SlideShare a Scribd company logo
1 of 11
Download to read offline
シミュレーション工学


地球における宇宙速度の計算

               AE1-8 小田 悠介
宇宙速度

●
    第1宇宙速度
      ●
          天体に墜落しないで
          周回軌道に乗る(楕円運動)ための速度
●
    第2宇宙速度
      ●
          天体の重力を振り切って
          外宇宙へ行く(双曲線運動)ための速度
●
    地球では・・・


●
    この速度を数値的に求めてみる.
支配方程式

●
    次の条件を仮定すると,単純な2質点の運動で表せる.
      ●
          地球は完全な球である
      ●
          地球の密度は同心球分布である
      ●
          m≪M
●
    このとき,物体の座標pについて
支配方程式の変形

●
    式を使いやすくするために,
    2階微分を1階微分に変形する.


    というベクトルを用いて,
Runge-Kutta法

●
    微分方程式の数値解法
       ●
           現在の値から予測値を用いて次の値を計算
       ●
           割と精度が良い

●
    dx/dt = f(x)のとき,
    4次Runge-Kutta法は
           →→→
宇宙速度の算出

●
    Runge-Kutta法によるシミュレーション結果から二分探索
    によって宇宙速度を算出する.
●
    二分探索で使用する条件・・・
      ●
          第1宇宙速度:
            –   未満: 軌道が地球に食い込む
            –   以上: 物体が半周する
      ●
          第2宇宙速度:
            –   未満: 元の地点に帰ってくる
            –   以上: 無限遠に飛んでゆく
                  ●
                      実際には無限遠の判定が難しいので,
                      地球半径の1000倍まで行ったところで打ち切る.
実験結果(1)

●
    シミュレーション環境・・・MATLAB 7.12.0上で検証
      ●
          定数
               –   万有引力定数         G = 6.674×10-11 m3s-2/kg
               –   地球質量           M = 5.972×1024 kg
               –   地球半径 (赤道半径)    R = 6.378×106 m
      ●
          初期条件
               –   x=0
               –   y = R+1(赤道の1m上空)
               –   vy = 0
      ●   vxを適当な値にして,地球に対して水平に打ち出す.
実験結果(1)

●
    シミュレーションによる物体の軌道
実験結果(2)

●
    二分探索による宇宙速度の算出




        第2宇宙速度         第1宇宙速度
実験結果(2)

●
    最終的に得られた値:
       ●
           第1宇宙速度: 7.9052 ~ 7.9053 [km/s]
              –   解析解: 7.905 [km/s]

       ●
           第2宇宙速度: 11.1755 ~ 11.1770 [km/s]
              –   解析解: 11.18 [km/s]


●
    4桁程度の範囲では,解析解と数値解がよく一致する.
    (もう少し詳しく計算してみると,第2宇宙速度に0.03%程度の定常誤差が出る)

    (探索条件に打ち切りを使っているため?)
まとめ

●
    地球の第1宇宙速度,第2宇宙速度を数値的に求める方法を
    考案,プログラムを組んで実験した.
●
    解析解との比較の結果,4桁程度の範囲でよく一致してい
    た.
●
    第2宇宙速度の探索に問題があるので,よりよい方法を検
    討する必要がある.

More Related Content

What's hot

哲学する人工知能と人工意識
哲学する人工知能と人工意識哲学する人工知能と人工意識
哲学する人工知能と人工意識Youichiro Miyake
 
機械学習の応用例にみる認知症診断と将来の発症予測
機械学習の応用例にみる認知症診断と将来の発症予測機械学習の応用例にみる認知症診断と将来の発症予測
機械学習の応用例にみる認知症診断と将来の発症予測Momoko Hayamizu
 
東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」
東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」
東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」Hitomi Yanaka
 
競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf
競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf
競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdfcatupper
 
とりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作った
とりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作ったとりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作った
とりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作った幹弘 松山
 
The history of TeX and its recent advances
The history of TeX and its recent advancesThe history of TeX and its recent advances
The history of TeX and its recent advancesYusuke Terada
 
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent AlignmentsDeep Learning JP
 
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用Yusuke Uchida
 
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...Deep Learning JP
 
むずかしい本をまとめたらプレゼン資料みたいになっちゃたよ
むずかしい本をまとめたらプレゼン資料みたいになっちゃたよむずかしい本をまとめたらプレゼン資料みたいになっちゃたよ
むずかしい本をまとめたらプレゼン資料みたいになっちゃたよYudaiMyo
 
開発者が語る NVIDIA cuQuantum SDK
開発者が語る NVIDIA cuQuantum SDK開発者が語る NVIDIA cuQuantum SDK
開発者が語る NVIDIA cuQuantum SDKNVIDIA Japan
 
20230912JSSST大会基調講演_丸山.pdf
20230912JSSST大会基調講演_丸山.pdf20230912JSSST大会基調講演_丸山.pdf
20230912JSSST大会基調講演_丸山.pdfHiroshi Maruyama
 
M5Stack用3G拡張モジュールの光と闇
M5Stack用3G拡張モジュールの光と闇M5Stack用3G拡張モジュールの光と闇
M5Stack用3G拡張モジュールの光と闇Kohei MATSUSHITA
 
Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!
Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!
Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!Hiroaki Komine
 
Surveyから始まる研究者への道 - Stand on the shoulders of giants -
Surveyから始まる研究者への道 - Stand on the shoulders of giants -Surveyから始まる研究者への道 - Stand on the shoulders of giants -
Surveyから始まる研究者への道 - Stand on the shoulders of giants -諒介 荒木
 
tcolorboxによる装飾表現(TeXユーザの集い2015)
tcolorboxによる装飾表現(TeXユーザの集い2015)tcolorboxによる装飾表現(TeXユーザの集い2015)
tcolorboxによる装飾表現(TeXユーザの集い2015)TeXmedicine
 
物性化学#1
物性化学#1物性化学#1
物性化学#1TomoyaK
 
高校生向け「ゲームの人工知能の作り方」
高校生向け「ゲームの人工知能の作り方」高校生向け「ゲームの人工知能の作り方」
高校生向け「ゲームの人工知能の作り方」Youichiro Miyake
 

What's hot (20)

深層強化学習と実装例
深層強化学習と実装例深層強化学習と実装例
深層強化学習と実装例
 
哲学する人工知能と人工意識
哲学する人工知能と人工意識哲学する人工知能と人工意識
哲学する人工知能と人工意識
 
機械学習の応用例にみる認知症診断と将来の発症予測
機械学習の応用例にみる認知症診断と将来の発症予測機械学習の応用例にみる認知症診断と将来の発症予測
機械学習の応用例にみる認知症診断と将来の発症予測
 
東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」
東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」
東京大学2021年度深層学習(Deep learning基礎講座2021) 第8回「深層学習と自然言語処理」
 
競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf
競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf
競プロは社会の役に立たない+ベンチャー企業の話 (NPCA夏合宿OB講演).pdf
 
とりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作った
とりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作ったとりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作った
とりあえずいい感じになるPower Pointテンプレート「Azusa Colors 改」を作った
 
The history of TeX and its recent advances
The history of TeX and its recent advancesThe history of TeX and its recent advances
The history of TeX and its recent advances
 
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
[DL輪読会]Non-Autoregressive Machine Translation with Latent Alignments
 
自然言語処理の最新技術動向紹介
自然言語処理の最新技術動向紹介自然言語処理の最新技術動向紹介
自然言語処理の最新技術動向紹介
 
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
 
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning   画像×言語の大規模基盤モ...
【DL輪読会】Flamingo: a Visual Language Model for Few-Shot Learning 画像×言語の大規模基盤モ...
 
むずかしい本をまとめたらプレゼン資料みたいになっちゃたよ
むずかしい本をまとめたらプレゼン資料みたいになっちゃたよむずかしい本をまとめたらプレゼン資料みたいになっちゃたよ
むずかしい本をまとめたらプレゼン資料みたいになっちゃたよ
 
開発者が語る NVIDIA cuQuantum SDK
開発者が語る NVIDIA cuQuantum SDK開発者が語る NVIDIA cuQuantum SDK
開発者が語る NVIDIA cuQuantum SDK
 
20230912JSSST大会基調講演_丸山.pdf
20230912JSSST大会基調講演_丸山.pdf20230912JSSST大会基調講演_丸山.pdf
20230912JSSST大会基調講演_丸山.pdf
 
M5Stack用3G拡張モジュールの光と闇
M5Stack用3G拡張モジュールの光と闇M5Stack用3G拡張モジュールの光と闇
M5Stack用3G拡張モジュールの光と闇
 
Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!
Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!
Watson knowledge studio 紹介 - あなたの知識をWatson に教え込む!
 
Surveyから始まる研究者への道 - Stand on the shoulders of giants -
Surveyから始まる研究者への道 - Stand on the shoulders of giants -Surveyから始まる研究者への道 - Stand on the shoulders of giants -
Surveyから始まる研究者への道 - Stand on the shoulders of giants -
 
tcolorboxによる装飾表現(TeXユーザの集い2015)
tcolorboxによる装飾表現(TeXユーザの集い2015)tcolorboxによる装飾表現(TeXユーザの集い2015)
tcolorboxによる装飾表現(TeXユーザの集い2015)
 
物性化学#1
物性化学#1物性化学#1
物性化学#1
 
高校生向け「ゲームの人工知能の作り方」
高校生向け「ゲームの人工知能の作り方」高校生向け「ゲームの人工知能の作り方」
高校生向け「ゲームの人工知能の作り方」
 

Viewers also liked

ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...
ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...
ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...Yusuke Oda
 
Pattern Recognition and Machine Learning: Section 3.3
Pattern Recognition and Machine Learning: Section 3.3Pattern Recognition and Machine Learning: Section 3.3
Pattern Recognition and Machine Learning: Section 3.3Yusuke Oda
 
Encoder-decoder 翻訳 (TISハンズオン資料)
Encoder-decoder 翻訳 (TISハンズオン資料)Encoder-decoder 翻訳 (TISハンズオン資料)
Encoder-decoder 翻訳 (TISハンズオン資料)Yusuke Oda
 
翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)
翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)
翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)Yusuke Oda
 
Learning to Generate Pseudo-code from Source Code using Statistical Machine T...
Learning to Generate Pseudo-code from Source Code using Statistical Machine T...Learning to Generate Pseudo-code from Source Code using Statistical Machine T...
Learning to Generate Pseudo-code from Source Code using Statistical Machine T...Yusuke Oda
 
Tree-based Translation Models (『機械翻訳』§6.2-6.3)
Tree-based Translation Models (『機械翻訳』§6.2-6.3)Tree-based Translation Models (『機械翻訳』§6.2-6.3)
Tree-based Translation Models (『機械翻訳』§6.2-6.3)Yusuke Oda
 
複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳
複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳
複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳Yusuke Oda
 
20160716 ICML paper reading, Learning to Generate with Memory
20160716 ICML paper reading, Learning to Generate with Memory20160716 ICML paper reading, Learning to Generate with Memory
20160716 ICML paper reading, Learning to Generate with MemoryShinagawa Seitaro
 
情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム 情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム Shinagawa Seitaro
 
ChainerによるRNN翻訳モデルの実装+@
ChainerによるRNN翻訳モデルの実装+@ChainerによるRNN翻訳モデルの実装+@
ChainerによるRNN翻訳モデルの実装+@Yusuke Oda
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情Yuta Kikuchi
 

Viewers also liked (14)

ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...
ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...
ACL Reading @NAIST: Fast and Robust Neural Network Joint Model for Statistica...
 
Pattern Recognition and Machine Learning: Section 3.3
Pattern Recognition and Machine Learning: Section 3.3Pattern Recognition and Machine Learning: Section 3.3
Pattern Recognition and Machine Learning: Section 3.3
 
Encoder-decoder 翻訳 (TISハンズオン資料)
Encoder-decoder 翻訳 (TISハンズオン資料)Encoder-decoder 翻訳 (TISハンズオン資料)
Encoder-decoder 翻訳 (TISハンズオン資料)
 
翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)
翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)
翻訳精度の最大化による同時音声翻訳のための文分割法 (NLP2014)
 
Learning to Generate Pseudo-code from Source Code using Statistical Machine T...
Learning to Generate Pseudo-code from Source Code using Statistical Machine T...Learning to Generate Pseudo-code from Source Code using Statistical Machine T...
Learning to Generate Pseudo-code from Source Code using Statistical Machine T...
 
Tree-based Translation Models (『機械翻訳』§6.2-6.3)
Tree-based Translation Models (『機械翻訳』§6.2-6.3)Tree-based Translation Models (『機械翻訳』§6.2-6.3)
Tree-based Translation Models (『機械翻訳』§6.2-6.3)
 
複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳
複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳
複数の事前並べ替え候補を用いた句に基づく統計的機械翻訳
 
150829 kdd2015読み会
150829 kdd2015読み会150829 kdd2015読み会
150829 kdd2015読み会
 
含意要因となるテキスト中の表現と仮説の対を用いたテキスト含意認識
含意要因となるテキスト中の表現と仮説の対を用いたテキスト含意認識含意要因となるテキスト中の表現と仮説の対を用いたテキスト含意認識
含意要因となるテキスト中の表現と仮説の対を用いたテキスト含意認識
 
20160716 ICML paper reading, Learning to Generate with Memory
20160716 ICML paper reading, Learning to Generate with Memory20160716 ICML paper reading, Learning to Generate with Memory
20160716 ICML paper reading, Learning to Generate with Memory
 
情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム 情報幾何勉強会 EMアルゴリズム
情報幾何勉強会 EMアルゴリズム
 
ChainerによるRNN翻訳モデルの実装+@
ChainerによるRNN翻訳モデルの実装+@ChainerによるRNN翻訳モデルの実装+@
ChainerによるRNN翻訳モデルの実装+@
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
 
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
 

Test

  • 2. 宇宙速度 ● 第1宇宙速度 ● 天体に墜落しないで 周回軌道に乗る(楕円運動)ための速度 ● 第2宇宙速度 ● 天体の重力を振り切って 外宇宙へ行く(双曲線運動)ための速度 ● 地球では・・・ ● この速度を数値的に求めてみる.
  • 3. 支配方程式 ● 次の条件を仮定すると,単純な2質点の運動で表せる. ● 地球は完全な球である ● 地球の密度は同心球分布である ● m≪M ● このとき,物体の座標pについて
  • 4. 支配方程式の変形 ● 式を使いやすくするために, 2階微分を1階微分に変形する. というベクトルを用いて,
  • 5. Runge-Kutta法 ● 微分方程式の数値解法 ● 現在の値から予測値を用いて次の値を計算 ● 割と精度が良い ● dx/dt = f(x)のとき, 4次Runge-Kutta法は        →→→
  • 6. 宇宙速度の算出 ● Runge-Kutta法によるシミュレーション結果から二分探索 によって宇宙速度を算出する. ● 二分探索で使用する条件・・・ ● 第1宇宙速度: – 未満: 軌道が地球に食い込む – 以上: 物体が半周する ● 第2宇宙速度: – 未満: 元の地点に帰ってくる – 以上: 無限遠に飛んでゆく ● 実際には無限遠の判定が難しいので, 地球半径の1000倍まで行ったところで打ち切る.
  • 7. 実験結果(1) ● シミュレーション環境・・・MATLAB 7.12.0上で検証 ● 定数 – 万有引力定数 G = 6.674×10-11 m3s-2/kg – 地球質量 M = 5.972×1024 kg – 地球半径 (赤道半径) R = 6.378×106 m ● 初期条件 – x=0 – y = R+1(赤道の1m上空) – vy = 0 ● vxを適当な値にして,地球に対して水平に打ち出す.
  • 8. 実験結果(1) ● シミュレーションによる物体の軌道
  • 9. 実験結果(2) ● 二分探索による宇宙速度の算出 第2宇宙速度 第1宇宙速度
  • 10. 実験結果(2) ● 最終的に得られた値: ● 第1宇宙速度: 7.9052 ~ 7.9053 [km/s] – 解析解: 7.905 [km/s] ● 第2宇宙速度: 11.1755 ~ 11.1770 [km/s] – 解析解: 11.18 [km/s] ● 4桁程度の範囲では,解析解と数値解がよく一致する. (もう少し詳しく計算してみると,第2宇宙速度に0.03%程度の定常誤差が出る) (探索条件に打ち切りを使っているため?)
  • 11. まとめ ● 地球の第1宇宙速度,第2宇宙速度を数値的に求める方法を 考案,プログラムを組んで実験した. ● 解析解との比較の結果,4桁程度の範囲でよく一致してい た. ● 第2宇宙速度の探索に問題があるので,よりよい方法を検 討する必要がある.