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
- Ankara-Polatlı-Kabak köyü sulama pompaj tesisinin optimizasyonu
Optimizing of Ankara-Polatlı-Kabak villages watering pumping plant
İLKNUR GÖKNUR
- Proses modellendirme, optimizasyon ve kontrolün bir petrol rafineri ünitesine (FCC) uygulanması
Başlık çevirisi yok
HARUN TAŞKIN
- Determination of anion content of fogwater by ron chromatography and spectrophotometric methods
Başlık çevirisi yok
TARIK ERDAL
- Vücut sıvılarında atomik absorpsiyon spektrometresi ile iz element analizleri ve bazı uygulamaları
Başlık çevirisi yok
MÜŞERREF ATLI
