(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111574358.1 (22)申请日 2021.12.21 (71)申请人 中国科学院合肥物质科 学研究院 地址 230031 安徽省合肥市庐阳区三十岗 乡古城路181号 (72)发明人 万晨光　刘晓娟　于治　李建刚　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 代理人 安丽 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G21B 1/05(2006.01) (54)发明名称 基于双向长短时记忆神经网络的托卡马克 放电建模系统 (57)摘要 本发明公开了基于双向长短时记忆神经网 络的托卡马克放电建模系统， 由多个模块组成， 所述的模块是低耦合的功能单元。 所述的模块至 少包括数据转存模块、 Bat ch数据访问输入模块、 训练自定义参数模块、 双向长短时记忆神经网络 建模模块、 数据可视化模块。 整个系统的体系架 构主要分成两路分别是数据训练和数据建模。 利 用可视化技术提供给托卡马克放电实验人员放 电建模的结果做参考和可视化模 型训练过程。 本 发明可以一键式的在实验提案阶段提前建模全 过程的托卡马克放电曲线， 供实验 人员和提案设 计人员检查提案有效性和合理性。 本发明同时也 可用于对实验后的数据进行辅助数据发现。 权利要求书1页 说明书6页 附图4页 CN 114239413 A 2022.03.25 CN 114239413 A 1.一种基于双向长短时记忆神经网络的托卡马克放电建模系统， 其特征在于： 由多个 不同模块所组成， 所述的不同模块指的是低耦合的功能分割， 所述多个不同模块至少包括： 数据转存模块、 Batch数据访问输入模块、 训练自定义参数模块、 数据可视化模块、 双向长 短 时记忆(LSTM)神经网络的建模 模块； 其中： 数据转存模块： 从MDSplus数据库中不经过Server层直接映射至HDF5格式的数据， 此过 程需要重写Serv er层驱动直接访问MDSplus数据库的对应原始数据并且计算metadata存储 至MongoDB中； Batch数据访问输入模块： 将数据转存模块中的HDF5格式的数据转换成神经网络能够 接受的输入数据， 同时进行分桶(Bucketi ng)操作和并行化的Batc h数据输入； 训练自定义参数模块： 根据需要训练模型的建模参数调用双向长短时记忆神经网络建 模模块定制参数； 调用数据转存模块生 成所需要的数据； 利用Batch数据访问输入模块输入 数据到机器学习模型中； 训练自定义 参数的双向长短时神经网络的机器学习模型； 数据可视化模块： 可视化的自定义 参数模型训练过程和已训练好的模型的建模结果； 双向长短时记忆(LSTM)神经网络的建模模块： 为六个神经网络层的叠加， 分别是一个 输入层， 四个双向长短时记忆神经网络层和一个全连接层， 构成托卡马克放电建模工作的 主体， 利用该模型来建模托 卡马克全过程 放电系统。 2.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统， 其 特征在于： 所述数据转存模块直接的将MDSplus数据库的原始数据转存至HDF5格式的文件 中， 同时计算metadata存 储至MongoDB中。 3.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统， 其 特征在于： 所述双向长短时记 忆(LSTM)神经网络的建模 模块具体为： 输入层： 作为整个网络的起点， 双 向将65道输入的时间序列信号转化为输入的张量而 后将输入张量分配到GPU上进行计算； 四个双向长短时记 忆层： 承接来自于 输入层的输出 数据； 第一个双向LSTM层首先将输入 的65维的时间序列数据经过一个双向LSTM的权重计算 而后扩展成512维的输出 数据； 第二到第四双向LSTM层： 在进行权 重计算， 利用上 下文信息推测当前的建模的结果； 输出层： 将四个堆叠的双向LSTM的输出， 转换成目标信号所对应的输出维度大小。 4.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统， 其 特征在于： 所述Batc h数据访问输入 模块中数据分桶和多 进程的Batc h数据并行 数据输入。 5.根据权利要求1所述的基于双向长短时记忆神经网络的托卡马克放电建模系统， 训 练自定义 参数模块， 其特 征在于： 自定义的参数训练模块 根据需求自定义模型训练的参数： a)保存默认参数和接受用户输入或修改参数， 参数包括模型的堆叠方式， 大小和输入 输出数据， 同时该操作会调用数据转存模块对转存的数据进行修改， 会对缺失的数据进行 增补； b)使用用户设置的参数进行双向神经网络的模型训练， 根据这些参数， 调用Batch数据 输入模块产生数据输入到双向长短时记 忆神经网络中进行训练； c)生成模型训练的可视化中间数据， 调用可视化模型进行模型训练过程， 损失函数、 准 确率、 模型 结构等的可视化。权　利　要　求　书 1/1 页 2 CN 114239413 A 2基于双向长短时记忆神经 网络的托卡马克放电建模系统 技术领域 [0001]本发明涉及 一种基于双向长短时记忆神经网络的托卡马克放电建模系统， 尤其是 基于双向长 短时记忆神经网络的特征从两端计算当前时间点的值， 旨在利用该系统提前预 演托卡马克放电建模的提案为后续放电实验提供参考和辅助托卡马克实验 数据分析， 属于 机器学习和核聚变物理领域。 背景技术 [0002]利用核聚变能是人类最终解决能源问题的一种非常重要的途径。 现阶段人类除地 热能和裂变能外所利用的能量最 终来源几乎都是来自于太阳核聚变反应所产生的能量。 核 聚变的主要原料是海水中的氘而聚变产物则是惰性元素氦。 核聚变没有原料和核废料问 题。 人类一 旦掌握了受控核聚变技 术， 将可能一劳永逸的解决能源问题。 [0003]核聚变能工作系统， 有几种不同类型的研究装置， 托卡马克装置是其中之一。 托卡 马克是一个利用磁约束来 实现磁约束聚变的环性容器。 达到稳定的等离子体均衡需要围绕 环面移动的螺旋形状的磁力线。 并且是用于生产受控热核核聚变能中的一个最深入研究的 候选类型且被认为最可能实现可控核聚变反应的装置。 普通的中小型托卡马克放电实验是 利用氘， 氦等离子体来模拟氘氚等离子放电过程， 主要的目的用来研究如何有效的进行长 时间的高能量的等离 子约束。 [0004]检索现有专利发现几乎没有用于托卡马克全过程放电的专利， 现有的文献是由大 多使用集成建模方法和少量使用仅基于前向信息的机器学习模型进行全过程的托卡马克 放电研究构成的。 [0005]集成建模方法的托卡马克全过程放电是利用物理驱动的方法来进行研究的， 集成 模拟方法需要集 成尽可能多的物理过程， 即粒子输运、 平衡、 边界物理， 加热等。 集 成建模的 准确性根据第一性原理来说主要 是取决于所涉及物理过程完整性和合理性。 在过去几十年 中开发了很多基于物理模型的集成建模模型， 由于物理模型的通常要进 行复杂的多网格偏 微分方程的数值求解所以计算效率比较低， 难以进行并行化加速， 更加上托卡马克系统具 有非线性， 多尺度， 多物理的特性。 仅从 “第一性原理 ”出发对整个托卡马克放电过程长时间 尺度的高保真快速放电建模还是一个科学挑战。 仅基于前向信息加模拟结果的机器学习托 卡马克放电建模模型又不考虑放电建模实际是一个离线的过程并且上下文信息已知的事 实， 而且需要引入模拟结果， 所以建模精度较低， 速度较慢。 长时间的整个托卡马克放电过 程的高保真的快速建模仍然是一个科 学挑战。 发明内容 [0006]本发明为了克服现有的全过程托卡马克放电建模结果不准确， 建模时间长， 无法 对长时间尺度的全过程放电进 行建模等缺陷， 提供了基于双向长短时记忆神经网络的托卡 马克放电建模系统， 利用放电建模任务上下文信息在建模前已知的特点结合双向长 短时记 忆神经网络 。 完成了长时间尺度全过程高保真的托 卡马克放电建模。说　明　书 1/6 页 3 CN 114239413 A 3