Zobrazeno 1 - 10
of 18
pro vyhledávání: '"Guo, Bihao"'
Autor:
Ai, Xinkun, Zheng, Wei, Zhang, Ming, Ding, Yonghua, Chen, Dalong, Chen, Zhongyong, Guo, Bihao, Shen, Chengshuo, Wang, Nengchao, Yang, Zhoujun, Chen, Zhipeng, Pan, Yuan, Shen, Biao, Xiao, Binjia
Plasma disruption presents a significant challenge in tokamak fusion, where it can cause severe damage and economic losses. Current disruption predictors mainly rely on data-driven methods, requiring extensive discharge data for training. However, fu
Externí odkaz:
http://arxiv.org/abs/2404.08241
Autor:
Ai, Xinkun, Zheng, Wei, Zhang, Ming, Ding, Yonghua, Chen, Dalong, Chen, Zhongyong, Shen, Chengshuo, Guo, Bihao, Wang, Nengchao, Yang, Zhoujun, Chen, Zhipeng, Pan, Yuan, Shen, Biao, Xiao, Binjia, team, J-TEXT
In the initial stages of operation for future tokamak, facing limited data availability, deploying data-driven disruption predictors requires optimal performance with minimal use of new device data. This paper studies the issue of data utilization in
Externí odkaz:
http://arxiv.org/abs/2311.10368
Cross-tokamak Disruption Prediction based on Physics-Guided Feature Extraction and domain adaptation
Autor:
Shen, Chengshuo, Zheng, Wei, Guo, Bihao, Ding, Yonghua, Chen, Dalong, Ai, Xinkun, Xue, Fengming, Zhong, Yu, Wang, Nengchao, Shen, Biao, Xiao, Binjia, Chen, Zhongyong, Pan, Yuan, team, J-TEXT
The high acquisition cost and the significant demand for disruptive discharges for data-driven disruption prediction models in future tokamaks pose an inherent contradiction in disruption prediction research. In this paper, we demonstrated a novel ap
Externí odkaz:
http://arxiv.org/abs/2309.05361
Autor:
Ai, Xinkun, Zheng, Wei, Zhang, Ming, Chen, Dalong, Shen, Chengshuo, Guo, Bihao, Xiao, Bingjia, Zhong, Yu, Wang, Nengchao, Yang, Zhoujun, Chen, Zhipeng, Chen, Zhongyong, Ding, Yonghua, Pan, Yuan, team, J-TEXT
Publikováno v:
Nuclear Engineering and Technology 2023
The full understanding of plasma disruption in tokamaks is currently lacking, and data-driven methods are extensively used for disruption prediction. However, most existing data-driven disruption predictors employ supervised learning techniques, whic
Externí odkaz:
http://arxiv.org/abs/2303.14965
Autor:
Zheng, Wei, Xue, Fengming, Zhang, Ming, Chen, Zhongyong, Shen, Chengshuo, Ai, Xinkun, Wang, Nengchao, Chen, Dalong, Guo, Bihao, Ding, Yonghua, Chen, Zhipeng, Yang, Zhoujun, Shen, Biao, Xiao, Bingjia, Pan, Yuan
Predicting disruptions across different tokamaks is a great obstacle to overcome. Future tokamaks can hardly tolerate disruptions at high performance discharge. Few disruption discharges at high performance can hardly compose an abundant training set
Externí odkaz:
http://arxiv.org/abs/2208.09594
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.