Naslov (srp)

Primena veštačke inteligencije i mašinskog učenja u spektroskopiji plazme : doktorska disertacija

Autor

Traparić, Ivan R., 1996-

Doprinosi

Ivković, Milivoje, 1956-
Gavrilović Božović, Marijana, 1986-
Obradović, Bratislav, 1966-
Dojčinović, Ivan P., 1974-
Srećković, Vladimir A., 1972-

Opis (eng)

In this doctoral thesis the possibility of application of machine learning andartificial intelligence for solving of some particular problems connected with plasma opticaland extreme ultraviolet emission spectroscopy was investigated.Random Forest model was trained for prediction of spectral line width due to Stark effectas it showed best performance of all considered models. Created model successfully predictedquantum nature of atomic emission and regularities along isoelectric sequence and spectralseries of neutral lithium atom. It was also shown that the model can be used for predictionof new spectral line widths with the uncertainty of around 20 %.Furthermore, it was shown that databases that weren’t recorded inside one’s own laboratorycan be used for training of machine learning algorithms for the quantitative LIBSanalysis by repeating the same experimental conditions. This is significant result, as manylaboratories don’t have the funds for enough standard samples for this kind of analysis, whileat the same time this result provides the opportunity for standardisation of database recordingprocess.Finally, using the variational autoencoder the UTA (Unresolved Transition Array) structureof tungsten spectra in the extreme ultraviolet part of the spectrum for typical plasmaparameters inside the plasma core of heliotron LHD was modeled. Model showed good agremeentwith experimental measurements, while also correctly modeling the temperature dependenceof the shape of the emitted spectra. This model provides the opportunity for quickand accurate generation of new spectra for given plasma parameters in several hundreds ofmiliseconds, contrary to the developed collisional - radiative models for the same purpose,which need few weeks of computational time for same calculations.

Opis (srp)

U ovoj doktorskoj disertaciji ispitana je mogućnost primene mašinskog učenjai veštačke inteligencije za rešavanje nekih problema u oblasti optičke i ekstremne ultraljučičasteemisione spektroskopije plazme.Model slučajne šume, obučen je za modelovanje Stark-ove poluširine emitovane spektralnelinije jer se za tu namenu pokazao kao najbolji od svih razmatranih modela. Napravljenimodel uspešno je predvideo kvantnu prirodu atomske emisije i regularnosti duž izoelektronskogniza i spektralnih serija neutralnog atoma litijuma. Pokazano je da se ovaj model možekoristiti za predviđanje novih Stark-ovih poluširina sa tačnošću od oko 20 %.Zatim, pokazano je da se u slučaju kvantitativne analize korištenjem spektroskopije laserskiindukovanog proboja za obučavanje modela mašinskog učenja mogu iskoristiti bazekoje nisu snimljene na vlastitoj aparaturi ponavljanjem istih eksperimentalnih uslova. Ovo jeznačajan rezultat jer dosta laboratorija nema sredstava da priušti dovoljan broj standardnihuzoraka za potrebe ovakvih analiza, i pruža mogućnost standardizacije snimanja ovih baza.Konačno, primenom varijacionog autoenkodera modelovan je UTA (eng. Unresolved TransitionArray) struktura emitovanog spektra volframa u ekstremnoj ultraljubičastoj oblastispektra za tipične uslove u jezgru plazme heliotrona LHD u Japanu. Model je pokazao zadovoljavajućepoklapanje sa eksperimentalnim merenjima, i tačno predvideo temperaturnezavisnosti oblika emitovanog spektra. Model je pokazao i dodatni napredak u modelovanju,omogućava brzo predviđanje oblika emitovanog spektra za zadate uslove plazme u svega nekolikostotina milisekundi, za razliku od trenutnih kolizono - radijativnih modela kojima zaistu svrhu treba po nekoliko nedelja za račun.

Opis (srp)

Fizika - Fizika jonizovanog gasa i plazme / Physics - Physics of Ionised Gases and Plasma Datum odbrane: 18.10.2024.

Jezik

srpski

Datum

2024

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC-ND 3.0 AT - Creative Commons Autorstvo - Nekomercijalno - Bez prerada 3.0 Austria License.

http://creativecommons.org/licenses/by-nc-nd/3.0/at/legalcode

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Fizika plazme

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

machine learning, artificial inteligence, plasma physics, plasma spectroscopy, fusion, LIBS

OSNO - Opšta sistematizacija naučnih oblasti, Fizika plazme

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

mašinsko učenje, veštačka inteligencija, fizika plazme, spektroskopija plazme, fuzija, LIBS