Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques

Bibliographic Details
Main Author: Gonçalves, Joana Maria da Orada Carujo Mendes
Publication Date: 2025
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/10316/118543
Summary: Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_c63f40041d3d168b6458acd1ab326a5c
oai_identifier_str oai:estudogeral.uc.pt:10316/118543
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniquesSpace Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniquesOrbital ParticlesSpaceConvolutional Neural NetworksMachine LearningEfficientNet-B0Partículas em órbitaEspaçoAprendizagem ComputacionalRedes Neuronais ConvolucionaisEfficientNet-B0Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaThe space industry is advancing rapidly, driven in part by the growing use of Machine Learning (ML) in space research. These methods enhance data analysis, improving precision and efficiency in identifying high-energy particles. The study of these particles is essential for exploring the universe’s composition and behavior. Distinguishing between the different types of particles (e.g., protons, photons, electrons, and alpha particles) and separating them from background noise plays a key role in this study. However, high-energy astrophysics faces challenges such as large, complex datasets, noise interference, and difficulties in distinguishing radiation sources. Several key areas, including emission source identification and gamma-ray polarization analysis, remain underexplored, highlighting the need for advanced approaches.This study explores the feasibility of an ML-based method for orbital particle identification, using data from a newly developed sensor for high-energy astrophysics. A dataset was assembled from previously collected data and labelled model training and validation. The proposed system could be integrated into the European Space Agency (ESA) Space Rider, a recoverable spacecraft, to study orbital radiation, terrestrial gamma-ray flashes, and emissions from high-energy objects.A preprocessing stage was essential to refine key features and improve classification accuracy. Convolutional Neural Networks (CNNs) were used for their ability to distinguish patterns in high-energy astrophysics data. Despite challenges such as adapting the dataset and ensuring consistent performance, results demonstrate CNNs’ potential for particle classification. These findings offer a starting point for future developments in high-energy astrophysics.A indústria espacial desenvolve-se rapidamente, impulsionada pelo avanço tecnológico da Aprendizagem Computacional (AC). Estes métodos melhoram a análise de dados, aumentando a precisão e a eficiência na identificação de partículas de alta energia. O estudo dessas partículas é essencial para explorar a composição e o comportamento do Universo. Fazer a distinção entre os diferentes tipos de partículas (por exemplo, protões, fotões, eletrões e partículas alfa) e a sua separação do ruído de fundo desempenham um papel fundamental no presente estudo. No entanto, a astrofísica de alta energia enfrenta desafios, como analisar grandes conjuntos de dados complexos, interferências de ruído e dificuldades em distinguir fontes de radiação. Algumas áreas-chave, incluindo a identificação de fontes de emissão e análise de polarização de raios gama, permanecem pouco exploradas, destacando a necessidade de abordagens avançadas.Este estudo explora a viabilidade de um método baseado em AC para identificar partículas orbitais, utilizando dados de um sensor recém-desenvolvido para a astrofísica de alta energia. Um dataset foi criado a partir de dados adquiridos anteriormente e rotulados para o treino e validação do modelo. O sistema proposto será integrado no Space Rider da Agência Espacial Europeia (ESA), uma nave espacial recuperável, para estudar a radiação orbital, os flashes de raios gama terrestres e as emissões de objetos de alta energia.Uma etapa de pré-processamento foi essencial para refinar características importantes e melhorar a precisão da classificação. As Redes Neurais Convolucionais (CNNs) foram utilizadas com o objetivo de distinguir padrões em dados de astrofísica. Apesar dos desafios, como a adaptação do conjunto de dados e o facto de se ter de se garantir um desempenho consistente, os resultados demonstraram o potencial das CNNs para a classificação de partículas. Este estudo oferece um ponto de partida para futuros desenvolvimentos na astrofísica de alta energia.Outro - Entidade: ESA. Tipo de financiamento: bolsa via programa PRODEX da ESA2025-02-202025-08-19T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/118543https://hdl.handle.net/10316/118543TID:203930010engGonçalves, Joana Maria da Orada Carujo Mendesinfo:eu-repo/semantics/embargoedAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-04-02T17:37:04Zoai:estudogeral.uc.pt:10316/118543Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:12:41.973571Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
title Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
spellingShingle Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
Gonçalves, Joana Maria da Orada Carujo Mendes
Orbital Particles
Space
Convolutional Neural Networks
Machine Learning
EfficientNet-B0
Partículas em órbita
Espaço
Aprendizagem Computacional
Redes Neuronais Convolucionais
EfficientNet-B0
title_short Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
title_full Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
title_fullStr Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
title_full_unstemmed Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
title_sort Space Rider maiden flight orbital particles identification using THOR instrument and Machine Learning techniques
author Gonçalves, Joana Maria da Orada Carujo Mendes
author_facet Gonçalves, Joana Maria da Orada Carujo Mendes
author_role author
dc.contributor.author.fl_str_mv Gonçalves, Joana Maria da Orada Carujo Mendes
dc.subject.por.fl_str_mv Orbital Particles
Space
Convolutional Neural Networks
Machine Learning
EfficientNet-B0
Partículas em órbita
Espaço
Aprendizagem Computacional
Redes Neuronais Convolucionais
EfficientNet-B0
topic Orbital Particles
Space
Convolutional Neural Networks
Machine Learning
EfficientNet-B0
Partículas em órbita
Espaço
Aprendizagem Computacional
Redes Neuronais Convolucionais
EfficientNet-B0
description Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2025
dc.date.none.fl_str_mv 2025-02-20
2025-08-19T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/118543
https://hdl.handle.net/10316/118543
TID:203930010
url https://hdl.handle.net/10316/118543
identifier_str_mv TID:203930010
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602615925014528

Similar Items