Soutenance de thèse de CLAVIER Benoît
Titre de thèse
Étude du transport turbulent des particules énergétiques dans les plasmas de fusion nucléaire par des simulations de trajectoires et des techniques d'intelligence artificielle
Study of turbulent transport of energetic particles in nuclear fusion plasmas nuclear fusion plasmas by trajectory simulations and artificial intelligence techniques
Résumé de la thèse
Cette thèse porte sur le transport turbulent de particules chargées dans les plasmas de fusion magnétisés, étudié au moyen de modèles réduits de turbulence, de simulations de trajectoires et de techniques de modélisation data-driven fondées sur l'intelligence artificielle, avec pour objectif d'améliorer la compréhension des mécanismes de transport et d'explorer des alternatives plus rapides aux simulations classiques.
La première partie présente le cadre physique du transport transverse et une première simulation du modèle de Hasegawa–Wakatani (HW), ainsi qu'une série de diagnostics eulériens et lagrangiens. Ces outils fournissent des mesures de transport de référence qui servent de base aux analyses menées dans la suite du manuscrit.
La deuxième partie s'intéresse au transport de particules tests dans la turbulence HW et mHW à l'aide du code Tokam2D, étendu pour intégrer des trajectoires en centre guide, en gyro-moyenne et en full-orbit. Une énergisation systématique des trajectoires en full-orbit est observée dans certains régimes, révélant les limites de la gyro-moyenne en présence de champs fortement fluctuants. Plusieurs tests numériques et analytiques sont menés afin d'en identifier l'origine, notamment des simulations utilisant des paramètres proches de ceux de grands tokamaks.
La troisième partie se rapproche de conditions plus réalistes en utilisant un champ de turbulence tridimensionnelle de type ion-temperature-gradient (ITG) produit par le code Gysela. Les trajectoires de particules sont intégrées avec le code TAPAS et les propriétés de transport qui en résultent sont analysées. Une loi d'échelle pratique pour la diffusion radiale est obtenue dans ce régime ITG.
La dernière partie présente le modèle GAIT, un modèle fondé sur l'intelligence artificielle et conçu pour reproduire efficacement la turbulence HW. Il combine un Convolutional Variational Autoencoder, qui apprend une représentation latente des champs turbulents, et un modèle dynamique évoluant dans cet espace latent. Plusieurs architectures et dimensions latentes sont étudiées, ainsi qu'une comparaison avec la POD (Proper orthogonal decomposition). Le modèle offre un gain de temps de calcul et constitue une approche prometteuse pour accélérer les études de transport.
Dans l'ensemble, cette thèse montre comment des modèles réduits de plasma, des diagnostics lagrangiens et des méthodes modernes d'apprentissage automatique peuvent se compléter pour l'étude du transport turbulent. Les résultats mettent en évidence la complexité de la dynamique des particules énergétiques ainsi que le potentiel des approches data-driven pour les investigations futures.
Thesis resume
This thesis investigates turbulent transport of charged particles in magnetized fusion plasmas using reduced turbulence models, particle trajectory simulations, and data-driven methods based on artificial intelligence, with the aim of improving the understanding of transport mechanisms and exploring faster alternatives to conventional simulations.
The first part presents the physical framework of cross-field transport and an initial simulation of the Hasegawa–Wakatani (HW) model, together with a series of Eulerian and Lagrangian diagnostics. These tools provide reference transport measures that serve as a basis for the analyses conducted in the rest of the manuscript.
The second part focuses on test-particle transport in HW and modified HW turbulence using the Tokam2D code, extended to integrate guiding-centre, gyro-averaged, and full-orbit trajectories. A systematic energization of full-orbit particles is observed in certain regimes, revealing the limitations of gyro-averaging in strongly fluctuating fields. Several numerical and analytical tests are performed to understand this effect, including runs with parameters derived from large tokamaks.
The third part moves toward more realistic conditions using a three-dimensional ion-temperature-gradient turbulence field generated by the Gysela code. Particle trajectories are computed with the TAPAS code, and the resulting transport properties are analysed. A practical scaling law for radial diffusion is obtained, providing a compact description of energetic-particle transport in this ITG regime.
The final part introduces GAIT, a two-dimensional artificial-intelligence surrogate model designed to generate synthetic HW turbulence. The model combines a Convolutional Variational Autoencoder, which learns a latent representation of turbulent fields, with a dynamical model in latent space. Several architectures and latent dimensions are explored, together with a comparison to Proper Orthogonal Decomposition. Although reproducing transport anisotropy remains challenging, the surrogate achieves significant speedup compared to direct simulation and shows promising potential for accelerated transport studies.
Overall, this thesis illustrates how reduced plasma models, particle-based diagnostics, and modern machine-learning approaches can complement each other in the study of turbulent transport. The results highlight both the physical complexity of energetic-particle dynamics and the opportunities offered by data-driven techniques for future investigations.