Strategies and systems for modelling, real-time control and data acquisition in magnetic confinement fusion [Strategie e sistemi per la modellazione, il controllo e l'acquisizione dati in real-time nella fusione a confinamento magnetico]

Questa tesi indaga la progettazione e l'ottimizzazione di sistemi di controllo e diagnostica per esperimenti di fusione a confinamento magnetico, con particolare attenzione al miglioramento dell'affidabilità e della reattività della regolazione del plasma nei dispositivi Tokamak. Il lavoro collega la modellazione teorica, l'implementazione di sistemi embedded e l'apprendimento automatico, supportando funzioni chiave nella supervisione e nella diagnostica in tempo reale. La ricerca è finanziata nell'ambito del PNRR, Missione 4, Componente 2 “Dalla Ricerca all'Impresa”– Investimento 3.3 “Introduzione di dottorato innovativi che rispondono ai fabbisogni di innovazione delle imprese e promozione dell'assunzione dei ricercatori dalle imprese”- DM 351/2022, e sostenuta dal Ministero italiano dell'Università e della Ricerca, da ENI SpA e collaboratori: Consorzio RFX, ENEA. La ricerca è stata condotta su tre linee di indagine. La prima direzione indaga le piattaforme embedded e la loro idoneità per applicazioni di controllo in tempo reale, con particolare attenzione all'identificazione di configurazioni hardware–software in grado di sostenere un comportamento deterministico in condizioni operative impegnative. Una seconda linea di lavoro, svolta in collaborazione con Fusion for Energy, esamina la modellazione e la validazione di strategie di controllo delle power supply per i poloidal and toroidal field coils, che svolgono un ruolo chiave nella modellazione e nella stabilità del plasma. Sono stati sviluppati modelli PSIM dettagliati delle power supply per i poloidal and toroidal field coils del tokamak JT-60SA basati sulla logica di controllo del produttore. Infine, la tesi esplora l'uso delle reti neurali, sia nella loro formulazione standard di percettroni multistrato che in paradigmi più avanzati come architetture ipercomplesse e algoritmi di apprendimento sull'apprendimento, come strumenti per la previsione feedforward, la mitigazione dei disturbi e capacità diagnostiche migliorate. Nel loro insieme, questi contributi illustrano come l’integrazione di tecnologie embedded, modellazione dell’elettronica di potenza e tecniche data-driven intelligenti possa fornire un quadro solido per i sistemi diagnostici e di controllo della fusione di prossima generazione. Collegando diverse metodologie, questo lavoro mira a supportare la realizzazione di soluzioni scalabili e affidabili per ITER, JT-60SA, DTT e futuri reattori a fusione.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• PUGLISI, Gabriele

Contributors dc:contributor

• BUSCARINO, Arturo

• Magnetic Confinement Fusion
• Sistemi di Controllo e Acquisizione Dati
• Real-Time
• Tokamak
• Sistemi Embedded
• Power Supply
• Quench Detection System
• Artificial Neural Network
• Quaternion-valued Neural Network
• Nonlinear Systems Modelling
• Fusione a Confinamento Magnetico
• Control and Data Acquisition System
• Embedded System
• Sistemi di Diagnostica dei Quench
• Reti Neurali Artificiali
• Reti Neurali Quaternioniche
• Modellazione di Sistemi non lineari

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/705889

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/705889