Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://bdtd.unifal-mg.edu.br:8443/handle/tede/2416
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | LOPES, Tiago Vitor | - |
dc.creator.Lattes | http://lattes.cnpq.br/7615714763847868 | por |
dc.contributor.advisor1 | BEZERRA, Anibal Thiago | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8478305453281130 | por |
dc.contributor.referee1 | FERREIRA, Eric Batista | - |
dc.contributor.referee2 | LISBOA, André Fabiano Steklain | - |
dc.date.accessioned | 2024-06-27T00:00:46Z | - |
dc.date.issued | 2023-12-20 | - |
dc.identifier.citation | LOPES, Tiago Vitor. Supervised neural network approach to modeling DUNE's LArTPC photon detector device. 2023. 61 f. Dissertação (Mestrado em Física) - Universidade Federal de Alfenas, Poços de Caldas, MG, 2023. | por |
dc.identifier.uri | https://bdtd.unifal-mg.edu.br:8443/handle/tede/2416 | - |
dc.description.resumo | This work presents the development and evaluation of an artificial neural network (ANN) as a supervised learning model to complement the ArapucaSim software simulation of the behavior of Arapucas’ photon absorption probabilities on DUNE. DUNE will be a neutrino detector intended to address fundamental questions about the nature of elementary particles and their role in the universe. The Arapucas are the light-trapping devices proposed for the detection system of the DUNE far detector. A neural network model employed is a regressor model that receives as inputs the coordinates of a photon generator, along with positions on the surface device where the photon collides and produces outputs consisting in absorption probability for each photon. The input data is obtained from Geant4 simulations, specifically from the ArapucaSim module. Two cases were studied: one in which the photons arrive with normal incidence in the Arapuca surface, and the other including the angle dependence. While the Geant4 approach required hours to generate results, after training the neural network model, comparable probabilities are produced in seconds with high accuracy. This work shows the potential of neural network models as efficient alternatives for simulations in predicting photon absorption probabilities by the light sensor with less time and computational effort. | por |
dc.description.abstract | Este trabalho apresenta o desenvolvimento e avaliação de uma rede neural artificial (RNA) como modelo de aprendizagem supervisionada para complementar a simulação do software ArapucaSim do comportamento de Arapucas, os dispositivos de captura de luz utilizados no Experimento DUNE, para modelar probabilidades de absorção de fótons. DUNE será um detector de neutrinos destinado a abordar questões fundamentais sobre a natureza das partículas elementares e o seu papel no universo. O Arapuca é o dispositivo proposto para o sistema de detecção do detector distante (Far Detector) do DUNE. O modelo de rede neural empregado é um modelo regressor que recebe como entradas as coordenadas de um gerador de fótons, juntamente com as posições no dispositivo de superfície onde o fóton colide e produz saídas que consistem na probabilidade de absorção para cada fóton. Os dados de entrada são obtidos a partir de simulações Geant4, especificamente do módulo ArapucaSim. Foram estudados dois casos: um em que os fótons chegam com incidência normal na superfície de Arapuca e outro incluindo a dependência angular. Embora a abordagem Geant4 exija horas para gerar resultados, após treinar o modelo de rede neural, probabilidades comparáveis são produzidas em segundos com alta precisão. Este trabalho mostra o potencial dos modelos de redes neurais como alternativas eficientes para simulações que prevêem probabilidades de absorção de fótons pelo sensor de luz com menor tempo e esforço computacional. | por |
dc.description.provenance | Submitted by Thaís Aparecida de Lima (thais.aplima@unifal-mg.edu.br) on 2024-06-26T23:57:06Z No. of bitstreams: 1 Dissertacao_TiagoVitorLopes_2023_PPGF.pdf: 2702236 bytes, checksum: 1923d9c7c0325bf8617f62a594a1e65b (MD5) | eng |
dc.description.provenance | Approved for entry into archive by Thaís Aparecida de Lima (thais.aplima@unifal-mg.edu.br) on 2024-06-27T00:00:01Z (GMT) No. of bitstreams: 1 Dissertacao_TiagoVitorLopes_2023_PPGF.pdf: 2702236 bytes, checksum: 1923d9c7c0325bf8617f62a594a1e65b (MD5) | eng |
dc.description.provenance | Approved for entry into archive by Thaís Aparecida de Lima (thais.aplima@unifal-mg.edu.br) on 2024-06-27T00:00:22Z (GMT) No. of bitstreams: 1 Dissertacao_TiagoVitorLopes_2023_PPGF.pdf: 2702236 bytes, checksum: 1923d9c7c0325bf8617f62a594a1e65b (MD5) | eng |
dc.description.provenance | Made available in DSpace on 2024-06-27T00:00:46Z (GMT). No. of bitstreams: 1 Dissertacao_TiagoVitorLopes_2023_PPGF.pdf: 2702236 bytes, checksum: 1923d9c7c0325bf8617f62a594a1e65b (MD5) Previous issue date: 2023-12-20 | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.format | application/pdf | * |
dc.language | por | por |
dc.publisher | Universidade Federal de Alfenas | por |
dc.publisher.department | Instituto de Ciência e Tecnologia | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UNIFAL-MG | por |
dc.publisher.program | Programa de Pós-graduação em Física | por |
dc.rights | Acesso Aberto | por |
dc.subject | Machine learning. | por |
dc.subject | Neural networks. | por |
dc.subject | Dune experiment. | por |
dc.subject | High energy physics. | por |
dc.subject.cnpq | FISICA::FISICA DAS PARTICULAS ELEMENTARES E CAMPOS | por |
dc.title | Supervised neural network approach to modeling DUNE's LArTPC photon detector device | por |
dc.type | Dissertação | por |
Aparece nas coleções: | Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertacao_TiagoVitorLopes_2023_PPGF.pdf | 2,64 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.