HIDRODINAMICA Y ESTRUCTURA DE IONIZACION DE NEBULOSAS GASEOSAS

Bibcode
LINK
JOSE ANGEL RODRIGUEZ GASPAR
Director de tesis
Dr.
Guillermo Tenorio-Tagle
Tutor de tesis
Fecha de publicación:
6
1996
Descripción

LA TESIS PRESENTADA COMBINA ECUACIONES DE FOTOIONIZACION
E HIDRODINAMICOS PARA DETERMINAR LA ESTRUCTURA DE
NEBULOSAS IONIZADAS. EL CODIGO INCLUYE LA DEPENDENCIA
TEMPORAL DE DICHAS ECUACIONES, CON LO QUE ES POSIBLE
ESTUDIAR LA EVOLUCION DE LA NEBULOSA.

EL TRABAJO INCLUYE COMPARACIONES CON RESULTADOS PREVIOS
HASTA DONDE ES POSIBLE, LO QUE PERMITE ESTABLECER LA
VALIDADEZ DE LOS NUEVOS RESULTADOS, PRESENTADOS EN FORMA
DE DIAGRAMAS DE DIAGNOSTICO Y COCIENTES DE LINEAS.

POR TODO ELLO LA TESIS PRESENTADA CONSTITUYE UN TRABAJO
ORIGINAL, DE ALTO INTERES CIENTIFICO, Y CON PROMETEDORAS
POSIBILIDADES DE FUTURO.

Tipo
Tesis

Te puede interesar

  • Tesis
    IMPROVEMENT OF FARSIDE ACTIVITY DETECTION WITH MACHINE LEARNING TECHNIQUES AND APPLICATIONS
    Hasta ahora, la única formar de monitorizar de manera consistente el hemisferio del Sol no visible (farside de aquí en adelante) desde la Tierra es el uso de métodos heliosísmicos. Estos métodos interpretan las oscilaciones del hemisferio visible (nearside de aquí en adelante) para inferir la actividad del farside, que es de gran importancia en las
    Elena García Broock

    Fecha de publicación:

    2
    2024
    Bibcode
    Thesis
  • Tesis
    GALAXY FORMATION WITH GPU-ACCELERATED COMPUTING
    Esta tesis doctoral está dedicada al estudio de la formación y evolución de galaxias en un contexto cosmológico, aprovechando la potencia de la computación de alto rendimiento con un énfasis particular en la computación acelerada por tarjetas gráficas (GPU). Para avanzar en el campo, la tesis se enfoca en ampliar las capacidades del código público
    Isaac Alonso Asensio

    Fecha de publicación:

    11
    2023
    Bibcode
    Tesis
  • Tesis
    UNCOVERING THE PHYSICS OF GALAXIES WITH SELF-SUPERVISED DEEP LEARNING
    As surveys grow, the challenge is how to explore and interpret the increasing quantity of data. For this, removing the observational biases and reducing the dimensionality of the data are fundamental. A promising avenue to do this is a self-supervised deep learning algorithm called contrastive learning. Contrastive learning is especially effective
    Regina Sarmiento

    Fecha de publicación:

    12
    2023
    Bibcode
    Tesis