{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2958302"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2958302","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Data Analysis of Real Gravitational Wave Signals","abstract":"Η εξαγωγή των ιδιοτήτων των μελανών οπών και των αστέρων νετρονίων είναι ένας βασικός επιστημονικός στόχος της Αστρονομίας Βαρυτικών Κυμάτων. Για να εξαγάγουμε όσο το δυνατόν περισσότερες πληροφορίες από παρατηρήσεις βαρυτικών κυμάτων, πρέπει να αναπτύξουμε μεθόδους για τη μείωση του κόστους της Bayesian inference. Σε αυτήν την εργασία, παρουσιάζουμε τον τρόπο δημιουργίας ενός surrogate μοντέλου στο πεδίο του χρόνου για ένα συμπαγές διπλό σύστημα μελανών οπών (BBH) χωρίς σπιν. Χρησιμοποιώντας τις γνώσεις που αποκτήθηκαν από αυτήν την εργασία, στοχεύουμε στη συνέχεια στη δημιουργία ενός surrogate μοντέλου για την περιγραφή συμπαγών συστημάτων, που μαζί με τη χρήση τεχνητών νευρωνικών δικτύων (ANNs) και την αξιοποίηση των μονάδων επεξεργασίας γραφικών (GPU) αναμένεται να βελτιστοποιήσουν την μέθοδο surrogate modelling παράγοντας αρκετά πιο αποδοτικές υπολογιστικά, εκδόσεις των ήδη υπαρχόντων μοντέλων. Ερευνούμε έναν εκφυλισμό του χώρου παραμέτρων των σπιν που επιτρέπει να υποθέσουμε την ύπαρξη υποκείμενων δομών στους εμπειρικούς συντελεστές παρεμβολής (EIM). Η εισαγωγή μιας νέας παραμέτρου που χρησιμοποιείται για τη δειγματοληψία του χώρου παραμέτρων θα μειώσει κατ’ ουσίαν το πρόβλημα από 3D σε 2D, γεγονός το οποίο αναμένεται να βελτιώσει σημαντικά την υπολογιστική απόδοση και την χρηστικότητα των surrogate μοντέλων. Οι βελτιωμένες τεχνικές surrogate modelling με τη χρήση τεχνητών νευρωνικών δικτύων μπορούν να αυξήσουν δραστικά την υπολογιστική απόδοση της Bayesian εκτίμησης παραμέτρων και να αποδειχθούν εξαιρετικά χρήσιμες στη μελλοντική εποχή των γήινων, αλλά και διαστημικών ανιχνευτών (π.χ. LISA). Επιπλέον, δημιουργούμε ένα μοντέλο εκτίμησης παραμέτρων (PE) για την ανάκτηση της εναπομείνασας μάζας και σπιν ενός συμπαγούς συστήματος μελανών οπών που παρέχει ακρίβεια της τάξης 0,8% και 1% στην εξαγωγή των ζητούμενων παραμέτρων, αντίστοιχα. Τέλος, έχουμε λάβει κάποια πρώτα εμπειρικά αποτελέσματα όσον αφορά στους συντελεστές παραμετροποίησης ενός μοντέλου για την περιγραφή της φάσης της συγχώνευσης.","abstract_html":"Η εξαγωγή των ιδιοτήτων των μελανών οπών και των αστέρων νετρονίων είναι ένας βασικός επιστημονικός στόχος της Αστρονομίας Βαρυτικών Κυμάτων. Για να εξαγάγουμε όσο το δυνατόν περισσότερες πληροφορίες από παρατηρήσεις βαρυτικών κυμάτων, πρέπει να αναπτύξουμε μεθόδους για τη μείωση του κόστους της Bayesian inference. Σε αυτήν την εργασία, παρουσιάζουμε τον τρόπο δημιουργίας ενός surrogate μοντέλου στο πεδίο του χρόνου για ένα συμπαγές διπλό σύστημα μελανών οπών (BBH) χωρίς σπιν. Χρησιμοποιώντας τις γνώσεις που αποκτήθηκαν από αυτήν την εργασία, στοχεύουμε στη συνέχεια στη δημιουργία ενός surrogate μοντέλου για την περιγραφή συμπαγών συστημάτων, που μαζί με τη χρήση τεχνητών νευρωνικών δικτύων (ANNs) και την αξιοποίηση των μονάδων επεξεργασίας γραφικών (GPU) αναμένεται να βελτιστοποιήσουν την μέθοδο surrogate modelling παράγοντας αρκετά πιο αποδοτικές υπολογιστικά, εκδόσεις των ήδη υπαρχόντων μοντέλων. Ερευνούμε έναν εκφυλισμό του χώρου παραμέτρων των σπιν που επιτρέπει να υποθέσουμε την ύπαρξη υποκείμενων δομών στους εμπειρικούς συντελεστές παρεμβολής (EIM). Η εισαγωγή μιας νέας παραμέτρου που χρησιμοποιείται για τη δειγματοληψία του χώρου παραμέτρων θα μειώσει κατ’ ουσίαν το πρόβλημα από 3D σε 2D, γεγονός το οποίο αναμένεται να βελτιώσει σημαντικά την υπολογιστική απόδοση και την χρηστικότητα των surrogate μοντέλων. Οι βελτιωμένες τεχνικές surrogate modelling με τη χρήση τεχνητών νευρωνικών δικτύων μπορούν να αυξήσουν δραστικά την υπολογιστική απόδοση της Bayesian εκτίμησης παραμέτρων και να αποδειχθούν εξαιρετικά χρήσιμες στη μελλοντική εποχή των γήινων, αλλά και διαστημικών ανιχνευτών (π.χ. LISA). Επιπλέον, δημιουργούμε ένα μοντέλο εκτίμησης παραμέτρων (PE) για την ανάκτηση της εναπομείνασας μάζας και σπιν ενός συμπαγούς συστήματος μελανών οπών που παρέχει ακρίβεια της τάξης 0,8% και 1% στην εξαγωγή των ζητούμενων παραμέτρων, αντίστοιχα. Τέλος, έχουμε λάβει κάποια πρώτα εμπειρικά αποτελέσματα όσον αφορά στους συντελεστές παραμετροποίησης ενός μοντέλου για την περιγραφή της φάσης της συγχώνευσης.","abstract_has_math":false,"creators":["Θεοδωροπούλου Γεωργία","Theodoropoulou Georgia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:43:33Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2958302"],"render_values":[{"text":"uoadl:2958302","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2958302","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2958302","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2958302","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Θεοδωροπούλου Γεωργία","Theodoropoulou Georgia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2958302","https://pergamos.lib.uoa.gr/uoa/dl/object/2958302"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η εξαγωγή των ιδιοτήτων των μελανών οπών και των αστέρων νετρονίων είναι ένας βασικός επιστημονικός στόχος της Αστρονομίας Βαρυτικών Κυμάτων. Για να εξαγάγουμε όσο το δυνατόν περισσότερες πληροφορίες από παρατηρήσεις βαρυτικών κυμάτων, πρέπει να αναπτύξουμε μεθόδους για τη μείωση του κόστους της Bayesian inference. Σε αυτήν την εργασία, παρουσιάζουμε τον τρόπο δημιουργίας ενός surrogate μοντέλου στο πεδίο του χρόνου για ένα συμπαγές διπλό σύστημα μελανών οπών (BBH) χωρίς σπιν. Χρησιμοποιώντας τις γνώσεις που αποκτήθηκαν από αυτήν την εργασία, στοχεύουμε στη συνέχεια στη δημιουργία ενός surrogate μοντέλου για την περιγραφή συμπαγών συστημάτων, που μαζί με τη χρήση τεχνητών νευρωνικών δικτύων (ANNs) και την αξιοποίηση των μονάδων επεξεργασίας γραφικών (GPU) αναμένεται να βελτιστοποιήσουν την μέθοδο surrogate modelling παράγοντας αρκετά πιο αποδοτικές υπολογιστικά, εκδόσεις των ήδη υπαρχόντων μοντέλων. Ερευνούμε έναν εκφυλισμό του χώρου παραμέτρων των σπιν που επιτρέπει να υποθέσουμε την ύπαρξη υποκείμενων δομών στους εμπειρικούς συντελεστές παρεμβολής (EIM). Η εισαγωγή μιας νέας παραμέτρου που χρησιμοποιείται για τη δειγματοληψία του χώρου παραμέτρων θα μειώσει κατ’ ουσίαν το πρόβλημα από 3D σε 2D, γεγονός το οποίο αναμένεται να βελτιώσει σημαντικά την υπολογιστική απόδοση και την χρηστικότητα των surrogate μοντέλων. Οι βελτιωμένες τεχνικές surrogate modelling με τη χρήση τεχνητών νευρωνικών δικτύων μπορούν να αυξήσουν δραστικά την υπολογιστική απόδοση της Bayesian εκτίμησης παραμέτρων και να αποδειχθούν εξαιρετικά χρήσιμες στη μελλοντική εποχή των γήινων, αλλά και διαστημικών ανιχνευτών (π.χ. LISA). Επιπλέον, δημιουργούμε ένα μοντέλο εκτίμησης παραμέτρων (PE) για την ανάκτηση της εναπομείνασας μάζας και σπιν ενός συμπαγούς συστήματος μελανών οπών που παρέχει ακρίβεια της τάξης 0,8% και 1% στην εξαγωγή των ζητούμενων παραμέτρων, αντίστοιχα. Τέλος, έχουμε λάβει κάποια πρώτα εμπειρικά αποτελέσματα όσον αφορά στους συντελεστές παραμετροποίησης ενός μοντέλου για την περιγραφή της φάσης της συγχώνευσης.","Inferring the properties of black holes and neutron stars is a key science goal of gravitational-wave (GW) astronomy. To extract as much information as possible from GW observations we must develop methods to reduce the cost of Bayesian inference. In this work, we show how a time domain surrogate model is built for a non-spinning binary black hole (BBH) system . For a typical BBH waveform generated from 10Hz the original SEOBNRv4 model takes 1000 ms. Using the knowledge gained from this work we then aim to create a spinning BBH surrogate model which along with the use of artificial neural networks (ANNs) and the parallelisation power of graphics processing units (GPUs) is expected to improve the surrogate modelling method and produce greatly accelerated versions of existing models. We investigate a degeneracy of the spin parameter space allowing us to assume the existence of underlying structures in the empirical interpolation coefficients similar to previous results. Introducing a new parameter b used for the sampling of the parameter space will effectively downsize the 3D problem to a 2D problem, which we expect to greatly improve time efficiency. Improved surrogate modelling techniques with the utilization of ANNs can drastically further increase the computational efficiency of Bayesian parameter estimation and prove extremely useful in the future era of earth and space (LISA) based detectors. Lastly, we create a parameter estimation model for the recovery of remnant BBH system’s masses and spins which provides accuracy of the order 0.8% and 1% respectively. Finally, we have some initial promising results for the parametrization coefficients of a model for fitting the merger and ringdown phase of GW signals from compact body systems."]},{"key":"dc:title","label":"Title","values":["Data Analysis of Real Gravitational Wave Signals"]}]}],"canonical_facts":{"dc:creator":["Θεοδωροπούλου Γεωργία","Theodoropoulou Georgia"],"dc:date":["2021"],"dc:description":["Η εξαγωγή των ιδιοτήτων των μελανών οπών και των αστέρων νετρονίων είναι ένας βασικός επιστημονικός στόχος της Αστρονομίας Βαρυτικών Κυμάτων. Για να εξαγάγουμε όσο το δυνατόν περισσότερες πληροφορίες από παρατηρήσεις βαρυτικών κυμάτων, πρέπει να αναπτύξουμε μεθόδους για τη μείωση του κόστους της Bayesian inference. Σε αυτήν την εργασία, παρουσιάζουμε τον τρόπο δημιουργίας ενός surrogate μοντέλου στο πεδίο του χρόνου για ένα συμπαγές διπλό σύστημα μελανών οπών (BBH) χωρίς σπιν. Χρησιμοποιώντας τις γνώσεις που αποκτήθηκαν από αυτήν την εργασία, στοχεύουμε στη συνέχεια στη δημιουργία ενός surrogate μοντέλου για την περιγραφή συμπαγών συστημάτων, που μαζί με τη χρήση τεχνητών νευρωνικών δικτύων (ANNs) και την αξιοποίηση των μονάδων επεξεργασίας γραφικών (GPU) αναμένεται να βελτιστοποιήσουν την μέθοδο surrogate modelling παράγοντας αρκετά πιο αποδοτικές υπολογιστικά, εκδόσεις των ήδη υπαρχόντων μοντέλων. Ερευνούμε έναν εκφυλισμό του χώρου παραμέτρων των σπιν που επιτρέπει να υποθέσουμε την ύπαρξη υποκείμενων δομών στους εμπειρικούς συντελεστές παρεμβολής (EIM). Η εισαγωγή μιας νέας παραμέτρου που χρησιμοποιείται για τη δειγματοληψία του χώρου παραμέτρων θα μειώσει κατ’ ουσίαν το πρόβλημα από 3D σε 2D, γεγονός το οποίο αναμένεται να βελτιώσει σημαντικά την υπολογιστική απόδοση και την χρηστικότητα των surrogate μοντέλων. Οι βελτιωμένες τεχνικές surrogate modelling με τη χρήση τεχνητών νευρωνικών δικτύων μπορούν να αυξήσουν δραστικά την υπολογιστική απόδοση της Bayesian εκτίμησης παραμέτρων και να αποδειχθούν εξαιρετικά χρήσιμες στη μελλοντική εποχή των γήινων, αλλά και διαστημικών ανιχνευτών (π.χ. LISA). Επιπλέον, δημιουργούμε ένα μοντέλο εκτίμησης παραμέτρων (PE) για την ανάκτηση της εναπομείνασας μάζας και σπιν ενός συμπαγούς συστήματος μελανών οπών που παρέχει ακρίβεια της τάξης 0,8% και 1% στην εξαγωγή των ζητούμενων παραμέτρων, αντίστοιχα. Τέλος, έχουμε λάβει κάποια πρώτα εμπειρικά αποτελέσματα όσον αφορά στους συντελεστές παραμετροποίησης ενός μοντέλου για την περιγραφή της φάσης της συγχώνευσης.","Inferring the properties of black holes and neutron stars is a key science goal of gravitational-wave (GW) astronomy. To extract as much information as possible from GW observations we must develop methods to reduce the cost of Bayesian inference. In this work, we show how a time domain surrogate model is built for a non-spinning binary black hole (BBH) system . For a typical BBH waveform generated from 10Hz the original SEOBNRv4 model takes 1000 ms. Using the knowledge gained from this work we then aim to create a spinning BBH surrogate model which along with the use of artificial neural networks (ANNs) and the parallelisation power of graphics processing units (GPUs) is expected to improve the surrogate modelling method and produce greatly accelerated versions of existing models. We investigate a degeneracy of the spin parameter space allowing us to assume the existence of underlying structures in the empirical interpolation coefficients similar to previous results. Introducing a new parameter b used for the sampling of the parameter space will effectively downsize the 3D problem to a 2D problem, which we expect to greatly improve time efficiency. Improved surrogate modelling techniques with the utilization of ANNs can drastically further increase the computational efficiency of Bayesian parameter estimation and prove extremely useful in the future era of earth and space (LISA) based detectors. Lastly, we create a parameter estimation model for the recovery of remnant BBH system’s masses and spins which provides accuracy of the order 0.8% and 1% respectively. Finally, we have some initial promising results for the parametrization coefficients of a model for fitting the merger and ringdown phase of GW signals from compact body systems."],"dc:identifier":["uoadl:2958302","https://pergamos.lib.uoa.gr/uoa/dl/object/2958302"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Data Analysis of Real Gravitational Wave Signals"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:33Z"}