Valutazione di modelli surrogati per simulazioni di trasporto per tokamak ad alto β con il codice T3D

The design of future high-performance magnetic confinement fusion devices requires accurate predictions of the energy confinement time, which is the time taken by the stored energy to leave the confined plasma. This important quantity depends on turbulent transport, whose prediction often requires complex and computationally expensive first-principles nonlinear gyrokinetic simulations, becoming prohibitively expensive when multiple scenarios need to be considered. For this reason, reduced transport models, which include a simplified physics, are commonly applied in scenario development. A recent reduced transport model has been derived to specifically address turbulent transport in highly shaped electromagnetic regimes in presence of equilibrium flow shear. The core of this model is described by a quasi-linear metric that is evaluated from first-principles linear gyrokinetic simulations. The thesis project aims to optimize this reduced transport model by employing machine learning techniques in order to provide a fast way to compute the quasi-linear metric. In fact, performing linear gyrokinetic simulations still require hundreds of core-hours, therefore limiting the application of this transport model in scenario development. During the project, a large database of linear gyrokinetic simulations covering a multidimensional space of approximately ten features will be used to train a machine learning model, which will replace the need of linear gyrokinetic simulations to evaluate the quasi-linear metric. This new surrogate model will be implemented in the T3D code for transport simulations and the results of T3D will be compared against a higher fidelity transport model. Additional linear gyrokinetic simulations will be performed with the GS2 code.

Il design dei futuri dispositivi a fusione magnetica a confinamento ad alte prestazioni richiede previsioni accurate del tempo di confinamento dell'energia, ovvero il tempo necessario affinché l'energia immagazzinata lasci il plasma confinato. Questa importante grandezza dipende dal trasporto turbolento, la cui previsione richiede spesso simulazioni girocinetiche non lineari basate su principi fondamentali, che risultano complesse e computazionalmente costose, diventando proibitive quando è necessario considerare molteplici scenari. Per questo motivo, i modelli di trasporto ridotto, che includono una fisica semplificata, sono comunemente utilizzati nello sviluppo degli scenari. Un recente modello di trasporto ridotto è stato derivato per affrontare specificamente il trasporto turbolento in regimi elettromagnetici altamente modellati in presenza di flow shear d'equilibrio. Il fulcro di questo modello è rappresentato da un parametro quasi-lineare valutato attraverso simulazioni girocinetiche lineari basate su principi fondamentali. Il progetto di tesi mira a ottimizzare questo modello di trasporto ridotto impiegando tecniche di apprendimento automatico (machine learning) al fine di fornire un metodo rapido per calcolare il parametro quasi-lineare. Infatti, l'esecuzione di simulazioni girocinetiche lineari richiede ancora centinaia di ore di calcolo, limitando così l'applicazione di questo modello di trasporto nello sviluppo degli scenari. Durante il progetto, un ampio database di simulazioni girocinetiche lineari che coprono uno spazio multidimensionale di circa dieci variabili sarà utilizzato per addestrare un modello di apprendimento automatico, che sostituirà la necessità di eseguire simulazioni girocinetiche lineari per valutare il parametro quasi-lineare. Questo nuovo modello surrogato sarà implementato nel codice T3D per simulazioni di trasporto e i risultati del T3D saranno confrontati con quelli di un modello di trasporto ad alta fedeltà. Saranno inoltre eseguite ulteriori simulazioni girocinetiche lineari con il codice GS2.