Automatic detection of visible events in fusion reactors with Deep Learning

Abstract

The next decades are crucially important to putting the world on a path of reduced greenhouse gas emissions since energy demand is increasing more and more. That is why fusion power, one of the most environmentally friendly sources of energy, has been getting so much attention lately. Wendelstein 7-X is a stellarator, a experimental fusion reactor build by the \ac{IPP} which intends to demonstrate the capabilities of fusion power to produce energy. The main problem with this process is that the working conditions to achieve fusion are extremely dangerous and unstable and sometimes the reactor walls overheat, damaging the structure of the device. For this reason, a continuous real-time data acquisition, analysis and control system is necessary to protect the structure. This thesis studies the procedure of generating a complete hot spot detector and classifier making use of the visible cameras installed inside the reactor. A Convolutional Neural Network is used to extract features from the bright events to later on use them to classify the incident with a Machine Learning classifier. The outcome has been very satisfactory as the system has been able to detect all the dangerous events in the data base. In addition, the model has been able to detect the incidents in real time with a delay of less than one and a half seconds from the first occurrence.

Las próximas décadas son cruciales para encaminar al mundo hacia una reducción de las emisiones de gases de efecto invernadero, ya que la demanda de energía aumenta cada vez más. Por eso, la energía de fusión, una de las fuentes de energía más respetuosas con el medio ambiente, está recibiendo tanta atención últimamente. Wendelstein 7-X es un stellarator, un reactor de fusión experimental construido por el \ac{IPP} que pretende demostrar las capacidades de la fusión nuclear para producir energía. El principal problema de este proceso es que las condiciones de trabajo para lograr la fusión son extremadamente peligrosas e inestables y, en ocasiones, las paredes del reactor se sobrecalientan, dañando la estructura del aparato. Por este motivo, es necesario un sistema de adquisición, análisis y control de datos en tiempo real y continuo para proteger la estructura. Esta tesis estudia el procedimiento para generar un detector y clasificador de puntos calientes haciendo uso de las cámaras visibles instaladas en el interior del reactor. Se utiliza una Red Neural Convolucional para extraer características de los eventos brillantes para posteriormente utilizarlas para clasificar el incidente con un clasificador de Machine Learning. El resultado ha sido muy satisfactorio ya que el sistema ha sido capaz de detectar todos los eventos peligrosos de la base de datos. Además, el modelo ha sido capaz de detectar los incidentes en tiempo real con un retraso de menos de un segundo y medio desde la primera aparición.

Les pròximes dècades tenen una importància crucial per posar el món en un camí de reducció d'emissions de gasos d'efecte hivernacle, ja que la demanda d'energia augmenta cada cop més. Per això, darrerament la fusió nuclear, una de les fonts d'energia més respectuoses amb el medi ambient, s'està tenint tant en consideració. Wendelstein 7-X és un stellarator, un reactor de fusió experimental construït per l'IPP que té la intenció de demostrar les capacitats d'obtenció d'energia de la fusió. El principal problema d'aquest procés és que les condicions de treball per aconseguir la fusió són extremadament perilloses i inestables i, de vegades, les parets del reactor se sobreescalfen, danyant l'estructura del dispositiu. Per aquest motiu, és necessari un sistema d'adquisició, anàlisi i control de dades continu en temps real per protegir l'estructura. Aquesta tesi estudia el procediment per generar un detector i un classificador complet de punts calents fent ús de les càmeres visibles instal·lades a l'interior del reactor. Una xarxa neuronal convolucional s'utilitza per extreure característiques dels esdeveniments brillants i, posteriorment, utilitzar-les per classificar l'incident amb un classificador d'aprenentatge automàtic. El resultat ha estat molt satisfactori, ja que el sistema ha estat capaç de detectar tots els esdeveniments perillosos de la base de dades. A més, el model ha estat capaç de detectar els incidents en temps real amb un retard inferior a un segon i mig des de la primera ocurrència.