Stochastic Galerkin particle methods for kinetic equations of plasmas with uncertainties
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The study of uncertainty propagation is of fundamental importance in plasma physics simulations. To this end, in the present work we propose a novel stochastic Galerkin (sG) particle method for collisional kinetic models of plasmas under the effect of uncertainties. This class of methods is based on a generalized polynomial chaos (gPC) expansion of the particles' position and velocity. In details, we introduce a stochastic particle approximation for the Vlasov-Poisson system with a BGK term describing plasma collisions. A careful reformulation of such dynamics is needed to perform the sG projection and to obtain the corresponding system for the gPC coefficients. We show that the sG particle method preserves the main physical properties of the problem, such as conservations and positivity of the solution, while achieving spectral accuracy for smooth solutions in the random space. Furthermore, in the fluid limit the sG particle solver is designed to possess the asymptotic-preserving property necessary to obtain a sG particle scheme for the limiting Euler-Poisson system, thus avoiding the loss of hyperbolicity typical of conventional sG methods based on finite differences or finite volumes. We tested the schemes considering the classical Landau damping problem in the presence of both small and large initial uncertain perturbations, the two stream instability and the Sod shock tube problems under uncertainties. The results show that the proposed method is able to capture the correct behavior of the system in all test cases, even when the relaxation time scale is very small.
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.
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 | 0,002 | 0,002 |
| 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 | 0,000 |
| 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 découle