Improving solar wind modeling at Mercury: Incorporating transient solar phenomena into the WSA‐ENLIL model with the Cone extension
Notice bibliographique
Résumé
Abstract Coronal mass ejections (CMEs) and other transient solar phenomena play important roles in magnetospheric and exospheric dynamics. Although a planet may interact only occasionally with the interplanetary consequences of these events, such transient phenomena can result in departures from the background solar wind that often involve more than an order of magnitude greater ram pressure and interplanetary electric field applied to the planetary magnetosphere. For Mercury, an order of magnitude greater ram pressure combined with high Alfvén speeds and reconnection rates can push the magnetopause essentially to the planet's surface, exposing the surface directly to the solar wind flow. In order to understand how the solar wind interacts with Mercury's magnetosphere and exosphere, previous studies have used the Wang‐Sheeley‐Arge (WSA)‐ENLIL solar wind modeling tool to calculate basic and composite solar wind parameters at Mercury's orbital location. This model forecasts only the background solar wind, however, and does not include major transient events. The Cone extension permits the inclusion of CMEs and related solar wind perturbations and thus enables characterization of the effects of strong solar wind disturbances on the Mercury system. The Cone extension is predicated on the assumption of constant angular and radial velocities of CMEs to integrate these phenomena into the WSA‐ENLIL coupled model. Comparisons of the model results with observations by the MESSENGER spacecraft indicate that the WSA‐ENLIL+Cone model more accurately forecasts total solar wind conditions at Mercury and has greater predictive power for magnetospheric and exospheric processes than the WSA‐ENLIL model alone.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».