Revisiting the Cooling Flow Problem in Galaxies, Groups, and Clusters of Galaxies
Notice bibliographique
Résumé
Abstract We present a study of 107 galaxies, groups, and clusters spanning ∼3 orders of magnitude in mass, ∼5 orders of magnitude in central galaxy star formation rate (SFR), ∼4 orders of magnitude in the classical cooling rate ( ) of the intracluster medium (ICM), and ∼5 orders of magnitude in the central black hole accretion rate. For each system in this sample, we measure the ICM cooling rate, , using archival Chandra X-ray data and acquire the SFR and systematic uncertainty in the SFR by combining over 330 estimates from dozens of literature sources. With these data, we estimate the efficiency with which the ICM cools and forms stars, finding % for systems with M ⊙ yr −1 . For these systems, we measure a slope in the SFR– relation greater than unity, suggesting that the systems with the strongest cool cores are also cooling more efficiently. We propose that this may be related to, on average, higher black hole accretion rates in the strongest cool cores, which could influence the total amount (saturating near the Eddington rate) and dominant mode (mechanical versus radiative) of feedback. For systems with M ⊙ yr −1 , we find that the SFR and are uncorrelated and show that this is consistent with star formation being fueled at a low (but dominant) level by recycled ISM gas in these systems. We find an intrinsic log-normal scatter in SFR at a fixed of 0.52 ± 0.06 dex (1 σ rms), suggesting that cooling is tightly self-regulated over very long timescales but can vary dramatically on short timescales. There is weak evidence that this scatter may be related to the feedback mechanism, with the scatter being minimized (∼0.4 dex) for systems for which the mechanical feedback power is within a factor of two of the cooling luminosity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».