Machine learning-based determination of quadrupole misalignments in particle accelerators
Parçacık hızlandırıcılarındaki dört kutuplu uyumsuzlukların makine öğrenmesine dayalı tanımlanması
- Tez No: 926652
- Danışmanlar: DR. ÖĞR. ÜYESİ SELÇUK HACIÖMEROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstinye Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Yüksek enerjili parçacık demetlerinin hızlandırıcıda hapsedilip tasarım yörüngesinde tutulabilmesi için mıknatısların demet hattı boyunca hassas bir şekilde hizalanması gerekir. Bu tür bir hassasiyeti mekanik olarak sağlamak oldukça zordur ve küçük mıknatıs hizalanma hataları veya eğimler, ışın performansını ve kararlılığını bozabilir. Örgü tasarımında kaçınılmaz olarak ortaya çıkan bu hataları tespit etmek ve düzeltmek, ışın kalitesini korumak için hayati öneme sahiptir. Bu çalışmada, bir senkrotron depolama halkasında örgü hata tespiti ve düzeltmesi için bir makine öğrenimi çerçevesi öneriyoruz. Kuadrupol hizalama hatalarının tespit edilmesi için önceden simüle edilmiş Işın Konum Monitörü (BPM) sinyalleri ile iki sinir ağı modeli eğitilmiştir: Tam bağlantılı bir ağ (FCNN) ve Uzun-kısa vadeli bellek (LSTM). Veriler, ışın dinamiklerini simüle etmek için yeni geliştirdiğimiz Python tabanlı simülatörden elde edilmiştir. Modellerin sağlamlığının, genelleme yeteneğinin ve veri ölçeklenebilirliğinin değerlendirilmesi için üç modda kıyaslama yapıldı: BPM gürültüsü stres testleri; çapraz doğrulama; ve birikimli eğitim. Bu iki ağ, düzeltme sonrasında ışının dikey yörüngelerini neredeyse temel koşullara geri getirmiştir. Gerçekçi hizalanma hataları ve kuadrupol eğim açıları (dikey hizalanma hataları için ortalama 0 mikron, standart sapma 50 mikron; eğim açıları için ortalama 0 mrad, standart sapma 10 mrad) altında, önerilen makine öğrenimi modelleri düşük ortalama mutlak hatalar elde etmiştir. Özellikle, dikey hizalanma hataları ile eğitilen model 0.57 mikronluk bir Ortalama Mutlak Hata (MAE) elde ederken, dikey hizalanma ve eğim hataları ile eğitilen model 0.04 mikronluk bir MAE elde etmiştir. Bu sonuçlar, makine öğrenimi temelli hata teşhisi ve düzeltme yaklaşımının modern hızlandırıcılar için hızlı ve doğru bir çözüm olarak kullanılma potansiyelini göstermektedir; böylece kararlı ve yüksek kaliteli ışınların sağlanması mümkün olmaktadır.
Özet (Çeviri)
Particle accelerators rely on precisely tuned magnets placed on the lattice to confine beams at high energies and maintain the design trajectory. Achieving such precision mechanically is very challenging, and small magnet misalignments or tilts can degrade beam performance and stability. Detecting and correcting these inevitable faults in the lattice design is essential for preserving beam quality. In this work, we propose a machine learning framework for lattice fault detection and correction in a synchrotron storage ring. Two neural network models were trained on simulated Beam Position Monitor (BPM) signals—a fully connected network (FCNN) and a Long Short-Term Memory (LSTM) network—to predict vertical quadrupole misalignments. The data were generated using our newly developed Python-based simulator for simulating beam dynamics. To evaluate the robustness, generalization capability, and scalability of the models, we benchmarked them under four modes: BPM noise and tilt noise tolerance evaluation, cross-validation, and accumulated training. Both networks effectively restored the beam's vertical orbits to near-baseline conditions after correction. Under realistic misalignment levels and quadrupole tilt angles (mean of 0 μm, standard deviation of 50 μm for vertical misalignments; mean of 0 mrad, standard deviation of 10 mrad for tilt angles), the proposed machine learning models achieved low Mean Absolute Errors (MAEs). Specifically, the model trained with simulated vertical misalignment errors achieved an MAE of 0.57 μm, while the model trained with both vertical misalignment and tilt errors achieved an MAE of 0.04 μm. These results demonstrate the potential of ML-driven fault diagnosis and correction as a fast and accurate approach for modern accelerators, enabling stable, high-quality beams.
Benzer Tezler
- Demir eksikliği anemisi olan kadınlarda HBA1C düzeylerinin makine öğrenmesi tabanlı belirlenmesi
Machine learning-based determination of HBA1C levels in women with iron deficiency anemia
KADRA MOHAMED ABDILLAHI
Yüksek Lisans
Türkçe
2025
BiyokimyaKocaeli ÜniversitesiBiyokimya Ana Bilim Dalı
DOÇ. DR. FATMA CEYLA ERALDEMİR
DR. ÖĞR. ÜYESİ İRFAN KÖSESOY
- Zaman-tanım alanında optimum ayarlı kütle sönümleyicisi tasarımına yönelik makine öğrenmesi tabanlı tahmin yöntemi
Machine learning based prediction model for optimum design of tuned mass damper in time-history domain
MELDA YÜCEL
Doktora
Türkçe
2023
Deprem Mühendisliğiİstanbul Üniversitesi-Cerrahpaşaİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. GEBRAİL BEKDAŞ
- SCADA sistemleri için makine öğrenimi tabanlı hata tespiti
Machine learning based diagnostic for SCADA systems
TOLGAHAN ÖZTÜRK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL KÖSE
- Development of a machine learning based framework for failure forecast and shear strength estimation of conventional RC shear walls
Geleneksel betonarme perde duvarların göçme modu ve kesme kuvveti kapasitesini tahmin eden makine öğrenmesi tabanlı bir yaklaşım geliştirilmesi
MEHMET TAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLŞEN TAŞKIN KAYA
- Nesnelerin interneti platformları için makine öğrenmesi tabanlı bir tahmin modülü
A machine learning based prediction module for internet of things platforms
HALİL GÜLAÇAR
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN