German Title: Action-basierte dynamische Modellierung für die Milchstraßenscheibe

Preview

PDF, English (PhD Thesis by Wilma Henriette Trick) - main document Download (52MB) | Terms of use

Abstract

Understanding the Milky Way’s present structure and assembly history constitutes a crucial constraint on galaxy formation and evolution theory. Galactic surveys like the Gaia mission provide high-precision measurements of positions, velocities, and chemical abundances of soon millions of stars in the Milky Way disk. Exploiting these high quality data requires sophisticated modeling tools.

This PhD thesis is dedicated to the development, characterization, and application of RoadMapping, a dynamical modeling machinery aiming to constrain the Galactic gravitational potential and chemo-orbital distribution function (DF) of the stellar disk. RoadMapping proceeds by modeling the observed discrete 6D phase-space positions of stellar mono-abundance populations (MAPs) by an axisymmetric parameterized potential model and an axisymmetric action-based orbit DF in a full-likelihood Bayesian framework. RoadMapping takes into account the survey’s selection function (SF) and measurement uncertainties. RoadMapping builds on previous work by Bovy & Rix (2013), Binney & McMillan (2011), and Binney (2012a).

The first part of this work was published as Trick et al. (2016a) and gives an overview of the RoadMapping machinery. Its characteristics are studied by analyzing a large suite of axisymmetric mock data sets. It is found that RoadMapping constraints on the gravitational potential are robust against minor imperfections in the knowledge of the optimal potential or DF model family, selection effects, or velocity measurement uncertainties, as long as the distance uncertainties of the stars are better than 10%.

The second part is based on Trick et al. (2017) and investigates RoadMapping in the presence of spiral arms by modeling data drawn from an N-body simulation snapshot of a disk-dominated galaxy with strong spiral arms by D'Onghia et al. (2013). This provides a realistic test scenario for RoadMapping to model non-axisymmetric data with axisymmetric models. It is found that RoadMapping always recovers a good average model for the gravitational forces at the location of the stars that entered the analysis.

The third part applies RoadMapping to real data in the Milky Way. It combines measurements by Gaia-TGAS (Lindegren et al. 2016), RAVE (Kunder et al. 2017), and RAVE-on (Casey et al. 2017). Red clump stars are selected and photometric distances are assigned to them following Bovy et al. (2014). A strategy is devised to setup an SF for this sample that can be used in RoadMapping. The sample consists of 16 MAPs in the low-alpha disk. All MAPs provide independent and consistent constraints on the Milky Way’s gravitational potential, measuring the disk scale length and circular velocity at the Sun to high precision, R_s,disk = 3.01 +/- 0.05 kpc and v_circ(R) = 231.4 +/- 0.7 km/s. The total surface mass density at the Sun that is recovered is, with Sigma_tot,1.1kpc = 98 +/- 3 M_sun/pc^2, larger than previous estimates in the literature, which is attributed, however, to the data.

Overall, RoadMapping is a well-tested and robust dynamical modeling machinery, whose preliminary and successful application to Gaia data promises new, precise, and reliable constraints on the Galactic gravitational potential in the near future.

Translation of abstract (German)

Die Struktur der Milchstraße ist ein wichtiges Indiz für die Theorie der Galaxienentstehung und -entwicklung. Durchmusterungen der Milchstraße wie die Gaia-Mission liefern Hochpräzisionsmessungen von Positionen, Geschwindigkeiten und atmosphärischen Parametern von bald Millionen von Sternen in der Galaktischen Scheibe. Diese Daten verlangen fortgeschrittene Modellierungstechniken.

Diese Doktorarbeit widmet sich der Entwicklung, Charakterisierung und Anwendung von RoadMapping, einer Dynamischen-Modellierungs-Methode zur Messung des Galaktischen Gravitationspotentials und der chemo-orbitalen Verteilungsfunktion (DF) der stellaren Scheibe. RoadMapping modelliert die individuellen 6D Phasenraum-Positionen von Subpopulationen - bestehend aus Sternen mit ähnlicher chemischer Zusammensetzung, sogenannte MAPs - mithilfe von achsensymmetrischen, parametrisierten Potentialmodellen und Action-basierten Orbit-DFs auf Basis von Bayes'scher Statistik. RoadMapping berücksichtigt außerdem Selektionseffekte und Messunsicherheiten. RoadMapping ist eine Weiterentwicklung basierend auf früheren Arbeiten von Bovy & Rix (2013), Binney & McMillan (2011) und Binney (2012a).

Der erste Teil dieser Arbeit wurde unter Trick et al. (2016a) publiziert und präsentiert die RoadMapping-Modellierungstechnik. Er charakterisiert die Methode mithilfe der Analyse eines großen Satzes von achsensymmetrischen Mockdaten. RoadMapping liefert Messungen des Gravitationspotentials, die robust sind, selbst wenn das Wissen bezüglich der optimalen Potential- oder DF-Familien, Selektionseffekten oder Messfehlern in den Geschwindigkeiten geringfügig fehlerhaft ist und solange die Entfernungsfehler der Sterne kleiner als 10% sind.

Der zweite Teil basiert auf Trick et al. (2017) und untersucht den Effekt von Spiralarmen auf die RoadMapping-Modellierung anhand der N-Body-Simulation einer Scheibengalaxie mit ausgeprägten Spiralarmen von D'Onghia et al. (2013). Dies ermöglicht ein realistisches Testszenario, bei dem achsensymmetrische Modelle an nicht-achsensymmetrische Daten angepasst werden. RoadMapping findet stets ein gutes Durchschnittsmodell für die Gravitationskräfte an den Positionen jener Sterne, die Teil der Analyse waren.

Der dritte Teil wendet RoadMapping auf echte Daten in der Milchstraße an. Wir kombinieren Messungen von Gaia-TGAS (Lindegren et al. 2016), RAVE (Kunder et al. 2017) und RAVE-on (Casey et al. 2017). Rote-Klumpen-Sterne werden selektiert und ihre photometrischen Entfernungen analog zu Bovy et al. (2014) bestimmt. Eine Strategie wird entwickelt, um eine Selektionsfunktion für diesen Datensatz zu erstellen, die in RoadMapping verwendet werden kann. Der Datensatz besteht aus 16 MAPs in der alpha-defizienten Milchstraßen-Scheibe. Alle MAPs erlauben unabhängige und miteinander konsistente Messungen des Gravitationspotentials, und bestimmen die Skalenlänge der Scheibe und die Kreisgeschwindigkeit an der Sonne mit hoher Genauigkeit zu R_s,disk = 3.01 +/- 0.05 kpc und v_circ(R) = 231.4 +/- 0.7 km/s. Die gemessene Gesamtmassenflächendichte an der Sonne ist mit Sigma_tot,1.1kpc = 98 +/- 3 M_sun/pc^2 wesentlich größer als frühere Messungen, was jedoch auf die Daten selbst zurückzuführen ist.

RoadMapping ist eine wohlerprobte und robuste Dynamische-Modellierungs-Methode, deren vorläufige und erfolgreiche Anwendung auf Gaia-Daten neue, genaue und verlässliche Messungen des Galaktischen Gravitationspotentials für die nahe Zukunft verspricht.