Dans les plasmas de fusion magnétique, les instabilités macroscopiques magnétohydrodynamiques (MHD) à basse fréquence (~1-10 kHz) peuvent dégrader les performances et la stabilité du plasma. Lors des décharges longues sur le tokamak WEST, de tels modes apparaissent fréquemment provoquant une chute de la température centrale, une augmentation de la résistivité, réduisant ainsi les performances et conduisant à une fin prématurée des décharges. Leur détection en temps réel puis l’application de méthodes de stabilisation sont donc essentielles pour l’optimisation des performances de WEST mais aussi en vue des futures machines comme ITER.
Des instruments comme la radiométrie ECE (émission cyclotronique électronique) ou la réflectométrie peuvent mesurer les perturbations de température ou de densité générées par ces instabilités MHD avec une bonne résolution spatiale et temporelle. Toutefois, l’analyse des mesures est actuellement réalisée a posteriori après la décharge. Or, une détection en temps réel est indispensable pour déployer une stratégie de contrôle comme une modification du critère de stabilité MHD. Ce critère MHD est très sensible à une génération locale de courant ou un dépôt de chaleur, processus pour lesquels le système de chauffage ECRH/ECCD (Electron Cyclotron Resonance Heating/Current Drive) est bien adapté.
L’objectif de cette thèse est de développer puis déployer une stratégie de contrôle des instabilités MHD basses fréquence sur le tokamak WEST. L’étudiant commencera par développer la détection en temps-réel de ces instabilités grâce au radiomètre ECE, puis inclura d’autres mesures (imagerie ECE, réflectométrie) pour améliorer la fiabilité et la précision. Différentes stratégies de stabilisation seront étudiées via des outils de modélisation intégrée. L’ECRH/ECCD est l’actionneur de référence, mais d’autres leviers comme une modification temporaire de paramètres plasma (courant, température, densité) seront aussi évalués. Enfin, la stratégie de contrôle sera intégrée au système de contrôle de WEST en commençant par des algorithmes simples avant de tester des approches avancées (réseaux de neurones, apprentissage profond).