Ruimteweerobservaties en -simulaties benutten met data-analyse

Het gebied van ruimteweer bestudeert de effecten van hoog energetische verschijnselen gecreëerd door de zon op het ruimtemilieu nabij de aarde. Door de zon voortgebrachte hoge snelheid plasma reist door de interplanetaire ruimte en interageert met het magnetisch veld van de aarde. Soms veroorzaakt dit magnetische reconnectie, een herstructurering van de magnetische veldlijnen. Hierdoor wordt ons natuurlijk natuurlijk magnetisch veld verstoord, waardoor hoogenergetische deeltjes van de zonnewind kunnen binnendringen en geomagnetische stormen ontstaan. Deze deeltjes treffen astronauten en satellieten, maar wekken ook sterke geïnduceerde stromen op die elektriciteitsnetwerken en vitale radiocommunicatie- en geolokalisatiekanalen kunnen verstoren. Het begrijpen en nauwkeurig modelleren van deze verschijnselen is dan ook van cruciaal belang voor onze technologisch afhankelijke maatschappij.

Met het ontstaan van het onderzoeksveld over ruimteweer in de jaren 1950 hebben we een grote hoeveelheid waarnemingen van wetenschappelijke satellieten verzameld, en hebben we gedetailleerde software gebouwd die gebruikt kan worden om ruimteplasmafysica te bestuderen. In deze dissertatie trachten we nieuwe modellen te ontwikkelen en nieuwe inzichten te verwerven door gebruik te maken van technieken uit gegevensanalyse. Gegevensanalyse is een groeiend onderzoeksveld met focus in onderzoek en in commerce, dat gebruik maakt van statistische technieken om voorspellende modellen te maken en nieuwe inzichten te verwerven uit grote hoeveelheden gegevens.

In het eerste werk van dit doctoraat werd een model gemaakt, gebaseerd op een neuraal netwerk, dat voorspellingen maakt van de disturbance storm time index, die gebruikt wordt om geomagnetische stormen te monitoren. Het model wordt geëvalueerd aan de hand van traditionele metrieken, en toont even goed te presteren als de nieuwste modellen. Echter wijzen visuele waarnemingen op een systematisch tijdsverschil tussen de waarneming en voorspelling, wat de aanleiding gaf voor het ontwikkelen van een nieuwe evaluatiemethode voor tijdreeksvoorspellingen, gebaseerd op de techniek van dynamische tijd verbuiging, waarmee een systematische vertraging tussen twee tijdreeksen kan worden opgespoord. De nieuwe techniek bevestigt onze eerdere kwalitatieve waarnemingen, namelijk dat er inderdaad een systematisch tijdsverschil is. We bespreken hoe dit probleem kan worden vermeden in de toekomst.

Numerieke simulaties van zowel de zonnewind en het magnetisch veld van de aarde zijn van cruciaal belang om het ontstaan van geomagnetische stormen te begrijpen. Numerieke simulaties zijn echter sterk afhankelijk van waarnemingsgegevens om een initiële oplossing en fysische randvoorwaarden te creëren. Het tweede werk van dit doctoraat zet de eerste stappen om de invloed van variaties in de waarnemingen te meten op simulaties. Met behulp van representator analyse laten we zien hoe de modellen van OpenGGCM, PLUTO en Tsyganenko zouden worden beïnvloed door het invoeren van variaties in de waarnemingsgegevens. Dit stelt on in staat om te bepalen welke gebieden in de heliosfeer belangrijk zijn voor nieuwe wetenschappelijke missies. De representator analyse onthult ook een dieper inzicht in hoe de simulaties worden aangestuurd. De simulatiesoftware die voor onze bovenstaande analyse werd gebruikt berust op een aantal benaderingen. In het belang van het verbeteren van numerieke simulaties hebben we een versterking gemaakt op basis van machine learning, die gebruikt kan worden bij magneto hydrodynamische simulaties van ruimteplasma fysica. Traditionele magneto hydrodynamische simulaties berusten op sterke veronderstellingen om magnetische reconnectie te simuleren. Anderzijds zijn complexe zelf-consistente kinetische simulaties nauwkeuriger, maar deze zijn computationeel duur. In het laatste werk van dit doctoraat trainen we twee machine learning modellen op kinetische simulaties, als een eerste stap in het creëren van een surrogaatmodel voor magneto hydrodynamica. De modellen zijn getraind om een alternatieve kwantificering van de druk tensor en de warmte flux te geven. De evaluatie van de modellen geeft aan dat het creëren van een goede vervanging van deze termen mogelijk is, maar dat er nog enkele stappen te zetten zijn voor het maken van een werkbaar surrogaat.