Skip to content
Snippets Groups Projects
Select Git revision
  • master default protected
1 result
Compare History
Forked from LA-CoNGA Physics / Tareas Datos 2021-A
Source project has a limited visibility.
user avatar
authored
Name Last commit Last update
Data
Entrega
calibrationData
images
Modulo_Instrumentacion_Proyecto_EAS.ipynb
README.md
README.md

Detección de lluvias aéreas extensas

Proyecto final del Eje de Instrumentación de LA-CoNGA Physics

Estudiantes:

  • Jorge Perea (UIS, Colombia)
  • María Ramos (ULA, Venezuela)

Tutor:

  • Jesús Rodríguez (UIS, Colombia)

Generalidades del proyecto

Objetivo general:

Detectar y analizar las lluvias aéreas extensas que impactan a un detector de 1875 cm2 formado por paneles centelladores a 990 msnm.

Objetivos específicos:

  • Calcular el flujo estimado de muones para el sistema de 3 paneles centelladores a 990 msnm.
  • Calibrar el detector, hallando el umbral óptimo para la detección de lluvias aéreas extensas de acuerdo al flujo estimado.
  • Detectar las lluvias aéreas extensas y recopilar sus datos.
  • Determinar el flujo de las lluvias aéreas extensas utilizando los datos recolectados.
  • Determinar la dirección de las lluvias aéreas extensas.

Contenido del repositorio

Este repositorio contiene todo el material correspondiente a la entrega final del proyecto de Detección de lluvias aéreas extensas. Este material se organiza en:

  • El archivo README.
  • Un directorio de la entrega final: llamado Entrega, que contiene un Jupyter Notebook con todo el análisis de datos, el Reporte y al que se le añadirán las slides y el link del video de presentación.
  • Un directorio de imágenes: nombrado images, el cual posee las imágenes mostradas en el README, Notebook y Reporte.
  • Un directorio de datos de calibración: el cual fue llamado calibrationData, con los 11 archivos de datos de calibración para cada umbral de discriminación.
  • Un directorio de datos de EAS: de nombre Data, con 3 archivos de datos de lluvias aéreas extensas.

Introducción al fenómeno estudiado

Las lluvias aéreas extensas (o Extensive Air Showers, EAS) son cascadas de partículas originadas por la interacción de la atmósfera terrestre con los rayos cósmicos, los cuales están formados por partículas a altas energías provenientes de eventos astronómicos.

Los rayos cósmicos (o Cosmic Rays, CR) están compuestos principlamente por protones y núcleos atómicos, pero su colisión con las moléculas y átomos atmosféricos, origina nuevas partículas que a su vez pueden interactuar y decaer. Este fenómeno crea los rayos cósmicos secundarios, que en abundancia forman las EAS.

Entre las partículas de las EAS destacan los muones, los cuales son producidos por los decaimientos durante las cascadas. Los muones son leptones como el electrón pero de mayor masa, cuyo flujo a nivel del mar es de 1 muon por cm² por segundo y alcanzan el suelo con velocidades relativistas.
Sabiendo esto, es posible realizar experimentos de física de partículas utilizando muones atmosféricos y la instrumentación adecuada para su detección, incluyendo estudios indirectos de las EAS, solo considerando a los muones.

Setup experimental

Una forma para detectar muones provenientes de EAS es a través de paneles centelladoress y fotomultiplicadores. Este experimento consta de tres placas centelladoras en un arreglo de triángulo equilátero con separación de 32 cm entre los centros de los dtectores, en conjunto a fotomultiplicadores de silicio (SiPM). Un sistema de DAQ complementa el setup experimental para recibir las señales detectadas, interpretarlas y almacenarlas correctamente, utilizando tarjeta de polarización, digitalización, un GPS, y un computador.

Los archivos de datos

Los datos de calibración fueron recoletados en archivos de extensión .dat y tomados el 09/04/2021 durante los siguientes intervalos de tiempo (UTC), de aproximadamente 5 minutos cada uno:

  • calibration_50mV.dat: desde las 15:21:16.006 hasta las 15:26:49.000
  • calibration_75mV.dat: desde las 15:34:47.003 hasta las 15:39:48.013
  • calibration_100mV.dat: desde las 15:41:45.006 hasta las 15:46:56.000
  • calibration_125mV.dat: desde las 15:49:04.001 hasta las 15:53:28.002
  • calibration_150mV.dat: desde las 15:55:58.003 hasta las 16:00:21.013
  • calibration_175mV.dat: desde las 16:01:44.006 hasta las 16:06:34.008
  • calibration_200mV.dat: desde las 16:07:41.000 hasta las 16:12:45.002
  • calibration_225mV.dat: desde las 16:13:58.011 hasta las 16:19:02.013
  • calibration_250mV.dat: desde las 16:20:14.013 hasta las 16:25:04.015
  • calibration_275mV.dat: desde las 16:26:54.000 hasta las 16:31:56.002
  • calibration_300mV.dat: desde las 16:32:54.002 hasta las 16:37:59.012

Note que el número en cada nombre de archivo corresponde al umbral utilizado.

Los datos de EAS fueron recoletados en archivos de extensión .dat y tomados durante los siguientes intervalos de tiempo (UTC):

  • EAS_data_1.dat: desde las 23:11:58.000 del 09/04/2021 hasta las 00:11:35.015 del 10/04/2021;
  • EAS_data_2.dat: desde las 00:45:49.013 del 10/04/2021 hasta las 02:14:42.008 del 10/04/2021 y
  • EAS_data_3.dat: desde las 04:07:33.013 del 10/04/2021 hasta las 05:07:00.012 del 10/04/2021.

Si desea revisar los archivos, encontrará datos crudos organizados en líneas de datos formados por 16 palabras separadas por espacio, donde cada palabra puede contener letras, números o ambos. A su vez, un evento de detección de muones (datos de calibración) o de detección de lluvias puede contener más de una línea de datos. La tabla inferior muestra el significado de cada palabra, y si desea una explicación más extensa al respecto, consulte el Notebook.

El análisis de datos

El análisis de datos se llevó a cabo en su totalidad en Jupyter Notebooks, intercalando código escrito en Python 2.7.16 con celdas de Markdown para las explicaciones. El notebook final, el único almacenado en este repositorio, contiene todo el análisis.
Si desea correr el código, deberá tener instalado en su servidor los siguientes paquetes de Python, que son importados al comienzo del Notebook:

  • Matplotlib: para graficar datos.
  • Scipy: para fits de gráficas y cálculo de errores.
  • Numpy: para cálculos numéricos.
  • Pandas: para manipulación de datos en forma de Series y DataFrames.
  • Datetime: para manipulación de datos correspondientes a tiempo y fechas.

Los objetivos alcanzados en el análisis de datos son:

  • Calcular el flujo estimado de muones para el sistema de 3 paneles centelladores a 990 msnm.
  • Leer, interpretar y graficar los datos de calibración para hallar el umbral óptimo para la detección de lluvias aéreas extensas de acuerdo al flujo estimado.
  • Leer, interpretar y graficar los datos de lluvias aéreas extensas para:
    • Determinar el flujo de las lluvias aéreas extensas para cada conjuntos de datos.
    • Extraer tiempos de triggers de eventos EAS coherentes con una representación planar de los eventos EAS
    • Estimar, por consideraciones geométricas, la dirección de las lluvias aéreas extensas.

Conclusiones

Se estimó un flujo de 43 muones por segundo para el área de detección del experimento 1875cm^{2}, considerando su ubicación a 990 msnm. Considerando diferentes voltajes en el equipo, se encontró el umbral óptimo en 71 mV, pues el flujo de muones obtenido a este voltaje corresponde con el valor estimado.

Calibrando el sistema de detección para los 71 mV y en un tiempo total de tres horas y media, se recibieron 7736 datos, los cuales se agruparon en 1369 eventos de EAS por ser eventos de coincidencia temporal en milisegundos, obteniéndose una tasa promedio 6.56 eventos de EAS por minuto. A su vez, se observó un promedio un de 5.64 detecciones en cada segundo que una EAS fue detectada.

Finalmente, tras un análisis más profundo en nanosegundos para hallar los tiempos de subida y bajada de flancos, y los tiempos absolutos de detecciones, se concluyó que solo 73 eventos de EAS fueron compatibles con la representación geométrica planar de las EAS. Esta representación fue utilizada para estimar la dirección de las EAS detectadas, las cuales incidieron horizontalmente sobre el arreglo de detectores.

Se sugiere para próximos estudios mayor tiempo de recolección de datos; incorporar resultados de experimentos para hallar la incertidumbre del detector; intentar más métodos para abordar el cálculo de dirección de lluvias y distanciar los paneles centelladores.

Documentación

Sobre Python y las bibliotecas de Python utilizadas:

Python
Matplotlib
Scipy
Numpy
Pandas
Datetime

Referencias

[1] P. Sommers. Extensive air showers and measurement techniques. 2004.
https://doi.org/10.1016/j.crhy.2004.03.009

[2] R. Batista et al. Open Questions in Cosmic-Ray Research at Ultrahigh Energies. Front. Astron. Space Sci. 2019.
https://doi.org/10.3389/fspas.2019.00023

[3] Spurio, M. (2014). Particles and Astrophysics: A Multi-Messenger Approach (Astronomy and Astrophysics Library) (2015th ed.). Springer.
https://doi.org/10.1007/978-3-319-08051-2

[4] Grieder, P. K. F. (2010). Extensive Air Showers. Springer Publishing.
https://doi.org/10.1007/978-3-540-76941-5

[5] Jeff Rylander, T. Jordan, J. Paschke & Hans-Gerd Berns.QuarkNet Cosmic Ray Muon DetectorUser’s Manual Series “6000” DAQ, Version 1.1, 1-53, January 2010.

[6] Variation of cosmic ray flux as a function of elevation, Snowmass 2001 QuarkNet link