Examensarbeten för kandidatexamen
Länka till denna samling:
Browse
Senast publicerade
Visar 1 - 5 av 76
- PostFrom ambitions to reality: The renewable electrification of the EU in a changing energy landscape(2023) Dannäs, Edvin; Funk, Elinor; Larsson, Daniel; Roos, Emma; Söderbergh, Johan; Vind, Lisa; Chalmers tekniska högskola / Institutionen för rymd-, geo- och miljövetenskap; Chalmers University of Technology / Department of Space, Earth and Environment; Jewell, Jessica; Vinichenko, Vadim; Jakhmola, Avi
- PostInvestigating compensation schemes for hydropower in Sweden(2023) Andersson, Hilma; Carter, Olivia; Kieksi, Carl; Persson, Oliver; Pettersson, Nathalie; Chalmers tekniska högskola / Institutionen för rymd-, geo- och miljövetenskap; Chalmers University of Technology / Department of Space, Earth and Environment; Jewell, Jessica; Vetier, Marta; Nacke, Lola
- PostFinding Potential Detections of Dust in Protoplanetary Disk Winds. Using Machine Learning to Filter, Classify and Present ALMA data(2023) Fagrell, Peter; Kollberg, Jens; Rasmussen, Elias; Redmo Axelsson, Erik; Svensson, Oskar; Ybring, Alexander; Chalmers tekniska högskola / Institutionen för rymd-, geo- och miljövetenskap; Chalmers University of Technology / Department of Space, Earth and Environment; Thomasson, Magnus; Bjerkeli, Per; Toribio, Maria CarmenStar formation begins when clouds of dust and gas starts to collapse under the force of their own gravity. Eventually, a protoplanetary disk is formed in the central region. Because of magnetic fields, gravity and rotation, material is ejected through jets and winds that sweep up gas from the surrounding envelope and form an outflow. These outflows remove angular momentum which permits a star to form in the center. In the disk, small grains eventually starts to clump together to become planets. Whether lifting of dust via winds affect the planet formation process is yet not understood, but it is a research topic (e.g. Pascucci et al., 2022) where this project could contribute. The project aims to automatically extract images from the Atacama Large Millime ter/submillimeter Array (ALMA) Science Archive that indicates dust lifting from disks via the aforementioned winds, with the use of a Convolutional Neural Network (CNN). Additionally, the network should be flexible enough to be applied to other, similar problems. With the help of ALminer observations are fetched and then fed to the CNN to filter out objects of interest. Due to a low number of known observa tions that could possibly depict dust in the wind, images are augmented to produce sufficient training data. During training of the CNN, a portion of the training data is reserved for determining the accuracy of the network. Finally, it is applied to a part of the ALMA archive chosen through keywords and presents images it labels as positive. The methods mentioned led to an extraction of several observations. Prediction of labels was performed by the CNN with high accuracy and it can, with modification, act as a general model for other astronomical phenomena. In conclusion, a publicly available and free tool was created that can support researchers in their collection of data from the ALMA archive, minimizing manual labor and advancing the studies of the universe.
- PostIdentifiering av föregångare till stjärnor i det interstellära mediet. En utmaning inom digital bildanalys(2023) Erneman, Cecilia; Johansson, Marcus; Kiselman, Joakim; Pettersson , Marcus; Tykesson, Tage; Wooldridge, Ben; Chalmers tekniska högskola / Institutionen för rymd-, geo- och miljövetenskap; Chalmers University of Technology / Department of Space, Earth and Environment; Thomasson, Magnus; Kainulainen, JouniTäta kärnor är små områden i så kallade molekylmoln i det interstellära mediet som har en betydligt högre densitet än sin omgivning. Det första steget i bildandet av en stjärna är när en tät kärna börjar kollapsa under sin egen gravitation. I följande projekt har ett opublicerat dataset kallat PROMISE använts som är en kombination av data från Spitzer-telelskopet och Herschel-teleskopet. Syftet med följande projekt är att skapa ett bildanalytiskt verktyg som kan identifiera täta kärnor utifrån PROMISE-datan och skapa en katalog av dessa. I PROMISE-datan finns det även artefakter som ska identifieras och särskiljas från de täta kärnorna. Projektet har avgränsats till att använda sig av traditionella digitala bildanalysme toder. Programmet som skrivits är anpassat efter PROMISE-datan och kan därmed inte nödvändigtvis appliceras oförändrat på andra dataset. Det slutgiltiga programmet använder de bildanalytiska teknikerna oskarp maskering och wavelettransform med Haar som basfunktioner. Oskarp maskering utnyttjar an tingen en applicering av gaussisk utjämning eller ett lågpassfilter i frekvensdomänen där fouriertransform används. Som testmetod för att uppskatta de olika bildana lytiska metodernas säkerhet konstruerades artificiella kärnor och artefakter. Det undersöktes sedan hur många av dessa de olika metoderna kunde identifiera. Resultatet som tagits fram är en katalog bestående av 23 345 stycken identifierade täta kärnor samt deras position, massa och radie. Genom metoden med gaussisk utjämning identifieras 18 994 stycken täta kärnor, med wavelettransform identifie ras 4273 stycken täta kärnor och med fouriertransform identifieras 503 stycken täta kärnor. Endast 120 stycken täta kärnor identifierades av samtliga metoder. Meto den med gaussisk utjämning identifierade den största andelen artificiella kärnor på 82,8%. Metoden med fouriertransform identifierar den största andelen artificiella ar tefakter på 94,6%. Förändringar av programmets parametrar hade stor inverkan på resultatet. Utifrån resultatet kunde slutsatsen dras att de valda bildanalytiska verktygen läm par sig för att identifiera täta kärnor från PROMISE-datan. Samtliga bildanalys metoder gav i stor utsträckning ett tillförlitligt resultat. Oskarp maskering genom gaussisk utjämning gav det bästa resultatet i testmetoden och identifierade flest täta kärnor i datan.
- PostIdentifiering av nya stjärnors ursprung En bildanalystudie av data från Spitzerteleskopet(2023) Bergman, Johan; Johansson, Adam; Kula, Jan; Laessker, David; Ryd, Axel; Östling, Emrik; Chalmers tekniska högskola / Institutionen för rymd-, geo- och miljövetenskap; Chalmers University of Technology / Department of Space, Earth and Environment; Thomasson, Magnus; Kainulainen, JouniDenna kandidatuppsats behandlar ett av de mest grundläggande problemen inom astrofysik, hur stjärnor bildas. Förståelsen av stjärnbildning är avgörande för att få insikter i större frågor, så som hur galaxer och stjärnsystem bildas. Stjärnbild ningen sker när molekylära moln kollapsar. Projektets syfte är att analysera data över utstrålat infrarött ljus taget från Spitzerteleskopet för att hitta dessa moln. Datan är omfattande och skulle vara alldeles för tidskrävande att identifiera manu ellt. För att lösa detta problem har kod skrivits för att automatisera identifieringen av molekylära moln, genom att använda bildanalysmetoder som Fourierfiltrering, oskarp maskering och waveletfiltrering. Utöver detta har en maskininlärningsmodell använts för att hitta de infrarött mörka molnen. De olika bildanalysmetoderna har jämförts med varandra för att se vilken som ger bäst resultat. Maskininlärnings metoden utvärderades som att ha bäst prestanda. Kataloger av detekterade moln skapades för varje metod. Katalogen med medianmetoden hittade 25 786 moln, Fou riermetoden hittade 20 036 moln och katalogen med maskinlärningsmetoden hittade 13 505 moln. Maskinlärningsmodellen har högst uppskattad träffsäkerhet där 78,8 % av de detekterade områdena var moln. Detta jämförs med 59,7 % för medianmeto den och 56,5 % för Fouriermetoden. Dessa träffsäkerheter uppmättes från mindre, manuellt annoterade områden och används som uppskattningar av prestandan på hela datamängden. Keywords: image analysis, spitzer, interstellar medium, IRDC, CNN, YOLO, machi ne learning, Fourier background removal, milky way, GLIMPSE