CBM deneyindeki çift taraflı silikon mikro-şerit dedektör sisteminin karakterizasyonu
2019
0 views
0 downloads
Advisor: Prof. Dr. Ela Ganioğlu Nutku ; Dr. Chrıstıan J. Schmıdt
Abstract (TR)
Sıkıştırılmış baryonik madde (CBM) deneyi evrenin ilk zamanlarındaki nükleer maddenin davranışını belirlemek için gerçekleştirilecek ve Antiproton ve İyon Araştırma Merkezindeki (FAIR) büyük deneylerden birisi olacaktır. Parçacıkların tipini, momentumu, enerjisini ve yüklerini belirlemek için çoklu dedektör sistemleri kullanılacaktır. Silikon İzleme Sistemi (STS), CBM deneyindeki yüklü parçacıkların momentum ve iz bilgilerini sağlayan anahtar dedektör sistemidir. STS-XYTER çip, elektronik parçalar arasında çift taraflı silikon mikro şerit dedektörlerinden okuma sağlamak için özel olarak kullanıldığından CBM sisteminin önemli bileşenlerinden birini oluşturur. Çipin temel işlevleri bir prototip pogo-pin istasyonu ile kontrol edilebilir. Bu tez çalışmasında STS sistemi için kullanılacak olan dedektör modüllerinin kurulumu, STS-XYTER çiplerinin kalite kontrol test aşamaları ve sonuçları yer almaktadır. Bu çalışmalar aynı zamanda yaklaşmakta olan mini CBM ve CBM deneyi için temel referans verilerinın elde edilmesini sağlayacaktır.
Author
Dr. Merve Doğan
Institution
How to Cite
Merve Doğan (Doktora Tezi). CBM deneyindeki çift taraflı silikon mikro-şerit dedektör sisteminin karakterizasyonu, 2019, İstanbul University.
Keywords
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from İstanbul University
- In the covid 19 pandemic of female employees at a university hospital attitudes and affecting factors in nutrition of 9 months-6 years old children(2022)
- Türkiye'de sağ akımların 27 Mayıs Darbesi'ne dair algısı: 1960-1980(2020)
- La Turquie Gazetesi'nin 1890 yılı haberlerine göre: Osmanlı Devleti'nde iktisadi ve sosyal hayat (Fihrist-çeviri-değerlendirme)(2022)
- Emevîler döneminde toprak rejimi(2022)
- Merkel hücreli karsinomda tanısal ve prognostik belirteçler(2022)
- Solunum sistemi hastalıklarının sınıflandırılmasında makine öğrenmesi yöntemlerinin kullanımı(2021)