查看“WikiEdge:ArXiv速递/2024-08-28”的源代码

===[[WikiEdge:ArXiv-2408.15807v1|ArXiv-2408.15807v1]]===
* '''标题'''：Simulation and analysis of a high-k electron scale turbulence diagnostic for MAST-U
* '''中文标题'''：高-k 电子尺度湍流诊断的模拟与分析用于MAST-U
* '''发布日期'''：2024-08-28 14:03:54+00:00
* '''作者'''：David C. Speirs, Juan Ruiz-Ruiz, Maurizio Giacomin, Valerian H. Hall-Chen, Alan D. R. Phelps, Roddy Vann, Peter G. Huggard, Hui Wang, Anthony Field, Kevin Ronald
* '''分类'''：physics.plasm-ph
*'''原文链接'''：http://arxiv.org/abs/2408.15807v1
'''摘要'''：等离子体湍流在不同的空间和时间尺度上发挥着关键作用，决定了在[[托卡马克]]中可实现的约束水平，基于实验测量开发减少数值模型以考虑跨尺度湍流效应是一个重要步骤。[[MAST-U]]是一个设备齐全的设施，拥有测量等离子体边缘的离子和电子尺度湍流的仪器。然而，测量核心电子尺度湍流尤其在[[H模式]]下是具有挑战性的。通过一种新颖的合成诊断方法，我们展示了一种基于毫米波的集体散射仪器的模拟测量规格，该仪器经过优化以测量MAST-U核心和边缘的正常和双法向电子尺度湍流。我们开发了一个强大的建模框架，结合了光束追踪技术和[[回旋动力学]]模拟，以预测测量的灵敏度、定位和谱范围。对于重建的MAST 022769拍摄，预测在核心的最大可测归一化双法向波数为$k_{\perp} \rho_{e} \sim 0.6$，在踏板附近为$k_{\perp} \rho_{e} \sim 0.79$，定位长度$L_{FWHM}$范围从核心的$k_{\perp} \rho_{e} \sim 0.1$时的$\sim$ 0.4 m到$k_{\perp} \rho_{e} \sim 0.45$时的~0.08m。对022769拍摄的合成诊断分析使用[[CGYRO]]回旋动力学模拟谱显示，[[ETG湍流]]的波数峰值谱强度舒适地落在仪器的可测范围内，从核心到踏板。所提出的诊断为研究与即将进行的非感应微波驱动实验相关的新湍流和约束机制开辟了机会，并可以提供对跨尺度湍流效应的深入了解，同时适合在未来反应堆如[[STEP]]的燃烧等离子体场景中运行。

===[[WikiEdge:ArXiv-2408.15882v2|ArXiv-2408.15882v2]]===
* '''标题'''：Recent Decade's Power Outage Data Reveals the Increasing Vulnerability of U.S. Power Infrastructure
* '''中文标题'''：最近十年的停电数据揭示了美国电力基础设施日益脆弱的情况
* '''发布日期'''：2024-08-28 15:54:42+00:00
* '''作者'''：Bo Li, Junwei Ma, Femi Omitaomu, Ali Mostafavi
* '''分类'''：physics.soc-ph
*'''原文链接'''：http://arxiv.org/abs/2408.15882v2
'''摘要'''：尽管关于[[美国]]电力基础设施脆弱性的显著轶事证据已有很多，但在频率和范围上对电力中断的空间和时间模式进行纵向和国家级的特征描述却相对匮乏。基于数据的国家级电力中断脆弱性特征描述对于理解紧迫性和制定政策以促进电力基础设施系统的[[韧性]]尤为重要。为此，我们检索了2014年至2023年间，来自3022个美国县的179,053,397条县级电力中断记录，记录间隔为15分钟，以捕捉电力中断特征。我们关注三个维度——电力中断强度、频率和持续时间——并开发了多种指标来量化每个维度的电力中断脆弱性。结果显示，在过去十年中，美国电力系统的脆弱性持续增加。各县在十年间平均经历了999.4次中断，影响了每个县平均超过540,000名客户，中断事件大约每周发生一次。沿海地区，特别是[[加利福尼亚州]]、[[佛罗里达州]]和[[新泽西州]]，面临更频繁和更长时间的中断，而内陆地区则显示出更高的中断率。自2017年以来，中断频率和强度显著增加，自2019年以来，持续性中断的急剧上升令人担忧。研究还发现，[[社会脆弱性]]与中断指标之间存在正相关关系，且这种关联在研究期间逐年增强。社会脆弱性较高的地区经历了更严重和更频繁的中断，加剧了这些地区的挑战。这些发现为[[利益相关者]]提供了急需的实证证据，以指导政策制定和项目开发，增强美国电力基础设施的韧性。

===[[WikiEdge:ArXiv-2408.16071v1|ArXiv-2408.16071v1]]===
* '''标题'''：Electron Acceleration at Quasi-parallel Non-relativistic Shocks: A 1D Kinetic Survey
* '''中文标题'''：电子在准平行非相对论性冲击中的加速：一维动力学调查
* '''发布日期'''：2024-08-28 18:12:26+00:00
* '''作者'''：Siddhartha Gupta, Damiano Caprioli, Anatoly Spitkovsky
* '''分类'''：astro-ph.HE, physics.plasm-ph
*'''原文链接'''：http://arxiv.org/abs/2408.16071v1
'''摘要'''：我们展示了一项关于准平行非相对论性冲击的1D动力学[[粒子-网格模拟]]的调查，以识别有利于[[电子]]加速的环境。我们探索了前所未有的冲击速度范围 $v_{\rm sh}\approx 0.067-0.267\,c$，[[阿尔芬马赫数]] $\mathcal{M}_{\rm A} = 5-40$，[[声马赫数]] $\mathcal{M}_{\rm s} = 5-160$，以及质子与电子的质量比 $m_{\rm i}/m_{\rm e}=16-1836$。我们发现，高阿尔芬马赫数的冲击能够将其动能的大部分转化为非热粒子、自我维持的[[磁湍流]]以及加速到更高的能量。注入粒子的比例对于电子来说 $\lesssim 0.5\%$，对于质子约为 $1\%$，相应的能量效率分别为 $\lesssim 2\%$ 和约 $10\%$。非热尾部的范围对阿尔芬马赫数非常敏感；当 $\mathcal{M}_{\rm A}\lesssim 10$ 时，非热电子分布在下游热质子的平均动量之上几乎没有增长，与质子与电子的质量比无关。对于低声马赫数的冲击，加速过程较慢，但当冲击的阿尔芬马赫数足够大时，非热电子的动量仍然超过下游热质子的动量。我们提供了基于模拟的参数化，描述了下游从热分布到非热分布的过渡（在动量约为 $p_{\rm i,e}/m_{\rm i}v_{\rm sh} \approx 3\sqrt{m_{\rm i,e}/m_{\rm i}}$ 的位置发现），以及非热电子与质子数密度的比率。这些结果适用于许多不同的环境，并对建模冲击驱动的非热辐射具有重要意义。

===[[WikiEdge:ArXiv-2408.16122v1|ArXiv-2408.16122v1]]===
* '''标题'''：Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting
* '''中文标题'''：变分模态分解与线性嵌入是时间序列预测所需的关键技术
* '''发布日期'''：2024-08-28 20:22:09+00:00
* '''作者'''：Hafizh Raihan Kurnia Putra, Novanto Yudistira, Tirana Noor Fatyanosa
* '''分类'''：cs.LG, eess.SP
*'''原文链接'''：http://arxiv.org/abs/2408.16122v1
'''摘要'''：时间序列预测常常面临数据波动带来的挑战，这可能导致预测不准确。[[变分模态分解]]（VMD）作为一种有前景的技术，通过将数据分解为不同的模态，从而提高预测准确性，以缓解波动性。在本研究中，我们将VMD与[[线性模型]]相结合，开发了一种稳健的预测框架。我们在13个多样化的数据集上评估了我们的方法，包括[[ETTm2]]、[[WindTurbine]]、[[M4]]以及来自东南亚各城市的10个[[空气质量]]数据集。通过比较使用VMD的模型与不使用VMD的模型的均方根误差（[[RMSE]]）值，评估了VMD策略的有效性。此外，我们还将基于线性的模型与知名的[[神经网络]]架构（如[[LSTM]]、[[BLSTM]]和[[RNN]]）进行了基准测试。结果显示，几乎所有模型在应用VMD后RMSE都有显著降低。值得注意的是，线性 + VMD模型在单变量预测中实现了最低的平均RMSE为0.619。在多变量预测中，[[DLinear]] + VMD模型在所有数据集中始终表现优异，平均RMSE为0.019，达到了最低值。这些发现强调了将VMD与线性模型结合用于优越的时间序列预测的有效性。

===[[WikiEdge:ArXiv-2408.16142v1|ArXiv-2408.16142v1]]===
* '''标题'''：Classifying acoustic cavitation with machine learning trained on multiple physical models
* '''中文标题'''：声学空化的机器学习分类：基于多种物理模型的训练
* '''发布日期'''：2024-08-28 21:07:48+00:00
* '''作者'''：Trinidad Gatica, Elwin van 't Wout, Reza Haqshenas
* '''分类'''：physics.comp-ph, physics.flu-dyn
*'''原文链接'''：http://arxiv.org/abs/2408.16142v1
'''摘要'''：声学空化是指在[[液体]]中形成和振荡微气泡的现象，这些液体受到[[声波]]的影响。根据液体的性质和声波的参数，气泡的行为会有所不同。气泡动力学的两个主要状态是[[瞬态空化]]，其中气泡剧烈坍塌，以及[[稳定空化]]，其中气泡经历周期性振荡。在特定的声化条件下预测这些状态对于[[生物医学超声]]和[[声化学]]非常重要。为了在实际应用中提供有用的预测，这些预测必须准确且计算效率高。在本研究中，我们使用[[机器学习]]技术预测液体中空气气泡核的空化状态。监督式机器学习通过求解三个气泡动力学的微分方程进行训练，即[[Rayleigh-Plesset方程]]、[[Keller-Miksis方程]]和[[Gilmore方程]]。这些方程在一系列初始参数下求解，包括温度、气泡半径、声压和频率。开发了四种不同的分类器，将每个模拟标记为稳定空化或瞬态空化。随后，设计了四种不同的机器学习策略，以分析给定声学和材料参数下瞬态或稳定空化的可能性。在保留的测试数据上进行的交叉验证显示机器学习预测的高准确性。结果表明，基于物理模拟训练的机器学习模型能够可靠地预测在与实际应用相关的广泛条件下的空化行为。这种方法可以用于优化成像、治疗超声和声化学中使用的设备设置和协议。