Aplicação de machine learning para mapeamento de regiões de estabilidade: Análise da performance do modelo através de ajuste de hiperparâmetros e threshold

• Ano de defesa: 0024
• Autor(a) principal: Neto, Giovana Ramon Luiz [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado do computador; Exoplanetas; Astronomia; Mapas de estabilidade; Dinâmica orbital; Machine learning; Stability maps; Orbital dynamics
• Link de acesso: https://hdl.handle.net/11449/257412; http://lattes.cnpq.br/1411915629358687; https://orcid.org/0009-0008-2716-2794

O número de exoplanetas cresce a cada ano e o mapeamento das regiões de estabilidade ao redor desses corpos é um estudo significativo, uma vez que leva a identificação da presença de potenciais satélites e sistemas de anéis. A fim de realizar essa investigação, usualmente são empregados conjuntos de simulações numéricas de N-corpos, caros computacionalmente. O objetivo principal deste trabalho foi aplicar modelos de Machine Learning para classificar mapas de regiões de estabilidade ao redor de sistemas planetários hipotéticos em órbitas do tipo-S. Foram desenvolvidas 100.000 simulações numéricas adimensionais do problema de três corpos (estrela-planeta-partícula) através do integrador Rebound/IAS15. Cada sistema explorava nove características diferentes, incluindo os elementos orbitais da partícula e do planeta, assim como a razão de massa do sistema. As simulações foram classificadas como instáveis ou estáveis e a amostra construída foi utilizada como conjunto de treino para os modelos de Machine Learning. Foram empregados cinco algoritmos diferentes de Machine Learning, e o melhor desempenho foi alcançado pelo XGBoost, com uma accuracy igual a 98,48%, uma recall e precision equivalentes a 94% para partículas estáveis e de 99% para partículas instáveis. A análise foi estendida para o mapeamento da estabilidade da região da Sailboat, utilizando quatro conjuntos de simulações numéricas diferentes, cada um composto por 300.000 condições iniciais. O intuito dessa fração do trabalho, foi identificar o limite da existência da estabilidade da Sailboat para diferentes razões de massa, excentricidades do corpo perturbador, inclinações e argumentos do pericentro da partícula, confirmando o estudo presente na literatura e acrescentando novas investigações para o comportamento da região. Através do emprego do melhor modelo para o XGBoost, foi atingida uma accuracy superior a 97% para todos os casos avaliados. Os algoritmos de Machine Learning reduziram o tempo computacional gasto em simulações numéricas para o problema de três corpos em uma previsão de alguns minutos.