MARC

 008260126s2025        us                              c    eng  d
■001000017358395
■00520260202104655
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280770485
■035    ▼a(MiAaPQ)AAI32115742
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aTravis,  Philip.
■24510▼aStudy  of  Turbulence  and  Transport  in  and  Optimization  of  Mirror  Configurations  in  the  Large  Plasma  Device
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a238  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Carter,  Troy  A.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aThe  primary  goal  of  this  thesis  is  to  work  towards  accelerating  and  automating  fusion  science.  The  combination  of  the  physical  flexibility  of  mirror  machines  with  the  optimization  and  information-exploitation  potential  of  machine  learning  may  be  a  potent  one  and  is  explored  here.  Progress  towards  this  overarching  goal  is  accomplished  by  studying  turbulence  in  a  mirror  machine,  optimizing  mirror  configurations  using  machine  learning,  and  developing  a  highly  extendable  and  flexible  model  for  correlating  and  interpreting  diagnostic  signals.In  the  Large  Plasma  Device  (LAPD)  at  UCLA,  a  study  of  turbulence  and  transport  in  mirror  configurations  was  undertaken.  Using  the  flexible  nature  of  the  LAPD  field  configuration,  several  different  mirror  ratios  from  M=1  to  M=2.68  were  studied.  Langmuir  and  magnetic  probes  were  used  to  measure  profiles  of  density,  temperature,  potential,  and  magnetic  field.  Particle  flux  measurements  were  also  taken.  The  goal  of  this  work  was  to  see  the  interaction  of  interchange  modes  with  drift  waves,  but  no  such  interchange  modes  were  observed  likely  because  of  the  many  stabilization  phenomena  present.  This  fact,  along  with  reduced  cross-field  particle  flux,  indicate  that  a  sufficiently  cold  edge  of  a  simple  mirror  may  have  less  cross-field  transport  than  one  would  expect.For  the  purposes  of  machine  learning,  a  partially-randomized  dataset  was  collected  in  the  LAPD  mirror  configurations.  The  goal  was  to  maximize  the  diversity  of  data  to  cover  the  largest  portion  of  machine  operation  space  as  possible.  Using  this  collected  dataset,  neural  network  (NN)  ensembles  with  uncertainty  quantification  were  trained  to  predict  time-averaged  ion  saturation  current  (Isat  -  proportional  to  density  and  the  square  root  of  electron  temperature)  at  any  position  within  the  dataset  domain.  This  model  was  then  used  to  optimize  the  device  for  strong,  intermediate,  and  weak  axial  variation  of  Isat.  In  addition,  this  model  was  used  to  infer  trends  in  the  effect  on  Isat  of  LAPD  controls.  This  model  and  optimization  were  validated  on  followup  experiments,  yielding  qualitative  and,  at  times,  quantitative  agreement.  This  investigation  demonstrated  that,  using  ML  techniques,  insights  can  be  extracted  from  experiments  and  magnetized  plasmas  can  be  globally  optimized.  The  primary  goals  of  this  work  were  to  provide  an  example  of  a  solid,  validated  machine  learning  study  and  demonstrate  how  ML  can  be  useful  in  understanding  operating  plasma  devices.Using  this  same  randomized  dataset,  a  generative  model  was  trained  to  learn  a  probability  distribution.  In  particular,  energy-based  models  (EBMs)  provide  a  powerful  and  flexible  way  of  learning  relationships  in  data  by  constructing  an  energy  surface.  In  this  work,  a  CNN-  and  attention-based  multimodal  EBM  was  trained  on  time  series  and  single-dimensional  data.  This  EBM  learned  all  distributional  modes  of  the  data  but  with  some  differences  in  probability  mass.  Via  conditional  sampling  of  the  model  using  a  novel,  auxiliary  energy  function  technique,  diagnostic  reconstruction  is  demonstrated.  In  addition,  the  inclusion  of  additional  diagnostics  improved  reconstruction  error  and  generation  quality,  showing  that  even  uncalibrated,  unanalyzed  diagnostics  can  provide  useful  information.  Fundamentally,  this  work  demonstrated  the  flexibility  and  efficacy  of  EBM-based  generative  modeling  of  laboratory  plasma  data,  and  demonstrated  practical  use  of  EBMs  in  the  physical  sciences.
■590    ▼aSchool  code:  0031.
■650  4▼aPlasma  physics
■650  4▼aComputer  science
■653    ▼aFusion
■653    ▼aGenerative  models
■653    ▼aMachine  learning
■653    ▼aMirror  machines
■653    ▼aPlasma
■653    ▼aTurbulence
■690    ▼a0759
■690    ▼a0800
■690    ▼a0984
■71020▼aUniversity  of  California,  Los  Angeles▼bPhysics  0666.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358395▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books