一种托卡马克撕裂模预测方法及系统

本发明涉及磁流体监测，尤其涉及一种托卡马克撕裂模预测方法及系统。

背景技术：

1、撕裂模是托卡马克等离子体中常见的磁流体不稳定性，撕裂模发展过程中可通过磁重联改变磁面拓扑并形成磁岛，增强横向输运并降低等离子体约束性能；当磁岛进一步增长或锁定时，还可能导致放电参数退化并增加等离子体破裂风险。因此，在目标撕裂模形成或显著增长前给出风险提示，对于高参数、长脉冲放电的运行监测和主动控制具有重要意义。

2、但现有的撕裂模预警方法均是通过提取幅值、频率、相位等统计特征，训练分类或回归模型来预测撕裂模的发生。在这一过程中，平衡参数因其计算延迟和数值稳定性问题，很少被直接作为核心输入特征纳入实时预警框架，进而导致现有预警方案中缺失基于等离子体内部磁流体力学状态进行本质风险判断的能力，其预测性能存在局限性。

技术实现思路

1、本发明实施例旨在提供一种托卡马克撕裂模预测方法及系统，能够捕捉与撕裂模发生过程具有关联的外部物理信号演化特征及内部磁流体力学状态演化特征，提升了撕裂模风险预测的准确性和可靠性。

2、第一方面，本发明提供了一种托卡马克撕裂模预测方法，包括：

3、获取托卡马克放电过程中的多源诊断信号；

4、从所述多源诊断信号中提取多源诊断特征序列；

5、根据预设的窗口时长，截取历史窗口内的所述多源诊断特征序列，得到历史多源诊断特征矩阵；

6、获取预训练的多任务学习模型；所述多任务学习模型的分支包括撕裂模风险预测分支和平衡参数辅助回归分支，所述多任务学习模型基于所述分支的联合损失训练得到；

7、将所述历史多源诊断特征矩阵输入至所述多任务学习模型中，通过所述撕裂模风险预测分支，输出目标预测时刻的撕裂模风险概率。

8、作为上述方案的改进，所述获取托卡马克放电过程中的多源诊断信号，包括：

9、获取托卡马克放电过程中的平衡相关磁诊断信号、等离子体电流信号、mirnov磁探针信号、电子回旋辐射信号、环向场线圈电流信号和平均电子密度信号，得到多源诊断信号；所述平衡相关磁诊断信号包括小探针信号和磁通环信号；

10、将所述多源诊断信号同步至统一的时间轴上。

11、作为上述方案的改进，所述从所述多源诊断信号中提取多源诊断特征序列，包括：

12、根据所述平衡相关磁诊断信号和所述等离子体电流信号，构建基础运行特征；

13、根据所述mirnov磁探针信号，构建磁扰动统计特征；

14、根据所述电子回旋辐射信号，构建多空间尺度的电子回旋辐射物理特征；

15、根据所述环向场线圈电流信号和所述平均电子密度信号，对所述电子回旋辐射物理特征实施可靠性门控；

16、对所述基础运行特征、所述磁扰动统计特征和经可靠性门控后的所述电子回旋辐射物理特征进行统计标准化处理，得到多源诊断特征序列。

17、作为上述方案的改进，所述根据所述环向场线圈电流信号和所述平均电子密度信号，对所述电子回旋辐射物理特征实施可靠性门控，包括：

18、根据所述环向场线圈电流信号，生成各电子回旋辐射通道的通道有效性掩码；

19、根据所述平均电子密度信号，生成归一化的连续可靠性权重；

20、当所述电子回旋辐射物理特征的空间尺度为单通道时，采用所述通道有效性掩码进行掩码处理，得到第一待处理特征；

21、当所述电子回旋辐射物理特征的空间尺度为相邻通道时，在相邻通道均有效时保留所述电子回旋辐射物理特征，否则将所述电子回旋辐射物理特征置0，得到第二待处理特征；

22、当所述电子回旋辐射物理特征的空间尺度为全局时，根据当前有效通道的所述电子回旋辐射物理特征，得到第三待处理特征；

23、将所述第一待处理特征、所述第二待处理特征和所述第三待处理特征与所述连续可靠性权重相乘，得到经可靠性门控处理后的所有所述电子回旋辐射物理特征。

24、作为上述方案的改进，所述根据预设的窗口时长，截取历史窗口内的所述多源诊断特征序列，得到历史多源诊断特征矩阵，包括：

25、根据预设窗口时长，构建历史窗口；所述历史窗口中不包含当前历史窗口的结束时刻及所述结束时刻之后的多源诊断信号；

26、截取所述历史窗口内的所述多源诊断特征序列，形成历史多源诊断特征矩阵。

27、作为上述方案的改进，所述多任务学习模型的训练方法包括：

28、从训练样本中提取滑动窗口内的多源诊断特征矩阵，作为训练特征矩阵；所述滑动窗口的长度为预设窗口时长；

29、通过自注意力编码，建模所述训练特征矩阵中不同诊断特征间的关联，生成共享状态表征；

30、将所述共享状态表征输入至撕裂模风险预测分支中，计算得到撕裂模风险损失；

31、将所述共享状态表征输入至平衡参数辅助回归分支中，计算得到平衡参数辅助回归损失；

32、将所述撕裂模风险损失和所述平衡参数辅助回归损失组合为联合损失；

33、根据所述联合损失，对所述多任务学习模型的参数和自注意力编码参数进行更新，直至满足预定义的迭代训练停止条件。

34、作为上述方案的改进，所述通过自注意力编码，建模所述训练特征矩阵中不同诊断特征间的关联，生成共享状态表征，包括：

35、对所述训练特征矩阵进行转置，得到在滑动窗口内各诊断特征对应的变量令牌；

36、根据所述变量令牌，通过变量令牌自注意力编码器，建模不同诊断特征间的关联，生成共享状态表征。

37、作为上述方案的改进，所述将所述共享状态表征输入至撕裂模风险预测分支中，计算得到撕裂模风险损失，包括：

38、根据托卡马克放电过程，得到目标撕裂模事件的起始时刻；

39、根据所述起始时刻、预设的事件前过渡区时长和目标预测时刻，为所述训练样本设定监督标签；

40、将所述共享状态表征输入至撕裂模风险预测分支，根据所述监督标签，计算得到撕裂模风险损失。

41、作为上述方案的改进，所述将所述共享状态表征输入至平衡参数辅助回归分支中，计算得到平衡参数辅助回归损失，包括：

42、获取与所述训练样本的时间轴对齐的efit平衡参数的参考值；所述efit平衡参数包括极向比压、内感、近边界安全因子和等离子体拉长比中的至少一项；

43、将所述共享状态表征输入至平衡参数辅助回归分支中，根据所述efit平衡参数的参考值，计算得到平衡参数辅助回归损失。

44、第二方面，本发明实施例还提供了一种托卡马克撕裂模预测系统，包括：

45、信号获取模块，用于获取托卡马克放电过程中的多源诊断信号；

46、特征序列提取模块，用于从所述多源诊断信号中提取多源诊断特征序列；

47、特征矩阵构建模块，用于根据预设的窗口时长，截取历史窗口内的所述多源诊断特征序列，得到历史多源诊断特征矩阵；

48、模型获取模块，用于获取预训练的多任务学习模型；所述多任务学习模型的分支包括撕裂模风险预测分支和平衡参数辅助回归分支，所述多任务学习模型基于所述分支的联合损失训练得到；

49、风险预测模块，用于将所述历史多源诊断特征矩阵输入至所述多任务学习模型中，通过所述撕裂模风险预测分支，输出目标预测时刻的撕裂模风险概率。

50、与现有技术相比，本发明公开的一种托卡马克撕裂模预测方法及系统，通过获取托卡马克放电过程中的多源诊断信号；从所述多源诊断信号中提取多源诊断特征序列；根据预设的窗口时长，截取历史窗口内的所述多源诊断特征序列，得到历史多源诊断特征矩阵；获取预训练的多任务学习模型；所述多任务学习模型的分支包括撕裂模风险预测分支和平衡参数辅助回归分支，所述多任务学习模型基于所述分支的联合损失训练得到；将所述历史多源诊断特征矩阵输入至所述多任务学习模型中，通过所述撕裂模风险预测分支，输出目标预测时刻的撕裂模风险概率。采用本发明实施例，能够捕捉与撕裂模发生过程具有关联的外部物理信号演化特征及内部磁流体力学状态演化特征，提升了撕裂模风险预测的准确性和可靠性。