2026-09-23T06:55:56Zhttps://www.iris.unict.it/oai/request

oai:www.iris.unict.it:20.500.11769/7058892026-03-13T01:14:36Zcom_20.500.11769_434851com_123456789_40col_20.500.11769_434852

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] PUGLISI, Gabriele Puglisi, Gabriele 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 Real-time Tokamak Embedded System Power Supply Sistemi di Diagnostica dei Quench Reti Neurali Artificiali Reti Neurali Quaternioniche Modellazione di Sistemi non lineari 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. This thesis investigates the design and optimization of control and diagnostic systems for magnetic confinement fusion experiments, with a focus on enhancing the reliability and responsiveness of plasma regulation in Tokamak devices. The work bridges theoretical modeling, embedded system implementation, and machine learning, supporting key functions in real-time supervision and diagnostics. The research is funded under the framework of the PNRR, Missione 4, Componente 2 “Dalla Ricerca all’Impresa”– Investimento 3.3 “Introduzione di dottorati innovativi che rispondono ai fabbisogni di innovazione delle imprese e promuovono l’assunzione dei ricercatori dalle imprese”- DM 351/2022, and supported by the Italian Ministry of University and Research, by ENI S.p.A. and collaborators: RFX Consortium, ENEA. The research has been conducted over three lines of investigation. The first direction investigates embedded platforms and their suitability for real-time control applications, with emphasis on identifying hardware–software configurations capable of sustaining deterministic behavior under demanding operational conditions. A second line of work, carried out in collaboration with Fusion for Energy, examines the modeling and validation of power supply control strategies for poloidal and toroidal field coils, which play a key role in plasma shaping and stability. Detailed PSIM models of JT-60SA’s Poloidal and Toroidal Field power supplies were developed based on manufacturer control logic. Finally, the thesis explores the use of neural networks, both in their standard multilayer perceptron formulation and in more advanced paradigms such as hypercomplex architectures and learning-on-learning algorithms, as tools for feedforward prediction, disturbance mitigation, and enhanced diagnostic capabilities. Taken together, these contributions illustrate how the integration of embedded technologies, power electronics modeling, and intelligent data-driven techniques can provide a robust framework for next-generation fusion control and diagnostic systems. By bridging diverse methodologies, this work aims to support the realization of scalable and reliable solutions for ITER, JT-60SA, DTT, and future fusion reactors. 2025-12-18 info:eu-repo/semantics/doctoralThesis https://hdl.handle.net/20.500.11769/705889 eng info:eu-repo/semantics/openAccess Università degli studi di Catania place:Catania license:PUBBLICO - Pubblico con Copyright license uri:iris.PUB02