Plasma Instability Identification through Machine Learning
Identification d'Instabilités Plasma par Apprentissage Automatique
Résumé
This thesis presents the development of advanced data-driven techniques to automate the detection and classification of plasma modes in fusion experiments, focusing particularly on Alfvén instabilities and magnetohydrodynamic (MHD) modes. The first contribution of this work is the development of a sparse coding algorithm capable of identifying modes directly from raw plasma signals. This method called Elastic Random Mode Decomposition applies parallelized elastic net regression to random dictionaries of Gabor atoms, this algorithm isolates significant oscillatory components, even with noisy signals. In addition, unsupervised learning techniques are employed to cluster MHD modes using plasma signals and mutual information, enabling the automatic classification of different oscillatory modes without needing labeled data. These feature creation steps and clustering methods offer a scalable solution for processing large datasets from fusion experiments, allowing for systematically identifying important plasma instabilities. The thesis also explores computer vision filtering methods for feature extraction from spectrogram images. These filters are based on spectral analysis: Fourier transform, wavelet transform, and Hough transform. They improve the quality of the spectrogram data by reducing noise and undesired features, enhancing time frequency structures related to the plasma oscillations. Furthermore, segmentation algorithms commonly used in computer vision (CV) are adapted to identify modes in spectrogram images, enabling precise segmentation of oscillatory patterns. The pipeline of CV algorithms for segmentation is the following: noise filters, ridge detector, automatic thresholding, and labeling regions. This result might be key for systematic signal labeling, a crucial step toward automating the labeling of plasma diagnostic signals. The methods developed here provide a necessary step for future training of deep learning models, which could further enhance real-time plasma monitoring and control in fusion reactors. Key words: MHD modes, Alfvén instabilities, machine learning, sparse, elastic net, Gabor atoms, signal analysis, unsupervised learning, computer vision, segmentation, labelling.
Cette thèse présente le développement de techniques avancées basées sur les données pour automatiser la détection et la classification des modes plasma dans les expériences de fusion, en se concentrant particulièrement sur les instabilités d'Alfvén et les modes magnétohydrodynamiques (MHD). La première contribution de ce travail est le développement d'un algorithme de codage parcimonieux capable d'identifier des modes directement à partir des signaux bruts du plasma. Cette méthode, appelée ``Elastic Random Mode Decomposition'', applique une régression en réseau élastique parallélisée à des dictionnaires aléatoires d'atomes de Gabor. Cet algorithme isole les composantes oscillatoires significatives, même dans des signaux bruités. De plus, des techniques d'apprentissage non supervisé sont utilisées pour regrouper les modes MHD en se basant sur les signaux plasma et l'information mutuelle, permettant la classification automatique de différents modes oscillatoires sans nécessiter de données étiquetées. Ces étapes de création de caractéristiques et ces méthodes de regroupement offrent une solution évolutive pour traiter de grands ensembles de données issus des expériences de fusion, permettant d'identifier systématiquement les instabilités plasma importantes. La thèse explore également des méthodes de filtrage en vision par ordinateur pour l'extraction de caractéristiques à partir d'images de spectrogrammes. Ces filtres reposent sur l'analyse spectrale : transformée de Fourier, transformée en ondelettes et transformée de Hough. Ils améliorent la qualité des données de spectrogrammes en réduisant le bruit et les caractéristiques indésirables, améliorant ainsi les structures temporelles et fréquentielles liées aux oscillations du plasma. En outre, des algorithmes de segmentation couramment utilisés en vision par ordinateur sont adaptés pour identifier les modes dans les images de spectrogrammes, permettant une segmentation précise des motifs oscillatoires. Le flux d'algorithmes de vision par ordinateur pour la segmentation est le suivant : des filtres de bruit, un détecteur de crêtes, un seuillage automatique et l'étiquetage des régions. Ce résultat pourrait être déterminant pour l'étiquetage systématique des signaux, une étape cruciale vers l'automatisation de l'étiquetage des signaux diagnostiques du plasma. Les méthodes développées ici constituent une étape nécessaire pour la formation future de modèles d'apprentissage profond, qui pourraient encore améliorer la surveillance et le contrôle en temps réel du plasma dans les réacteurs de fusion. Mots clés : modes MHD, instabilités d'Alfvén, apprentissage automatique, parcimonieux, réseau élastique, atomes de Gabor, analyse de signaux, apprentissage non supervisé, vision par ordinateur, segmentation, étiquetage.
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
licence |