کسر باینری نزدیک به عنوان تابعی از پارامترهای ستاره ای در Apogee: یک ضد همبستگی قوی با فراوانی α

Christine N Mazzola ، Carles Badenes ، Maxwell Moe ، Sergey E Koposov ، Marina Kounkel ، Kaitlin Kratter ، Kevin Covey ، Matthew G Walker ، Todd A Thompson ، Brett Andrews ، Peter E Freeman ، Borja Anguiano ، Joleen K Carlerberg ، Nathan M de Leeپیتر م فرینچابوی ، هانا م لوئیس ، استیون ماووسکی ، دیوید نیدور ، مسیحی نیتشلم ، آدریان م پرایس-ویلی ، الكساندر رومن-لوپس ، كیوان ج استاسون ، نیكلاس w گروه ، كسر باینری نزدیك به عنوان كاری از پارامترهای ستاره ای در apogee: aضد همبستگی قوی با فراوانی α ، اعلامیه های ماهانه انجمن نجوم سلطنتی ، جلد 499 ، شماره 2 ، دسامبر 2020 ، صفحات 1607–1626 ، https://doi. org/10. 1093/mnras/staa2859

چکیده

ما برای بررسی رابطه بین پارامترهای ستاره ای و تعدد ، از مشاهدات از بررسی آزمایش تکامل Galactic Apache Point Point (APOGEE) استفاده می کنیم. ما طیف سنجی تکرار با وضوح بالا را برای 41 363 کوتوله و زیرزمین ستاره با اندازه گیری فراوانی از خط لوله آپوژ و مسافت ها و پارامترهای ستاره ای به دست آمده با استفاده از پارالاکس های Gaia dr2 از سندرز و DAS برای شناسایی و توصیف چند برابر با دوره های زیر 30 سال ، مربوط به δRV ترکیب می کنیم._حداکثر≳ 3 کیلومتر S −1 ، که در آن ΔRV_حداکثرحداکثر تغییر آپوگی در سرعت شعاعی است. ترکیب شیمیایی مسئولیت بیشتر تغییرات در بخش باینری نزدیک در نمونه ما است که پارامترهای ستاره ای مانند جرم و سن نقش ثانویه ایفا می کند. علاوه بر ضد همبستگی قوی قبلاً مشخص شده بین کسری باینری نزدیک و [Fe/H] ، می فهمیم که فراوانی زیاد عناصر α نیز در اکثر مقادیر [Fe/H] نمونه برداری شده توسط Apogee ، تعدد را سرکوب می کند. ضد همبستگی بین فراوانی α و تعدد قابل ملاحظه ای نسبت به آنچه برای آهن مشاهده شده است ، نشان می دهد که C ، O و Si به شکل گرد و غبار و ICE ها بر کدورت دیسک های پروتئین اولیه و تمایل آنها برای تکه تکه شدن از طریق ثبات گرانشی حاکم هستند. نزدیک [fe/h] = 0 dex ، کسری باینری نزدیک تعصب اصلاح شده (a< 10 au) decreases from ≈100 per cent at [α/H] = −0.2 dex to ≈15 per cent near [α/H] = 0.08 dex, with a suggestive turn-up to ≈20 per cent near [α/H] = 0.2. We conclude that the relationship between stellar multiplicity and chemical composition for sun-like dwarf stars in the field of the Milky Way is complex, and that this complexity should be accounted for in future studies of interacting binaries.

1. مقدمه

توصیف دقیق تعدد ستارگان یک اولویت کلیدی در اخترفیزیک ستارگان است. دوتایی‌های متقابل، که به‌عنوان آن‌هایی تعریف می‌شوند که به اندازه کافی نزدیک هستند تا جرم را منتقل کنند و انحرافات قابل‌توجهی از تکامل تک ستاره را تجربه کنند، مسئول مجموعه وسیعی از پدیده‌ها در نجوم حوزه زمان هستند. اینها شامل، اما نه محدود به، متغیرهای فاجعه‌آمیز، نواها، همه نوع Ia و بسیاری از ابرنواخترهای فروپاشی هسته، باینری‌های پرتو ایکس با جرم بالا و پایین، و اکثر منابع امواج گرانشی در باندهای عبور LIGO و LISA (براییک بررسی، De Marco & Izzard 2017 را ببینید). سرعت شکل‌گیری این منابع در انواع جمعیت‌های ستاره‌ای با شرایط اولیه برای تعدد ستاره‌ها تعیین می‌شود: کسر تعدد، و توزیع دوره‌ها، نسبت‌های جرمی و خروج از مرکز. اکنون واضح است که این آمارهای اساسی تعدد ستارگان، توابع قوی از ویژگی‌های ستاره‌ای مانند جرم و ترکیب هستند و مستقل از یکدیگر نیستند (برای بررسی به Duchêne & Kraus 2013؛ Moe & Di Stefano 2017 مراجعه کنید). این درک زمینه را برای مشکل رصدی چالش برانگیز شناسایی و مشخص کردن همه همبستگی های مربوطه بین ویژگی های ستاره و آمار کثرت در این زمینه فراهم می کند.

خوشبختانه، بررسی‌های طیف‌سنجی مدرن برای این کار مناسب هستند. آزمایش تکامل کهکشانی رصدخانه Apache Point 2 (APOGEE-2؛ Majewski et al. 2017)، یکی از بررسی های تشکیل دهنده در چهارمین قسمت از بررسی آسمان دیجیتال اسلون (SDSS-IV؛ گان و همکاران 2006؛ بلانتون و همکاران. 2017)، داده های چند دوره ای را برای 437 485 ستاره با طیف نگار مادون قرمز چندگانه با وضوح بالا (R ~ 22 500) به عنوان بخشی از انتشار داده 16 (DR16) جمع آوری کرد (Wilson et al. 2019). این جامع ترین نمونه از ترکیبات دقیق ستارگان راه شیری تا به امروز است. پارامتر ستاره‌ای APOGEE و خط لوله فراوانی شیمیایی (ASPCAP؛ گارسیا پرز و همکاران 2016؛ جانسون و همکاران 2020) پارامترهای ستاره‌ای قابل اعتماد را برای هر یک از این ستارگان اندازه‌گیری کرده است، از جمله فراوانی کالیبره‌شده تا 20 عنصر شعاعی یا بیشتر. سرعت (RVs؛ Nidever و همکاران 2015) برای هر طیف بازدید فردی. بادنز و همکاران با استفاده از مولفه حوزه زمان نظرسنجی.(2018) یک ضد همبستگی قوی بین کسر تعدد در دوره های کوتاه و فلزی بودن ستاره در DR13 APOGEE شناسایی کرد (Albareti و همکاران 2017) - همچنین به گرتر و لاینیوور (2007)، راغوان و همکاران مراجعه کنید.(2010)، گائو و همکاران.(2014، 2017)، یوان و همکاران.(2015)، البدری و ریکس (2018)، البادری و همکاران.(2018b)، پاولاک و همکاران.(2019)، لیو (2019)، پرایس ویلان و همکاران.(2020) و میگلیو و همکاران.(2020). تجزیه و تحلیل بیشتر توسط Moe, Kratter & Badenes (2019) نشان داد که کوتوله های فقیر از فلز ([Fe/H] ~1-1 dex) مشاهده شده توسط APOGEE تقریباً 4 برابر بیشتر احتمال دارد که دوره کوتاهی داشته باشند (P≲ 30 سال یاa ≲ 10 au) همراهان دوتایی نسبت به کوتوله‌های غنی از فلز ([Fe/H] ~ 0. 5 dex)، و این روند احتمالاً به فلزات پایین‌تر مشخصه ستاره‌های هاله گسترش می‌یابد. این ضد همبستگی اکنون با استفاده از تعداد زیادی از منحنی‌های RV با نمونه‌برداری پراکنده (Gao et al. 2014، 2017؛ Badenes et al. 2018; Price-Whelan et al. 2020)، تعداد کمتری از سیستم‌ها با دوره‌های مداری شناخته شده (از هر دو) به طور محکم ایجاد شده است. راه‌حل‌های مداری کامل و کسوف؛ مو و همکاران 2019)، و دوتایی‌های متداول-مناسب حرکتی با جداسازی پیش‌بینی‌شده اندازه‌گیری شده توسط گایا (El-Badry & Rix 2018). این پیامدهای عمیقی برای نرخ تعامل باینری ها در جهان دارد (به عنوان مثال، Paczynski 1971; Iben & Tutukov 1984; Suda et al. 2013; de Mink & Belczynski 2015; De Marco & Izzard 2017; Price-Whelanway 2017; Price-Whelanway.، Eldridge & Chrimes 2020) و برای فیزیک تشکیل ستاره و تکه تکه شدن دیسک (به عنوان مثال.

عارضه

بزرگی ، ما از مقدار a استفاده کردیم

اتخاذ شده برای اهداف هدفمند (AK_TARG ؛ Zasowski و همکاران 2013 ، 2017).

برای هر ترکیبی از شناسه شناسه/مکان آپوگی ، بازدیدهای فردی را از پرونده Allvisit که در طیف آپوگی ترکیبی آن گنجانده شده بود ، شناسایی کردیم (شاخص های Visits_PK ؛ Holtzman و همکاران 2015 ؛ Nidever و همکاران 2015). ما یک برش با کیفیت اضافی را تحمیل کردیم که به دو یا چند مورد از این بازدیدها نیاز داشتیم تا یک S/N ≥ 40 داشته باشند. اگر یک ستاره دارای شناسه های کپی آپوگی بود ، همه RV های قابل قبول از زمینه های مختلف پلاگین آن به هم پیوسته بودند. این بدان معناست که اشیاء با حداقل یک بازدید قابل قبول در دو یا چند قسمت می توانند گنجانده شوند. برای این ستاره ها ، ما به طور متوسط هر پارامترهای ستاره ای کپی با مقادیر معتبر از خط لوله را به طور متوسط انجام دادیم._{هر دو خط لوله کاهش داده Apogee (Nidever و همکاران 2015) و ASPCAP (گارسیا پرز و همکاران 2016) فرض می کنند که هر منبع را می توان با یک طیف ستاره ای واحد مدل کرد. همراهان ستاره ای در محدوده نسبت جرم q = m}/ م_sکه می تواند سهم قابل توجهی در شار مشاهده شده (باینری های طیف سنجی دو لایه یا SB2) داشته باشد ، بنابراین می تواند تعصبات را در متناسب با طیفی معرفی کند. به El-Badry و همکاران مراجعه کنید.(2018a) برای بحث. برای شناسایی این ستاره ها ، ما توابع همبستگی متقابل Apogee (CCFS) را به دنبال روش شرح داده شده در Kounkel و همکاران بررسی کردیم.(2019). دو رویکرد در نظر گرفته شد: با استفاده از CCF هایی که Apogee در نسخه های داده خود به طور بومی فراهم می کند ، و محاسبه مجدد CCF ها با تطبیق متقاطع طیف ها با طیف مصنوعی فونیکس با استفاده از پارامترهای RV_TEFF و RV_LOGG گزارش شده. در بیشتر موارد ، تجزیه و تحلیل چند مؤلفه از CCF در همان منابع ، با RV های قابل مقایسه رخ داده است. به این ترتیب ، ما 3656 SB2 احتمالاً در Apogee DR14 را شناسایی کردیم ، که 1512 در نمونه کیفیت ما بودند. از CCFS برای این ستاره ها ، ما RV از بالاترین قله را در هر دوره تعیین کردیم و از این به عنوان یک تخمین مطمئن تر برای RV اولیه فوتومتری استفاده کردیم. پس از استفاده از کاهش کیفیت ، ما با 1495 SB2 به احتمال زیاد باقی مانده بودیم که در نمونه خود با پارامترهای طیفی از Apogee/AspCap و RV از تجزیه و تحلیل CCF خود را در نمونه خود نگه داشتیم. جزئیات مربوط به جداول قابل بارگیری این SB2 در پیوست C موجود است._Kدر یک مرحله آخر ، ما نمونه خود را به ورود به سیستم (g /cm s −2) ≥ 3. 25 ، [Fe /H] ≥ -1. 0 DEX محدود کردیم. این برش ساده در ورود به سیستم (g) صرفاً کوتوله ها را انتخاب نمی کند ، اما برای اهداف ما در از بین بردن بیشتر ستاره ها در شاخه غول قرمز کافی است. ما همچنین یک نیاز اضافی از مقادیر قابل قبول (≠ -9999) را برای [α/Fe] ، [α/H] ، [O/H] ، [Mg/H] و [Si/H] تحمیل کردیم. این ما را با 41 363 هدف منحصر به فرد Apogee ترک کرد ، 1278 از آنها به عنوان SB2 مشخص شد و 3896 (131 SB2 ، 3765 غیر SB2) دارای ورودی های تکراری بودند و بنابراین پارامترهای ستاره ای آنها به طور متوسط انجام شد. کسری از SB2s در این نمونه 1278/41 363 = 0. 1 ± 3/3 درصد است ، مطابق با مقدار 0. 2 درصد 2. 8 درصد اندازه گیری شده در اشیاء ستاره ای جوان توسط Kounkel و همکاران.(2019).

بر خلاف Kounkel و همکاران.(2019) ، که در درجه اول روی اشیاء ستاره ای جوان متمرکز شده است ، بیشتر منابع تجزیه شده به عنوان SB2 در این کار ، ستاره های توالی اصلی هستند و CCF آنها به دلیل لکه های ستاره تحت تأثیر تنوع قرار نمی گیرند. بنابراین ، می توان با اطمینان از منابع با کیفیت 3 علاوه بر 4 در لیست SB2 های احتمالی ، به طور قابل اعتماد درج کرد (برای توضیح این پرچم ها به جدول 5 و بخش 4. 1 در Kounkel و همکاران (2019) مراجعه کنید. بنابراین ، ما احتیاط می کنیمدر برابر مقایسه کورکورانه این بخش ها. El-Badry et al. (2018b) از یک روش پیشرفته تر بر اساس پین (Ting et al. 2019) استفاده کرد ، برای شناسایی SB2 از تغییرات RV در بین ستاره های کوتوله در Apogee DR12. این روش 663/20 142 = 0. 1 ± 3/3 درصد است که با نتایج ما سازگار است. این نویسندگان همچنین SB2 را با ساخت متناسب با طیفی چند جزء پیدا کردند و بخش SB2 بالاتر از 2645/20 142 = 0. 2 ± 0. 2 درصد. با این حال ، بسیاری از سیستمهای مشخص شده توسط این روش دارای تغییر RV کوچک یا ناچیز بودند و بنابراین این کسر SB2 بالاتر برای مقایسه با آنچه در نمونه انتخاب شده RV ما اندازه گیری می کنیم ، دشوار است.

پانل سمت چپ: یک نمودار HR برای نمونه ما با Apogee DR14 tlibrated t₂عارضه₁و اندازه مطلق 2mass J ، با استفاده از تخمین فاصله Sanders & Das (2018) محاسبه شده است. نقاط خاکستری برای نمونه اصلی ما است و آبی تیره برای اشیاء است که به عنوان SB2 به احتمال زیاد مشخص می شوند. خطوط رنگی آهنگ های ایزوکرون غبار برای τ = 8 gyr و فلزات مختلف هستند. پانل سمت راست: همان نمودار HR اما با یک رنگ در ΔRV

حداکثر

وادامتیاز با ΔRV

حداکثر_{هر دو خط لوله کاهش داده Apogee (Nidever و همکاران 2015) و ASPCAP (گارسیا پرز و همکاران 2016) فرض می کنند که هر منبع را می توان با یک طیف ستاره ای واحد مدل کرد. همراهان ستاره ای در محدوده نسبت جرم q = m}3 نتیجه_حداکثرحداکثر_حداکثربه دنبال Badenes & Maoz (2012)، Maoz et al.(2012) و بادنس و همکاران.(2018)، ما از ΔRV استفاده می کنیم

حداکثر

به عنوان یک رقم شایستگی برای ارزیابی منحنی های RV نمونه برداری پراکنده از APOGEE. بیشتر (42. 9 درصد) از ستارگان نمونه ما سه بازدید داشته اند که 36. 4 درصد دو بازدید داشته اند و بقیه چهار یا بیشتر داشته اند. در حالی که این برای تعریف یک راه حل کامل مداری برای اکثر ستارگان کافی نیست (برای بحث به Price-Whelan و همکاران 2018، 2020 مراجعه کنید)، مقادیر ΔRV_حداکثربالاتر از یک آستانه مشخص می تواند به طور ایمن تعداد زیادی از باینری های دوره کوتاه را شناسایی کند. در شکل 2، توزیع ΔRV را نشان می دهیم

حداکثر_حداکثرحداکثر_حداکثرحداکثر_حداکثرحداکثر_حداکثرحداکثر_حداکثرحداکثر_حداکثرتوزیع نرمال ΔRV_حداکثربرای دو جعبه با N ~ 2000 در فضای [Fe/H]-[Mg/H] از شکل 4. ΔRV_حداکثرآستانه از Moe و همکاران.(2019)، بادنس و همکاران.(2018)، و این اثر به صورت خطوط چین نشان داده شده است.

ما اصلاحات کامل بودن را در این ΔRV تخمین می زنیم_حداکثرتوزیع‌ها با نمونه‌گر مونت کارلو مشابه نمونه‌ای که توسط Moe و همکاران استفاده می‌شود.(2019). نمونه‌گر ما جمعیتی از سیستم‌های N را شبیه‌سازی می‌کند، با کسری از سیستم‌ها در باینری‌ها توسط یک پارامتر آزاد به نام کسر تعدد f تعیین می‌شود._حداکثر= 0. 5. به هر ستاره log اختصاص داده شده است (g/cm s-2) = 4. 25، مقدار متوسط برای نمونه ما، که مربوط به دوره بحرانی سرریز روچه لوب P است.

کریت_حداکثرباینری با q = 1. جرم اولیه M به طور تصادفی از توزیع تخمین جرم Sanders & Das (2018) برای نمونه ما (نشان داده شده در پانل مورب دوم شکل 4) گرفته شده است. برای نسبت جرم q، یک توزیع مسطح با کسر اضافی دوقلو 25 درصد برای سیستم هایی با 0. 95 ≤ q ≤ 1. 0 فرض می کنیم (Moe & Di Stefano 2017). خطاهای RV از توزیع t Student (scipy. stats. t) با درجه آزادی 3. 5، مکان 0 و مقیاس 0. 25 استخراج می شوند. پیوست A این انتخاب ها و تأثیرات آنها بر اصلاحات کامل را با جزئیات بیشتری مورد بحث قرار می دهد._mدر جدول 1 و پانل سمت چپ شکل 3، کسر تجمعی سیستم ها را با ΔRV نشان می دهیم._mحداکثر_{در شبیه سازی مونت کارلو ما بالاتر از یک مقدار معین در چندین محدوده دوره ای است. با فرض اینکه دوره اصلی و توزیع های خروج از مرکز خیلی متفاوت از موارد فرضی نیستند، تصحیح کاملی که برای بازیابی تعداد کل باینری ها با دوره های کمتر از مقدار معینی باید اعمال شود، معکوس این کسرهای تجمعی است. نتایج ما با نتایج Moe و همکاران مطابقت دارد.(2019) (شامل در جدول 1)، که رویکرد مشابهی را برای نمونه ای از کوتوله های APOGEE DR13 اعمال کردند. هیستوگرام های خاکستری و قرمز در شکل 3 کسرهای تجمعی را برای همه سیستم های غیر باینری و باینری نشان می دهند. نرخ مثبت کاذب برای باینری ها در یک دوره زمانی معین در یک مقدار معین ΔRV}حداکثر_⊙نسبت بین کسر تجمعی مربوطه و هیستوگرام خاکستری در آن مقدار ΔRV است.

حداکثر_حداکثرحداکثر_حداکثرحداکثر_حداکثر.

حداکثر_حداکثرحداکثر_حداکثرچکمه_حداکثرکسری کامل برای ورود به سیستم انتخاب شده (P /D) و ΔRV_حداکثرآستانه< pan> پانل سمت چپ: کسر کامل بودن در مقابل ΔRV_حداکثربرای مونت کارلو نمونه هایی را در محدوده دوره های مختلف تولید کرد ، با استفاده از زمان تاخیر Apogee DR14 از نمونه ما. خطوط نقطه ای افقی کسری کامل برای نمونه های مربوط به سیاهه مربوط (P /D) با داده آستانه ΔRV هستند

حداکثر_حداکثرحداکثر