Optimizing laser wakefield accelerator with genetic and machine learning methods
Lazer alan körüklemesi hızlandırıcılarının genetik ve makine ögrenmesi metodlarıyla optimizasyonu
- Tez No: 996570
- Danışmanlar: ÖĞR. GÖR. BURAK YEDİERLER
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Lazer Alan Körüklemesi Hızlandırıcıları (LWFA), yoğun lazer darbelerini kullanarak plazma dalgalarını körükleyerek ve elektronları relativistik enerjilere hızlandırmak suretiyle kompakt, masaüstü ölçekli elektron hızlandırıcılarının gerçekleştirilmesini mümkün kılar. LWFA, geleneksel RF hızlandırıcılara kıyasla çok daha yüksek enerji gradyanları elde edebilse de, ışıma kalitesinin emisyon, ıraksama, enerji ve yük açısından iyileştirilmesi önemli bir zorluk olmaya devam etmektedir. LWFA performansı, belirli sınırlar içinde birden fazla birbiriyle ilişkili parametreye bağlı olduğundan, çok değişkenli ve çok amaçlı bir optimizasyon yaklaşımı gereklidir. Bu tez kapsamında, LWFA dinamiklerini modellemek için Fourier-Bessel Particle-in-Cell (FBPIC) kodu kullanılarak PIC simülasyonları gerçekleştirilmiştir. Simülasyon hesaplamaları açısından maliyetli olan spektral particle-in-cell metodu yerine geçebilecek hızlı yarı-simülasyonları mümkün kılmak amacıyla makine öğrenmesi tabanlı dijital ikiz modelleri geliştirilmiş; lazer ve plazma parametreleri giriş, elektron huzme özellikleri ise hedef parametreleri olarak kullanılmıştır. Bu ikiz modeller, küresel çok amaçlı optimizasyon için NSGA-II genetik algoritmasıyla birleştirilmiştir. İlk olarak, geniş bir veri kümesi oluşturulmasına uygun simülasyon ayarlarını belirlemek amacıyla FBPIC kodu için kapsamlı bir benchmark çalışması yapılmıştır. Makro parçacık sayısı, uzlamsal ve zamansal çözünürlük değiştirilerek yapılan testler sonucunda, \(P_{nt}=4\), \(N_z=1400\), and \(\Delta t = 0.7 \Delta t_{CFL}\) değerlerinin doğruluk ve simülasyon maliyeti arasında en uygun dengeyi sağladığı bulunmuştur. Bu optimize edilmiş ayarlar kullanılarak çeşitli makine öğrenmesi regresyon modellerini eğitmek için bir veri kümesi üretilmiştir. Ridge regresyonu, destek vektör regresyonu, gradyan güçlendirme, yapay sinir ağları ve rastgele ormanlar modelleri arasında en yüksek tahmin doğruluğu rastgele ormanlar modelinde elde edilmiş ve hızlı değerlendirme amacıyla dijital ikiz modeli olarak seçilmiştir. Bu vekil modelin NSGA-II genetik algoritmasıyla birleştirilmesi, LWFA parametre uzayının verimli bir şekilde çok amaçlı optimizasyonunu mümkün kılmıştır. Bu tezin sonucunda, 3.9–6.6 \(\mu \pi\)·m·rad aralığında emisyon,14–25 MeV aralığında enerji ve 10–17 nC aralığında net yük değerleri elde edilmiştir.
Özet (Çeviri)
Laser wakefield acceleration (LWFA) enables compact, tabletop electron accelerators by using intense laser pulses to drive plasma waves that accelerate electrons to relativistic energies. While LWFA can achieve much higher energy gradients than conventional RF accelerators, obtaining high beam quality in terms of emittance, divergence, energy spread, and charge remains a major challenge. Since LWFA performance depends on multiple interdependent parameters within bounded regions, a multivariate and multiobjective optimization approach is required. In this thesis, Particle-in-Cell simulations were performed using the Fourier-Bessel Particle-in-Cell (FBPIC) code to model LWFA dynamics. Machine learning-based digital twins were developed to replace computationally expensive simulations and enable fast quasi-simulations, where laser and plasma parameters served as inputs and beam properties as outputs. These surrogate models were then coupled with the NSGA-II genetic algorithm for global multiobjective optimization. First, we benchmark the Fourier–Bessel Particle-in-Cell (FBPIC) code to determine simulation settings suitable for generating large datasets. By varying macroparticles, grid resolution, and timestep, we find that \(P_{nt}=4\), \(N_z=1400\), and \(\Delta t = 0.7 \Delta t_{CFL}\) provide accurate results with significantly reduced computational cost. Using these optimized settings, we generate a dataset to train several machine-learning regressors. Across models including ridge regression, support vector regression (SVR), gradient boosting (GB), artificial neural networks (ANNs), and random forests (RF), random forests achieve the best overall predictive performance and are adopted as the digital-twin surrogate for fast evaluations. Coupling this surrogate model with the NSGA-II genetic algorithm enables efficient multiobjective optimization over the LWFA parameter space. As a result of this thesis, we achieved emittances of 3.9–6.6 \(\mu \pi\)·m·rad, energies of 14–25 MeV, and charges of 10–17 nC.
Benzer Tezler
- Rüzgar enerjisi dönüşüm sistemlerinin aerodinamik kapsamı ve güç belirlenmesi analizlerinde potansiyel akım yöntemleri
Aerodynamic aspects of wind energy conversion systems and potential flow methods in performance prediction analysis
ALİ ALPER AKYÜZ
Yüksek Lisans
Türkçe
1997
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. ADİL YÜKSELEN
- A novel energy-saving device for ships- gate rudder system
Gemiler için yeni bir enerji tasarrufu sağlayıcı sistem- gate rudder sistemi
ZEYNEP TACAR İLTER
Doktora
İngilizce
2022
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN KORKUT
- Optimizing Laser Parameters for Precise Working Depths in Liver-Tissue Applications
Karaciğer-Doku Uygulamalarında Hassas Çalışma Derinlikleri için Lazer Parametrelerini Optimize Etme
OĞUZHAN EFE SAPMAZ
Yüksek Lisans
İngilizce
2023
BiyomühendislikBahçeşehir ÜniversitesiBiyomühendislik Ana Bilim Dalı
YRD. DOÇ. AYŞE SENA SARP
- Elektrikli araç batarya taşıyıcılarında kullanılan Al6063 malzemesinin lazer kaynağı ile birleştirilmesi, mekanik ve mikroyapı özelliklerinin Taguchı methoduyla optimize edilmesi
Combining Al6063 used in electric vehicle battery carrierswith laser welding, optimizing the mechanical and microstructural properties by Taguchi methods
EDA DEMİR
Yüksek Lisans
Türkçe
2023
Otomotiv MühendisliğiBursa Uludağ ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE GÜLER ÖZGÜL
- CO2 lazer ile yüksek mukavemetli ve düşük alaşımlı çelik malzemenin yüzeyinin işlenmesi ve malzeme yüzeyinin pürüzlülüğünün optimize edilmesi
Processing the surface of high strength and low alloy steel material with CO2 laser and optimizing the roughness of the material surface
ŞEREF TOSUNOĞLU
Yüksek Lisans
Türkçe
2025
Fizik ve Fizik MühendisliğiKocaeli ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. TİMUR CANEL