Sensitiviteitsgebaseerde onzekerheidskwantificatie voor gekoppelde eindige-volume – Monte Carlo plasmarandsimulaties van kernfusiemachines.

Plasmarandsimulaties worden veelvuldig gebruikt voor de interpretatie van huidige kernfusie-experimenten en het ontwerp van reactors. De vele onzekere parameters in de modelvergelijkingen leiden tot een grote onzekerheid op de simulatieresultaten. Daarom is er een grote noodzaak voor onzekerheidskwantificatie (OK), maar de typische rekenkost van een plasmarandsimulatie maakt het gebruik van standaard OK methodes onmogelijk. Onderzoek heeft aangetoond dat het aantal voorwaartse simulaties drastisch vermindert bij het gebruik van sensitiviteitsgebaseerde OK technieken. Daarom ontwikkelen we in dit project sensitiviteitsgebaseerde technieken voor plasmarandsimulaties.Een grote moeilijkheid is het efficiënt en correct berekenen van gradiënten met betrekking tot modelonzekerheden in aanwezigheid van statistische ruis afkomstig van de kinetische Monte Carlo simulatie voor de neutrale deeltjes. We onderzoeken technieken om de statistische fout te minimaliseren. Voor de gradiëntberekening maken we gebruik van algoritmische differentiatie (AD), waarbij de simulatiecode semi-automatisch gedifferentieerd wordt, en dit zowel in voorwaartse als adjoint modus. De adjoint modus is interessant omdat de rekenkost onafhankelijk wordt van het aantal modelonzekerheden, maar speciale technieken moeten aangewend worden om het geheugengebruik te minimaliseren. Ten slotte versnellen we de simulaties met een hybride fluïdum-kinetisch neutralenmodel.

Trefwoorden:Plasma edge modeling, uncertainty quantification, algorithmic differentiation

Disciplines:Vloeistofmechanica, Fysica van (fusie)plasma's en elektrische ladingen, Numerieke modellering en design