基于卷积神经网络的第一镜表面杂质沉积状态识别研究

第一镜是托卡马克光学诊断系统最重要的光学元件之一,强烈的等离子体与壁相互作用导致第一镜表面出现的杂质沉积会严重影响第一镜反射率和相关光学诊断系统的准确性和有效性,因此准确判别第一镜表面杂质沉积状态对于实时获取并采取有效手段恢复第一镜反射率至关重要.文中采用非平衡磁控溅射等离子体方法制备纳米晶钼材料第一镜,在此基础上利用电子束蒸发镀膜方法在其表面沉积氧化铝非晶涂层,利用分光光度计测得有、无氧化铝沉积膜的钼第一镜全反射率,并通过数据增强方法对原始数据集进行数据扩充,结合卷积神经网络对杂质沉积第一镜的全反射率数据集进行识别、分类.结果表明,当卷积神经网络模型迭代次数为50时,模型分类准确性达到最佳状态,并在包含均值为0,方差为1高斯噪声的数据集中验证了一维卷积神经网络的抗噪能力.最终实现有、无氧化铝沉积膜的钼第一镜分类,正确率达到98.85%,这为在封闭托卡马克环境下的第一镜表面原位清洗与杂质沉积状态识别提供了一种可能的新方法.