一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法
本发明属于核聚变等离子体诊断与人工智能预测,具体涉及一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法。
背景技术:
1、核聚变等离子体领域中,安全因子q剖面是表征托卡马克等离子体内部磁场结构和磁力线缠绕特性的重要物理量,其分布状态与等离子体磁流体动力学稳定性、输运特性以及先进控制密切相关。因此,快速、准确地预测安全因子q剖面,对于托卡马克装置的稳定运行和实时控制具有重要意义。
2、现有安全因子q剖面的获取通常依赖平衡重建或物理反演方法。该类方法需要结合磁诊断信号、物理约束条件以及复杂的迭代求解过程,计算复杂度较高,难以满足实时预测场景下对快速响应的需求。同时,在复杂放电工况下,观测数据可能存在噪声、分布不均或样本数量受限等问题,从而影响q剖面预测结果的稳定性和准确性。
3、随着深度学习技术的发展,数据驱动方法逐渐被应用于等离子体参数预测任务。然而,现有方法通常存在多源诊断信息利用不足的问题。一方面,托卡马克装置中的诊断信号具有多模态特征,包括二维平衡场数据、一维剖面数据、标量参数以及辅助工程参数等,不同模态之间在数据维度、物理含义和空间结构上存在显著差异;另一方面,简单地将多种诊断信号拼接后输入模型,难以充分挖掘不同模态之间的互补信息和潜在关联。
4、此外,安全因子q剖面在放电过程中具有明显的动态演化特性,当前时刻的q剖面不仅与当前诊断信号有关,还受到历史等离子体状态的影响。若仅利用当前时刻数据进行预测,容易忽略历史状态对当前状态的影响,导致模型对时序演化规律的刻画不足。因此,需要一种能够同时融合多模态诊断信息并建模历史时序依赖关系的安全因子q剖面预测方法,以提高复杂工况下的预测精度和稳定性。
技术实现思路
1、本发明的目的在于提供一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,以解决现有安全因子q剖面预测方法中多模态诊断信息利用不足、时序动态特征刻画不充分以及复杂工况下预测精度受限的问题。
2、为了实现上述目的,本发明所采用的技术方案为:
3、一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,包括以下步骤:
4、步骤一:获取托卡马克放电过程中连续采样时刻的多模态诊断数据及其对应的真实安全因子q剖面标签;
5、步骤二:按照放电炮编号和采样时刻对所述多模态诊断数据进行排序,并以当前预测时刻为基准,选取当前预测时刻之前的t个历史时刻,构建由t个历史时刻和一个当前时刻组成的时序输入样本;
6、步骤三:在模型训练阶段,对所述时序输入样本进行数据增强处理,得到增强后的训练样本集合;
7、步骤四:针对所述时序输入样本中每一时刻的多模态诊断数据,按照模态类型进行解耦编码,将不同维度和不同物理含义的诊断信号分别映射至统一维度的模态嵌入特征;
8、步骤五:将同一时刻的多个模态嵌入特征组成模态特征序列,并输入模态注意力融合模块,得到该时刻的多模态融合特征向量;
9、步骤六:将t个历史时刻的多模态融合特征向量与当前时刻的多模态融合特征向量在时间维度上进行堆叠,得到时序特征序列,并通过时序注意力建模提取时序依赖特征;
10、步骤七:将所述时序特征序列输入时序注意力建模模块,提取安全因子q剖面随放电过程演化的时序依赖特征;基于所述时序依赖特征,通过预测网络输出当前预测时刻的安全因子q剖面预测结果;
11、步骤八:根据所述安全因子q剖面预测结果与真实安全因子q剖面标签之间的误差构建损失函数,并基于所述损失函数训练预测模型,对预测模型进行优化。
12、此外,本发明还提出了一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测系统,包括:
13、数据获取模块,用于获取托卡马克放电过程中连续采样时刻的多模态诊断数据及其对应的真实安全因子q剖面标签。
14、时序样本构建模块,用于按照放电炮编号和采样时刻对所述多模态诊断数据进行排序,并以当前预测时刻为基准,构建由t个历史时刻和一个当前时刻组成的时序输入样本。
15、数据增强模块,用于在模型训练阶段对所述时序输入样本进行数据增强处理,得到增强后的训练样本集合。
16、解耦编码模块,用于针对所述时序输入样本中每一时刻的多模态诊断数据,按照模态类型进行解耦编码,将不同维度和不同物理含义的诊断信号分别映射至统一维度的模态嵌入特征。
17、模态融合模块,用于将同一时刻的多个模态嵌入特征组成模态特征序列,并通过模态注意力融合得到该时刻的多模态融合特征向量。
18、时序建模模块,用于将t个历史时刻的多模态融合特征向量与当前时刻的多模态融合特征向量在时间维度上堆叠为时序特征序列,并通过时序注意力建模提取时序依赖特征。
19、预测输出模块,用于基于所述时序依赖特征输出当前预测时刻的安全因子q剖面预测结果。
20、训练优化模块,用于根据所述安全因子q剖面预测结果与真实安全因子q剖面标签之间的误差构建损失函数,并基于所述损失函数训练预测模型。
21、进一步地,融合多模态时序诊断信号的托卡马克安全因子q剖面预测系统中,所述模态融合模块包括基于transformer编码器的多头自注意力单元、全局平均池化单元和多层感知机映射单元。所述时序建模模块包括位置编码单元和基于transformer编码器的时序注意力单元。
22、与现有技术相比,本发明至少具有如下有益效果:
23、第一,本发明通过构建历史时间窗口和当前预测时刻组成的时序输入样本,使模型能够利用放电过程中的历史状态信息,从而增强对安全因子q剖面动态演化规律的建模能力。
24、第二,本发明针对二维平衡场模态、一维剖面模态和标量模态分别进行特征编码,并将不同模态映射到统一特征空间,能够缓解多源异构诊断信号在数据维度和物理含义上的差异。
25、第三,本发明通过基于transformer的模态注意力融合模块对不同诊断信号之间的互补关系进行建模,使多模态诊断信息能够在潜在空间中实现有效融合。
26、第四,本发明通过时序transformer模块对历史融合特征和当前融合特征进行时间依赖建模,能够提取等离子体状态随时间演化的动态特征,提高安全因子q剖面预测的稳定性。
27、第五,本发明在训练阶段引入高斯噪声干扰、样本混合、时间插值和尺度变换等数据增强策略,能够扩展训练样本分布,缓解样本数量受限和工况分布不均对模型训练造成的影响。
1.一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤一中,所述多模态诊断数据包括二维平衡场模态、一维剖面模态、标量模态和辅助参数模态中的至少两类;所述二维平衡场模态包括极向磁通分布、网格r坐标和网格z坐标中的至少一种;所述一维剖面模态包括电子密度、电子温度、离子温度、杂质密度和环向旋转速度中的至少一种;所述标量模态包括纵场和等离子体电流中的至少一种;所述真实安全因子q剖面标签为沿归一化半径方向离散得到的一维剖面向量,所述一维剖面向量包括多个径向采样点的q值。
3.如权利要求2所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤二中,所述历史时刻的输入包括历史多模态诊断数据及历史安全因子q剖面信息,所述当前时刻的输入包括当前多模态诊断数据。
4.如权利要求3所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤三中,所述数据增强处理包括高斯噪声干扰、样本混合、时间插值和尺度变换中的至少一种;
5.如权利要求4所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤四中,首先,对二维平衡场模态采用二维卷积编码器提取空间结构特征,并通过全局平均池化和线性映射得到二维模态嵌入特征;设二维输入为,通过二维卷积编码器提取得到空间特征,再通过全局平均池化和线性映射得到二维模态嵌入特征;对一维剖面模态采用一维卷积编码器对序列长度维度进行压缩,并通过维度压缩操作得到一维模态嵌入特征;设第m个一维物理量在时间步t的输入为,采用一维卷积编码器对序列长度维度进行压缩,并通过维度压缩操作得到对应的一维模态嵌入特征;对标量模态采用线性映射网络或多层感知机编码器得到标量模态嵌入特征;然后,将二维模态嵌入特征、一维模态嵌入特征和标量模态嵌入特征统一到相同的特征维度。
6.如权利要求5所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤五中,所述模态注意力融合模块通过多头自注意力机制建模不同诊断信号之间的关联关系,使每一模态特征吸收其他模态特征中的互补信息;
7.如权利要求6所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤六中,首先,分别对历史时间窗口内的各历史时刻和当前预测时刻执行多模态特征融合,得到历史融合特征向量和当前融合特征向量;再将所述历史融合特征向量和当前融合特征向量按照时间顺序进行堆叠,构建时序特征序列;
8.如权利要求7所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤七中,将所述时序特征序列输入时序transformer模块,通过时序注意力机制提取历史状态与当前状态之间的时间依赖特征;所述时序transformer模块用于捕捉安全因子q剖面在放电过程中的动态演化规律;
9.如权利要求8所述的融合多模态时序诊断信号的托卡马克安全因子q剖面预测方法,其特征在于,步骤八中,在得到所述安全因子q剖面预测结果之后,计算所述安全因子q剖面预测结果与真实安全因子q剖面标签之间的相对偏差,根据所述相对偏差评估不同径向位置处的预测误差分布;
10.一种融合多模态时序诊断信号的托卡马克安全因子q剖面预测系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com