1. Pantheon
  2. Trabalhos Acadêmicos e Técnicos
  3. Trabalhos de Conclusão de Curso de Graduação
  4. Astronomia
Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11422/19225
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorMarcolino, Wagner Luiz Ferreira-
dc.contributor.authorGonçalves, Rodrigo Barros-
dc.date.accessioned2022-11-22T18:28:25Z-
dc.date.available2023-12-21T03:09:37Z-
dc.date.issued2022-10-17-
dc.identifier.citationGONÇALVES, 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.urihttp://hdl.handle.net/11422/19225-
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAstrofísica estelarpt_BR
dc.subjectEstrelas de alta massapt_BR
dc.subjectClassificação espectral de estrelaspt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectAlgorítmospt_BR
dc.subjectPython (Linguagem de programação de computador)pt_BR
dc.subjectStellar astrophysicspt_BR
dc.subjectMassive Starspt_BR
dc.subjectStellar spectral classificationpt_BR
dc.subjectMachine Learningpt_BR
dc.subjectAlgorithmspt_BR
dc.titleClassificação de estrelas de alta massa com aprendizado de máquina não supervisionadopt_BR
dc.title.alternativeClassification of massive stars with unsupervised machine learningpt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3484071295740741pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/2224902596323773pt_BR
dc.contributor.referee1Lopes, Paulo Afranio Augusto-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2912390244432645pt_BR
dc.contributor.referee2Pereira, Eduardo Machado-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5667844934988317pt_BR
dc.description.resumoA 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.countryBrasilpt_BR
dc.publisher.departmentObservatório do Valongopt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIApt_BR
dc.embargo.termsabertopt_BR
Aparece en las colecciones: Astronomia

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RBGonçalves.pdf3.56 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem Recomiende este ítem View Statistics


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.