Synthetic diagnostics for characterization and full structural monitoring of experimental magnetic fusion devices using a machine learning approach
Author(s)
Liuzzo, Gabriele
Date Issued
November 27, 2025
Type
Doctoral Thesis
Abstract
Structural health monitoring of experimental magnetic fusion devices presents major challenges arising from complex geometries, extreme electromagnetic loads,
and limited sensor accessibility. Reliable full-field reconstruction of displacements and strains is essential to ensure safety, optimise performance, and support
design development. This thesis proposes a framework that integrates modal reconstruction and machine learning to infer structural behaviour from sparse
measurements.
A detailed modal study identifies the dominant vibration modes under specified loading conditions. Structural deformation is reconstructed through modal
superposition, with newly formulated mode-selection criteria, developed analytically
for this work, guiding the machine learning model towards physically
meaningful features. This tailored integration of analytical and data-driven methods constitutes a central contribution of the thesis.
To enable training, a synthetic database of deformations is generated using finite element simulations, each linked to its modal content. Before application
to tokamak structures, the proposed mode-selection and structural health monitoring algorithms were validated on plate-like geometries, which allow straightforward
benchmarking against reference solutions. The methodology is subsequently applied to a representative tokamak sector
(SPARC, with geometry provided by CFS), achieving accurate reconstruction of both static and transient deformations from sparse measurements. Correlation
metrics confirm the robustness and reliability of the results.
In summary, this thesis demonstrates that combining analytically derived
modal selection with machine learning enables predictive and physically consistent
structural monitoring from limited data. The proposed approach provides a foundation for advanced monitoring strategies in next-generation fusion devices
and highlights the value of guiding machine learning with rigorous structural
analysis.
Il monitoraggio strutturale di dispositivi sperimentali di fusione magnetica
presenta sfide significative dovute a geometrie complesse, carichi elettromagnetici
estremi e limitata accessibilit`a dei sensori. Una ricostruzione affidabile a
campo completo degli spostamenti e delle deformazioni `e essenziale per garantire
la sicurezza, ottimizzare le prestazioni e supportare lo sviluppo progettuale.
Questa tesi propone un quadro metodologico che integra la ricostruzione modale
e l’apprendimento automatico (machine learning) per inferire il comportamento
strutturale a partire da misurazioni sparse.
Uno studio modale dettagliato identifica le modalit`a di vibrazione dominanti
sotto specifiche condizioni di carico. La deformazione strutturale viene ricostruita
tramite sovrapposizione modale, con nuovi criteri di selezione delle modalit`a,
formulati analiticamente in questo lavoro, che guidano il modello di apprendimento
automatico verso caratteristiche fisicamente significative. Questa integrazione
mirata di metodi analitici e basati sui dati costituisce un contributo centrale
della tesi.
Per consentire l’addestramento, `e stato generato un database sintetico di deformazioni
mediante simulazioni agli elementi finiti, ciascuna associata al proprio
contenuto modale. Prima dell’applicazione alle strutture tokamak, gli algoritmi
proposti di selezione modale e di monitoraggio strutturale sono stati validati
su geometrie piane, che consentono un confronto diretto con soluzioni di
riferimento.
La metodologia `e stata successivamente applicata a un settore rappresentativo
di tokamak (SPARC, con geometria fornita da CFS), ottenendo una ricostruzione
accurata delle deformazioni statiche e transitorie a partire da misurazioni
sparse. Le metriche di correlazione confermano la robustezza e l’affidabilit`a
dei risultati.
In sintesi, questa tesi dimostra che la combinazione di una selezione modale
derivata analiticamente con l’apprendimento automatico consente un monitoraggio
strutturale predittivo e fisicamente coerente a partire da dati limitati. L’approccio proposto fornisce una base per strategie di monitoraggio avanzate nei dispositivi
di fusione di nuova generazione e mette in evidenza il valore di guidare
l’apprendimento automatico attraverso un’analisi strutturale rigorosa.
Additional information
Dottorato di ricerca in Engineering for Energy and Environment