Study of machine learning methods for optimization and reliability improvements of high power linacs
Etude de la modélisation des accélérateurs de particules par des méthodes de «machine learning» pour optimiser et fiabiliser l'opération d'un linac de forte puissance
Résumé
Recent particle accelerator projects need to meet higher and higher performances, reliability and stability levels. This is especially true for ADS (Accelerator Driven System) projects that aim to drive a nuclear reactor with a particle accelerator. These require building high power (a few MW) proton accelerators with extremely high reliability in order to efficiently incinerate nuclear waste. This is the case for the MYRRHA (Multi-purpose hYbrid Research Reactor for High-tech Applications) aiming to build a sub-critical reactor driven by an accelerator that would provide a 4 mA CW (Continuous Wave) proton beam at 600 MeV (= 2.4 MW). This project, led by the SCK-CEN in Belgium, is based on the construction of a superconducting linear accelerator (linac) and aims to go under the limit of 10 beam trips longer than 3 seconds per operation cycle of 3 months. This represent a level of reliability never achieved before.A key point to achieve this goal is to ensure a good configuration of the injector composed of a LEBT (Low Energy Beam Transport line) and a RFQ (Radio-Frequency quadrupole). The role of the LEBT is to guide and focus the beam from the ion source to the RFQ, the first accelerating element. This role is notably crucial in order to obtain a beam of good quality that can be transported along the linac while minimizing the beam losses that can force the shutdown of the machine if they exceed the tolerance level. However, in an injector, the beam dynamics is complex due to the space charge effects and its compensation. In addition, it is necessary to be able to switch quickly the configuration of the injector over a wide range of configurations (low current and duty cycle for the startup up to the nominal beam current and duty cycle).In this context, this thesis explores the possibility of using Machine Learning methods to develop a numerical model able to reproduce accurately the experimental behavior of an injector and especially a LEBT. Especially, this thesis studies the training of artificial neural networks under supervised learning with the aim to model the MYRRHA and IPHI (Injecteur de Proton à Haute Intensité, CEA Saclay) LEBTs. With this goal in mind, several experimental datasets have been constituted using measurement made during the commissioning of the MYRRHA LEBT and during the operation of IPHI. Also, the modelization of both injectors have been performed using the computation of Tracein in order to complete these datasets. In this manuscript, the constitution of these datasets, the training of neural networks and their performances are described and discussed.
Les projets récents d’accélérateurs de particules demandent d’atteindre des niveaux de performances, de fiabilité et de stabilité de plus en plus stricts. En particulier, les projets d’ADS (Accelerator Driven System), dont le but est de piloter un réacteur nucléaire à l’aide d’un accélérateur de particules, nécessitent de construire des accélérateurs de protons à haute puissance (quelques MW) et extrêmement fiable afin de permettre l’incinération efficace de déchets nucléaire. C’est le cas du projet MYRRHA (Multi-purpose hYbrid Research Reactor for High-tech Applications) qui a pour objectif la construction d’un réacteur sous-critique piloté par un accélérateur avec un courant de protons CW (Continuous Wave) de 4 mA accéléré jusqu’à 600 MeV (= 2.4 MW). Ce projet, porté par le SCK-CEN en Belgique, est basé sur la construction d’un accélérateur linéaire (linac) supraconducteur et a pour objectif de passer sous la limite de 10 arrêts du faisceau plus long que 3 secondes par cycle d’opération de 3 mois. Ceci représente un niveau de fiabilité qui n’a encore jamais été atteint.Un des points clé pour atteindre cet objectif est de garantir un bon réglage de l’injecteur composé d’une LEBT (Low energy Beam Transport line) et d’un RFQ (Radio-Frequency Quadrupole). Le rôle de la LEBT est de guider et focaliser le faisceau depuis la source d’ion jusqu’au RFQ, le premier élément accélérateur. En effet, le rôle de la LEBT notamment est crucial pour obtenir un faisceau de bonne qualité qui pourra être transporté le long du linac tout en minimisant les pertes faisceaux qui peuvent causer l’arrêt de la machine lorsqu’elles deviennent trop importantes. Hors, dans un injecteur, la dynamique du faisceau est complexe et fortement influencée par les effets de charges d’espaces et leur compensation. De plus, il est nécessaire de pouvoir changer rapidement la configuration de l’injecteur dans une large gamme de configurations (bas courant et cycle utile pour le « commissioning » jusqu’au courant nominal avec un cycle utile de 100 %). Dans ce contexte, cette thèse explore la possibilité d’utiliser des méthodes d’apprentissage automatique pour le développement d’un modèle numérique capable de reproduire fidèlement le comportement expérimental d’un injecteur et plus spécifiquement d’une LEBT. En particulier, cette thèse étudie l’entraînement de réseau de neurones artificiels par apprentissage supervisé avec pour objectif de modéliser l’injecteur de MYRRHA ainsi que celui de IPHI (Injecteur de Proton à Haute Intensité, CEA Saclay). Dans ce but, plusieurs ensembles de données expérimentales ont été réalisés lors de la mise en service de la LEBT de MYRRHA et pendant l’opération de l’injecteur IPHI. La modélisation de ces deux injecteurs a aussi été réalisée à l’aide du code de calcul TraceWin afin de compléter les ensembles de données. Dans ce manuscrit, la constitution de ces ensembles de données, l’entrainement de réseaux de neurones sur ces données et les performances de ces derniers sont décrits et discutés.
Origine : Version validée par le jury (STAR)