Исследователи представили нейросетевую архитектуру на базе Physics-aware Neural Operator Transformer для реконструкции температурных полей в диверторах термоядерных установок. Метод позволяет в реальном времени прогнозировать распределение тепла в вольфрамовых блоках, что критически важно для предотвращения повреждений материалов. Новая модель значительно превосходит традиционные численные методы, такие как метод конечных элементов (FEM), по скорости вычислений.
Традиционные подходы к моделированию тепловых процессов в реакторах требуют огромных вычислительных мощностей, что делает невозможным их использование для оперативного управления установкой. Предложенная архитектура интегрирует физические законы непосредственно в процесс обучения нейросети, обеспечивая высокую точность предсказаний при минимальных временных затратах. Это позволяет системе мгновенно реагировать на изменения тепловой нагрузки.
Применение нейрооператоров открывает путь к созданию систем предиктивного обслуживания для экспериментальных термоядерных реакторов, таких как EAST. Ускорение расчетов позволяет не только продлить срок службы компонентов реактора, но и повысить безопасность эксплуатации сложных физических установок, где критически важен контроль за состоянием материалов при экстремальных температурах.
Ключевые факты
- Метод основан на архитектуре Physics-aware Neural Operator Transformer, сочетающей глубокое обучение с физическими ограничениями.
- Модель предназначена для замены метода конечных элементов (FEM), который требует значительных ресурсов для расчетов в реальном времени.
- Исследование проводилось на данных экспериментального сверхпроводящего токамака EAST.
- Использование нейросети позволяет достичь необходимой точности для предотвращения плавления вольфрамовых элементов дивертора.