较大的ELM的爆发对等离子体电流、等离子体密度及储能都有很明显的扰动,对等离子体储能的扰动大于10%,ELM爆发的频率随通过等离子体磁分界面的净加热功率的增加而增加,表现出明显的Ⅰ型ELM的特征.ELM先兆有不对称性,在弱场侧磁探针信号能观测到,但强场侧却观测不到;ELM先兆的频率约为45 kHz,观测到的最长的先兆先于ELM前约10ms出现.     

HL-2M装置等离子体放电反馈控制系统

通过对HL-2M装置极向场线圈的参数和初始等离子放电控制需求的分析，基于实时采集系统和反射内存实时数据传输的先进控制集成技术，完成了整个HL-2M初始等离子体放电反馈控制系统的设计。新系统实现了稳定的1ms控制周期和实时数据传输，同时解决了实时控制周期和数据传输的延迟。实验结果表明新设计的等离子控制系统能满足初始等离子体极向场线圈电流控制的需求。     

HL-2A装置反馈控制系统程序放电的实现

HL-2A装置反馈控制系统的主要任务是逐步实现对等离子体电流、位移、形状和密度的实时反馈控制，从而能够按照实验目的对托卡马克等离子体进行各种试验。主要介绍了HL-2A装置反馈控制系统的硬件组成以及软件的结构和特点。这个系统能够很好地满足HL-2A装置程序放电的要求。     

HL-2M装置等离子体放电反馈控制系统

通过对HL-2M装置极向场线圈的参数和初始等离子放电控制需求的分析,基于实时采集系统和反射内存实时数据传输的先进控制集成技术,完成了整个HL-2M初始等离子体放电反馈控制系统的设计。新系统实现了稳定的1ms控制周期和实时数据传输,同时解决了实时控制周期和数据传输的延迟。实验结果表明新设计的等离子控制系统能满足初始等离子体极向场线圈电流控制的需求。     

��GATO����ģ��HL-2Aװ��ʵ���MHD�ȶ���

将理想全二维磁流体(MHD)稳定性数值代码GATO成功移植到HL-2A高性能计算系统,并用其模拟研究了HL-2A装置一次典型弹丸注入实验的等离子体的理想MHD稳定性。利用HL-2A装置第4050次放电的实验数据,应用EFIT代码重建了几个时间片的平衡位形,然后应用GATO代码对每个平衡位形的MHD稳定性进行了计算。通过对结果进行分析比较得出初步结论,由于弹丸注入而造成的反剪切位形的致稳作用,可以提高等离子体的约束性能。     

HL-2A托卡马克实验进展和科学创新

中国环流器二号A(HL-2A)托卡马克是中国第一个带偏滤器的大型受控核聚变研究装置.文章综述了在HL-2A托卡马克装置上的重要实验结果.自从HL-2A装置建成以来,有以下3个重要进展:实现了等离子体偏滤器位形放电;等离子体电子温度达到5500万度;实现了具有边缘局域模的高约束(H模)放电.随着HL-2A装置辅助加热能力和先进等离子体诊断等系统的发展,该装置在聚变等离子体物理的若干领域做出了以下创新性的贡献:实验验证了对聚变等离子体输运有重要影响的带状流的三维结构;进一步发展了原创的分子束加料技术,并且成功地应用于等离子体输运研究;用低频调制的电子回旋共振加热(ECRH)对撕裂模进行了有效的抑制,并使约束得到改善;观测到高能电子激发的内部扭曲模和阿尔芬模等新的物理现象.文章还简要介绍了该装置的发展计划及近期要开展的物理实验研究内容.     

Observation of chaotic ELMs in HL-2A tokamak

The high confinement mode(H-mode) operation is recently obtained in HL-2A divertor configuration,the corresponding edge localized mode(ELM) is recognized as being of type III.Time intervals in ELM time series are analysed to obtain the information about the ELM process.Signatures of unstable periodic orbits(UPOs) are detected,which are indicators of chaos and may be used to control the big ELM events.     

基于流形学习的极端学习机及其在人脸识别中的应用

极端学习机以其快速高效和良好的泛化能力在模式识别领域得到了广泛应用,然而现有的ELM及其改进算法并没有充分考虑到数据维数对ELM分类性能和泛化能力的影响,当数据维数过高时包含的冗余属性及噪音点势必降低ELM的泛化能力,针对这一问题本文提出一种基于流形学习的极端学习机,该算法结合维数约减技术有效消除数据冗余属性及噪声对ELM分类性能的影响,为验证所提方法的有效性,实验使用普遍应用的图像数据,实验结果表明本文所提算法能够显著提高ELM的泛化性能。     

False Positive and False Negative Effects on Network Attacks

Robustness against attacks serves as evidence for complex network structures and failure mechanisms that lie behind them. Most often, due to detection capability limitation or good disguises, attacks on networks are subject to false positives and false negatives, meaning that functional nodes may be falsely regarded as compromised by the attacker and vice versa. In this work, we initiate a study of false positive/negative effects on network robustness against three fundamental types of attack strategies, namely, random attacks (RA), localized attacks (LA), and targeted attack (TA). By developing a general mathematical framework based upon the percolation model, we investigate analytically and by numerical simulations of attack robustness with false positive/negative rate (FPR/FNR) on three benchmark models including Erd?s-Rényi (ER) networks, random regular (RR) networks, and scale-free (SF) networks. We show that ER networks are equivalently robust against RA and LA only when FPR equals zero or the initial network is intact. We find several interesting crossovers in RR and SF networks when FPR is taken into consideration. By defining the cost of attack, we observe diminishing marginal attack efficiency for RA, LA, and TA. Our finding highlights the potential risk of underestimating or ignoring FPR in understanding attack robustness. The results may provide insights into ways of enhancing robustness of network architecture and improve the level of protection of critical infrastructures.     

HL-2A 装置超声分子束注入缓解偏滤器靶板上边缘局域模热通量研究

在HL-2A 装置上优化和发展了偏滤器靶板上的红外测温系统,并利用该系统分析了高约束模放电期间边缘局域模的热沉积分布特性。在高约束模式放电期间,超声分子束注入使边缘局域模所引起的偏滤器靶板上瞬间热通量峰值下降了~60%,并伴随着边缘局域模爆发频率增加了2~3 倍,而等离子体储能仅下降了~8%。分析结果表明,大幅度的丝状结构在超声分子束注入之后得到了有效抑制,沉积到偏滤器靶板上的瞬间热通量峰值也随之下降。此外,在超声分子束注入之后偏滤器室内的热辐射损失大幅度增加,从而耗散了热输运所携带的部分能量,进一步分散了沉积到偏滤器靶板上的能量,有效地保护了偏滤器靶板。     

HL-2A װ�ó���������ע�뻺��ƫ�����а��ϱ�Ե����ģ��ͨ���о�

在HL-2A 装置上优化和发展了偏滤器靶板上的红外测温系统,并利用该系统分析了高约束模放电期间边缘局域模的热沉积分布特性。在高约束模式放电期间,超声分子束注入使边缘局域模所引起的偏滤器靶板上瞬间热通量峰值下降了~60%,并伴随着边缘局域模爆发频率增加了2~3 倍,而等离子体储能仅下降了~8%。分析结果表明,大幅度的丝状结构在超声分子束注入之后得到了有效抑制,沉积到偏滤器靶板上的瞬间热通量峰值也随之下降。此外,在超声分子束注入之后偏滤器室内的热辐射损失大幅度增加,从而耗散了热输运所携带的部分能量,进一步分散了沉积到偏滤器靶板上的能量,有效地保护了偏滤器靶板。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

HL-2A װ���ϵĿ�ɨQ ����΢������ϵͳ����

介绍了在HL-2A装置上发展的一套快速扫频的Q波段外差微波反射系统,用于高时空分辨测量等离子体边缘到约束区的电子密度分布。该系统采用外差式连续波扫频调制技术(VCO),由外部任意波电压控制,工作频率为33~50GHz,全波段扫频周期达到6μs。在台面标定中发展了 VCO 源的动态标定技术,并解决了微波源及器件的非线性响应、波导的色散特性等因素造成差频频率动态范围过大的问题,使反射面固定时系统输出的差频为定频信号,有利于降低噪声干扰和数据处理。同时发展了直接相位处理技术,实现快速的电子密度分布反演。实验中用该微波反射系统测得了L模、H模等不同等离子体放电条件下的电子密度分布,观测ELM爆发前后台基区的形成与垮塌过程。     

HL-2A 装置上的快扫Q 波段微波反射系统研制

介绍了在HL-2A 装置上发展的一套快速扫频的Q 波段外差微波反射系统,用于高时空分辨测量等离子体边缘到约束区的电子密度分布。该系统采用外差式连续波扫频调制技术(VCO),由外部任意波电压控制,工作频率为33~50GHz,全波段扫频周期达到6μs。在台面标定中发展了VCO 源的动态标定技术,并解决了微波源及器件的非线性响应、波导的色散特性等因素造成差频频率动态范围过大的问题,使反射面固定时系统输出的差频为定频信号,有利于降低噪声干扰和数据处理。同时发展了直接相位处理技术,实现快速的电子密度分布反演。实验中用该微波反射系统测得了L 模、H 模等不同等离子体放电条件下的电子密度分布,观测ELM 爆发前后台基区的形成与垮塌过程。     

Favourable scenarios established by SMBI for the realization of the ELMy H-mode at HL-2A

The ELMy H-mode plasmas realized with the supersonic molecular beam injection(SMBI) are studied in relation to the energy confinement and the heating power for the L–H transition(P_(L-H) ) in the HL-2A tokamak. A database is assembled for this study based on the ELMy H-mode discharges during the experimental campaigns in the period 2009–2013at the HL-2A tokamak. The statistical results show that the SMBI is favourable for reaching the H-mode by reducing the heating power at the L–H transition and for the H-mode performance by improving the energy confinement compared with the ordinary gas puffing(GP). The reduction of P_(L-H) is about 20% when the density is low, and the energy confinement enhancement factor of H_(H98y2)= τ_E/τ_(th,98y2) ≈ 1.5 is achieved with the SMBI. Note that in the database the density dependence of P_(L-H) is non-monotonic with the ˉne,min≈ 3×10~(19) m~(-3) at which the P_(L-H) is minimum. Most of P_(L-H) data are on the low density branch where the P_(L-H) increases with the decrease in density. The minimum of the P_(L-H) in HL-2A is comparable to the ITPA multi-machine threshold power scaling P_(thr■scal08). The physics behind the reduction of the P_(L-H) with the SMBI is also investigated in relation to the change of the density gradient at the plasma edge, the gas fuelling efficiency, and the recycling.     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。