CN111666719B - γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 - Google Patents
γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111666719B CN111666719B CN202010512787.5A CN202010512787A CN111666719B CN 111666719 B CN111666719 B CN 111666719B CN 202010512787 A CN202010512787 A CN 202010512787A CN 111666719 B CN111666719 B CN 111666719B
- Authority
- CN
- China
- Prior art keywords
- shielding
- accumulation
- neural network
- layer
- accumulation factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009825 accumulation Methods 0.000 title claims abstract description 153
- 230000005855 radiation Effects 0.000 title claims abstract description 80
- 238000004364 calculation method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 88
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 231100000987 absorbed dose Toxicity 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请公开了一种γ辐射多层屏蔽累积因子计算方法、装置、设备及介质，包括：确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；以确定的影响累积因子的各种参数作为输入，以计算出的对应的累积因子值作为输出，构建深度神经网络；对深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；将实际的影响累积因子的各种参数输入至训练好的深度神经网络，直接预测出对应的γ辐射多层累积因子。本申请通过构建深度神经网络，采用预计算的数据样本进行深度神经网络学习，可实现γ辐射多层累积因子快速准确计算，不但计算耗时少，可以一次性计算大量累积因子，而且其计算精度相对较高。
Description
技术领域
本发明涉及辐射安全与防护领域，特别是涉及一种γ辐射多层屏蔽累积因子计算方法、装置、设备及介质。
背景技术
目前，在辐射安全与防护中，γ辐射累积因子(Built-up Factor)是描述散射光子影响的物理量。一般情况下，是指所在考察点上，某一辐射量的真实值与放射源发出的未与屏蔽发生任何相互作用的射线造成的辐射量的比值。不同的辐射量，累积因子通常也不同。辐射防护中常用的物理量有注量、照射量、吸收剂量，对应的累积因子为注量累积因子、照射量累积因子、吸收剂量累积因子。在辐射防护中，为了保护工作人员的安全，往往需要了解工作环境的辐射情况，需要将其三维辐射场计算出来。三维辐射场计算一般采用点核积分，而累积因子计算是点核积分的关键，其值的准确性直接决定了点核积分计算的误差大小，从而决定了三维辐射场计算的准确性。累积因子计算的主要任务是对三维辐射场计算时采用的点核积分的修正优化。
在当前实际工程应用中，三维辐射场计算方法采用的累积因子修正优化都是采用经验公式或数据库插值法，但经验公式或数据库插值法主要适用于单层屏蔽时的累积因子计算。在具体的辐射场中，屏蔽体往往是多层的，每一层由不同材料组成，经验公式或数据库插值法无法准确计算多层累积因子值，误差通常很大，也就无法确保三维辐射场的准确性。
因此，针对三辐射场计算的多层辐射屏蔽累积因子如何准确快速地计算，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种γ辐射多层屏蔽累积因子计算方法、装置、设备及介质，不但计算耗时少，可以一次性计算大量累积因子，而且其计算精度相对较高。其具体方案如下：
一种γ辐射多层屏蔽累积因子计算方法，包括：
确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；
以确定的所述影响累积因子的各种参数作为输入，以计算出的所述对应的累积因子值作为输出，构建深度神经网络；
对所述深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；
将实际的影响累积因子的各种参数输入至训练好的所述深度神经网络，直接预测出对应的γ辐射多层累积因子。
优选地，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，所述影响累积因子的各种参数包括入射粒子能量，各层屏蔽材料密度，各层屏蔽自由程数，各层屏蔽散射截面，各层屏蔽光电效应截面，各层屏蔽电子对效应截面。
优选地，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值，具体包括：
根据确定的所述影响累积因子的各种参数的特征，建立多组不同的模型；
批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件；
根据产生的所述MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量；
通过所述考虑散射的剂量与所述未考虑散射的剂量的比值，计算出对应的累积因子值。
优选地，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，在构建深度神经网络的同时，还包括：
根据输入参数个数和输出参数的个数来确定所述深度神经网络的拓扑结构。
优选地，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，所述深度神经网络的隐含层采用双层神经元；
所述深度神经网络的节点传递函数包含relu函数和linear函数；
所述深度神经网络的训练函数包含SDG函数和momentum函数。
优选地，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，所述设定需求包括验证集的平均相对误差小于设定的预测精度或达到设定的迭代次数。
本发明实施例还提供了一种γ辐射多层屏蔽累积因子计算装置，包括：
累积因子计算模块，用于确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；
深度神经网络构建模块，用于以确定的所述影响累积因子的各种参数作为输入，以计算出的所述对应的累积因子值作为输出，构建深度神经网络；
深度神经网络训练模块，用于对所述深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；
累积因子预测模块，用于将实际的影响累积因子的各种参数输入至训练好的所述深度神经网络，直接预测出对应的γ辐射多层累积因子。
优选地，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算装置中，所述累积因子计算模块，具体包括：
模型建立单元，用于根据确定的所述影响累积因子的各种参数的特征，建立多组不同的模型；
MCNP文件产生单元，用于批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件；
MCNP程序计算单元，用于根据产生的所述MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量；
累积因子计算单元，用于通过所述考虑散射的剂量与所述未考虑散射的剂量的比值，计算出对应的累积因子值。
本发明实施例还提供了一种γ辐射多层屏蔽累积因子计算设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法。
从上述技术方案可以看出，本发明所提供的一种γ辐射多层屏蔽累积因子计算方法、装置、设备及介质，包括：确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；以确定的影响累积因子的各种参数作为输入，以计算出的对应的累积因子值作为输出，构建深度神经网络；对深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；将实际的影响累积因子的各种参数输入至训练好的深度神经网络，直接预测出对应的γ辐射多层累积因子。
本发明提出了基于深度神经网络的多层累积因子计算，为γ辐射多层屏蔽累积因子计算提供了一种全新的方法，通过构建深度神经网络，在不进行输入输出之间的复杂物理关系解耦的情况下，采用预计算的数据样本进行深度神经网络学习，可实现γ辐射多层累积因子快速准确计算，不但计算耗时少，可以一次性计算大量累积因子，而且其计算精度相对较高，可以满足三维辐射场计算对点核积分修正的精度要求。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的γ辐射多层屏蔽累积因子计算方法的流程图；
图2为本发明实施例提供的双层平板几何模型的示意图；
图3为本发明实施例提供的深度神经网络训练误差图；
图4为本发明实施例提供的双层屏蔽时包含训练集、验证集、测试集的数据的预测值与原始数据的回归曲线图；
图5为本发明实施例提供的深度神经网络预测结果误差统计图；
图6为本发明实施例提供的入射光子能量为0.6MeV的AL+FE双层屏蔽的深度神经网络预测累积因子与真实值对比图；
图7为本发明实施例提供的入射光子能量为1.5MeV的AL+FE双层屏蔽的深度神经网络预测累积因子与真实值对比图；
图8为本发明实施例提供的入射光子能量为8MeV的AL+FE双层屏蔽的深度神经网络预测累积因子与真实值对比图；
图9为本发明实施例提供的γ辐射多层屏蔽累积因子计算装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种γ辐射多层屏蔽累积因子计算方法，如图1所示，包括以下步骤：
S101、确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；
在具体实施时，影响累积因子的各种参数可以包括入射粒子能量，各层屏蔽材料密度，各层屏蔽自由程数(厚度)，各层屏蔽散射截面，各层屏蔽光电效应截面，各层屏蔽电子对效应截面。需要说明的是，MCNP(Monte Carlo N Particle Transport Code)程序是指蒙特卡罗粒子输运计算程序，该程序可用于计算三维复杂几何结构中的中子、光子、电子或者耦合中子/光子/电子输运问题的通用软件包；
S102、以确定的影响累积因子的各种参数作为输入，以计算出的对应的累积因子值作为输出，构建深度神经网络(Deep Neural Networks，DNN)；
需要说明的是，将确定的影响累积因子的各种参数和对应的累积因子值作为学习样本，对该学习样本进行预处理，将学习样本分为输入项和对应输出项，通过该学习样本进行深度神经网络的学习，能够实现对多层累积因子的相对精确的计算；
S103、对深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；
在具体实施时，上述设定需求可以包括验证集的平均相对误差小于设定的预测精度或达到设定的迭代次数。也就是说，利用神经网络对上述的累积因子计算数据进行训练学习时，通过调试神经网络学习参数，使之到达到验证集的平均相对误差小于设定的预测精度(如0.5％)或则达到设定的迭代次数而结束神经网络训练；
S104、将实际的影响累积因子的各种参数输入至训练好的深度神经网络，直接预测出对应的γ辐射多层累积因子；
具体地，神经网络学习完成后，预测时通过输入入射光子能量，各层屏蔽自由程数、各层屏蔽散射截面、光电效应截面、电子对效应截面，能够快速准确得到对应的γ辐射累积因子值。
在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，通过构建深度神经网络，在不进行输入输出之间的复杂物理关系解耦的情况下，采用预计算的数据样本进行深度神经网络学习，可实现γ辐射多层累积因子快速准确计算，不但计算耗时少，可以一次性计算大量累积因子，而且其计算精度相对较高，可以满足三维辐射场计算对点核积分修正的精度要求。
在具体实施时，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，步骤S101产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值，具体可以包括：首先，根据确定的影响累积因子的各种参数的特征，建立多组不同的模型；然后，批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件；之后，根据产生的MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量；最后，通过考虑散射的剂量与未考虑散射的剂量的比值，计算出对应的累积因子值。
具体地，计算出对应的累积因子值的公式如下：
其中，
为考虑散射的剂量，D1为未考虑散射的剂量，B为对应的累积因子值。
在具体实施时，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法中，在执行步骤S102构建深度神经网络的同时，还可以包括：根据输入参数个数n1和输出参数的个数n2来确定深度神经网络的拓扑结构。
进一步地，考虑到实际屏蔽问题的复杂性，深度神经网络结构有以下指导原则：
第一、对于复杂工程问题，深度神经网络的隐含层采用双层神经元；
第二、在单层的隐含层神经网络中，整个神经网络神经元个数结构推荐为：
n1→2n1±1→n2；
第三、在双层的隐含层神经网络中，整个神经网络神经元个数结构推荐为：
n1→1.5n1→2n1±1→n2；
对于深度神经网络训练参数，有以下推荐：
第一、深度神经网络的节点传递函数包含relu函数和linear函数；较佳地，节点传递函数为：relu+relu+relu+linear；
第二、深度神经网络的训练函数包含SDG函数和momentum函数；训练函数为：SDG+momentum。
下面以双层平板模型为例作为累积因子的计算模型，对本发明实施例提供的上述γ辐射多层屏蔽累积因子计算方法进行详细说明：
如图2所示，双层平板模型由两种不同材料平板组合而成。首先通过建模将累积因子求解问题转化为求解经过双层屏蔽后考虑散射后的剂量与未考虑散射的剂量值之比；然后利用MCNP程序计算一系列不同粒子源能量、不同自由程数、不同双层材料组合经屏蔽后的剂量；进一步整理神经网络学习样本数据(包括入射光子能量、各层材料密度、各层平均自由程数、各层散射截面、各层光电效应截面、各层电子对效应截面)；接着使用神经网络训练上述样本，并达到预测的相对平均误差在0.5％以下；最后利用学习好的神经网络直接预测待求的累积因子值。具体步骤如下：
步骤一、确定影响累积因子的各种参数，入射粒子能量、各层屏蔽材料，各层屏蔽层的厚度(自由程数)、各层屏蔽材料截面数据(光电效应截面、散射截面、电子对效应截面)等；
步骤二、根据步骤一确定的需要学习的参数特征，建立N组不同的平板模型。然后利用样本批量产生程序批量产生不同能量不同屏蔽厚度不同屏蔽材料的MCNP输入文件；
步骤三、利用MCNP程序计算样本，然后批量提取MCNP计算得到的屏蔽后考虑散射的剂量和未考虑散射的剂量，计算出对应的累积因子值，最后将各参数和其对应的累积因子值作为神经网络的学习样本。部分MCNP计算数据及对应累积因子数据如下表一所示：
表一
| 未考虑散射剂量(Gy) | 考虑散射剂量(Gy) | 累积因子值 |
| 1.47234E-13 | 3.90952E-13 | 2.655310594 |
| 1.95883E-14 | 8.06854E-14 | 4.119060868 |
| 6.77E-15 | 3.41936E-14 | 5.052380235 |
| 3.09427E-14 | 1.16454E-13 | 3.763537119 |
| 3.25E-16 | 2.62E-15 | 8.047588175 |
| 2.89E-15 | 1.67444E-14 | 5.787881826 |
| 7.61E-15 | 3.73717E-14 | 4.911648238 |
步骤四、对学习样本数据进行预处理，将学习样本分为输入项和对应输出项。可知双层输入项的参数有11个，包括：入射光子能量、第一层屏蔽材料密度、第一层光电效应截面、第一层散射截面、第一层电子对效应截面、第一层屏蔽自由程数、第二层屏蔽材料密度、第二层光电效应截面、第二层散射截面、第二层电子对效应截面、第二层屏蔽自由程数。输出项为累积因子值。
步骤五、根据样本的输入参数个数和输出参数个数来确定深度神经网络的拓扑结构；其中，神经网络参数的输入层、隐含层、输出层之间的比例可以设置为11：[50 80 50]:1；节点传输函数采用relu+relu+relu+linear；训练函数采用SDG+momentum；
步骤六、利用神经网络对累积因子计算数据进行训练学习；通过不断调试神经网络学习参数，直到达到平均相对误差小于0.5％的预测精度或则达到设定的迭代次数而结束神经网络学习；训练误差变化如图3所示，训练集、验证集、测试集的预测值与真实值回归曲线如图4所示，由图4可知该神经网络很好地拟合了累积因子计算数据，不存在过拟合和欠拟合情况；
步骤七、神经网络学习完成后，通过输入入射粒子能量、屏蔽厚度(自由程数)、光电效应截面、散射截面、电子对效应截面就能快速准确地来预测出对应的累积因子值；预测结果误差如图5所示。
下表二为神经网络预测累积因子的部分数据展示：
表二
下面选取0.6MeV、1.5MeV、8MeV三组入射光子能量进行验证：
入射光子能量0.6MeV：屏蔽模型：Al+Fe(第一层屏蔽为铝、第二层屏蔽为铁)，屏蔽自由程数：10个自由程以内，基于深度神经网络累积因子预测值与真实值对比，如图6所示。平均绝对误差为1.06％，最大绝对误差为11.71％。
入射光子能量1.5MeV：屏蔽模型：Al+Fe(第一层屏蔽为铝、第二层屏蔽为铁)，屏蔽自由程数：10个自由程以内，基于深度神经网络累积因子预测值与真实值对比，如图7所示。平均绝对误差为2.70％，最大绝对误差为6.46％。
入射光子能量8MeV：屏蔽模型：Al+Fe(第一层屏蔽为铝、第二层屏蔽为铁)，屏蔽自由程数：10个自由程以内，基于深度神经网络累积因子预测值与真实值对比，如图8所示。平均绝对误差为3.08％，最大绝对误差为7.34％。
在本例条件下，由表二、图6、图7、图8可知，预测绝对平均误差均在5％以内，最大误差也是在可以接受的范围内。表明使用神经网络计算累积因子既能够快速地计算出大量的累积因子数据，又能够在很大程度上确保累积因子值的准确性。故使用神经网络计算累积因子值是可行的。
基于同一发明构思，本发明实施例还提供了一种γ辐射多层屏蔽累积因子计算装置，由于该γ辐射多层屏蔽累积因子计算装置解决问题的原理与前述一种γ辐射多层屏蔽累积因子计算方法相似，因此该γ辐射多层屏蔽累积因子计算装置的实施可以参见γ辐射多层屏蔽累积因子计算方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的γ辐射多层屏蔽累积因子计算装置，如图9所示，具体包括：
累积因子计算模块11，用于确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；
深度神经网络构建模块12，用于以确定的影响累积因子的各种参数作为输入，以计算出的对应的累积因子值作为输出，构建深度神经网络；
深度神经网络训练模块13，用于对深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；
累积因子预测模块14，用于将实际的影响累积因子的各种参数输入至训练好的深度神经网络，直接预测出对应的γ辐射多层累积因子。
在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算装置中，可以通过上述四个模块的相互作用，在不进行输入输出之间的复杂物理关系解耦的情况下，采用预计算的数据样本进行深度神经网络学习，实现γ辐射多层累积因子快速准确计算，不但计算耗时少，可一次性计算大量累积因子，而且其计算精度相对较高，满足三维辐射场计算对点核积分修正的精度要求。
进一步地，在具体实施时，在本发明实施例提供的上述γ辐射多层屏蔽累积因子计算装置中，累积因子计算模块11，具体可以包括：
模型建立单元，用于根据确定的影响累积因子的各种参数的特征，建立多组不同的模型；
MCNP文件产生单元，用于批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件；
MCNP程序计算单元，用于根据产生的MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量；
累积因子计算单元，用于通过考虑散射的剂量与未考虑散射的剂量的比值，计算出对应的累积因子值。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应的，本发明实施例还公开了一种γ辐射多层屏蔽累积因子计算设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现前述实施例公开的γ辐射多层屏蔽累积因子计算方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的γ辐射多层屏蔽累积因子计算方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种γ辐射多层屏蔽累积因子计算方法、装置、设备及介质，包括：确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值；以确定的影响累积因子的各种参数作为输入，以计算出的对应的累积因子值作为输出，构建深度神经网络；对深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；将实际的影响累积因子的各种参数输入至训练好的深度神经网络，直接预测出对应的γ辐射多层累积因子。这样通过构建深度神经网络，在不进行输入输出之间的复杂物理关系解耦的情况下，采用预计算的数据样本进行深度神经网络学习，可实现γ辐射多层累积因子快速准确计算，不但计算耗时少，可以一次性计算大量累积因子，而且其计算精度相对较高，可以满足三维辐射场计算对点核积分修正的精度要求。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的γ辐射多层屏蔽累积因子计算方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种γ辐射多层屏蔽累积因子计算方法，其特征在于，包括：
确定影响累积因子的各种参数，根据确定的所述影响累积因子的各种参数的特征，建立累积因子的计算模型；所述影响累积因子的各种参数包括入射粒子能量，各层屏蔽材料密度，各层屏蔽自由程数，各层屏蔽散射截面，各层屏蔽光电效应截面，各层屏蔽电子对效应截面；
批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件；
根据产生的所述MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量；
通过所述考虑散射的剂量与所述未考虑散射的剂量的比值，计算出对应的累积因子值；
以确定的所述影响累积因子的各种参数作为输入，以计算出的所述对应的累积因子值作为输出，构建深度神经网络；
对所述深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；
将实际的影响累积因子的各种参数输入至训练好的所述深度神经网络，直接预测出对应的γ辐射多层累积因子。
2.根据权利要求1所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，在构建深度神经网络的同时，还包括：
根据输入参数个数和输出参数的个数来确定所述深度神经网络的拓扑结构。
3.根据权利要求2所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，所述深度神经网络的隐含层采用双层神经元；
所述深度神经网络的节点传递函数包含relu函数和linear函数；
所述深度神经网络的训练函数包含SDG函数和momentum函数。
4.根据权利要求1所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，所述设定需求包括验证集的平均相对误差小于设定的预测精度或达到设定的迭代次数。
5.一种γ辐射多层屏蔽累积因子计算装置，其特征在于，包括：
累积因子计算模块，包括：模型建立单元，用于根据确定的影响累积因子的各种参数的特征，建立累积因子的计算模型；所述影响累积因子的各种参数包括入射粒子能量，各层屏蔽材料密度，各层屏蔽自由程数，各层屏蔽散射截面，各层屏蔽光电效应截面，各层屏蔽电子对效应截面；MCNP文件产生单元，用于批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件；MCNP程序计算单元，用于根据产生的所述MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量；累积因子计算单元，用于通过所述考虑散射的剂量与所述未考虑散射的剂量的比值，计算出对应的累积因子值；
深度神经网络构建模块，用于以确定的所述影响累积因子的各种参数作为输入，以计算出的所述对应的累积因子值作为输出，构建深度神经网络；
深度神经网络训练模块，用于对所述深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练；
累积因子预测模块，用于将实际的影响累积因子的各种参数输入至训练好的所述深度神经网络，直接预测出对应的γ辐射多层累积因子。
6.一种γ辐射多层屏蔽累积因子计算设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至4任一项所述的γ辐射多层屏蔽累积因子计算方法。
7.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的γ辐射多层屏蔽累积因子计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010512787.5A CN111666719B (zh) | 2020-06-08 | 2020-06-08 | γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010512787.5A CN111666719B (zh) | 2020-06-08 | 2020-06-08 | γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111666719A CN111666719A (zh) | 2020-09-15 |
| CN111666719B true CN111666719B (zh) | 2022-02-08 |
Family
ID=72387116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010512787.5A Active CN111666719B (zh) | 2020-06-08 | 2020-06-08 | γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666719B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733439A (zh) * | 2020-12-29 | 2021-04-30 | 哈尔滨工程大学 | 一种基于bp神经网络计算屏蔽材料积累因子的方法 |
| CN113392499B (zh) * | 2021-05-08 | 2023-01-17 | 中国辐射防护研究院 | 电子直线加速器机房辐射屏蔽及臭氧浓度计算方法和装置 |
| CN113268863B (zh) * | 2021-05-08 | 2022-11-18 | 中国辐射防护研究院 | γ放射源及电子直线加速器机房辐射屏蔽计算方法和装置 |
| CN117648875B (zh) * | 2024-01-30 | 2024-04-30 | 湖南军芃科技股份有限公司 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5844241A (en) * | 1996-07-19 | 1998-12-01 | City Of Hope | System and method for determining internal radioactivity and absorbed dose estimates |
| CN104933245A (zh) * | 2015-06-15 | 2015-09-23 | 南华大学 | 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法 |
| CN107330187A (zh) * | 2017-06-30 | 2017-11-07 | 哈尔滨工程大学 | 一种核设施退役辐射场剂量分布仿真方法 |
| CN108229657A (zh) * | 2017-12-25 | 2018-06-29 | 杭州健培科技有限公司 | 一种基于演化算法的深度神经网络训练与优化算法 |
| CN108549753A (zh) * | 2018-03-28 | 2018-09-18 | 中国船舶重工集团公司第七〇九研究所 | 一种点核积分法与蒙特卡罗方法耦合的辐射屏蔽计算方法 |
-
2020
- 2020-06-08 CN CN202010512787.5A patent/CN111666719B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5844241A (en) * | 1996-07-19 | 1998-12-01 | City Of Hope | System and method for determining internal radioactivity and absorbed dose estimates |
| CN104933245A (zh) * | 2015-06-15 | 2015-09-23 | 南华大学 | 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法 |
| CN107330187A (zh) * | 2017-06-30 | 2017-11-07 | 哈尔滨工程大学 | 一种核设施退役辐射场剂量分布仿真方法 |
| CN108229657A (zh) * | 2017-12-25 | 2018-06-29 | 杭州健培科技有限公司 | 一种基于演化算法的深度神经网络训练与优化算法 |
| CN108549753A (zh) * | 2018-03-28 | 2018-09-18 | 中国船舶重工集团公司第七〇九研究所 | 一种点核积分法与蒙特卡罗方法耦合的辐射屏蔽计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111666719A (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666719B (zh) | γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 | |
| Barze et al. | Neutral-current Drell–Yan with combined QCD and electroweak corrections in the POWHEG BOX | |
| CN104933245B (zh) | 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法 | |
| CN108549753B (zh) | 一种点核积分法与蒙特卡罗方法耦合的辐射屏蔽计算方法 | |
| Medina et al. | Characterization of electron contamination in megavoltage photon beams | |
| CN113139325B (zh) | 基于蒙卡临界计算的反应堆全局方差均匀分布的实现方法 | |
| CN109657272B (zh) | 单粒子效应评估方法和装置 | |
| CN111584019B (zh) | 基于首次碰撞源-蒙特卡罗耦合获取反应堆外探测器响应的方法 | |
| Martz | Mcnp6 unstructured mesh initial validation and performance results | |
| Zhang et al. | Dynamic multi-objective path-order planning research in nuclear power plant decommissioning based on NSGA-II | |
| CN107832556A (zh) | 一种单粒子翻转评估方法及装置 | |
| Chen et al. | Calculation of gamma-ray exposure buildup factor based on backpropagation neural network | |
| Hale et al. | Data covariances from R-matrix analyses of light nuclei | |
| CN116882286A (zh) | 用于反应堆屏蔽优化的基于神经网络的辐射剂量预测方法 | |
| Chow | Calculation of lateral buildup ratio using Monte Carlo simulation for electron radiotherapy | |
| Raine et al. | Towards a generic representation of heavy ion tracks to be used in engineering SEE simulation tools | |
| Freitas et al. | Virtual reality simulation of radioactive waste relocation with dynamic dose rate visualization | |
| Vasques et al. | On the accuracy of the non-classical transport equation in 1-D random periodic media | |
| Tickner | Arbitrary perturbations in Monte Carlo neutral-particle transport | |
| CN113901702A (zh) | Let值仿真方法及装置 | |
| Jo et al. | Development of an Adjoint Flux Calculation Technique for Exact Perturbation Theory in Monte Carlo Code MCS | |
| CN116167273A (zh) | 一种任意多层屏蔽结构γ射线累积因子迭代计算方法 | |
| CN116754863A (zh) | 预测质子单粒子效应截面的bgr方法改进及其应用 | |
| Muthusamy et al. | Multivariate polynomial fit: Decay heat removal system and pectin degrading Fe3O4‐SiO2 nanobiocatalyst activity | |
| Jagielski et al. | Hybrid Garfield++ simulations of GEM detectors for tokamak plasma radiation monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |