Aprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlas

dc.contributor.advisor1Andrade Filho, Luciano Manhães de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/pt_BR
dc.contributor.referee1Aguiar, Eduardo Pestana de
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9530065975903052pt_BR
dc.contributor.referee2Silva, Leandro Rodrigues Manso
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1421239770201461pt_BR
dc.contributor.referee3Amaral, Jorge Luís Machado do
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1000528740958810pt_BR
dc.contributor.referee4Peralva, Bernardo Sotto Maior
dc.contributor.referee4Latteshttp://lattes.cnpq.br/pt_BR
dc.creatorQuirino, Tiago Motta
dc.creator.Latteshttp://lattes.cnpq.br/5296174954782128pt_BR
dc.date.accessioned2023-01-18T11:46:42Z
dc.date.available2023-01-18
dc.date.available2023-01-18T11:46:42Z
dc.date.issued2022-12-15
dc.description.abstract-pt_BR
dc.description.resumoA tarefa principal desenvolvida neste trabalho é a de recuperar informações de partículas subatômicas incidentes em calorímetros. Especificamente, trata-se os sinais da eletrônica de leitura do Tilecal, o calorímetro hadrônico instalado no ATLAS, que por sua vez, é um dos principais experimentos do maior e mais potente colisionador de partículas construído, o LHC (Large Hadron Collider). Há um planejamento de atualizações do LHC que considera o aumento da luminosidade, havendo maior probabilidade de colisões de partículas em intervalos fixos e definidos de tempo, o que, no contexto do tempo de resposta do TileCal, ocasiona o efeito de empilhamento dos sinais, prejudicando a estimação da amplitude deles, grandeza essa que está relacionada à energia das partículas detectadas. Sugere-se o aprendizado online de Redes Neurais Artificiais, devido às não-linearidades intrínsecas do canal de leitura, para estimação de energia em condições de alta luminosidade, comparando seu desempenho a métodos lineares. Para tanto, aproveita-se o sistema de seleção de eventos do ATLAS, que consiste no conhecimento especialista do sinal de aceitação no primeiro nível de trigger (L1A), que discrimina os dados válidos para serem armazenados, ou os dados descartados, e assim possibilita a aplicação ou aprendizado online da Rede Neural Artificial, respectivamente. O aprendizado é definido pela simulação de um sinal central de amplitude conhecida, somado aos sinais ordinários que caracterizam o efeito empilhamento. Logo, com os padrões de empilhamento aprendidos, os mesmos podem ser retirados do sinal, recuperando a amplitude de sinais de interesse na etapa de aplicação da Rede Neural Artificial. A eficiência do método proposto apresenta resultados competitivos em relação aos métodos utilizados no contexto de recuperação de energia do calorímetro hadrônico do ATLAS.pt_BR
dc.identifier.doihttps://doi.org/10.34019/ufjf/te/2022/00107
dc.identifier.urihttps://repositorio.ufjf.br/handle/ufjf/14882
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Engenhariapt_BR
dc.publisher.initialsUFJFpt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétricapt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-ShareAlike 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/br/*
dc.subjectAprendizado onlinept_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectInstrumentação científicapt_BR
dc.subjectCalorimetriapt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleAprendizado online de redes neurais artificiais aplicadas à reconstrução de energia no calorímetro hadrônico do atlaspt_BR
dc.typeTesept_BR

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
tiagomottaquirino.pdf
Size:
4.91 MB
Format:
Adobe Portable Document Format
Description:
PDF/A

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: