Generalised Hayward spacetimes: geometry, matter and scalar quasinormal modes

Auteurs : Poulami Dutta Roy (IIT Kharagpur), Sayan Kar (IIT Kharagpur)

44 pages, 22 figures, 7 tables
Licence : CC BY 4.0

Résumé : Bardeen's 1968 idea of a regular black hole spacetime was revived by Hayward in 2006 through the construction of a new example of such a geometry. Later it was realised by Neves and Saa, that a wider, two-parameter class exists, with Bardeen and Hayward spacetimes as special cases. In this article, we revisit and generalise the Hayward spacetime by applying the Damour-Solodukhin (DS) prescription. Recalling the DS suggestion of a deformed Schwarzschild spacetime where $g_{tt} = -\left (1-\frac{2M_1}{r}\right )$, $g_{rr} = \left (1-\frac{2M_2}{r}\right )^{-1}$ and $M_1\neq M_2$, we propose a similar deformation of the Hayward geometry. The $g_{tt}$ and $g_{rr}$ in the original Hayward line element remain functionally the same, {\em albeit} mutations introduced via differently valued metric parameters, following the DS idea. This results in a plethora of spacetime geometries, known as well as new, and including singular black holes, wormholes or regular black holes. We first study the geometric features and matter content of each of such spacetimes in some detail. Subsequently, we find the scalar quasinormal modes corresponding to scalar wave propagation in these geometries. We investigate how the real and imaginary parts of the quasinormal modes depend on the values and ranges of the metric parameters used to classify the geometries. Finally, we argue how our results on this family of spacetimes suggest their utility as black hole mimickers.

Soumis à arXiv le 09 Jui. 2022

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

Accédez également à nos Résumés, ou posez des questions sur cet article à notre Assistant IA.

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.