論文の概要: Artificial Neural Network Assisted Modelling of Tangent Galvanometer Measurements for the Determination of Horizontal Component of Earth's Magnetic Field
- arxiv url: http://arxiv.org/abs/2609.31930v1
- Date: Fri, 25 Sep 2026 19:23:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 04:32:52.892932
- Title: Artificial Neural Network Assisted Modelling of Tangent Galvanometer Measurements for the Determination of Horizontal Component of Earth's Magnetic Field
- Title（参考訳）: 人工ニューラルネットワークによる地球磁場の水平成分測定のためのタンジェントガルバノメーター測定のモデル化
- Abstract要約: 人工ニューラルネットワーク(ANN)は、磁場(BH)の値を予測する補完的なデータ駆動モデルとして使用される。
ANNモデルの開発には,50ターンコイルと500ターンコイルを用いて得られた225個の観測データを用いた。
その結果, 実験室実験における実験変数と非線形関係を解析するための相補的ツールとしてのANNの有用性が示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Tangent Galvanometer (TG) is a standard undergraduate laboratory experiment for estimating the horizontal component of Earth's magnetic field (BH) by measuring the angle of deflection of a magnetic needle corresponding to the current flowing through a circular coil. In this study, an artificial neural network (ANN) is used as a complementary data-driven model to predict the value of BH. A dataset comprising 225 observations obtained using 50-turn and 500-turn coils was used for developing the ANN model. After quality control, 223 observations were retained and divided into training (70%), validation (15%), and testing (15%) subsets. The model was optimized using a feed-forward neural network with Tanh activation. Three different models (Models A, B, and C) with different input variables were compared for optimum performance. Model C used five input variables: current, deflection angle, tan(theta), magnetic field produced by the coil, and number of turns. The addition of tan(theta) produced a substantial improvement in prediction performance, which was further improved by including the magnetic field produced by the coil. Model C gave the best test performance, with R2 = 0.99053, RMSE = 0.54076 microT, and MAE = 0.32940 microT. The experimental and ANN-predicted values of BH were also compared with an adopted local geomagnetic reference value of 39.0 microT. The mean experimental and ANN-predicted values were 37.38898 microT and 37.32161 microT, respectively. The results demonstrate the usefulness of ANN as a complementary tool for analyzing experimental variability and nonlinear relationships in an undergraduate physics laboratory experiment.
- Abstract（参考訳）: タンジェント・ガルバノメーター(Tangent Galvanometer、TG)は、地球の磁場(BH)の水平成分を、円コイルを流れる電流に対応する磁気針の偏向角度を測定することで推定する、標準的な学部実験である。
本研究では,BHの値を予測するための補完的データ駆動モデルとして,人工知能ニューラルネットワーク(ANN)を用いる。
ANNモデルの開発には,50ターンコイルと500ターンコイルを用いて得られた225個の観測データを用いた。
品質管理後、223の観察結果が保持され、トレーニング(70%)、バリデーション(15%)、テスト(15%)サブセットに分割された。
モデルはTanhアクティベーションを備えたフィードフォワードニューラルネットワークを用いて最適化された。
入力変数の異なる3つのモデル(モデルA,B,C)を最適性能として比較した。
モデルCは、電流、偏向角、タン(テータ)、コイルによって生成された磁場、回転数という5つの入力変数を使用した。
タン(テータ)の追加により予測性能が大幅に向上し、コイルの磁場を含めることでさらに改善された。
モデルCはR2 = 0.99053、RMSE = 0.54076 microT、MAE = 0.32940 microTで最高の試験性能を示した。
BHの実験値とANN予測値も、39.0マイクロTの局所的な地磁気基準値と比較された。
平均実験値は37.38898 microTと37.32161 microTである。
その結果, 実験室実験における実験変数と非線形関係を解析するための相補的ツールとしてのANNの有用性が示された。
関連論文リスト
- Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。
この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。
EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - Solar Active Regions Emergence Prediction Using Long Short-Term Memory
Networks [44.99833362998488]
太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。
音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。
これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
論文 参考訳（メタデータ） (2024-09-25T23:09:46Z) - Global-local Fourier Neural Operator for Accelerating Coronal Magnetic Field Model [17.256941005824576]
FNOの2つの分岐を含むグローバルローカルフーリエニューラル演算子(GL-FNO)を提案する。
GLFNOの性能は、FNO、U-NO、U-FNO、Vision Transformer、CNN-RNN、CNN-LSTMといった最先端のディープラーニング手法と比較される。
その結果、GL-FNOはMHDシミュレーションを加速するだけでなく、信頼性の高い予測能力も提供し、宇宙気象力学の理解に大きく貢献することが示された。
論文 参考訳（メタデータ） (2024-05-21T13:04:53Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Predictions of Electromotive Force of Magnetic Shape Memory Alloy (MSMA)
Using Constitutive Model and Generalized Regression Neural Network [0.0]
強磁性形状記憶合金(MSMA)は室温での磁場印加による形状記憶効果を示す。
この研究は、Ni-Mn-Ga単結晶の既存のマクロスケール磁気力学モデルに新しい特徴を導入した。
モデル予測は、Ni-Mn-Ga単結晶上で収集された実験データと比較される。
論文 参考訳（メタデータ） (2022-06-08T06:38:33Z) - Magnetic Field Prediction Using Generative Adversarial Networks [0.0]
生成逆数ネットワーク(GAN)構造を用いて,空間のランダムな点における磁場の値を予測する。
ディープラーニング(DL)アーキテクチャは、与えられた磁場の欠落した磁場値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批評家の2つのニューラルネットワークで構成される。
訓練されたジェネレータは、フィールドポイントの1つのコヒーレント領域が欠落している場合の5.14%、空間における数点測定しか得られていない場合の5.86%の中央値再構成テスト誤差で、フィールド値の欠落を予測できることを学習した。
論文 参考訳（メタデータ） (2022-03-14T12:31:54Z) - Burst Eddy Current Testing with a Diamond Magnetometry [13.77966653032413]
ダイヤモンド窒素空洞(NV)中心磁力計とハーンエコー(HE)シーケンスを併用したバースト渦電流探傷法を実証した。
共焦点実験装置により、HEベースのNV磁力計は4.3mrmnT / sqrtmathrmHz$、体積正規化感度は3.6mrmmpT / sqrtmathrmHz cdot Mathrmmm-3$に達した。
論文 参考訳（メタデータ） (2021-10-18T06:34:19Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - 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)
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。