Développement de nouveaux modèles SOC
Prédiction des éruptions solaires par assimilation de données dans les modèles d'avalanche
Plusieurs des modèles SOC des éruptions solaires développés à date souffrent d'un problème substantiel, soit la difficulté à faire le pont, physiquement et quantitativement, entre leurs règles d'évolution discrètes (de type automate cellulaire), et la reconnexion magnétique, le mécanisme physique sous-jacent à la libération de l'énergie durant les éruptions. S'inspirant d'un modèle physique du chauffage coronal proposé il y a une vingtaine d'années par E.N. Parker, nous développons une nouvelle génération de modèles SOC des éruptions solaires, où l'élément structurel de base est la ligne de champ magnétique, et où le critère d'instabilité est basé sur l'angle sous-tendu par les lignes de champs s'entrecroisant en réponse au forcage. De plus, la reconfiguration se produisant lorsque l'instabilité est déclenchée implique explicitement un changement dans la connectivité de ces lignes, en analogie directe avec le comportement attendu de la reconnexion magnétique. Le forcage consiste à successivement déplacer latéralement et de manière aléatoire les noeuds définissant une ligne de champ. La Figure 2 présente un exemple d'une telle simulation SOC (sur un réseau de très petite taille), et de son évolution temporelle.
Les résultats obtenus à date ont démontré qu'un tel système atteint un état SOC caractérisé par le déclenchement d'avalanches de "reconnexion", dont les tailles dont distribuées en loi de puissance, comme dans le cas des automates cellulaires classiques. La Figure 3 ci-dessous montre un exemple d'une séquence temporelle d'énergie emmagasinée dans le réseau (partie du haut), et libérée par les avalanches (au bas).
|
Figure 3: Séquence temporelle de l'énergie emmagasinée dans le réseau (partie du haut) et libérée par les avalanches (partie du bas) dans une simulation utilisant l'automate cellulaire de la Figure 2. On y note l'intermittence temporelle ainsi que la vaste gamme d'amplitude des avalanches se propageant dans le système, deux caractéristiques classiques de systèmes dans un état SOC. Pour plus de détail, voir l'article par Morales and Charbonneau cité plus bas. |
Nous étudions présentement jusqu'à quel point les quantités
qui peuvent être extraites du modèle (comme la pente logarithmique de
la loi de puissance des tailles des avalanches) dépends
de la taille du réseau, et des valeurs choisies pour
différents paramètres du modèle, comme le seuil d'instabilité
et les propriétés du forcage, et comment ces quantités se comparent aux
valeurs déterminées observationnellement. Nous avons commencé également à
développer une version tridimensionelle du modèle.
Prédiction des éruptions solaires par assimilation de données
dans les modèles d'avalanche
Nous utilisons la méthode d'assimilation de données dite 4D-VAR
en conjonction avec une
version 2D du modèle d'avalanche de Lu & Hamilton (1991,
ApJL, 380, L89,),
reformulé en terme d'une variable continue afin de permettre la dérivation
de l'équation adjointe requise par 4D-VAR. La Figure 4 illustre
schématiquement le fonctionnement de 4D-VAR. Un modèle physique
--ici le modèle d'avalanche-- avance une variable du système
d'un temps initial 0 à
T (trait rouge), et le résultat est comparé aux observations
à T. Connaissant maintenant l'erreur entre la prédiction
et l'observation, la condition initiale est réajustée par intégration
inverse des équations adjointes, et utilisée
pour produire une prédiction améliorée au temps T (trait vert).
Cette procédure est itérée jusqu'à ce que la prédiction se retrouve
à l'intérieur des barres d'erreur observationnelles.
Dans notre cas, ce sont les valeurs de la variable de réseau sur
chaque noeud qui sont réajustée, ce qui implique que nous devons
solutionner simultanément un grand nombre (d'ordre 1000 et plus)
de ces problèmes d'optimisation, soit un par noeud du réseau.
La mesure d'erreur d'erreur utilisée et la différence quadratique
moyenne entre les séquence temporelles d'énergie libérée sur
l'ensemble de l'intervalle temporel d'assimilation.
La principale difficulté provient du fait que le modèle d'avalanche comprend
une composante stochastique, soit le mécanisme de forcage qui
jour le double rôle d'injection
de l'énergie dans le système, et déclencheur des avalanches
(pour plus de détails, voir l'article
par Bélanger et al. listé en bibliographie, et les références s'y trouvant).
Figure 4: Représentation schématique de deux itérations du processus 4D-VAR classique. Dans le contexte de l'assimilation de donnée dans un modèle d'avalanche, la variable S correspond à la valeur de la variable de réseau sur un noeud, et la mesure d'erreur est définie en terme de la différence quadratique moyenne entre des séquences temporelles couvrant tout l'intervalle d'assimilation, plutôt que la valeur de la variable au temps T (voir texte). |
La Figure 5 illustre les résultats d'une expérience de validation de la procédure 4D-VAR, un préalable essentiel à la prédiction véritable. La partie du haut est un exemple de séquence temporelle synthétique, produite elle-même par le modèle d'avalanche, et que 4D-VAR cherche à assimiler. La partie centrale montre une séquence temporelle produite par le même modèle, utilisant la même condition initiale mais une réalisation différente de nombres aléatoires forcant le réseau. Ces deux séquences temporelles se ressemblent peu. La partie du bas montre le résultat de l'ajustement de la condition initiale par la méthode 4D-VAR. La reproduction de la séquence observationnelle est grandement améliorée, et démontre qu'il est possible de construire une condition initiale "optimale" pour la prédiction, dans le sens qu'elle est compatible avec le comportement du système dans le passé recent. Nous testons présentement la performance prédictive de conditions initiales obtenues de cette facon. L'étape suivante est évidemment d'utiliser le modèle pour assimiler les données solaires véritables, et produire des prédictions des éruptions solaires.
Figure 5: Validation de la procédure de prédiction utilisant 4DVAR et le modèle d'avalanche. Le partie du haut montre une séquence temporelle synthétique produite par le modèle. Cette du milieu une première "prédiction" obtenue en avancant le modèle d'avalanche dans le temps, et celui du bas la séquence temporelle produite par 4D-VAR, ici après seulement 5 itérations. |
Qui travaille là-dessus dans le groupe: Laura Morales, Éric Bélanger, Paul Charbonneau, Alain Vincent, Richard Joseph.
Ce travail est spécifiquement subventionné par le Programme de Recherche en Équipe du FQRNT.
Publications récentes du groupe sur ce sujet:
Dernières modifications le 11 octobre 2007 par
paulchar@astro.umontreal.ca.
|