MétaCan
Menu
Retour à la cohorte
Enregistrement W4391520433 · doi:10.1063/5.0180421

Numerical thermalization in 2D PIC simulations: Practical estimates for low-temperature plasma simulations

2024· article· en· W4391520433 sur OpenAlexaff
Sierra Jubin, Andrew T. Powis, Willca Villafana, Dmytro Sydorenko, Shahid Rauf, Alexander V. Khrabrov, Salman Sarwar, Igor Kaganovich

Notice bibliographique

RevuePhysics of Plasmas · 2024
Typearticle
Langueen
DomaineEngineering
ThématiquePlasma Diagnostics and Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesPrinceton Plasma Physics LaboratoryLaboratory Directed Research and DevelopmentNational Energy Research Scientific Computing CenterPrinceton UniversityU.S. Department of Energy
Mots-clésPhysicsThermalisationPlasmaComputational physicsParticle-in-cellDragElectronElectron temperaturePopulationAtomic physicsStatistical physicsMechanicsNuclear physics

Résumé

récupéré en direct d'OpenAlex

The process of numerical thermalization in particle-in-cell (PIC) simulations has been studied extensively. It is analogous to Coulomb collisions in real plasmas, causing particle velocity distributions (VDFs) to evolve toward a Maxwellian as macroparticles experience polarization drag and resonantly interact with the fluctuation spectrum. This paper presents a practical tutorial on the effects of numerical thermalization in 2D PIC applications. Scenarios of interest include simulations, which must be run for many thousands of plasma periods and contain a population of cold electrons that leave the simulation space very slowly. This is particularly relevant to many low-temperature plasma discharges and materials processing applications. We present numerical drag and diffusion coefficients and their associated timescales for a variety of grid resolutions, discussing the circumstances under which the electron VDF is modified by numerical thermalization. Though the effects described here have been known for many decades, direct comparison of analytically derived, velocity-dependent numerical relaxation timescales to those of other relevant processes has not often been applied in practice due to complications that arise in calculating thermalization rates in 1D simulations. Using these comparisons, we estimate the impact of numerical thermalization in several examples of low-temperature plasma applications including capacitively coupled plasma discharges, inductively coupled plasma discharges, beam plasmas, and hollow cathode discharges. Finally, we discuss possible strategies for mitigating numerical relaxation effects in 2D PIC simulations.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,030
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,290
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysics of PlasmasMême sujetPlasma Diagnostics and ApplicationsTravaux en français237 207