MARC

 008260126s2024        us                              c    eng  d
■001000017360589
■00520260202105551
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265401182
■035    ▼a(MiAaPQ)AAI32315724
■035    ▼a(MiAaPQ)GeorgiaTech75735
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a523.2
■1001  ▼aChen,  Chen.
■24510▼aDynamics  and  Observational  Implication  of  Close-In  Exoplanets
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a88  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Li,  Gongjie.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aWith  more  than  five  thousand  exoplanets  discovered,  it  unveiled  significantly  diverse  orbital  configurations,  contrasting  with  those  in  our  Solar  Systems  and  confronting  classical  understanding  of  planet  formation.  For  instance,  the  prevalence  of  observed  close-in  exoplanets  that  lie  within  the  orbit  of  Mercury  up  to  ~0.01  AU  brings  up  questions  about  their  formation,  as  their  current  orbit  distances  can  be  within  or  close  to  the  dust  sublimation  zone.  These  planets  could  initially  formed  at  a  further  distance,  and  then  migrate  inward.  However,  why  and  how  the  configuration  of  these  close-in  systems  differs  from  the  Solar  System  is  still  puzzling.  Investigating  their  dynamical  and  physical  properties  can  help  us  gain  deeper  insights  into  the  planetary  system  formation  and  evolution  beyond  the  Solar  System  and  better  understand  their  habitability.  Under  this  context,  this  thesis  presents  the  characterization  of  the  dynamics  and  the  identification  of  the  physical  properties  for  close-in  systems.In  the  first  work,  I  focused  on  the  dynamics  of  ultra-short-period  planet  (USP),  which  is  defined  as  the  planet  orbiting  its  host  star  shorter  than  one  day.  The  USPs  orbit  in  close  proximity  to  their  stars  within  the  sublimation  zone.  This  extreme  object  typically  has  a  larger  period  ratio  and  higher  mutual  inclination  with  its  outer  companion,  comparing  to  other  systems  without  it.  To  characterize  the  dynamics  of  USP  systems,  I  utilized  secular  simulations  and  developed  an  analytical  method  to  investigate  the  mutual  inclination  evolution  of  the  USP  system.  The  stellar  oblateness  (J2)  plays  an  important  role  in  the  dynamics.  It  can  excite  the  mutual  inclination  between  planets  by  precessing  their  orbital  angular  momentum  at  different  rates,  and  it  decreases  with  time  due  to  magnetic  braking.  Therefore,  we  focused  on  the  dynamical  effects  of  J2.  I  successfully  identified  the  formation  channel  of  the  Kepler-653  system  with  different  initial  conditions.  The  result  suggests  that  either  USP  planets  formed  early  and  needed  significant  inclinations  or  they  formed  late  when  their  host  stars  rotated  slower  (smaller  J2).In  the  second  work,  I  characterized  the  physical  properties  of  the  close-in  planets  by  employing  deep  learning  techniques  to  predict  the  parameters  of  exoplanets.  Most  planets  are  discovered  from  transit  method  without  the  measurement  of  their  masses.  However,  mass  is  important  to  better  understand  the  composition  and  formation  mechanism  of  planets.  One  way  to  determine  the  mass  is  through  transit  timing  variation  (TTV).The  TTV  encodes  rich  dynamical  information  as  it  is  contributed  by  perturbations  from  planets,  and  provide  a  powerful  method  to  estimate  planetary  masses  and  orbital  parameters.  The  traditional  Markov  Chain  Monte  Carlo  (MCMC)  method  incorporates  TTV  to  predict  the  planetary  properties,  however,  MCMC  is  computationally  expensive,  and  highly  sensitive  to  the  prior  distribution.  Especially,  when  the  system  is  with  only  one  planet  transit,  the  properties  of  non-transit  planet  are  even  harder  to  obtain.  Deep  learning  techniques  are  able  to  tackle  these  challenges.  It  can  predict  the  exact  values  of  the  properties,  and  there  is  no  need  to  consider  the  specific  prior  distribution.  Therefore,  I  designed  a  deep  learning  model  to  determine  the  orbital  parameters  and  mass  of  non-transit  planet  with  transit  information  as  input,  focusing  on  single  transit  planetary  system.  The  deep  learning  model  I  trained  gives  an  overall  fractional  error  of  ~1%  on  the  predictions  of  the  testing  set.  I  also  utilized  the  model  to  make  predictions  on  the  real  system,  Kepler-88.  This  work  can  contribute  to  the  design  of  observational  missions  aiming  to  search  companions  of  single  transiting  systems.
■590    ▼aSchool  code:  0078.
■650  4▼aSolar  system
■650  4▼aDeep  learning
■650  4▼aPhysical  properties
■650  4▼aDwarf  stars
■650  4▼aMoon
■650  4▼aPlanetary  systems
■650  4▼aAstronomy
■690    ▼a0800
■690    ▼a0606
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360589▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books