Die Wissenschaft
Die kommerzielle Fusionsenergieerzeugung mit einem Tokamak erfordert stabile und effiziente Fusionsreaktionen. Wirklich können die Bedingungen, die pro eine hohe Fusionsleistung in aktuellen und im Hafthaus befindlichen Geräten wie ITER erforderlich sind, zu schädlichen Energiestößen resultieren. Welche Ausbrüche, sogenannte Edge-Localized Modes (ELMs), treten uff, wenn dasjenige Plasma dem Einschluss durch die Magnetfelder des Tokamaks entkommt. ELMs können die Reaktion stören oder sogar die Maschine kaputt machen. Eine welcher wichtigsten Möglichkeiten zur Stabilisierung von ELMs besteht darin, kleine Anpassungen am Magnetfeld vorzunehmen. Dieser Konzept war jedoch uff manuelle Anpassungen borniert, die uff vorprogrammierten Reaktionen beruhten. In diesem Projekt integrierten Wissenschaftler maschinelles Lernen mit adaptiver Steuerung, um eine Konfiguration in Echtzeit zu glücken. Jener Controller reagierte uff die sich ständig ändernden Bedingungen welcher Fusionsplasmen im Tokamak welcher DIII-D Nationalistisch Merger Facility und im KSTAR-Tokamak des Korea Institute of Merger Energy. Jener Controller erzielte uff diesen beiden Geräten eine vergleichbare Leistung und demonstrierte damit seine breite Anwendungsmöglichkeit.
Die Wirkung
Jener in dieser Studie entwickelte adaptive Controller mit integriertem maschinellem Lernen ist ein großer technologischer Fortschritt. Es ermöglicht eine reaktionsfähige Echtzeitsteuerung störender ELMs im Plasmarand und löst damit eine entscheidende Herausforderung unter welcher Kernverschmelzung. Jener Controller erreichte eine konstant hohe Fusionsleistung uff zwei separaten Tokamaks. Dies deutet darauf hin, dass dieser Konzept in den kommenden Jahren pro Fusionsgeräte zuverlässig sein wird, vom ITER solange bis hin zu zukünftigen kommerziellen Geräten. Seine Fähigkeit, stabile Plasmen ohne ELMs zu erzeugen, kann sogar die Nutzungsdauer welcher Komponenten von Fusionsgeräten verlängern und die Fusionsenergie wirtschaftlicher zeugen.
Zusammenfassung
Im Wettlauf um die Vermarktung welcher Fusionsenergieerzeugung bleibt die Fähigkeit, stabile Plasmen ohne Energiestöße zu erzeugen, die Fusionsreaktionen stören und Maschinen kaputt machen könnten, eine entscheidende Herausforderung. In dieser Studie kombinierten die Forscher maschinelles Lernen, adaptive Steuerung und die Anwendungsmöglichkeit uff mehreren Maschinen, um zusammensetzen Echtzeit-Controller zu gedeihen, welcher in welcher Stellung ist, nahezu vollwertig kantenstoßfreie Plasmen zu erzielen und taktgesteuert die Fusionsleistung in zwei separaten Tokamaks zu steigern.
Welche Steuerung funktionierte, während sie die resonante Magnetfeldstörung (RMP), eine kleine Umbruch im Magnetfeld, die den Plasmarand verändert, wie Reaktion uff die Echtzeitbedingungen in einem Tokamak anpasste. Insbesondere findet welcher Controller die optimale RMP-Auslenkung und dasjenige optimale RMP-Spektrum pro eine robuste ELM-Unterdrückung ohne schädliche Auswirkungen, unterstützt durch zusammensetzen Algorithmus pro maschinelles Lernen, die Ersatzversion des Plasma-Reaktionsmodells. Letztendlich ermöglichte dieser Konzept dasjenige konsistente Klappen welcher höchsten Fusionsleistung unter den getesteten Geräten unter minimiertem Einschlussverlust.
Jener Controller trieb sogar zeitlich eine neuartige 3D-Feldwellenform an, welches zur Kenntniserlangung einer Kopplung von Plasmafluss und Kantentransport führte, die weiter zum Plasmaeinschluss hinzufügen kann. Dieses Ergebnis deutet uff eine breitere Anwendungsmöglichkeit welcher mit künstlicher Intelligenz integrierten Steuerung hin; Es kann Wissenschaftlern zuteil werden lassen, neue Zustände zu untersuchen, die mit herkömmlichen manuellen Ansätzen nicht erreicht wurden, welches zur Evolution neuer optimaler Zustände pro die kommerzielle Merger resultieren kann. Somit können dieser Controller und zukünftige Iterationen den Weg zur Evolution von Burst-freien Hochleistungsplasmaszenarien pro zukünftige Fusionsgeräte ebnen.
Finanzierung
Dieses Werkstoff basiert uff Funktionieren, die vom Department of Energy (DOE) Office of Science und Office of Merger Energy Sciences unter Verwendung welcher DIII-D Nationalistisch Merger Facility, einer Nutzereinrichtung des DOE Office of Science, unterstützt werden. Welche Wissenschaft wurde sogar durch dasjenige Forschungs- und Entwicklungsprogramm KSTAR Experimental Collaboration and Merger Plasma Research (EN2401-15) des Korea Institute of Merger Energy unterstützt.
