Inference of plasma parameters from fixed-bias multi-needle Langmuir probes (m-NLP)
Notice bibliographique
Résumé
Abstract New approaches are presented to infer plasma densities and satellite floating potentials from currents collected with fixed-bias multi-needle Langmuir probes (m-NLP). Using synthetic data obtained from kinetic simulations, comparisons are made with inference techniques developed in previous studies and, in each case, model skills are assessed by comparing their predictions with known values in the synthetic data set. The new approaches presented rely on a combination of an approximate analytic scaling law for the current collected as a function of bias voltage, and multivariate regression. Radial basis function regression (RBF) is also applied to Jacobsen et al ’s procedure (2010 Meas. Sci. Technol. 21 085902) to infer plasma density, and shown to improve its accuracy. The direct use of RBF to infer plasma density is found to provide the best accuracy, while a combination of analytic scaling laws with RBF is found to give the best predictions of a satellite floating potential. In addition, a proof-of-concept experimental study has been conducted using m-NLP data, collected from the Visions-2 sounding rocket mission, to infer electron densities through a direct application of RBF. It is shown that RBF is not only a viable option to infer electron densities, but has the potential to provide results that are more accurate than current methods, providing a path towards the further use of regression-based techniques to infer space plasma parameters.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».