008240612s2023      us  |||||||||||||||c||eng  d
■001000016934776
■00520240214101652
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380857024
■035    ▼a(MiAaPQ)AAI30634520
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aGarcia,  Alvin  V.
■24510▼aSpin  Polarized  Fuel  and  Artificial  Intelligence  in  Fusion  Energy  at  DIII-D▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Irvine.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(166  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Heidbrink,  William  W.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Irvine,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  thesis  presents  advances  in  computational  modelling,  analysis  and  techniques  that  can  be  used  to  study  mission  critical  topics  in  fusion.  Energetic  particles  is  an  important  field  of  research  since  information  about  the  plasma  state  can  be  encoded  in  the  fast-ion  distribution  function.  Energetic  ions  can  resonate  with  plasma  waves  in  a  fusion  device,  degrade  plasma  performance  or  confinement,  and  damage  the  inner  walls  of  the  vessel.  There  is  a  need  in  the  community  to  better  understand  the  fast-ion  distribution  function,  improve  plasma  performance,  and  mitigate  unwanted  impacts  from  wave-particle  interactions.In  chapter  2,  the  weight  function  for  3-MeV  protons  produced  in  d(d,p)t  fusion  reactions  between  a  fast  ion  and  a  thermal  deuteron  is  developed.  The  weight  function  W(X)  is  a  diagnostic  sensitivity  to  phase-space  variables  X  that  relates  the  measured  signal  C  to  the  distribution  function  F(X)  through  the  equation  C  =  ∫  W(X)  F(X)  dX.  The  algorithm  developed  here  accounts  for  the  complications  associated  with  the  curved  "sightline"  trajectories  of  the  escaping  protons.  Time-reversed  orbits  are  initially  calculated  to  get  the  effective  solid  angles  and  sightlines  for  the  range  of  incident  proton  velocity  vectors.  Synthetic  diagnostic  code  FIDASIM  [Plasma  Phys.  Cont.  Fusion  62  (2020)  105008]  is  upgraded  to  accept  these  inputs,  then  calculate  the  reactivity  averaged  over  the  thermal  distribution  of  the  "target"  deuterons  and  the  probability  that  a  fast  ion  of  specified  energy  and  pitch  has  a  gyroangle  that  is  consistent  with  the  kinematic  equations  along  each  of  the  sightlines.  The  outputs  of  FIDADSIM  are  verified  using  independent  calculations  on  the  Mega  Amp  Spherical  Tokamak.In  chapter  3,  a  conceptual  design  to  diagnose  the  lifetime  of  spin  polarized  fusion  experiments  using  existing  port  geometries  is  developed  at  DIII-D.  The  cross  sections  for  the  D-T  and  D-3He  fusion  reactions  are  increased  by  as  much  as  50%  if  the  fuel  remains  spin  polarized  parallel  to  the  magnetic  field  in  magnetically  confined  fusion  experiments.  The  goal  in  this  chapter  is  to  assess  the  feasibility  of  lifetime  measurements  of  spin  polarization,  in  magnetic  fusion  relevant  conditions,  on  the  DIII-D  tokamak  using  relative  changes  in  charged  fusion  product  (CFP)  loss  measurements  that  depend  upon  the  differential  fusion  cross  section.  Relative  measurements  that  capture  changes  in  the  escaping  CFP  pitch,  poloidal,  and  energy  distributions  are  studied  in  two  realistic  TRANSP  calculated  plasma  scenarios  (high  Ti  and  beam-plasma).Ideal  CFP  detection,  a  realistic  assessment  of  CFP  signals  and  reduced  chi-squared  χ2r  calculations  show  polarization  lifetime  measurements  are  feasible  for  the  thermonuclear  (high  Ti)  scenario.In  chapter  4,  Machine  Learning  (ML)  models  are  developed  to  automatically  detect  Alfven  eigenmodes  (AE)  and  these  models  achieve  high  performance  (True  Positive  Rate  =  90%  and  False  Positive  Rate  =  14%).ML-based  models  can  be  useful  for  real-time  detection  and  control  of  AEs  in  steady-state  plasma  scenarios.  These  ML  systems  can  be  implemented  into  control  algorithms  that  drive  actuators  for  mitigation  of  unwanted  AE  impacts.  Using  labels  created  from  a  curated  database  [Heidbrink,  et  al.,  NF  '20],  Machine  Learning-based  systems  are  trained  using  single  chord  and  crosspower  spectrograms  to  predict  the  presence  of  5  AEs  (EAE,  TAE,  RSAE,  BAE  and  LFM).  The  advantages  of  using  the  CO2  interferometer  to  detect  AEs,  and  the  results  from  a  comparison  between  inputs  (single  chord  and  crosspower  spectrograms)  and  another  comparison  between  two  different  ML  models  (Reservoir  Computing  Network  and  Long  Short-Term  Memory  Network)  are  covered  here.
■590    ▼aSchool  code:  0030.
■650  4▼aPlasma  physics.
■650  4▼aPhysics.
■650  4▼aEnergy.
■653    ▼aEnergetic  particles
■653    ▼aComputational  modelling
■653    ▼aProtons
■653    ▼aPlasma  waves
■653    ▼aWave-particle
■653    ▼aCharged  fusion  product
■690    ▼a0759
■690    ▼a0605
■690    ▼a0791
■71020▼aUniversity  of  California,  Irvine▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0030
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934776▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024