論文の概要: Uncertainty quantification of a multi-component Hall thruster model at varying facility pressures

• arxiv url: http://arxiv.org/abs/2507.08113v2
• Date: Tue, 21 Oct 2025 13:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:08.425294
• Title: Uncertainty quantification of a multi-component Hall thruster model at varying facility pressures
• Title（参考訳）: 各種施設圧力下における多成分ホールスラスタモデルの不確かさ定量化
• Authors: Thomas A. Marks, Joshua D. Eckels, Gabriel E. Mora, Alex A. Gorodetsky,
• Abstract要約: このモデルは陰極、放電、配管のサブモデルで構成され、スラスタ性能指標を出力する。 模擬推力器には、クリプトンで作動する磁気シールドスラスタ、H9、キセノンで作動する無シールドスラスタ、SPT-100が含まれる。 キャリブレーション後のモデルでは、イオン加速領域における推力および上流シフトの変化を含む、主要な圧力関連トレンドを捉えている。
• 参考スコア（独自算出の注目度）: 0.769971486557519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inference is applied to calibrate and quantify prediction uncertainty in a coupled multi-component Hall thruster model. The model consists of cathode, discharge, and plume sub-models and outputs thruster performance metrics, one-dimensional plasma properties, and the angular distribution of the current density in the plume. The simulated thrusters include a magnetically shielded thruster operating on krypton, the H9, and an unshielded thruster operating on xenon, the SPT-100, at pressures between 4.3--43 $\mu$Torr-Kr and 1.7--80 $\mu$Torr-Xe, respectively. After calibration, the model captures key pressure-related trends, including changes in thrust and upstream shifts in the ion acceleration region. Furthermore, the model exhibits predictive accuracy to within 10\% when evaluated on flow rates and pressures not included in the training data, and can predict some performance characteristics across test facilities to within the same range of conditions. Compared to a previous model calibrated on some of the same data [Eckels et al. 2024], the model reduced predictive errors in thrust and discharge current by greater than 50%. An extrapolation to on-orbit performance is performed with an error of 9%, capturing trends in discharge current but not thrust. These findings are discussed in the context of using data for predictive Hall thruster modeling in the presence of facility effects.
• Abstract（参考訳）: 多成分ホールスラスタモデルにおける予測不確かさのキャリブレーションと定量化にベイズ推定を適用した。 このモデルは陰極, 放電, 配管サブモデルで構成され, スラスタ性能指標, 1次元プラズマ特性, 管内の電流密度の角度分布を出力する。 模擬スラスタには、クリプトン、H9、キセノンで作動する無シールドスラスタ、SPT-100、それぞれ4.3-43 $\mu$Torr-Krと1.7-80 $\mu$Torr-Xeの圧力で作動する。 キャリブレーション後のモデルでは、イオン加速領域における推力および上流シフトの変化を含む、主要な圧力関連トレンドを捉えている。 さらに、トレーニングデータに含まれない流量と圧力で評価した場合、予測精度を10倍以内とし、試験施設から同じ範囲の条件下で性能特性を予測できる。 同じデータ(Eckels et al 2024)で校正された以前のモデルと比較して、推力および放電電流の予測誤差を50%以上低減した。 軌道上の性能に対する外挿は、9%の誤差で行われ、放電電流の傾向をとらえるが、推力は取らない。 これらの知見は,施設効果の存在下での予測ホールスラスタモデルにおけるデータ利用の文脈で論じられる。

関連論文リスト

• Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control [0.0]
  本研究では, 密閉衝突噴流アレイにおけるヌッセルト数分布の予測を目的とした代理モデルを提案する。 我々は,Nusselt分布をリアルタイムで予測できるCNNベースの代理モデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T17:03:54Z)
• An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression [36.814181034608666]
  本稿では,電流予測の堅牢性と精度を高めるために,新しい壁圧スペクトル実験モデルを提案する。 このモデルは、遺伝的アルゴリズムに基づくアプローチを用いて、AIに基づく象徴的回帰を用いて開発されている。 これは、フルスケールの風力タービンの空気音響ノイズを予測するために、Amietの理論と統合されている。
  論文  参考訳（メタデータ） (2025-01-14T14:14:22Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
  我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。 ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
  論文  参考訳（メタデータ） (2021-07-01T18:28:13Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Deep Variational Luenberger-type Observer for Stochastic Video Prediction [46.82873654555665]
  本研究では,状態空間モデルの解釈可能性とディープニューラルネットワークの表現を組み合わせ,映像予測の課題について検討する。 我々のモデルは,入力映像を潜時特徴空間に変換する変分エンコーダと,潜時特徴の動的進化を捉えたルエンベルガー型オブザーバの上に構築されている。
  論文  参考訳（メタデータ） (2020-02-12T06:59:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。