There are inevitably inherent impurities injected into plasma from plasma facial components such as C, W, Be, and gas impurities such as N2, Ne, Kr that are injected externally for plasma and thermal flux control within the currently under research and development. Although impurity conducts several positive effects in fusion plasma, the negative effects like plasma cooling, fuel gas dilution, plasma disruption can occur if impurity density in core plasma is too high. Analysis of transport of impurity in plasma is essential for the realization of a future fusion reactor. In plasma, impurity transport is usually described by obtaining impurity transport coefficients such as diffusion coefficients (D) and convection velocity (V), and based on diagnostic results obtained from impurity diagnostic systems, impurity transport codes such as KIM, UTC-SANCO, STRAHL, etc. The impurity transport code firstly, numerically calculates the continuity equation from the inferred impurity transport coefficient to obtain the impurity concentration in the plasma over time. Next, we compute virtually observed data from real diagnostic systems when the impurity concentration is calculated in the previous process. We compare this with the diagnostic data obtained by actual observations and repeat how to correct the transport coefficients in a way that minimizes their error and recalculates them to compare them. To obtain transportation coefficients within the margin of error compared to the diagnosis results, repeated calculations are essential, and existing methods have the disadvantage of complicated repetition procedures and take a very long time to calculate.
In this thesis, we develop new artificial neural networks trained by accumulated databases from impurity transport codes, and the developed algorithm that has faster and comparable accuracy compared to conventional ones. The algorithm consists of converting diagnostic data to impurity concentrations via radiative cooling coefficients and converting time-series impurity concentrations to a peaking factor (-V/D) of impurities through the computation of artificial neural network models. We trained the artificial neural network model based on training data generated through KIM (KAIST Impurity Modeling) code and conducted learning through two kinds of training data. Training data were generated by giving variation to the transport coefficients obtained from the actual experiments, and two types of training data were generated by dividing the degree of variation into within 2% and 10% of the actual transport coefficients. The algorithm was validated based on impurity transport coefficients from the KSTAR argon injection experiment using UTC-SANCO. We confirm that the artificial neural network, which learns training data made within 10% variation of the actual transport coefficient, has a higher Pearson correlation coefficient of around 0.99. Based on the trained artificial neural network, we apply it to a KSTAR krypton injection experiment to calculate impurity transport coefficients. The calculated peaking factor has a peak value at r/a~ 0.85. Comparing the peaking factor of the argon injection experiment with the krypton injection experiment, we can know that it is consistent with the result that the degree of accumulation of impurities with high atomic numbers is much higher.
현재 연구개발 중인 핵융합 장치 내에는 C이나 W, Be 등 플라즈마 대향장치로부터 플라즈마로 주입되는 내재적 불순물과 플라즈마 및 열속 제어를 위해 외부에서 주입하는 N2, Ne, Kr 등의 개스 불순물 등이 불가피하게 존재한다. 불순물은 핵융합 플라즈마 내에서 다양한 긍정적 역할을 수행하나 심하게 축적되는 경우, 플라즈마 냉각, 연료개스 희석, 플라즈마 감금성능 저하, 플라즈마 붕괴 등의 부정적 효과를 초래하므로 미래 핵융합로 실현을 위해서는 플라즈마 내 불순물의 거동해석은 반드시 필요한 기술이다. 플라즈마 내 불순물 수송은 일반적으로 확산계수(D)와 대류속도(V)와 같은 불순물 수송계수를 구하여 설명하며, 불순물 진단장치로부터 획득되는 진단결과를 바탕으로 KIM, UTC-SANCO, STRAHL 등과 같은 불순물 수송코드를 통해 구할 수 있다. 불순물 수송코드는 먼저, 추론한 불순물 수송계수를 통해 연속방정식을 수치해석적으로 계산하여 시간에 따른 플라즈마 내의 불순물 농도를 구한다. 다음으로 이전 과정에서 계산된 불순물 농도일 때 실제 진단시스템에서 가상으로 관측된 데이터를 계산한다. 이를 실제 관측하여 얻어진 진단데이터와 비교하여 그 오차를 최소화하는 방향으로 수송계수를 수정하고 이를 다시 계산하여 비교하는 방법을 반복한다. 진단결과와 비교하여 오차범위 이내의 수송계수를 구하기 위해서는 반복적인 계산작업이 필수적인데, 기존의 방법들은 반복절차가 복잡하고 계산시간이 매우 오래 걸리는 단점이 있다.
본 연구에서는 인공신경망을 도입하여 불순물 수송코드에서 축적된 데이터베이스를 설계한 인공신경망에 학습시켜 기존의 반복-수정 방법과 비교하여 훨씬 빠르면서 정확도가 높은 알고리즘을 개발하였다. 이 알고리즘은 방사냉각계수를 통해 진단데이터를 불순물 농도로 변환시키는 단계와 시간에 따른 불순물 농도를 인공신경망 모델의 계산을 통해 불순물의 첨두계수(-V/D)로 변환시키는 단계로 이루어져 있다. KAIST 자체개발 불순물 해석 코드인 KIM (KAIST Impurity Modeling) 코드를 통해 생성한 훈련데이터를 바탕으로 인공신경망 모델을 학습하였고, 두 가지 종류의 훈련데이터를 통해 학습을 진행하였다. 실제 실험에서 구한 수송계수에 대해 편차를 주는 방식으로 훈련데이터를 생성하였고, 오차의 정도가 실제 수송계수의 2% 이내의 경우와 10% 이내의 경우로 나눠 두 종류의 훈련데이터를 생성하였다. 이 알고리즘은 KSTAR의 아르곤 주입 실험에서 UTC-SANCO로 계산한 불순물 수송계수를 바탕으로 검증하였다. 실제 수송계수의 10% 오차 이내로 만든 훈련데이터를 학습한 인공신경망이 약 0.99 정도로 더 높은 피어슨 상관계수를 보이는 것을 확인하였다. 이러한 인공신경망을 바탕으로 KSTAR의 크립톤 주입 실험에 이를 적용시켜 불순물 수송계수를 계산하였다. 계산된 첨두계수는 r/a ~ 0.85에서 피크값을 가지고 있다. 피크값을 아르곤 주입실험의 첨두계수와 비교하면 높은 원자번호를 가진 불순물이 플라즈마 코어에 더 많이 축적된다는 결과와 일치한다는 것을 알 수 있다.
