Grado obtenido: Magíster en Simulación Numérica y Control de la Universidad de Buenos Aires]]> Disciplina: Maestría en Simulación Numérica y Control]]> Fil: Cabrera Castro, Marcelo Alan. Universidad de Buenos Aires. Facultad de Ingeniería; Argentina.]]> Se han utilizado diversos algoritmos de machine learning para la estimación de la permeabilidad equivalente en medios porosos artificiales a partir de indicadores de conectividad que surgen de la configuración geométrica de los mencionados medios. Se ha elegido abordar el problema desde una perspectiva del análisis masivo de datos que ha alcanzado un impulso notable en el último tiempo. El esquema de trabajo consta de tres etapas: la primera de ellas es la generación de la información, mediante la creación de los medios porosos artificiales y posterior simulación numérica de flujo, todo dentro del entorno de computación de alto desempeño (HPC). La segunda etapa consiste en el análisis exploratorio de la información obtenida, tanto de los indicadores de conectividad de los medios generados aleatoriamente como del valor de permeabilidad efectiva hallado por simulación numérica de flujo. Finalmente, la utilización de algoritmos de regresión que vinculen a los mencionados indicadores de conectividad con los resultados de la simulación numérica.]]> Cabrera Castro, Marcelo Alan]]> Grado obtenido: Ingeniero/a Electrónico de la Universidad de Buenos Aires]]> Disciplina: Ingeniería Electrónica]]> Fil: Centofanti, Ezequiel Tomás. Universidad de Buenos Aires. Facultad de Ingeniería.]]> En astrofísica y cosmología, como en tantos otros dominios de la física, las próximas décadas traerán consigo nuevas generaciones de instrumentos extremadamente potentes, como el telescopio Euclid o el Nancy Grace Roman Space Telescope. Un modelo preciso de la función de dispersión de punto (PSF), caracterización de la respuesta impulsiva del sistema ´óptico, es un requisito fundamental para cumplir con los ambiciosos objetivos cient´ıficos actuales. El método WaveDiff es un modelo semiparamétrico, diferenciable, para la estimación de la PSF basada en observaciones (data driven). Este modelo, desarrollado en el laboratorio CosmoStat, reconstruye la PSF directamente en el espacio de frente de onda y está basado en un modelo óptico completamente diferenciable que incorpora el proceso físico que permite obtener la PSF en el espacio de píxeles a partir del error en el espacio de frente de onda (WFE, wavefront error), integrando la variación espectral de la PSF sobre el ancho de banda del telescopio en conjunto con la distribución espectral de energía (SED) de las estrellas observadas. En este trabajo se realiza un estudio de errores de predicción con respecto a las aberraciones presentes en las SED utilizadas. Se propone un método para mitigar el impacto de las degradaciones de las SED (integración espectral o binning y ruido en las mediciones fotométricas) sobre la optimización y predicciones del modelo. Se optimiza el método WaveDiff con datasets de diferentes tamaños con el fin de evaluar posibles beneficios gracias al incremento del número de observaciones, a costas de un aumento en el tiempo de cómputo y recursos de memoria. Finalmente, se propone un nuevo paradigma de optimización para el modelo semiparamétrico, el cual permite mejorar sustancialmente la optimización del modelo paramétrico, disminuyendo los errores de predicción tanto en el espacio de pixeles como en el espacio de frente de onda.]]> In astrophysics and cosmology, as in other areas of physics, the next decade will bring a new generation of extremely powerful instruments, such as Euclid or the Nancy Grace Roman Space Telescope. An accurate model of the point spread function (PSF), i.e., the instrumental response of the optical system, is a fundamental requirement to meet ambitious scientific goals. The WaveDiff model is a semi-parametric wavefront model for data-driven PSF estimation. This method, developed in the CosmoStat lab, builds the PSF model directly on the wavefront space and is based on a differentiable optical model that integrates the physical processes to go from a wavefront error (WFE) to a pixel-level PSF, integrating the wavelength dependency over the instrument bandwidth alongside the spectral energy distribution of observed stars (SED). In this work an error analysis of the model with respect to aberrations on the input SED data is carried out. A method is proposed to alleviate the impact of SED degradation (spectral binning and photometric measurements noise) on the model predictions. The WaveDiff model is optimised and put to test with different dataset sizes to consider the possible benefit of increasing the number of observations used. Finally, a new optimisation paradigm was proposed for the semiparametric model that allows to substantially improve the optimisation of the parametric model decreasing prediction errors both in wavefront and pixel space.]]> Centofanti, Ezequiel Tomás]]> Grado obtenido: Ingeniero/a Electrónico de la Universidad de Buenos Aires]]> Disciplina: Ingeniería Electrónica]]> Fil: Pérez Fogwill, Germán. Universidad de Buenos Aires. Facultad de Ingeniería]]> Calificación: 10 (Diez)]]> La formación de nuevas partículas (FNP) en la atmósfera es un fenómeno de gran importancia en el sistema climático de la Tierra. Para estudiar este fenómeno, se debe medir la concentración numérica de partículas de varios tamaños (incluso nanométricos) durante largos períodos de tiempo. Tradicionalmente, el análisis de los datos requiere una inspección visual manual de las observaciones siguiendo protocolos preestablecidos. Un paso crítico en este análisis es detectar los momentos en los que ocurrieron los eventos de FNP. El análisis manual de las mediciones hace que los resultados obtenidos sean fuertemente subjetivos, incluso si se siguen estrictamente los protocolos establecidos. Por lo tanto, los resultados obtenidos, como la frecuencia de ocurrencia de tales eventos, o la tasa promedio de formación de nuevas partículas, pueden ser muy variables. Para disminuir estas incertidumbres, se desarrollará una nueva metodología para automatizar la detección de los eventos de FNP. En este trabajo se presenta un sistema basado en Modelos Ocultos de Markov (MOM) para detectar automáticamente en largas series de datos los instantes donde ocurrieron eventos de FNP. Se mostrará que es posible construir un sistema de clasificación automático capaz de detectar eventos de FNP de forma objetiva, eficaz y con baja complejidad.]]> Pérez Fogwill, Germán]]>