Bayesian method in optical emission spectroscopy: temporal evolution of electron density from time-integrated Hα emission and validation with time-resolved measurements for pulsed nanosecond discharges in water
Notice bibliographique
Résumé
Abstract The characterization of in-liquid discharges is known to be a challenging feat due to their stochastic nature and nanosecond time scale evolution. In this study, the time-resolved electron density ( n e ) of a spark discharge in water is analyzed by coupling optical emission spectroscopy (OES) measurements with a Bayesian model. It is first highlighted that a single Voigt profile cannot adequately describe the time-averaged H α line profile; this is due to the significant time evolution of the discharge properties. To overcome this limitation, a model describing the temporal evolution of the line emission intensity and shape is developed and used to fit the time-integrated spectrum. The unknown parameters in the model are determined using the Dynesty python package, according to the Bayesian nested sampling method. With such model, the simulated and measured spectrum of the H α transition agree very well. Over the range of experimental conditions investigated, it is found that the electron density rapidly reaches ∼ 2 × 10 25 m − 3 and then decreases exponentially with a decay time of ∼ 238 ns . These values are consistent with those determined using time-resolved measurements and analysis of the H α and O I line broadenings. Overall, this study shows that time-resolved plasma properties can be obtained from time-integrated OES data by applying a Bayesian-based modeling approach. Further studies are needed to expand the scope of the developed model and determine plasma properties over a broad range of conditions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».