Les plasmas de fusion dans les Tokamaks ont une dynamique non-linéaire complexe. Dans le tokamak WEST, de la même famille que le projet ITER, une grande quantité de données expérimentales hétérogènes sur la fusion est collectée. Assurer l'intégrité et la qualité de ces données en temps réel est indispensable pour le fonctionnement stable et sûr du Tokamak. Une surveillance et une validation continues sont essentielles, car toute perturbation ou anomalie peut affecter significativement notre capacité à assurer la stabilité du plasma, à contrôler ses performances voire sa durée de vie. La détection de séquences ou d'événements inhabituels dans les données collectées peut fournir des informations précieuses et aider à identifier des comportements potentiellement anormaux dans les opérations sur le plasma.
Cette thèse vise à étudier et à développer un système de détection d'anomalies pour le tokamak WEST -- en préfiguration de ce qui pourrait être installé sur ITER -- en intégrant des algorithmes d'apprentissage automatique, des méthodologies statistiques et des techniques de traitement du signal pour valider divers signaux diagnostics dans les opérations Tokamak, notamment la densité, l'interférométrie, la puissance rayonnée et les mesures magnétiques.
Les résultats attendus sont :
– Le développement d'algorithmes d'apprentissage automatique capables de détecter des anomalies dans des séries temporelles sélectionnées à partir des données du Tokamak WEST.
– La mise au point d'un système autonome opérationnel pour assurer la qualité des données dans les machines de fusion de type Tokamak, intégré à la plateforme IA de WEST.
– La constitution d'une base de données exhaustive.
– La validation d'un algorithme automatique d'assurance qualité des données spécifiques aux plasmas de fusion.