Lentes gravitacionais são uma ferramenta importante para uma variedade de,aplicações astrofísicas e cosmológicas. Em particular, arcos gravitacionais' produzidos por aglomerados de galáxias podem ser utilizados para investigar a distribuição central, de massa destes. Desta forma, eles podem fornecer informações indiretas sobre a cosmologia e a formação de estruturas. Sondagens futuras de grande campo com.excelente qualidade de imagem, como o Dark Energy Survey, fornecerão grandes amostras de sistemas de arcos gravitacionais, permitindo a realização de vários estudos estatísticos. Devido às grandes áreas, algoritmos de detecção e caracterização de arcos são absolutamente necessários. Além disso, é extremamente importante desenvolver métodos de pré-processamento de imagens que evidenciem estes objetos • de interesse em meio a outros objetos e à luz difusa das galáxias que estão à' sua volta. Neste trabalho apresentamos ferramentas relacionadas ao pré-processamento, simulação e caracterização de arcos gravitacionaià em imagens de aglomeradoS de galáxias. A primeira dessas ferramentas, chamada PAINTARCS, realiza simulações de objetos, com , morfologia de arcos, utilizando uma prescrição simples para a forma do arco, no qual esta é dada pela deformação de uma elipse sobre um segmento de arco de círculo, e os adiciona a imagens de aglomerados de galáxias. A segunda ferramenta, denominada ARCFITTING, utiliza a mesma expressão analítica que descreve os arcos no PAINTARCS para ajustar os parâmetros do arco a partir de uma imagem. Este método leva em conta a distribuição .de brilho dos arcos e foi desenvolvido para fornecer medidas mais robustas. Resultados do ARCFITTING mostram'que os arcos gerados pelo PAINTARCS são minimamente realistas para serem usados em simulações. Assim, uma importante aplicação dessas duas ferramentas e a simulação de arcos para os Data Challenges do Dark Energy Survey. A terceira ferramenta, chamada GALCLEAN, consiste em um método de pré-processamento de imagens de aglomerados de galáxias que subtrai de maneira automatizada a distribuição de brilho superficial das galáxias utilizando perfis de Sérsic. Esta ferramenta tem por objetivo evidenciar a eventual presença de arcos gravitacionais em meio a outros objetos da imagem. Para determinar a eficiência e o impacto do GALCLEAN realizamos um estudo sistemático da detectabilidade dos arcos em imagens simulàas de aglomerados de galáxias onde arcos com parâmetros conhecidos diferentes foram adicionados com o algOritmo PAINTARCS. Os resultados deste estudo indicam que o GALCLEAN apresenta um impacto maior na detectabilidade dos arcos para os casos de arcos de magnitudes mais tênues e aglomeradbs de alto desvio para o vermelho, embora introduza um grande número de detecções espúrias. O GALCLEAN também gera um catálogo com os parâmetros morfológicos e estruturais das galáxias subtraídas, que tem aplicações no estudo da estrutura e evolução das galáxias. Também apresentamos neste trabalho a sondagem de arcos gravItacionais SOAR Gravitational Arc Survey, um levantamento de 47 aglomerados de galáxias que tem como objetivo • de buscar novos sistemas de lentes gravitacionais e estudar a variação da eficiência do lenteamento forte em função do desvio para o vermelho do aglomerado, de forma a comparar os resultados com as expectativas teóricas. Os dados desta sondagem foram reduzidos e analisados. Identificamos nas imagens de 8 aglomerados, 16 candidatos a arco gravitacional. Estes resultados preliminares sugerem que 10% de aglomerados tem arcos, consistente com ' estudos anteriores da literatura. / Gravitational lensing is-an important tool for a variety of astrophysical and cosmological applications. In particular, gravitational ares produced by galaxy clusters can be used to investigate their central mass distribution. Therefore, they can provide indirect information about cosmology and structure formation. Wide field surveys with excellent image quality, such as the Dark Energy Survey, will provide large samples of gravitational arc systems, aliowing statistical studies. Due to thé large areal, automated algorithms for arc detectioh and characterization are absolutely necessary. Moreover, it is extremely important to develop meti ods for pre-processing images in order to enhance these objects of interest among other objects and. the difuse light of the gala,xies that surround thern. In this work we present tools related to pre-processing, simulation and characterization of gravitational ares in galaxy cluster images. The first tool, named PAINTARCS, simulates objects with arc morphology, using a sirnple prescription for the arc shape, which is given by the deformation of an ellipse into an are circle segment, and adds them to galaxy cluster images. The second tool, called ARcEITTING, uses the same analytical expression for arc shape as PAINTARcs to fit the arc parameters from an image. This rnethod takes into account the surface brightness distribution of ares and it was developed to provide more robust measurements. Results from ARGFITTING show that the ares created by PAINTARCS are minimally realistic to- be used in simulatiOns. Therefore, an important application of these tools is the simulation of ares for the Dark Energy Survey Data"Challen.ges. The third tool, .named GALCLEAN, consists in a method for pre-processing galaxy cluster images by subtracting the surface brightness distribution of galaxies in an automated way using Sérsic profiles. Gravitational lensing is-an important tool for a variety of astrophysical and cosmological applications. In particular, gravitational ares produced by galaxy clusters can be used to investigate their central mass distribution. Therefore, they can provide indirect information about cosmology and structure formation. Wide field surveys with excellent image quality, such as the Dark Energy Survey, will provide large samples of gravitational arc systems, aliowing statistical studies. Due to thé large areal, automated algorithms for arc detectioh and characterization are absolutely necessary. Moreover, it is extremely important to develop meti ods for pre-processing images in order to enhance these objects of interest among other objects and. the difuse light of the gala,xies that surround thern. In this work we present tools related to pre-processing, simulation and characterization of gravitational ares in galaxy cluster images. The first tool, named PAINTARCS, simulates objects with arc morphology, using a sirnple prescription for the arc shape, which is given by the deformation of an ellipse into an are circle segment, and adds them to galaxy cluster images. The second tool, called ARcEITTING, uses the same analytical expression for arc shape as PAINTARcs to fit the arc parameters from an image. This rnethod takes into account the surface brightness distribution of ares and it was developed to provide more robust measurements. Results from ARGFITTING show that the ares created by PAINTARCS are minimally realistic to- be used in simulatiOns. Therefore, an important application of these tools is the simulation of ares for the Dark Energy Survey Data"Challen.ges. The third tool, .named GALCLEAN, consists in a method for pre-processing galaxy cluster images by subtracting the surface brightness distribution of galaxies in an automated way using Sérsic profiles.

Orientador: Henry França Méier. / Co-orientador: Edelberto Luiz Reinehr. / Dissertação (mestrado) - Universidade Regional Blumenau, Centro de Ciências Tecnológicas, Programa de Pós-Graduação em Engenharia Química.

Orientador: Henry França Méier. / Co-orientador: António A. C. Barros. / Dissertação (mestrado) - Universidade Regional Blumenau, Centro de Ciências Tecnológicas, Programa de Pós-Graduação em Engenharia Química.

Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário da FEI, São Bernardo do Campo, 2015

Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário da FEI, São Bernardo do Campo, 2015

Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário da FEI, São Bernardo do Campo, 2015

Dissertação (Mestrado em Engenharia Mecânica) - Centro Universitário FEI, São Bernardo do Campo, 2015.

Modelo de blocos para teor é um recurso comumente utilizado pelo planejamento de lavra na indústria mineira. Na maioria dos casos o conhecimento sobre os teores das variáveis químicas não é suficiente para prever o desempenho geometalúrgico do minério quando submetido ao processo de concentração. A geometalurgia engloba um conjunto de testes de comportamento metalúrgico do minério e seus resultados são incorporados ao modelo de bloco, ajudando a tornar o planejamento da lavra mais preciso quanto à capacidade de produção, melhorando os ganhos financeiros e reduzindo os riscos associados à lavra e a tomada de decisões. A recuperação metalúrgica de nióbio mede o quanto do conteúdo metálico de interesse no minério é recuperado no concentrado após o processamento mineral. Esta informação é muitas vezes subutilizada no modelo de bloco devido à baixa quantidade de dados primários, o que dificulta a construção de um modelo de bloco confiável. No entanto, para complementar a variável de interesse, informações secundárias de outros atributos podem ser utilizadas. A cossimulacão de informações não aditivas em depósitos multivariados com mais de duas variáveis secundárias envolvidas é extremamente trabalhosa e normalmente seus resultados precisam ser ajustados posteriormente. A necessidade de ajustes posteriores, aliada a falta de praticidade da maioria dos métodos de cossimulação, motiva a busca por solucões alternativas que gerem resultados tão ou mais precisos e que sejam de fácil aplicação na rotina de modelamento geológico. É comum que os programas utilizados para a cossimulação se baseiem em uma única variável secundária, porém, o fenômeno analisado pode estar sendo influenciado por vários fatores, neste caso, o uso combinado de todos fatores relevantes pode melhorar a predição da variável de interesse. O uso de múltiplas variáveis secundárias pode ser gerenciado criando-se uma variável supersecundária. Neste caso, a quimiometria pode ser aplicada, resolvendo problemas preditivos e modelando propriedades de sistemas químicos visando prever a recuperação metalúrgica. Nesse trabalho, após a combinação de múltiplas variáveis em um preditivo supersecundário, a cossimulação sequencial gaussiana foi aplicada para gerar o modelo geometalúrgico. A simulação conjunta colocada permite a simulação conjunta do dado supersecundário com o dado primário, integrando mais informações para melhorar a predição da recuperação metalúrgica do nióbio. A cossimulação foi realizada com base no modelo de corregionalização de Markov para simplificar a modelagem da covariância cruzada. O modelo probabilístico geometalúrgico obtido se mostrou eficiente, mantendo uma precisão adequada na previsão da variável de interesse. / Grade block models are a standard input in mine planning throughout the mining industry. In most cases, the ore grades knowledge is not enough to predict the behavior of the ore at the processing plant. Geometallurgy comprises a set of ore metallurgical behavior tests and their results incorporated into the block model, helping in making mine planning more precise when it comes to the production capacity, improving financial earnings and reducing risks. Niobium Metallurgical Recovery is a very important variable to be controlled, measuring how much of the metal content in the ore is recovered in the concentrate after mineral processing. This information is often underused in the block model due to the low quantity of primary data, which makes the construction of a reliable block model difficult. However, to supplement the variable of interest, secondary information from other attributes can be used. Cosimulation of non-additive information in multivariate deposits with more than two secondary variables involved is extremely labor-intensive and its results usually need to be later adjusted. The need for subsequent adjustments, combined with the lack of practicality of most cossimulation methods, motivates the search for alternative solutions that generate results that are as accurate and easy to apply in the routine of geological modeling in the mineral industry. In multivariate geostatistics most programs used for cosimulation are based on one secondary variables. Frequently the analyzed phenomenon is influenced by several factors. In this case, the use of them combined can improve the prediction of the variable of interest. The use of multiple secondary variables can be managed by creating a super-secondary variable. In this case, chemometrics can be applied, solving predictive problems, modeling properties of chemical systems aiming at predicting the metallurgical recovery. After combining multiple variables into a super-secondary predictive, Sequential Gaussian Cosimulation was applied in this study to generate a geometallurgical model. The collocated joint simulation allows the joint simulation of a super-secondary data with the primary data, integrating more information to improve the cosimulation of the niobium metallurgical recovery. The cosimulation was run based on the Markov coregionalization model to simplify the cross-covariance modeling. The result is a representative probabilistic geometallurgical model, which proved to be efficient maintaining an adequate precision in forecasting the predicted variable.

Estágio realizado na Riopele - Têxteis, S. A. e orientado pelo Eng.º Joaquim Vieira / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores (Major Automação). Faculdade de Engenharia. Universidade do Porto. 2009

Estágio realizado na RAR Açúcar e orientado pelo Eng.º José Manuel Chorão / Tese de mestrado integrado. Engenharia Químical. Faculdade de Engenharia. Universidade do Porto. 2010