Electron Temperature Inference from Multiple Fixed Bias Langmuir Probes
Notice bibliographique
Résumé
We show the first achievement of inferring the electron temperature in ionospheric conditions from synthetic data using fixed-bias Langmuir probes operating in the electron saturation region. This was done by using machine learning and altering the probe geometry. The electron temperature is inferred at the same rate as the currents are sampled by the probes. For inferring the electron temperature along with the electron density and the floating potential, a minimum number of three probes is required. Furthermore does one probe geometry need to be distinct from the other two, since otherwise the probe setup may be insensitive to temperature. This can be achieved by having either one shorter probe or a probe of a different geometry, e.g. two longer and a shorter cylindrical probe or two cylindrical probes and a spherical probe. We use synthetic plasma parameter data and calculate the synthetic collected probe currents to train a neural network and verify the results with a test set. We additionally verify the validity of the inferred temperature in altitudes ranging from about 100 km-500 km, using data from the International Reference Ionosphere model. Even minor changes in the probe sizing enable the temperature inference and result in root mean square relative errors between inferred and ground truth data of under 3%. When limiting the temperature inference to 120-450 km altitude an RMSRE of under 0.7% is achieved for all probe setups. In future, the multi-needle Langmuir Probe instrument dimensions can be adapted for higher temperature inference accuracy.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».