Avanceret datalogning (multikanal-sensorer)

Fysik/kemi · 10. klasse · Undersøgelse

Avanceret datalogning — moderne laboratorium

Moderne fysik/kemi-laboratorier bruger digitale sensorer der logger data automatisk — ofte mange kanaler samtidig.

Hvad er datalogning?

Automatisk måling + gemning af data over tid:

• Frigør dig fra at stå med stopur
• Præcis timing (ms-niveau)
• Mange målepunkter pr. sekund
• Eksport til Excel/Python for analyse

Typer af sensorer

Temperatur: termistorer, termopar (°C)

Tryk: barometre, trykfølere (Pa)

Lys: fotodioder, LDR (lux)

Lyd: mikrofoner (dB, frekvens)

pH: glaselektroder

Ledningsevne: elektroder (μS/cm)

Kraft: kraftmålere (N)

Acceleration: MEMS-accelerometre (m/s²)

Magnetisk felt: hall-sensorer (T)

Stråling: Geigertæller (tæller/min)

Moderne udstyr

Vernier Go Direct (kommerciel):

• Trådløse sensorer
• Bluetooth til smartphone/computer
• LabQuest-software

Pasco:

• Tilsvarende system
• Bruges på mange universiteter

micro:bit (DIY):

• Billig (150 DKK)
• Indbygget: temperatur, lys, accelerometer, magnetometer
• Programmerbar i MakeCode, MicroPython

Arduino:

• Mere avanceret, kræver programmering
• Stor fleksibilitet med forskellige sensorer
• Samler egne data-logging setups

Google Science Journal (app):

• GRATIS
• Bruger smartphones indbyggede sensorer (accelerometer, mikrofon, lyssensor, GPS)
• Eksport til Drive

Multikanal-eksempel: analyse af en kemisk reaktion

Ved neutralisation (syre + base) kan du måle samtidig:

• pH over tid
• Temperatur over tid
• Ledningsevne over tid
• Farve (med fototsensor + indikator)

→ Se alle aspekter af reaktionen samtidig.

Databehandling

Excel/Google Sheets:

• Plot data
• Beregn gennemsnit, standardafvigelse
• Tilpas kurver (lineær, eksponentiel)

Python (mere avanceret):

• Import via pandas
• Plot via matplotlib
• Fit modeller med scipy
• Statistisk test

Jupyter Notebooks: kombinerer kode, graphs, tekst — perfekt til rapporter.

Eksempel på Python

```python

import pandas as pd

import matplotlib.pyplot as plt

data = pd.read_csv('my_data.csv')

plt.plot(data['tid'], data['temperatur'])

plt.xlabel('Tid (s)')

plt.ylabel('Temperatur (°C)')

plt.show()

```

Fordele ved digital datalogning

• Præcis timing (ms vs. sekunder med stopur)
• Mange punkter (1000-10.000 vs. 10-20 manuelle)
• Automatisk lagring — ingen tab af data
• Nem analyse — eksportér direkte
• Fjern-måling — kan logge i felten, under vand, etc.

Ulemper

• Omkostninger (god sensor koster 500-2000 DKK)
• Kalibrering — kan drive over tid
• Kompleksitet — kræver opsætning
• "Black box" — hvis sensor fejler, kan det være svært at opdage

Big Data og forskning

Moderne videnskab genererer enorme mængder data:

• LHC @ CERN: 40 TB/s under drift
• Square Kilometer Array (radioastronomi): 1 EB/år
• Klimaforskning: satellitdata fra MODIS, Sentinel

Maskinlæring og AI er nu centrale værktøjer til at analysere disse data.

Læringsmål

• Forstå princippet bag digital datalogning
• Kende typer af sensorer og deres enheder
• Opsætte og bruge multikanal-datalogning i et forsøg
• Eksportere og analysere data i Excel eller Python
• Identificere fordele og ulemper ved digitale vs. manuelle målinger
• Nævne moderne udstyr (Vernier, micro:bit, Arduino, Science Journal)

Projekt: Multikanal-dataopsamling

Udfør et forsøg hvor du samtidig logger 3 variable (fx i elektrolyse: strøm, temperatur, ledningsevne). Plot dem alle på samme tidsakse i Excel. Hvilke korrelationer ser du?

Udvidet: programmer en micro:bit til at logge data. Eksportér til computer og analyser.

Brobygning: Data-drevet videnskab er fremtiden. HTX Teknikfag og STX Fysik A bruger Vernier/Pasco. Python er essentielt for data analyse. Karriereveje: data scientist, instrument-ingeniør, klimaforsker, bioinformatiker.