Classificação de estrelas de alta massa com aprendizado de máquina não supervisionado

Gonçalves, Rodrigo Barros

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/19225

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Marcolino, Wagner Luiz Ferreira	-
dc.contributor.author	Gonçalves, Rodrigo Barros	-
dc.date.accessioned	2022-11-22T18:28:25Z	-
dc.date.available	2023-12-21T03:09:37Z	-
dc.date.issued	2022-10-17	-
dc.identifier.citation	GONÇALVES, Rodrigo Barros. Classificação de estrelas de alta massa com aprendizado de máquina não supervisionado. 2022. 63 f. Trabalho de conclusão de curso (Bacharelado em Astronomia) - Observatório do Valongo, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2022.	pt_BR
dc.identifier.uri	http://hdl.handle.net/11422/19225	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Astrofísica estelar	pt_BR
dc.subject	Estrelas de alta massa	pt_BR
dc.subject	Classificação espectral de estrelas	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Algorítmos	pt_BR
dc.subject	Python (Linguagem de programação de computador)	pt_BR
dc.subject	Stellar astrophysics	pt_BR
dc.subject	Massive Stars	pt_BR
dc.subject	Stellar spectral classification	pt_BR
dc.subject	Machine Learning	pt_BR
dc.subject	Algorithms	pt_BR
dc.title	Classificação de estrelas de alta massa com aprendizado de máquina não supervisionado	pt_BR
dc.title.alternative	Classification of massive stars with unsupervised machine learning	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/3484071295740741	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/2224902596323773	pt_BR
dc.contributor.referee1	Lopes, Paulo Afranio Augusto	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/2912390244432645	pt_BR
dc.contributor.referee2	Pereira, Eduardo Machado	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/5667844934988317	pt_BR
dc.description.resumo	A classificação espectral de estrelas de alta massa fornece diretamente uma ideia do status evolutivo de determinado objeto e de parâmetros físicos importantes, como a temperatura e luminosidade, e até mesmo da velocidade de rotação superficial. Neste trabalho, foram utilizadas técnicas de aprendizado de máquina não supervisionado para atacar o problema de classificação espectral em estrelas de alta massa com duas motivações principais: (i) aprender astrofísica de estrelas de alta massa e (ii) aprender técnicas de aprendizado de máquina não supervisionado. A implementação de algoritmos de aprendizado de máquina pode se tornar uma ferramenta muito útil para a extração de informações relevantes de grandes amostras e surveys (e.g., Gaia EDR3), não somente para fins de classificação espectroscópica, mas também com fotometria e outras grandezas físicas medidas (e.g., velocidades radiais, composições químicas). Uma amostra de 606 espectros de estrelas de tipo espectral O oriundas do mais amplo catálogo disponível - “Galactic O-Star Catalog” -, e também de diversas fontes listadas em Martins (2018) foi reunida. Larguras equivalentes de linhas espectrais em cada objeto de nossa amostra foram medidas. Em seguida, o espaço de largura de linhas (1 ponto no espaço N-dimensional correspondendo a 1 estrela com N linhas medidas) e suas aglomerações foram analizadas por meio de um algoritmo de aprendizado de máquina não supervisionado (k-means clustering). Posteriormente, a fim de testarmos efeitos relacionados ao tamanho da amostra, elaboramos uma estratégia para gerar estrelas artificiais, i.e., novas larguras equivalentes, a partir das observadas. Ao todo, ficamos com 47.000 estrelas e a análise anterior foi repetida. Nos testes conduzidos com a amostra original de 606 estrelas, encontramos que a qualidade da classificação deixa a desejar. Mesmo quando utilizamos apenas 3 features (com o silhouette score sugerindo uma boa classificação), a diferenciação das classes nos clusters encontrados permaneceu insatisfatória. Nos testes realizados com a amostra maior, os resultados melhoraram substancialmente, com exceção do caso em que usamos as 3 features, onde houve piora. Isso provavelmente se deve ao critério de junção das classes de luminosidade que adotamos, o que implica numa revisão e aprimoramento da análise destas classes. Em suma, verificamos que algoritmos não supervisionados podem fornecer uma classificação espectral prévia satisfatória em novos conjuntos de dados desde que a amostra seja suficientemente grande, o que já é bastante útil para análises posteriores.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Observatório do Valongo	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Astronomia

Files in This Item:

File	Description	Size	Format
RBGonçalves.pdf		3.56 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository