基于新机器学习方法研究疏散星团的恒星成员、密度轮廓与质量 segrega
星系天体物理
2023-05-30 v1
摘要
结合DBSCAN与GMM两种无监督机器学习算法，基于Gaia DR3数据，对M38、NGC2099、Coma Ber、NGC752、M67、NGC2243、Alessi01、Bochum04、M34、M35、M41和M48这十二个疏散星团寻找高概率成员。这些星团具有不同的年龄、距离与成员数量，从而对上述参数情形提供了合适的覆盖以分析该方法。我们分别识别出M38、NGC2099、Coma Ber、NGC752、M67、NGC2243、Alessi01、Bochum04、M34、M35、M41和M48中概率高于0.8的可能与潜在成员共752、1725、116、269、1422、936、43、38、743、1114、783和452颗。此外，我们获得了十个星团的潮汐半径、核半径以及明确的质量分馏证据。通过检验星团的高质量颜色-星等图，我们在NGC752、Coma Ber和M67中各发现一颗白矮星。在年轻疏散星团M38中，我们发现所有成员均位于潮汐半径内，而在较老星团中我们发现部分成员位于潮汐半径外，表明年轻疏散星团尚来不及形成清晰的潮汐尾。可见质量分馏在较老星团中的发生速率高于年轻星团。
引用
@article{arxiv.2305.17728,
title = {The membership of stars, density profile and mass segregation in open clusters using a new machine learning-based method},
author = {Mohammad Noormohammadi and Mehdi Khakian Ghomi and Hossein Haghi},
journal= {arXiv preprint arXiv:2305.17728},
year = {2023}
}
备注
26 Pages, 18 Figures, accepted by MNRAS