Dissertação
{en_GB=Plasma Tomography with Machine Learning} {} EVALUATED
{pt=Actualmente, devido ao número reduzido de detectores disponiveis para tomografia num reator de fusão nuclear, a obtenção de reconstruções com a resolução necessária para fins de investigação é um processo moroso. Neste trabalho procuramos resolver este problema utilizando técnicas de aprendizagem automática. Dois métodos, que tiram proveito das bases de dados de tomografia e frameworks de aprendizagem automática existentes, são utilizados para calcular novas reconstruções significativamente mais rápido. O primeiro método, consiste na extração de uma única matriz de regularização a partir de um vasto conjunto de tomogramas, utilizando um algoritmos de otimização como gradient descent. Depois da extração, que se realiza antes da experiência, novas reconstruções são calculadas através de uma única multiplicação de matrizes. O segundo método utiliza um modelo mais complexo e não linear, nomeadamente Redes Neuronais. São também propostas várias hipóteses para melhorar a robustez destas redes quando detetores deixam de funcionar ou se dão alterações na geometria das câmeras utilizadas. Para caracterizar as diferentes metodologias, foram realizados testes no sistema bolométrico do JET e no sistema de soft X-ray do COMPASS. A utilização de Redes Neuronais produziu melhores resultados, especialmente para cenários em que as superfícies de fluxo magnético se movem consideravelmente. A qualidade dos tomogramas obtidos é equivalente à alcançada com os algoritmos actuais, sendo o tempo de computação substancialmente inferior., en=Nowadays, due to the reduced number of tomographic detectors available in fusion reactors, performing reconstructions with the desired resolution for research purposes is a very time-consuming process. In this work, we try to solve this problem from a machine learning perspective. Two methods, that take advantage of existing tomographic databases and machine learning frameworks, are used to compute new reconstructions significantly faster. The first approach consists of extracting a single regularization matrix from a broad set of tomograms, using an optimizer algorithm such as gradient descent. After this extraction, which occurs prior to the experiments, new reconstructions are computed by a single matrix product. The second approach makes use of a more complex non-linear model, namely Artificial Neural Networks. Several methods to improve their robustness to malfunctioning detectors and changes in the camera system are proposed. To benchmark these methods, tests were performed on JET bolometer setup and COMPASS soft X-ray setup. Artificial Neural Networks produced considerably better results, especially for events where the magnetic flux surfaces shift considerably. The quality of the tomograms produced is equivalent to that of the state of the art algorithms, while the computation time is substantially smaller.}
outubro 16, 2018, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
