| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21c.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34R/3QM6QPP | |||||||||
| Repositório | sid.inpe.br/mtc-m21c/2018/03.08.15.53 | |||||||||
| Última Atualização | 2018:05.23.15.09.34 (UTC) simone | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2018/03.08.15.53.20 | |||||||||
| Última Atualização dos Metadados | 2020:12.07.21.11.15 (UTC) administrator | |||||||||
| Chave Secundária | INPE-18019-TDI/2729 | |||||||||
| Chave de Citação | Ferreira:2018:AnMuTr | |||||||||
| Título | Análise multidimensional de transientes nos detectores LIGO  | |||||||||
| Título Alternativo | Multivariate analysis of transients in LIGO auxiliary channels | |||||||||
| Curso | AST-CEA-SESPG-INPE-MCTIC-GOV-BR | |||||||||
| Ano | 2018 | |||||||||
| Data | 2018-03-02 | |||||||||
| Data de Acesso | 08 maio 2024 | |||||||||
| Tipo da Tese | Dissertação (Mestrado em Astrofísica) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 94 | |||||||||
| Número de Arquivos | 1 | |||||||||
| Tamanho | 14336 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Ferreira, Tábata Aira | |||||||||
| Banca | Aguiar, Odylio Denys de (presidente) Costa, César Augusto (orientador) Jablonski, Francisco José Lenzi, César Henirque | |||||||||
| Endereço de e-Mail | tabata.aira@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2018-03-08 15:55:01 :: tabata.ferreira@inpe.br -> yolanda.souza@mcti.gov.br :: 2018-03-22 15:22:18 :: yolanda.souza@mcti.gov.br -> tabata.ferreira@inpe.br :: 2018-04-20 21:29:05 :: tabata.ferreira@inpe.br -> tabata.ferreira@inpe.br] :: 2018-04-20 21:29:05 :: tabata.ferreira@inpe.br] -> pubtc@inpe.br :: 2018-04-23 12:55:16 :: pubtc@inpe.br -> tabata.ferreira@inpe.br :: 2018-04-30 03:30:41 :: tabata.ferreira@inpe.br -> pubtc@inpe.br :: 2018-05-15 13:06:30 :: pubtc@inpe.br -> administrator :: 2018-05-23 15:04:25 :: administrator -> simone :: 2018-05-23 15:08:13 :: simone :: -> 2018 2018-05-23 15:09:48 :: simone -> administrator :: 2018 2018-05-23 17:45:03 :: administrator -> simone :: 2018 2018-05-25 16:55:10 :: simone -> administrator :: 2018 2018-06-04 01:52:18 :: administrator -> simone :: 2018 2018-06-04 18:09:15 :: simone -> administrator :: 2018 2020-12-07 21:11:15 :: administrator -> simone :: 2018 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | ondas gravitacionais LIGO ruídos análise de dados machine learning gravitational waves glitches data analysis machine learning | |||||||||
| Resumo | As ondas gravitacionais podem ser definidas como oscilações ou perturbações no espaço-tempo que viajam através dele próprio. Foram previstas por Albert Einstein em 1916 e, matematicamente, vêm da solução das Equações de Campo que estão contidas na Teoria de Relatividade Geral. A primeira detecção direta aconteceu em 14 de setembro de 2015 e foi proveniente da coalescência de dois buracos negros, inaugurando a astronomia de ondas gravitacionais que pode, futuramente, mudar a maneira como entendemos o Universo e sua origem. As ondas gravitacionais têm amplitudes muito pequenas e, por isso, seus detectores devem ser precisos e sensíveis. O LIGO, experimento que realizou a primeira detecção, é composto por dois observatórios e tem funcionamento baseado no interferômetro de Michelson. Por ter uma alta sensibilidade, ruídos de origens instrumentais, ambientais e provenientes de atividades humanas sempre o atingem e para tentar controlar esses transientes e facilitar que os mesmos sejam eliminados do canal gravitacional, milhares de canais auxiliares (sensores) monitoram todo ambiente e instrumentação do detector. A identificação de todos os ruídos é muito importante, tanto que um subgrupo de trabalho do LIGO desenvolveu uma plataforma online (Gravity Spy) que classifica transientes de acordo com suas morfologias. Uma das grandes dificuldades é descobrir suas origens primárias, ou seja, as causas desses ruídos. Esse desafio motivou este trabalho que teve como objetivo caracterizar alguns grupos de ruídos aplicando o algoritmo t-distributed Stochastic Neighbor Embedding (t-SNE) que está presente na técnica de Machine Learning e, consequentemente, dentro da Inteligência Artificial. O algoritmo para caracterização dos ruídos foi adaptado para os dados do LIGO através do pacote scikit-learn, desenvolvido em Python. Para tal uso, separamos dados de grupos de transientes e criamos o que chamamos de glitchgramas, isto é, uma representação da morfologia do ruído no tempo, frequência e razão sinal-ruído. Cada glitchgrama foi utilizado como entrada no algoritmo que separou de forma satisfatória os ruídos com morfologias semelhantes. O trabalho proposto futuramente é caracterizar mais grupos de ruídos e utilizar o aprendizado de máquina para que o computador, ao receber um transiente aleatório, saiba fazer uma predição de qual fonte de ruído se trata. Conhecendo-se bem cada grupo, poderemos analisar os ruídos e seus coincidentes nos canais auxiliares, organizar temporalmente e construir rede de conexões entre as causas, canais auxiliares em que ocorrem e consequências de um determinado tipo de ruído. Com isso, encontraremos o caminho que cada um desses conjuntos de transientes percorre até chegar ao canal gravitacional e descobriremos, consequentemente, sua origem e como ele afeta a sensibilidade do instrumento. Sabendo a origem desse ruído, poderemos sugerir melhorias e ajustes instrumentais para que menos sinais ruidosos apareçam no canal gravitacional, tornando sinais de ondas gravitacionais mais significantes, dando mais um impulso à astronomia de ondas gravitacionais. ABSTRACT: Gravitational waves can be defined as ripples in spacetime which travel through it. They were predicted by Albert Einstein in 1916 and, mathematically, come from the Field Equations solutions that are in General Relativity Theory. The first direct detection was on September 14, 2015 coming from two black holes coalescence, inaugurating the gravitational waves astronomy that may, in the future, change the way we understand the Universe and its origin. The gravitational waves have very small amplitudes, therefore, their detectors must be accurate and sensitive. LIGO, the experiment that detected the first event, is composed of two observatories and is based on the Michelson interferometer. Because LIGO has a high sensitivity, many different noises sources like instrumental, environmental and from human activities always hit it. In order to identify and control these noise sources and also remove their effects on gravitational wave searches thousands of auxiliary channels (sensors) monitor all environmental and instrumental conditions in both observatories. The identification of all noises is very important, so much that a LIGO working subgroup had developed an online platform (Gravity Spy) which classifies transients according to their morphologies. One of the great difficulties is to find out their primary origins, i.e, the transients causes. This challenge motivated this work that aimed to characterize some noise groups by t-distributed Stochastic Neighbor Embedding (t- SNE) algorithm which is present in the Machine Learning technique and, hence, present in the Artificial Intelligence. The algorithm for noise characterization was adapted to the LIGO data through the scikit-learn package, developed in Python. For this use, we separated data from groups of transients and created what we called glitchgrams, that is, a representation of noises morphologies in time, frequency and signal-to-noise ratio. Each glitchgram was used as input to the algorithm that satisfactorily separated noises with similar morphologies. The proposed work in the future is to characterize more transients groups and teach the machine to make a prediction and, when it receives a random transient, to be able to predict to which class such noise belongs. By knowing those groups, we will analyze auxiliary channels, organize temporally and create connection networks between causes, auxiliary channels and consequences of noises specific group. With that, we will define the pathway from which this kind of transient gets into the gravitational waves channel and, consequently, find out its origin. Once we know the transient origin, we can suggest instrumental improvements so less noisy signals would appear on the gravitational channel, making gravitational waves signals more significant, and giving an additional boost to the gravitational wave astronomy. | |||||||||
| Área | CEA | |||||||||
| Arranjo | Análise multidimensional de... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://mtc-m21c.sid.inpe.br/ibi/8JMKD3MGP3W34R/3QM6QPP | |||||||||
| URL dos dados zipados | http://mtc-m21c.sid.inpe.br/zip/8JMKD3MGP3W34R/3QM6QPP | |||||||||
| Idioma | pt | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | gabinete@inpe.br pubtc@inpe.br tabata.ferreira@inpe.br yolanda.souza@mcti.gov.br | |||||||||
| Grupo de Leitores | administrator gabinete@inpe.br pubtc@inpe.br tabata.ferreira@inpe.br yolanda.souza@mcti.gov.br | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | urlib.net/www/2017/11.22.19.04.03 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2NE4L | |||||||||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||
| 7. Controle da descrição | ||||||||||
| e-Mail (login) | simone | |||||||||
| atualizar | ||||||||||