HiSPARC. Data. Arne de Laat

Transcriptie

1 Data Arne de Laat

2 Lesmateriaal info pakket RouteNet 2

3 Event Summary Data van station 502 op 17 juni

4 Wat meten we? Station Events Tijdstempel, PMT signalen (traces) en afgeleiden Weer Tijdstempel, sensor uitlezing en afgeleiden 4

5 Van supernova tot data Chandra,, ASUS, DELL 5

6 Detectie Station 501 6

7 Scintillator Lichtdicht verpakt Muonen, electronen en fotonen gaan door scintillator Worden afgeremd, verliezen energie, energie voor scintillatie Lage detectie kans voor fotonen 7

8 PMT Fotonen naar electrisch signaal 8

9 ADC ADC zet analoog signaal uit PMT om naar digitale waarden Er zijn 2 ADCs per PMT kanaal Elke PMT wordt continu, om de 2.5 ns, uitgelezen 1 ADC count is ongeveer mv Bereik: 0.1V t/m -2 V wordt omgezet tot: 0 t/m 4095 ADC counts 9

10 Trigger window Electronica op scherp als één signaal over de lage drempel gaat. Pre-coincidence Trigger Post-coincidence 1 µs 1.5 µs 3.5 µs ADC counts high low t (ns) In de deze grafieken in de 'nullijn' van de signalen al afgetrokken. Die ligt normaal rond 200 ADC counts (dus 0 mv) 10

11 Trigger Twee (drie) signalen over hoge (lage) drempel binnen de trigger window! Twee signalen over lage drempel voor 2 detector station. ADC counts 2 high 3 low t (ns) 11

12 GPS timestamp Trigger tijdstempel in GPS-tijd tgps = ADC counts 2 high 3 low t (ns) 12

13 Data reductie Verwijder lege delen van de traces ADC counts noise filter t (ns) 13

14 Pulse integrals Oppervlakte onder de trace, een maat voor aantal deeltjes ADC counts t (ns) 14

15 Pulse heights Hoogte van puls, ook indicatie aantal deeltjes en verzadiging ADC counts t (ns) 15

16 Offline analyse 16

17 Trigger timestamp Trigger tijdstempel tov begin van trace ADC counts 2 high 3 low t (ns) ttrigger =

18 Detector timestamps Detector tijdstempels tov begin van trace ADC counts Detection Threshold t4 = 15 t (ns) t2 = -999 t1 = 1190 t3 =

19 Fout codes -1 = niet aanwezige detector/sensor -999 = reconstructie lukt niet of onmogelijk 19

20 Detector timestamp in GPS-tijd Eerste deeltje in station in GPS-tijd tfirst,gps = tgps - ttrigger + min(t1-4) = = Let op! ttrigger en t1-4 kunnen -1 of -999 zijn! Alleen positieve waarden (en 0) voor de variabelen zijn geldig. 20

21 Detector timestamps Detector tijdstempels tov begin van trace tgps = ADC counts t4 = 15 t1 = 1190 t (ns) t2 = -999 ttrigger = 1195 t3 =

22 Detector timestamps Detector tijdstempels tov begin van trace tgps - ttrigger + t4 = tgps = ADC counts t4 = 15 t1 = 1190 t (ns) t2 = -999 ttrigger = 1195 t3 =

23 Number of MIPs Aantal deeltjes, door verhouding pulsintegraal per deeltje 1 MIP 23

24 Number of MIPs Aantal deeltjes in een detectie Pulseintegral1-4 = Number of MIPs PulseintegraalMIP Aantal events 1993 / 2233 = Let op! Niet altijd hele getallen Mogelijk is het pulseintegraal bereik niet linear Aantal events Aantal deeltjes Figuur 2.2 Histogram van de componenten van het signaal uit een 24 de kunnen 1, 2, 3, of meerdere deeltjes door een detector gaan. Middelste plot: door

25 Tools 25

26 Publieke database Data overzicht en toegang API - toegang tot metadata en traces ESD - gefilterde en deels geanalyseerde data Coincidenties - air showers gemeten door meer stations Status - nagios status Maps - kaart van station posities 26

27 27

28 Download events # Event Summary Data # # Station: (3002) Da Vinci College # # Data taken from :00:00 to :00:00 # # # This data contains the following columns: # # date: time of event [GPS calendar date] # time: time of event [GPS time of day] # timestamp: time of event [UNIX timestamp] # nanoseconds: time of event [number of nanoseconds after timestamp] # pulseheights (4x): maximum signal pulseheight [ADC] # integral (4x): integral of the signal [ADC.ns] # number_of_mips (4x): estimate for the number of particles in the detector # arrival_times (4x): relative time of arrival of the first particle in the detector [ns] # trigger_time: relative time of the trigger timestamp [ns] # # Values of -1 for detectors 3 and 4 indicate that the station only has # two detectors. Values of -999 indicate a problem in the analysis of # that particular event. This may be the result from noise in the # signal. # # ! 00:00:00! ! ! 298! 192! -1! -1! 2828! 1887! -1! -1! !0.7618!-1! -1! ! ! 00:00:01! ! ! 154! 65! -1! -1! 2214! 511! -1! -1! !0.2063!-1! -1! 572.5! ! 00:00:02! ! ! 89! 191! -1! -1! 1117! 2649! -1! -1! !1.0695!-1! -1! 745.0! ! 00:00:03! ! ! 101! 302! -1! -1! 878! 2759! -1! -1! !1.1139!-1! -1! 22.5! ! 00:00:03! ! ! 66! 280! -1! -1! 753! 3952! -1! -1! !1.5956!-1! -1! 15.0! ! 00:00:03! ! ! 459! 178! -1! -1! 4569! 2230! -1! -1! !0.9003!-1! -1! 15.0! ! 00:00:06! ! ! 336! 53! -1! -1! 4041! 415! -1! -1! !0.1675!-1! -1! 82.5! ! 00:00:08! ! ! 390! 301! -1! -1! 4585! 7065! -1! -1! !2.8524!-1! -1! 17.5! ! 00:00:10! ! ! 86! 284! -1! -1! 684! 3930! -1! -1! !1.5867!-1! -1! 710.0! ! 00:00:12! ! ! 113! 335! -1! -1! 1295! 3428! -1! -1! !1.384! -1! -1! 37.5! ! 00:00:14! ! ! 103! 52! -1! -1! 925! 415! -1! -1! !0.1675!-1! -1! 15.0! ! 00:00:16! ! ! 161! 655! -1! -1! 1875! 6142! -1! -1! !2.4797!-1! -1! 32.5! ! 00:00:16! ! ! 63! 51! -1! -1! 293! 389! -1! -1! !0.1571!-1! -1! ! ! 00:00:17! ! ! 82! 136! -1! -1! 589! 1180! -1! -1! !0.4764!-1! -1! 25.0! ! 00:00:20! ! ! 287! 324! -1! -1! 3168! 4299! -1! -1! !1.7356!-1! -1! 17.5!... 28

29 29

30 Download coincidencties # Coincidences # # Coincidences between stations in the Leiden cluster # Data taken from :00:00 to :00:00 # Showing only coincidences with at least 3 events # # This data contains the following columns: # # coincidence_id: events with the same id belong to the same coincidence # station_number: the station number that detected the event # date: time of event [GPS calendar date] # time: time of event [GPS time of day] # timestamp: time of event [UNIX timestamp] # nanoseconds: time of event [number of nanoseconds after timestamp] # pulseheights (4x): maximum signal pulseheight [ADC] # integral (4x): integral of the signal [ADC.ns] # number_of_mips (4x): estimate for the number of particles in the detector # arrival_times (4x): relative time of arrival of the first particle in the detector [ns] # trigger_time: relative time of the trigger timestamp [ns] # # Values of -1 for detectors 3 and 4 indicate that the station only has # two detectors. Values of -999 indicate a problem in the analysis of # that particular event. This may be the result from noise in the # signal. # # 0! 3202! ! 00:26:45! ! ! 1057! 1284! 1344! 1365! 28015! 27742! 40228! 35063! ! ! 3203! ! 00:26:45! ! ! 1206! 338! -1! -1! 36473! 13299! -1! -1! ! ! 0! 3201! ! 00:26:45! ! ! 98! 157! 153! 94! 1219! 2505! 1759! 1554! 0.656! 1.327! ! 1! 3203! ! 00:33:42! ! ! 419! 265! -1! -1! 4916! 3159! -1! -1! !1.22! -1! 1! 3201! ! 00:33:42! ! ! 10! 145! 9! 188! 0! 1799! 0! 4128! 0.0! 0.953! 0.0! 1! 3202! ! 00:33:42! ! ! 645! 162! 530! 997! 8537! 2501! 8109! 13890! !1.3617!4.3383! 2! 3201! ! 01:00:58! ! ! 148! 1! 4! 259! 1498! 0! 0! 2570! !0.0! 0.0! 2! 3202! ! 01:00:58! ! ! 3! 3! 338! 210! 0! 0! 4811! 2265! 0.0! 0.0! ! 2! 3203! ! 01:00:58! ! ! 846! 176! -1! -1! 13039! 3408! -1! -1! !1.3161!-1! 3! 3201! ! 01:10:43! ! ! 184! 198! 227! 9! 3714! 1789! 2428! 0! !0.9477!1.2977! 3! 3203! ! 01:10:43! ! ! 2151! 1357! -1! -1! 50978! 34748! -1! -1! ! ! 3202! ! 01:10:43! ! ! 610! 1267! 402! 1126! 18224! 25795! 9138! 16581! ! ! 4! 3203! ! 01:21:59! ! ! 2136! 1914! -1! -1! 33599! 27729! -1! -1! ! ! 4! 3202! ! 01:21:59! ! ! 476! 119! 221! 2! 5304! 1702! 2337! 0! !0.9267!1.2503! 4! 3201! ! 01:21:59! ! ! 166! 3! 2! 164! 1684! 0! 0! 1647! !0.0! 0.0!... 30

31 jsparc Library - web applicaties Data retrieval - esd data visualizatie of tab-separated csv Analyse tool - coïncidenties analyseren API interface - API verkennen Station distances - station afstanden bepalen Trigger simulation - 31

32 SAPPHiRE Python framework API - toegang tot metadata en traces Clusters - stations en detectoren ESD - afgeleide data download Corsika - simulaties van air showers Simulations - simulaties op stations, detector respons Analysis - coincidenties, richting en core reconstructie 32

33 Corsika Simulatie van air showers Input - primair deeltje Soort, energie en richting Output - alle deeltjes op observatie niveau Soort, positie, tijd en momentum 33

34 Andere activiteiten Reconstructies - automatische richting reconstructie Detector positie - insturen positie van detectoren Arduino weerstation - tastbaar, zelf te bouwen Raspberry Pi - vervanging van station PC David Info pakket - lesmateriaal, werkbladen met uitwerkingen Sterrenkaart - galactische kaart met metingen Simulaties - tijdverdeling en echte spectrum simulatie Niek Norbert Arne en Hans Niek, David en Norbert Sabine en Niek Brandon en Tom 34

35 SAPPHiRE installatie Benodigdheden: Python 2.7, pip, HDF5, gfortran, Atlas... Python packages: NumPy, SciPy, PyTables, mock, progressbar2 Installatie: Download en installeer Anaconda: Deze installeert de meeste benodigdheden en een Command Prompt, voer daarin het volgende commando uit om SAPPHiRE te installeren: pip install hisparc-sapphire Nu kan je ipython starten en sapphire gebruiken 35

36 Later upgraden: $ pip install -U --no-deps hisparc-sapphire PyPI 36

37 Voorbeelden SAPPHiRE 37

38 >>> from matplotlib.pyplot import plot >>> from datetime import date >>> from sapphire import api >>> stations = [3001, 3302, 3303, 3501] >>> dates = [date(y, m, 1)... for y in range(2005, 2014)... for m in range(1, 13)... if not date(y, m, 1) < date.today()] 38

39 >>> from matplotlib.pyplot import plot >>> from datetime import date >>> from sapphire import api >>> stations = [3001, 3302, 3303, 3501] >>> dates = [date(y, m, 1)... for y in range(2005, 2014)... for m in range(1, 13)... if not date(y, m, 1) < date.today()] >>> for station in stations:... s = api.station(station)... events = [s.n_events(year=d.year, month=d.month) for d in dates]... plot(dates, events)

40 >>> import tables >>> from sapphire.simulations.groundparticles import GroundParticlesSimulation >>> from sapphire.clusters import ScienceParkCluster 40

41 >>> import tables >>> from sapphire.simulations.groundparticles import GroundParticlesSimulation >>> from sapphire.clusters import ScienceParkCluster >>> cluster = ScienceParkCluster() 41

42 >>> import tables >>> from sapphire.simulations.groundparticles import GroundParticlesSimulation >>> from sapphire.clusters import ScienceParkCluster >>> cluster = ScienceParkCluster() >>> with tables.open_file('simulation.h5', 'w') as data:... sim = GroundParticlesSimulation('corsika.h5', 300, cluster, data, '/', 100)... sim.run() 42

43 >>> from matplotlib.pyplot import scatter, axis >>> from sapphire.clusters import Network >>> cluster = Network() >>> x, y, _ = zip(*[station.get_xyalpha_coordinates()... for station in cluster.stations]) >>> scatter(x, y) >>> axis('equal') >>> ylim(-4e5, 5e5) 43

44 >>> from matplotlib.pyplot import scatter, axis >>> from sapphire.clusters import Network >>> cluster = Network() >>> x, y, _ = zip(*[station.get_xyalpha_coordinates()... for station in cluster.stations]) >>> scatter(x, y) >>> axis('equal') >>> ylim(-4e5, 5e5) Aarhus (Denemarken) Nederland England KASCADE (Duitsland) 44

45 Documentatie 45

46 Ontwikkeling 46

47 GitHub Organization

48 Samenwerking Issue tracking, automatische tests.. 48

49 Hands-on Data retrieval (inclusief de slash op het eind) 49

50 Browser compatibiliteit We hopen dat de website in zo veel mogelijk browsers werkt. Helaas lukt dat niet altijd. Vooral Internet Explorer doet vaak moeilijk. Wij testen in de huidige versies van: Mozilla Firefox, Google Chrome en Apple Safari De nieuwste versies van Internet Explorer (10+) voldoen beter aan internet standaarden en hebben dus een grote kans ook goed te werken. Zit je vast aan PCs met een oude Internet Explorer (versie 7 of 8) en heb je niet de rechten hebt daar iets anders te installeren, dan raden we aan om Firefox, Portable Edition te gebruiken. Die kan op een USB stick geïnstaleerd worden, en op PCs vanaf de USB gebruikt worden. Dat hebben wij ook zo op Woudschoten gedaan, dat werkte goed. 50

51 Data laden Haal data van één of meerdere stations op Bekijk de data die je ingeladen hebt via `show` Bekijk traces van een aantal events 51

52 Plotten Correlaties timestamp vs. nanoseconds event rate (events) vs. atmospheric pressure (weather) pulseheight vs. pulseintegral Histogrammen timestamp trigger time pulseheight Probeer de fit functies Speel met aantal bins. Probeer logaritmische assen 52

53 Websites Website Lesmateriaal Documentatie Data overzicht jsparc SAPPHiRE Broncode docs.hisparc.nl data.hisparc.nl data.hisparc.nl/media/jsparc/ pypi.python.org/pypi/hisparc-sapphire/ 53