Künstliche Intelligenz schützt Fusionsreaktoren in Echtzeit vor magnetischen Störungen

In diesem Umfeld entstehen Tearing Modes an spezifischen Orten, den sogenannten rationalen Flächen. „Tearing Modes (TMs) – langsame, wachsende, resistive magnetohydrodynamische (MHD) Plasmaperturbationen mit resonanter Modenstruktur – gehören zu den primären Instabilitäten, die die Machbarkeit eines Tokamak-Kraftwerks gefährden", so die Forscher in einer neuen Studie.

Die Entstehung dieser Moden wird durch ein komplexes Gleichgewicht aus stabilisierenden und destabilisierenden Effekten angetrieben. Wenn dieser Gleichgewichtszustand verloren geht, bildet sich im Plasma eine magnetische Blase. Dieses Wachstum verlangsamt die Rotation des Plasmas und führt schließlich dazu, dass das Plasma auf die Reaktorwand aufschlägt, wodurch der Fusionsprozess beendet wird.

In einem unkontrollierten Zustand wächst diese magnetische Blase wie ein Schluckwurm, bringt das System zum Stillstand und zerstreut das Plasma. Lösung für die Echtzeitsteuerung: Herkömmliche physikalische Modelle haben Schwierigkeiten, solche Ereignisse zu bewältigen, da die zugrundeliegenden Mechanismen nichtlinear und chaotisch sind.

Kleine, schnelle Instabilitäten in einem Bereich

Kleine, schnelle Instabilitäten in einem Bereich des rotierenden Plasmas können eine Tearing-Mode an anderer Stelle auslösen. Um dies zu bewältigen, haben die Forscher Cristina Rea und Stuart Benjamin maschinelles Lernen eingesetzt, um große Mengen experimenteller Daten aus früheren Tokamak-Betriebseinheiten zu verarbeiten und die Vorläufer dieser Instabilitäten zu identifizieren.

Diese Algorithmen erkennen Muster, die einen bevorstehenden Tearing-Mode anzeigen, noch bevor dieser mit herkömmlichen Diagnosewerkzeugen sichtbar wird. Diese KI-basierten Vorhersagemodelle werden derzeit zur Entwicklung aktiver Plasmensteuerungen eingesetzt. Diese Steuerungen erhalten Echtzeitdaten aus dem Reaktor und nutzen maschinelles Lernen, um den Stabilitätszustand des Plasmas zu jedem Zeitpunkt zu bestimmen.

Erkennt das System ein Risiko für den Beginn eines Tearing-Mode, passt die Steuerung automatisch die magnetische Konfiguration an, um den Mode zu unterdrücken oder die ihn verursachenden Bedingungen zu vermeiden. Diese Fähigkeit ist für die International Tokamak Physics Activity (ITPA), die derzeit einen Auslöser für das Störungsabschalt-System des ITER-Projekts entwickelt.

Um die Plasmenstabilität zu gewährleisten, steigt

Um die Plasmenstabilität zu gewährleisten, steigt die Nachfrage nach diesen KI-Steuerungen, da Fusionsversuche zu höheren Plasmenpressuren übergehen.

Zwar ist ein höherer Druck für eine effiziente Energieerzeugung unerlässlich, doch er führt auch zu einer erhöhten Häufigkeit und Schwere operativen Kern des Tokamaks können Ingenieure die für eine kontinuierliche Stromerzeugung erforderliche Stabilität aufrechterhalten. „TMs bleiben mit physikalischen Modellen noch immer extrem schwer vorherzusagen, doch ihre stochastische Komplexität spricht ML-gestützte Wissenschaftler an", fasste Benjamin zusammen. „Deshalb wollten wir erläutern, wie aktuelle Studien KI auf große experimentelle Tokamak-Datensätze anwenden, um neue Einblicke in die TM-Physik und Steuerungsmechanismen zu gewinnen, die wir perfektionieren müssen, um sicherzustellen, dass TMs die zukünftigen Tokamak-Kraftwerke nicht gefährden." Diese Controller wirken im Wesentlichen als automatisiertes Lenksystem und halten das Plasma innerhalb der engen Parameter, die für eine anhaltende Fusionsreaktion erforderlich sind.