Numeriska Metoder för Celestiell Dynamik : - Integratorer och maskininlärningsmetodik för studerande av asteroidscenarion

Detta är en Kandidat-uppsats från KTH/Skolan för teknikvetenskap (SCI)

Författare: Teo Jansson Minne; [2021]

Nyckelord: ;

Sammanfattning: Detta projekt har utförts i syfte att undersöka möjligheter att simulera celestiella n-kroppssystem i Python. En simpel modell baserad på Newtons gravitationslag presenterades och ett urval av integratorer testades med kriterier baserade på konserverade storheter, prestandaskillnad jämte den allmänt tillgängliga datan från NASA JPL och banvisualisering. Två metoder användes även för att skapa scenarion med himlakroppar passerande förbi jorden: manipulering av den tillgängliga datan samt en maskininlärningsmetodik för att finna initialvillkor anpassade för en rudimentär asteroidkollisionsmodell. Lägre ordningens metoder visade sig mest användbara för snabba simuleringar i Python, en symplektisk integrator av ordning 4 visade sig särskilt lämpad tack vare dess konservativa egenskaper. En multi-layer-perceptron tränad på simulerad data visade sig ha potential att hantera svårbestämda optimeringsproblem kopplade till ett praktiskt exempel av ett n-kroppsproblem. Detta var enbart en form av pilot-test för den typen av metodik men arbetssättet att använda övervakade maskininlärningsalgoritmer i symbios med stabila integratorer tycks enligt författaren lovande.

  HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)