融合组件的模型降阶：磁控注入枪的动态模态分解模型

《Fusion Engineering and Design》：Model order reduction for fusion components: Dynamic mode decomposition model of the magnetron injection gun

　　

在核聚变系统中，陀螺管（gyrotron）是电磁波源，利用电子脉泽不稳定性（electron maser instability）来启动和稳定聚变反应。一个基于基础物理预测系统行为的模拟器对其控制至关重要。这要求研究人员通过对每个组件集成相关的物理现象来建模，并将所得组件模型连接起来。然而，当前聚变系统组件（如产氚包层或陀螺管）的模型在追求高精度时计算量过大，无法用于实时仿真，因此需要高保真度、高维度的模型，因为集总参数方法（lumped approaches）可能无法为监控和控制等安全关键应用提供足够高的精度。模型降阶（Reduced Order Models, ROM）可以在保持精度的同时克服这一问题。本文聚焦于磁控注入枪（Magnetron Injection Gun, MIG），它通过热离子效应（thermionic effect）产生电子束。计算MIG内部的热传递以预测发射极表面的电子密度是至关重要的。这篇方法论论文研究了动态模态分解（Dynamic Mode Decomposition, DMD）在捕捉由FALCON设施提供的代表性脉冲的束流发射的非线性动力学和时间尺度方面的适用性。结果表明，该技术在捕捉时间动力学、进行频谱分析、去噪数据以及预测超出训练数据集的特征方面具有计算效率和能力，这使本文成为考虑更复杂模型和ROM技术的基础。

**论文解读：磁控注入枪的动态模态分解模型降阶研究**

**研究背景与问题**
核聚变反应堆（如ITER）的高性能陀螺管（gyrotron）是电子回旋共振加热（ECRH）和电流驱动的关键射频源。磁控注入枪（Magnetron Injection Gun, MIG）通过热离子发射产生电子束，其热动力学对束流稳定性至关重要。然而，基于3D几何的高保真模型因计算量过大，无法满足数字孪生框架下的准实时控制需求；集总参数模型虽计算快，但缺乏空间分布精度。因此，需引入模型降阶（Model Order Reduction, MOR）技术，在计算效率与精度间取得平衡。本文旨在研究动态模态分解（Dynamic Mode Decomposition, DMD）在捕捉MIG非线性动力学及时间尺度方面的适用性，为融合组件降阶建模奠定基础。论文发表在《Fusion Engineering and Design》。

**关键技术方法**
研究人员采用动态模态分解（DMD）及其优化变体（Optimized DMD），结合Hankel嵌入理论进行数据去噪。通过奇异值分解（SVD）对高维数据进行降维，构建低秩线性代理算子。训练数据来源于经FALCON设施实验脉冲验证的MIG集总模型（含32个特征量：31个温度场和束流电流），采样时间间隔0.001 s，经10倍降采样后用于模型训练。超参数优化采用差分进化（DE）算法。

**研究结果**
**数据预处理与去噪**：通过Hankel-OptDMD方法，将噪声标准差从1降至0.13，信噪比（SNR）提升至81.45 dB，平均Pearson相关系数达0.9703，保留了原始动力学特征。

**最佳秩选择（Optimum rank selection）**：通过多目标优化（最小化L₂重建误差与计算时间），确定最优秩r=12，对应总计算时间41 s（重建时间<0.1 s），相对L₂误差7.61%。更高秩（如r=24）可进一步降低误差，但计算成本显著增加。

**MIG潜在动力学识别（MIG latent dynamics identification）**：对开启相（on-phase）和关闭相（off-phase）分别提取DMD时间模态。开启相中，主导模态（非振荡）代表输入功率驱动的全局热响应；第二模态描述外部组件的慢速加热；第三、四模态为热扩散特征模态。关闭相中，慢衰减模态对应内腔热量向外部组件再分布，快衰减模态反映灯丝与包层间的快速热平衡。

**MIG频谱特征（MIG spectral characteristics）**：代理矩阵特征值分析显示，除微正实部（~2.4×10^-4 s^-1）反映开启相外部加热外，其余特征值均为负实部，表明系统稳定。振荡周期（4~30 s）对应组件间快速热调整。

**MIG动力学预测（MIG dynamics forecast）**：在严格约束（所有特征最终误差<2倍标准差，斜率偏差<0.03）下，采用r=24、训练截止79%的模型，束流电流最终预测误差0.71 A，平均温度误差1.01 °C。放宽约束仅聚焦束流电流时，r=9、训练截止62%即可实现最终误差1.36 A。

**讨论与结论**
研究表明，DMD结合Hankel嵌入能有效去噪、提取物理可解释的时域模态，并通过特征值揭示系统稳定性。在重建与预测模式下，模型在计算效率与精度间达到良好平衡，尤其束流电流预测性能优异。论文结论部分翻译如下：
“本文成功将动态模态分解（DMD）应用于识别磁控注入枪（MIG）的关键瞬态动力学，为聚变能源系统的数字孪生应用建立了稳健的方法论框架。平衡计算效率与预测精度对数字孪生至关重要，尤其对于MIG这类具有复杂非线性动力学和极大时间尺度差异（从不足秒级的灯丝响应到数十秒的外部组件动力学）的组件。鉴于本文的方法论性质，起始模型为经验证的MIG集总模型，以更好地聚焦于DMD特性与性能分析。结果表明，DMD结合Hankel嵌入提供了有效的数据预处理策略，在减轻噪声的同时保留了多时间尺度的关键时间特征。训练后的DMD代理模型成功提取了开启相和关闭相下主导MIG热行为的时域模态，揭示了热传递的层次结构。代理算子的频谱分析进一步表明DMD代理保留了有意义的稳定性信息，特征值主要为非振荡，开启相微正特征值正确反映外部驱动加热，关闭相表现为稳定耗散行为。在重建模式下，最优秩12提供了精度与计算成本的良好折中，相对L₂误差7.61%，总执行时间符合准实时运行要求。此外，代理模型展现了有前景的预测能力：在严格精度要求下，基于约80%训练数据的高秩模型可准确预测剩余动力学；当仅关注束流电流时，低秩模型和更短训练窗口即可实现可靠预测。本文奠定了DMD在更复杂融合组件建模中应用的基础，未来工作将包括扩展至参数化数据集、采用高保真模型生成训练数据，以及耦合不确定性量化技术。”