已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Enhancing disruption prediction through Bayesian neural network in KSTAR

克星 人工神经网络 贝叶斯概率 计算机科学 人工智能 机器学习 物理 核物理学 等离子体 托卡马克
作者
Jinsu Kim,Jeongwon Lee,Jaemin Seo,Young-chul Ghim,Yeongsun Lee,Yong-Su Na
出处
期刊:Plasma Physics and Controlled Fusion [IOP Publishing]
卷期号:66 (7): 075001-075001 被引量:1
标识
DOI:10.1088/1361-6587/ad48b7
摘要

Abstract In this research, we develop a data-driven disruption predictor based on Bayesian deep probabilistic learning, capable of predicting disruptions and modeling uncertainty in KSTAR. Unlike conventional neural networks within a frequentist approach, Bayesian neural networks can quantify the uncertainty associated with their predictions, thereby enhancing the precision of disruption prediction by mitigating false alarm rates through uncertainty thresholding. Leveraging 0D plasma parameters from EFIT and diagnostic data, a temporal convolutional network adept at handling multi-time scale data was utilized. The proposed framework demonstrates proficiency in predicting disruptions, substantiating its effectiveness through successful applications to KSTAR experimental data.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Leofar完成签到 ,获得积分10
1秒前
2秒前
2秒前
书霂发布了新的文献求助10
3秒前
5秒前
虚心碧完成签到,获得积分10
5秒前
11秒前
zhangyk完成签到 ,获得积分10
13秒前
15秒前
17秒前
小林同学0219完成签到 ,获得积分10
18秒前
书霂完成签到,获得积分10
18秒前
美满花生发布了新的文献求助10
20秒前
24秒前
虚幻沛菡完成签到 ,获得积分10
28秒前
认真的裙子完成签到,获得积分10
30秒前
傲寒完成签到,获得积分10
30秒前
自然秋双完成签到,获得积分10
35秒前
科目三应助小武采纳,获得10
36秒前
Owen应助暴躁的板栗采纳,获得10
44秒前
思源应助美满花生采纳,获得10
44秒前
45秒前
wanqingw完成签到,获得积分10
46秒前
fbbggb发布了新的文献求助10
49秒前
天天好心覃完成签到 ,获得积分10
52秒前
53秒前
adkdad完成签到,获得积分10
54秒前
56秒前
SciGPT应助背后的寻云采纳,获得10
57秒前
徐徐图之完成签到 ,获得积分10
57秒前
zheng发布了新的文献求助10
59秒前
1分钟前
1分钟前
多多发布了新的文献求助10
1分钟前
李木子完成签到 ,获得积分10
1分钟前
1分钟前
Qing发布了新的文献求助10
1分钟前
YJ888发布了新的文献求助10
1分钟前
威武果汁发布了新的文献求助10
1分钟前
Jae完成签到 ,获得积分10
1分钟前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Cognitive Paradigms in Knowledge Organisation 2000
Introduction to Spectroscopic Ellipsometry of Thin Film Materials Instrumentation, Data Analysis, and Applications 1800
Natural History of Mantodea 螳螂的自然史 1000
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
How Maoism Was Made: Reconstructing China, 1949-1965 800
Barge Mooring (Oilfield Seamanship Series Volume 6) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3314323
求助须知:如何正确求助?哪些是违规求助? 2946587
关于积分的说明 8530889
捐赠科研通 2622334
什么是DOI,文献DOI怎么找? 1434442
科研通“疑难数据库(出版商)”最低求助积分说明 665312
邀请新用户注册赠送积分活动 650855