@InProceedings{BariniBott:2019:AnCuLu,
               author = "Barini, Wesley Ara{\'u}jo and Botti, Luiz Cl{\'a}udio Lima",
          affiliation = "{Universidade Presbiteriana Mackenzie} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)}",
                title = "An{\'a}lise de curvas de luz de AGNs utilizando algoritmos 
                         baseados em auto-aprendizagem",
            booktitle = "Anais...",
                 year = "2019",
               editor = "Santos, Rafael Duarte Coelho Dos and Mattos, Ariane Frassoni Dos 
                         Santos De and Mello, Carina Barros and Queiroz, Gilberto Ribeiro 
                         De and Vasconcelos, Leandro Guarino De and Vieira, Luis Eduardo 
                         Antunes and Forti, Maria Cristina and Gatto, Rubens Cruz",
         organization = "Semin{\'a}rio de Inicia{\c{c}}{\~a}o Cient{\'{\i}}fica e 
                         Inicia{\c{c}}{\~a}o em Desenvolvimento Tecnol{\'o}gico e 
                         Inova{\c{c}}{\~a}o (SICINPE)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
                 note = "{Bolsa PIBIC/INPE/CNPq}",
             keywords = "curvas de luz, algoritmos.",
             abstract = "Este 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 
                         cient{\'{\i}}fica, que consiste em um buraco negro massivo em 
                         seu centro e um disco de acr{\'e}scimo em seu entorno, cujo 
                         conjunto ejeta dois jatos relativ{\'{\i}}sticos em 
                         dire{\c{c}}{\~o}es opostas transversalmente ao plano do disco, 
                         foi poss{\'{\i}}vel saber de onde v{\^e}m os dados, que 
                         prov{\^e}m da intera{\c{c}}{\~a}o entre a mat{\'e}ria do disco 
                         de acr{\'e}scimo e o buraco negro central. Utilizando-se dados 
                         dos observat{\'o}rios espalhados pelo mundo foi poss{\'{\i}}vel 
                         montar um banco de dados e analisar as varia{\c{c}}{\~o}es 
                         temporais de emiss{\~a}o de densidade de fluxo nas diferentes 
                         regi{\~o}es do espectro eletromagn{\'e}tico, no entanto notou-se 
                         que os AGNs t{\^e}m um comportamento at{\'{\i}}pico o qual 
                         n{\~a}o h{\'a} aparentemente um padr{\~a}o 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, {\'e} 
                         necess{\'a}rio a utiliza{\c{c}}{\~a}o de um modelo, mais 
                         especificamente para a obten{\c{c}}{\~a}o do intervalo de 
                         par{\^a}metros para uma sequ{\^e}ncia de explos{\~o}es foi 
                         utilizado o modelo de ondas de choque (Marscher \& Gear, 1985), 
                         onde a utiliza{\c{c}}{\~a}o de um {\'{\i}}ndice 1,3 gera um 
                         bom ajuste na modelagem das fun{\c{c}}{\~o}es de outbursts 
                         (Valtaoja et al., 1999), e em seguida para modelagem de ondas de 
                         choque com refer{\^e}ncia {\`a} dist{\^a}ncia do n{\'u}cleo de 
                         um AGN foi utilizado o modelo Hovatta (2009), o qual nos permite 
                         obter par{\^a}metros como fator de Lorentz, {\^a}ngulo de 
                         visualiza{\c{c}}{\~a}o dos jatos, fator Doppler e estimativa de 
                         temperatura de brilh{\^a}ncia. A elabora{\c{c}}{\~a}o do 
                         algoritmo consistiu em primeiramente criar uma 
                         popula{\c{c}}{\~a}o inicial randomicamente de tamanho N, a qual 
                         representa os par{\^a}metros das curvas de luz. Atrav{\'e}s de 
                         uma fun{\c{c}}{\~a}o chamada fun{\c{c}}{\~a}o aptid{\~a}o 
                         (fitness), estes indiv{\'{\i}}duos s{\~a}o ranqueados de acordo 
                         com suas caracter{\'{\i}}sticas, isto {\'e}, os qu{\~a}o bons 
                         ou aptos s{\~a}o. Os melhores indiv{\'{\i}}duos s{\~a}o 
                         selecionados e passam por processos de reprodu{\c{c}}{\~a}o 
                         cruzada (crossover) e muta{\c{c}}{\~a}o gerando uma nova 
                         popula{\c{c}}{\~a}o, a qual ser{\'a} testada novamente 
                         atrav{\'e}s da aptid{\~a}o. Ap{\'o}s diversas 
                         intera{\c{c}}{\~o}es ou gera{\c{c}}{\~o}es o algoritmo 
                         fornecer{\'a} dados que possibilitar{\~a}o a montagem de uma 
                         curva de luz em determinada frequ{\^e}ncia de 
                         observa{\c{c}}{\~a}o pr{\'e}-definida, e que por fim, 
                         ser{\~a}o comparados com a curva de luz real. Com esta abordagem 
                         comparativa, espera-se que os dados computacionais obtidos cheguem 
                         o mais pr{\'o}ximo poss{\'{\i}}vel da realidade 
                         poss{\'{\i}}vel.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos",
      conference-year = "12-13 ago. 2019",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGPDW34R/3U662P8",
                  url = "http://urlib.net/ibi/8JMKD3MGPDW34R/3U662P8",
           targetfile = "2019 Wesley Araujo Barini.pdf",
                 type = "CEA",
        urlaccessdate = "28 abr. 2024"
}