Fechar

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m16d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGPDW34R/3U662P8
Repositóriosid.inpe.br/mtc-m16d/2019/10.01.12.19
Última Atualização2019:10.01.12.19.50 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m16d/2019/10.01.12.19.51
Última Atualização dos Metadados2022:10.18.14.38.55 (UTC) simone
Chave de CitaçãoBariniBott:2019:AnCuLu
TítuloAnálise de curvas de luz de AGNs utilizando algoritmos baseados em auto-aprendizagem
FormatoOn-line
Ano2019
Data de Acesso11 maio 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho68 KiB
2. Contextualização
Autor1 Barini, Wesley Araújo
2 Botti, Luiz Cláudio Lima
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHN7
Grupo1
2 DIDAS-CGCEA-INPE-MCTIC-GOV-BR
Afiliação1 Universidade Presbiteriana Mackenzie
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 weslwy_barinietec@outlook.com
2 luiz.botti@inpe.br
EditorSantos, Rafael Duarte Coelho Dos
Mattos, Ariane Frassoni Dos Santos De
Mello, Carina Barros
Queiroz, Gilberto Ribeiro De
Vasconcelos, Leandro Guarino De
Vieira, Luis Eduardo Antunes
Forti, Maria Cristina
Gatto, Rubens Cruz
Nome do EventoSeminário de Iniciação Científica e Iniciação em Desenvolvimento Tecnológico e Inovação (SICINPE)
Localização do EventoSão José dos Campos
Data12-13 ago. 2019
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Título do LivroAnais
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2019-10-01 12:20:48 :: simone -> administrator :: 2019
2020-01-06 12:48:42 :: administrator -> simone :: 2019
2020-05-13 19:45:10 :: simone -> administrator :: 2019
2022-07-08 20:09:23 :: administrator -> simone :: 2019
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavecurvas de luz
algoritmos
ResumoEste trabalho, iniciado em agosto de 2018, tem como objetivo analisar curvas de luz de um AGN utilizando um algoritmo evolutivo. Baseando-se no modelo AGN mais aceito pela comunidade científica, que consiste em um buraco negro massivo em seu centro e um disco de acréscimo em seu entorno, cujo conjunto ejeta dois jatos relativísticos em direções opostas transversalmente ao plano do disco, foi possível saber de onde vêm os dados, que provêm da interação entre a matéria do disco de acréscimo e o buraco negro central. Utilizando-se dados dos observatórios espalhados pelo mundo foi possível montar um banco de dados e analisar as variações temporais de emissão de densidade de fluxo nas diferentes regiões do espectro eletromagnético, no entanto notou-se que os AGNs têm um comportamento atípico o qual não há aparentemente um padrão comportamental. Na tentativa de compreender melhor seu comportamento bem como das curvas de luz, apropriou-se dos algoritmos evolutivos como ferramenta. Para que este algoritmo performe, é necessário a utilização de um modelo, mais especificamente para a obtenção do intervalo de parâmetros para uma sequência de explosões foi utilizado o modelo de ondas de choque (Marscher & Gear, 1985), onde a utilização de um índice 1,3 gera um bom ajuste na modelagem das funções de outbursts (Valtaoja et al., 1999), e em seguida para modelagem de ondas de choque com referência à distância do núcleo de um AGN foi utilizado o modelo Hovatta (2009), o qual nos permite obter parâmetros como fator de Lorentz, ângulo de visualização dos jatos, fator Doppler e estimativa de temperatura de brilhância. A elaboração do algoritmo consistiu em primeiramente criar uma população inicial randomicamente de tamanho N, a qual representa os parâmetros das curvas de luz. Através de uma função chamada função aptidão (fitness), estes indivíduos são ranqueados de acordo com suas características, isto é, os quão bons ou aptos são. Os melhores indivíduos são selecionados e passam por processos de reprodução cruzada (crossover) e mutação gerando uma nova população, a qual será testada novamente através da aptidão. Após diversas interações ou gerações o algoritmo fornecerá dados que possibilitarão a montagem de uma curva de luz em determinada frequência de observação pré-definida, e que por fim, serão comparados com a curva de luz real. Com esta abordagem comparativa, espera-se que os dados computacionais obtidos cheguem o mais próximo possível da realidade possível.
ÁreaCEA
TipoCEA
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDAS > Análise de curvas...
Arranjo 2urlib.net > BDMCI > Fonds > Acervo PIBIC/PIBITI > PIBIC/PIBITI 2019 > Análise de curvas...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGPDW34R/3U662P8
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGPDW34R/3U662P8
Idiomapt
Arquivo Alvo2019 Wesley Araujo Barini.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
rafael.santos@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.19
Detentor dos Direitosoriginalauthor yes
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3ETR8EH
8JMKD3MGPDW34P/478H8JH
Lista de Itens Citandosid.inpe.br/mtc-m16c/2022/07.08.19.43.45 1
sid.inpe.br/mtc-m21/2012/07.13.14.54.14 1
Acervo Hospedeirosid.inpe.br/mtc-m19@80/2009/08.21.17.02
6. Notas
NotasBolsa PIBIC/INPE/CNPq
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi e-mailaddress edition isbn issn label lineage mark mirrorrepository nextedition numberofvolumes orcid pages parameterlist parentrepositories previousedition previouslowerunit progress project readpermission schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar 


Fechar