Efficient solution of the anisotropic spherically-aligned axisymmetric Jeans equations of stellar hydrodynamics for galactic dynamics
Auteurs : Michele Cappellari (University of Oxford)
Résumé : I present a flexible solution for the axisymmetric Jeans equations of stellar hydrodynamics under the assumption of an anisotropic (three-integral) velocity ellipsoid aligned with the spherical polar coordinate system. I describe and test a robust and efficient algorithm for its numerical computation. I outline the evaluation of the intrinsic velocity moments and the projection of all first and second velocity moments, including both the line-of-sight velocities and the proper motions. This spherically-aligned Jeans Anisotropic Modelling (JAM_sph) method can describe in detail the photometry and kinematics of real galaxies. It allows for a spatially-varying anisotropy, or stellar mass-to-light ratios gradients, as well as for the inclusion of general dark matter distributions and supermassive black holes. The JAM_sph method complements my previously derived cylindrically-aligned JAM_cyl and spherical Jeans solutions, which I also summarize in this paper. Comparisons between results obtained with either JAM_sph or JAM_cyl can be used to asses the robustness of inferred dynamical quantities. As an illustration, I modelled the Atlas3D sample of 260 early-type galaxies with high-quality integral-field spectroscopy, using both methods. I found that they provide statistically indistinguishable total-density logarithmic slopes. This may explain the previously-reported success of the JAM method in recovering density profiles of real or simulated galaxies. A reference software implementation of JAM_sph is included in the publicly-available JAM software package.
Explorez l'arbre d'article
Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel
Recherchez des articles similaires (en version bêta)
En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.