| 1. Identificação | |||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | ||||||
| Site | mtc-m21d.sid.inpe.br | ||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | ||||||
| Identificador | 8JMKD3MGP3W34T/48AFMK5 | ||||||
| Repositório | sid.inpe.br/mtc-m21d/2023/01.02.20.29 | ||||||
| Última Atualização | 2023:03.31.17.16.45 (UTC) simone | ||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2023/01.02.20.29.06 | ||||||
| Última Atualização dos Metadados | 2023:04.26.15.09.16 (UTC) administrator | ||||||
| Chave Secundária | INPE-18651-TDI/3280 | ||||||
| Chave de Citação | Ferreira:2023:ApTéMa | ||||||
| Título | Aplicação de técnicas de Machine Learning no estudo de transientes dos detectores Advanced LIGO  | ||||||
| Título Alternativo | Application of Machine Learning techniques in the study of transients from Advanced LIGO detectors | ||||||
| Curso | AST-CEA-DIPGR-INPE-MCTI-GOV-BR | ||||||
| Ano | 2023 | ||||||
| Data | 2022-12-09 | ||||||
| Data de Acesso | 11 maio 2024 | ||||||
| Tipo da Tese | Tese (Doutorado em Astrofísica) | ||||||
| Tipo Secundário | TDI | ||||||
| Número de Páginas | 120 | ||||||
| Número de Arquivos | 2 | ||||||
| Tamanho | 16881 KiB | ||||||
| 2. Contextualização | |||||||
| Autor | Ferreira, Tábata Aira | ||||||
| Banca | Aguiar, Odylio Denys de (presidente) Costa, César Augusto (orientador) Tinto, Massimo Jablonski, Francisco José Lenzi, César Henrique Tosta e Melo, Iara | ||||||
| Endereço de e-Mail | tabata.aira@gmail.com | ||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | ||||||
| Cidade | São José dos Campos | ||||||
| Histórico (UTC) | 2023-01-02 20:29:06 :: tabata.ferreira@inpe.br -> pubtc@inpe.br :: 2023-01-03 18:52:56 :: pubtc@inpe.br -> tabata.ferreira@inpe.br :: 2023-01-31 15:29:02 :: tabata.ferreira@inpe.br -> pubtc@inpe.br :: 2023-04-03 13:28:21 :: pubtc@inpe.br -> simone :: 2023-04-03 13:29:32 :: simone :: -> 2023 2023-04-03 13:30:10 :: simone -> administrator :: 2023 2023-04-26 15:09:16 :: administrator -> :: 2023 | ||||||
| 3. Conteúdo e estrutura | |||||||
| É a matriz ou uma cópia? | é a matriz | ||||||
| Estágio do Conteúdo | concluido | ||||||
| Transferível | 1 | ||||||
| Palavras-Chave | glitches LIGO aprendizado de máquina análise de redes ondas gravitacionais machine learning network science gravitational waves | ||||||
| Resumo | As detecções diretas de ondas gravitacionais não apenas trouxeram mais uma evidência da Teoria da Relatividade Geral de Einstein, mas inauguraram uma nova astronomia. Os observatórios LIGO foram os pioneiros na detecção desse tipo de sinal e dezenas de eventos já foram catalogados. O número progressivo de detecções fomenta a área e gera expectativas em diferentes observatórios e cientistas ao redor do mundo. Entretanto, não são apenas os sinais de eventos astrofísicos que aparecem nos dados destes detectores, mas diferentes ruídos transientes oriundos de diversos fatores ambientais, instrumentais ou antropogênicos. Estudar esses invasores locais, usualmente denominados glitches, é sempre um desafio para a colaboração científica, pois alguns deles têm alta taxa de ocorrência, podem mimetizar ondas gravitacionais, poluir os dados e diminuir a significância estatística de um sinal astrofísico real. Infelizmente, alguns desses transientes não têm causas identificadas ou definidas, e a tentativa de buscar tais indícios incentivou este trabalho. Esta tese apresenta uma forma alternativa para caracterizar e encontrar classes de glitches no canal gravitacional, a partir dos denominados glitchgramas. Duas técnicas computacionais foram utilizadas para avaliar a eficiência dessa caracterização proposta. A primeira aplicou ferramentas de Análise de Redes e a segunda, de Aprendizado de Máquina; ambos resultados foram comparados com as classificações prévias do Gravity Spy, ferramenta utilizada pela colaboração para classificar transientes. A análise de redes obteve resultados excelentes para determinadas classes, mas nem tanto para outras e, portanto, limitações no uso dessa técnica a partir de glitchgramas foram encontradas. No geral, o método teve 75, 03% de concordância com Gravity Spy e, com o cosseno de similaridade, apresentado na técnica, foi possível atribuir classes a glitches desconhecidos. O segundo método foi efetivo na busca de todas as classes investigadas. Com a aplicação de uma ferramenta do aprendizado de máquina supervisionado, uma validação cruzada foi realizada e o método concordou em 94, 70% com o Gravity Spy. Valor que poderia ter sido maior, pois o método apontou erros de classificação do atual modo de análise do LIGO. O aprendizado de máquina ainda mostrou-se independente, pôde ser aplicado em análises diárias de funcionamento do LIGO, em busca da presença de classes em canais auxiliares, abriu campos para diferentes aplicações e permitiu concluir que os glitchgramas caracterizam bem os glitches. Para exemplificar isso, esta tese também apresenta um estudo das duas classes mais presentes durante a terceira corrida observacional do LIGO: a Scattered Light e a Fast Scattering. Para esta última, uma investigação sobre sua relação com movimentos microssísmicos e antropológicos foi realizada. ABSTRACT: The gravitational wave detections not only provided further evidence for Einsteins Theory of General Relativity but also inaugurated a new astronomy. LIGO observatories were pioneers in detecting such types of signals, and dozens of events have already been cataloged. The progressive number of detections has been promoting the area and generating expectations in scientists worldwide. However, it is not only the signals of astrophysical events that appear in the data of these detectors, different transient noise sources arise from various environmental, instrumental, or anthropogenic factors. Studying these local invaders, generally called glitches, is always a challenge faced by the scientific collaboration, as some of them have a high occurrence rate, may mimic gravitational waves, pollute the data and decrease the overall statistical significance of a real astrophysical signal. Unfortunately, some of these transients do not have identified or present well-defined reasons, and the attempt to look for such indications encouraged this work. This dissertation presents an alternative way to characterize and find classes of glitches in the gravitational channel, based on the so-called glitchgrams. Two computational techniques were used to evaluate the efficiency of this proposed characterization. The first applied Network Analysis tools and the second Machine Learning tools; both results were compared with previous Gravity Spy classifications, the tool used by the collaboration to categorize transients. Network Science obtained excellent results for some classes but not so much for others; therefore, limitations in using this technique from glitchgrams were found. Overall, the method had 75.03% of agreement with Gravity Spy, and, with the cosine of similarity, presented in the method, it was possible to assign classes to unknown glitches. The second method was effective in searching all investigated categories. With a supervised machine learning tool, cross-validation was performed, and the technique agreed at 94.70% with Gravity Spy. The value could have been higher, as the method pointed out classification errors in the current LIGO analysis mode. Machine learning still proved to be independent, could be applied in daily analyzes of LIGOs operation, in search of the presence of classes in auxiliary channels, opened fields for different applications, and allowed concluding that glitchgrams characterize well glitches. In order to exemplify this, this dissertation also studies the two most common classes during the third LIGO observational run: the Scattered Light and the Fast Scattering. For the latter, an investigation into its relationship with microseismic and anthropological motions was performed. | ||||||
| Área | CEA | ||||||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > AST > Aplicação de técnicas... | ||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCE > Aplicação de técnicas... | ||||||
| Conteúdo da Pasta doc | acessar | ||||||
| Conteúdo da Pasta source |
| ||||||
| Conteúdo da Pasta agreement |
| ||||||
| 4. Condições de acesso e uso | |||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34T/48AFMK5 | ||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/48AFMK5 | ||||||
| Idioma | pt | ||||||
| Arquivo Alvo | publicacao.pdf | ||||||
| Grupo de Usuários | pubtc@inpe.br simone tabata.ferreira@inpe.br | ||||||
| Visibilidade | shown | ||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | ||||||
| Detentor dos Direitos | originalauthor yes | ||||||
| Permissão de Leitura | allow from all | ||||||
| Permissão de Atualização | não transferida | ||||||
| 5. Fontes relacionadas | |||||||
| Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 | ||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2NE4L 8JMKD3MGPCW/46KTFK8 | ||||||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | ||||||
| 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 readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | ||||||