📄Работа №126681
Тема: Определение погрешностей параметров магнитов на основе машинного обучения для коллайдера NICA
Тип работы
Магистерская диссертация
Предмет
физика
Объем:
68 листов
Год:
2023
Просмотров:
84
4935
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Глава 1. Ускорители 5
1.1. Историческая справка 5
1.2. Классификация ускорителей 9
Глава 2. Проект «Комплекс NICA» 12
Глава 3. Машинное обучение 21
Глава 4. Генерация данных и обучение моделей 24
4.1. Генерация данных и формирование датасета 24
4.2. Построение и обучение моделей 27
4.2.1. Линейная регрессионная модель 27
4.2.2. Полиномиальная регрессионная модель 28
4.2.3. Многослойный перцептрон 29
Глава 5. Результаты построения моделей 34
5.1. Вращение вокруг оси движения пучка частиц (DPSI) 34
5.1.1. Один магнит 35
5.1.2. Два магнита 36
5.1.3. Десять магнитов 37
5.1.4. Сорок магнитов 40
5.2. Смещение магнита в направлении x (DX) 41
5.2.1. Два магнита 42
5.2.2. Десять магнитов 43
5.2.3. Сорок магнитов 48
5.3. Смещение магнита в направлении y (DY) 53
5.3.1. Два магнита 54
5.3.2. Десять магнитов 55
5.3.3. Сорок магнитов 58
Заключение 64
Список используемых сокращений 65
Список литературы 66
Глава 1. Ускорители 5
1.1. Историческая справка 5
1.2. Классификация ускорителей 9
Глава 2. Проект «Комплекс NICA» 12
Глава 3. Машинное обучение 21
Глава 4. Генерация данных и обучение моделей 24
4.1. Генерация данных и формирование датасета 24
4.2. Построение и обучение моделей 27
4.2.1. Линейная регрессионная модель 27
4.2.2. Полиномиальная регрессионная модель 28
4.2.3. Многослойный перцептрон 29
Глава 5. Результаты построения моделей 34
5.1. Вращение вокруг оси движения пучка частиц (DPSI) 34
5.1.1. Один магнит 35
5.1.2. Два магнита 36
5.1.3. Десять магнитов 37
5.1.4. Сорок магнитов 40
5.2. Смещение магнита в направлении x (DX) 41
5.2.1. Два магнита 42
5.2.2. Десять магнитов 43
5.2.3. Сорок магнитов 48
5.3. Смещение магнита в направлении y (DY) 53
5.3.1. Два магнита 54
5.3.2. Десять магнитов 55
5.3.3. Сорок магнитов 58
Заключение 64
Список используемых сокращений 65
Список литературы 66
📖 Введение
Ускорители заряженных частиц, в настоящее время, являются единственным типом технической аппаратуры для экспериментального изучения мельчайших объектов материи, из которой состоит все живое на Земле [1]. Основное развитие ускорительная техника приобрела в последние 50 лет, что делает ее наиболее молодой и прогрессирующей отраслью технических наук.
Одним из видов укорителей, используемых в настоящее время, является циклический ускоритель. Он используется для получения частиц высоких энергий, ускорение которых происходит по круговой или эллипсоидной траектории. Примером такого ускорителя может служить сверхпроводящий бустерный синхротрон, который выступает в качестве одной из составных частей «Комплекса NICA» [2]. В рамках данного проекта проводятся
фундаментальные и прикладные исследования в области ядерной физики.
Как правило, уже на этапе проектирования и строительства ускорителей закладываются определенные рассчитанные заранее параметры, благодаря которым ученые планируют получить необходимый результат при ускорении заряженных частиц. Однако из-за влияния различных факторов, например, внешние условия, некорректная установка элементов в кольце ускорителя т.д., экспериментальные данные не всегда соответствуют расчетным. В проекте NICA на бустерном синхротроне одним из таких факторов является погрешность магнитных элементов.
Наиболее распространенным способом получения информации на основе анализа уже имеющихся данных является машинное обучение [3]. К такому методу обычно прибегают при наличии задач, решение которых стандартными методами является невозможным или требует слишком много человеческого ресурса без гарантии на успех.
Целью работы является определение погрешностей параметров магнитов на основе машинного обучения для коллайдера NICA.
Для достижения поставленной цели необходимо решить несколько задач:
1. Изучить магнитно-оптическую схему бустера в проекте NICA;
2. Определить основные параметры магнитов и их погрешности, влияющие на траекторию движения заряженных частиц;
3. Рассмотреть различные модели машинного обучения;
4. Выбрать и реализовать алгоритм машинного обучения для определения параметров погрешностей магнитов.
Одним из видов укорителей, используемых в настоящее время, является циклический ускоритель. Он используется для получения частиц высоких энергий, ускорение которых происходит по круговой или эллипсоидной траектории. Примером такого ускорителя может служить сверхпроводящий бустерный синхротрон, который выступает в качестве одной из составных частей «Комплекса NICA» [2]. В рамках данного проекта проводятся
фундаментальные и прикладные исследования в области ядерной физики.
Как правило, уже на этапе проектирования и строительства ускорителей закладываются определенные рассчитанные заранее параметры, благодаря которым ученые планируют получить необходимый результат при ускорении заряженных частиц. Однако из-за влияния различных факторов, например, внешние условия, некорректная установка элементов в кольце ускорителя т.д., экспериментальные данные не всегда соответствуют расчетным. В проекте NICA на бустерном синхротроне одним из таких факторов является погрешность магнитных элементов.
Наиболее распространенным способом получения информации на основе анализа уже имеющихся данных является машинное обучение [3]. К такому методу обычно прибегают при наличии задач, решение которых стандартными методами является невозможным или требует слишком много человеческого ресурса без гарантии на успех.
Целью работы является определение погрешностей параметров магнитов на основе машинного обучения для коллайдера NICA.
Для достижения поставленной цели необходимо решить несколько задач:
1. Изучить магнитно-оптическую схему бустера в проекте NICA;
2. Определить основные параметры магнитов и их погрешности, влияющие на траекторию движения заряженных частиц;
3. Рассмотреть различные модели машинного обучения;
4. Выбрать и реализовать алгоритм машинного обучения для определения параметров погрешностей магнитов.
✅ Заключение
В данной работе были изучены такие погрешности параметров магнитов как смешение магнита вдоль осей x, y (DX, DY), а также погрешность угла поворота магнита вокруг оси распространения пучка (DPSI).
При помощи языка программирования Python был написан код для формирования датасетов, состоящих из погрешностей для n магнитов и компонент траектории пучка заряженных частиц.
Для каждого параметра магнита были построены модели машинного обучения, такие как линейная регрессия, полиномиальная регрессия, многослойный перцептрон. Были определены оценки качества.
При изменении погрешностей смещения на одном или двух магнитах линейные и полиномиальные регрессии показали высокую оценку качества этих моделей, что позволило ограничиться только ими. В случае, варьирования погрешностей на десяти магнитах все модели, включая многослойный перцептрон, выдали приблизительно одинаковый показатель качества. Для сорока магнитов наилучшей моделью, описывающей имеющиеся данные, оказать линейная регрессия.
При помощи языка программирования Python был написан код для формирования датасетов, состоящих из погрешностей для n магнитов и компонент траектории пучка заряженных частиц.
Для каждого параметра магнита были построены модели машинного обучения, такие как линейная регрессия, полиномиальная регрессия, многослойный перцептрон. Были определены оценки качества.
При изменении погрешностей смещения на одном или двух магнитах линейные и полиномиальные регрессии показали высокую оценку качества этих моделей, что позволило ограничиться только ими. В случае, варьирования погрешностей на десяти магнитах все модели, включая многослойный перцептрон, выдали приблизительно одинаковый показатель качества. Для сорока магнитов наилучшей моделью, описывающей имеющиеся данные, оказать линейная регрессия.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.