Разработка веб-приложения для эксперимента по восстановлению спектра нейтронов с применением алгоритмов нейронный сетей
Боковая панель статьи
Основное содержимое статьи
Аннотация
Восстановление спектров нейтронов по результатам измерений многошаровым спектрометром Боннера является некорректно поставленной обратной задачей и требует специальных методов решения. В работе представлены методы восстановления спектра с помощью регрессионной модели алгоритма машинного обучения «случайный лес», а также обученной на синтетических данных нейронной сети. Алгоритмы были обучены и протестирован на базе данных, состоящей из 500 тысяч спектров, искусственно сгенерированных по методу FRUIT, и реальными спектрам из сборника МАГАТЭ и схожих работ по тематике — 340 штук. В качестве входных признаков модели были использованы показания спектрометра для восьми и десяти шаров-замедлителей. Показано, что разработанный алгоритм применим для восстановления спектров нейтронов. Восстановленные спектры по характеру графика близки к исходным. По спектрам была рассчитана мощность эффективной дозы для изотропного облучения, показано, что средняя ошибка при оценке дозы составляет 25%.
Работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема № 124112200072-2).
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Chizhov K., Beskrovnaya L., Chizhov A. Neutron Spectra Unfolding from Bonner Spectrometer Readings by the Regularization Method Using the Legendre Polynomials / /Physics of Particles and Nuclei. – 2024. – Т. 55. – №. 3. – С. 532-534. – DOI: https://doi.org/10.1134/S1063779624030298.
FRUIT: an operational tool for multisphere neutron spectrometry in workplaces / R. Bedogni, C. Domingo, A. Esposito, F. Fernández // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. – 2007. – Т. 580. – №. 3. – С. 1301-1309. – DOI: https://doi.org/10.1016/j.nima.2007.07.033.
McGreivy J. Data Augmentation for Neutron Spectrum Unfolding with Neural Networks / J. McGreivy, J. J. Manfredi, D. Siefman // Journal of Nuclear Engineering. – 2023. – Т. 4. – №. 1. – С. 77- 95. – DOI: https://doi.org/10.3390/jne4010006.
International Atomic Energy Agency. Compendium of neutron spectra and detector response for radiation protection purposes: Technical report series. – Vienna: IAEA, 2001.
Development of a gamma camera to image radiation fields / K. Okada, T. Tadokoro, Yu. Ueno [и др.] // Progress in Nuclear Science and Technology – 2014. – Т. 4. – №. 1. – С. 14-17. – DOI: 10.15669/pnst.4.14.
Neutron Spectra Measurements at JAEA MOX Fuel Facility / N. Tsujimura, T. Yoshida, N.Sagawa, S. Shoji // Progress in Nuclear Science and Technology. – 2011. – Т. 1. – С. 154-157.
Holeman G. R. The measurement of accelerator produced stray neutron spectra // American Journal of Public Health and the Nations Health. – 1970. – Т. 60. – №. 9. – С. 1824-1834.
Antiproton complex at the FAIR project / A. Dolinskii, K. Knie, C. Dimopoulou [и др.] // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. – 2011. – Т. 629. – №. 1. – С. 16-24. – DOI: https://doi.org/10.1016/j.nima.2010.11.037.
Optuna: A Next-generation Hyperparameter Optimization Framework / T. Akiba, S. Sano, T. Yanase, [и др.] // Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. – 2019. – С. 2623-2631. – DOI: https://doi.org/10.1145/3292500.33307.
Hutter F. Automated Machine Learning: Methods, Systems, Challenges / F. Hutter, L. Kotthoff, J. Vanschoren. – Springer Nature, 2019. – 219 c. – DOI: 10.1007/978-3-030-05318-5.
Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining – 2016. – С. 785-794. – DOI: https://doi.org/10.1145/2939672.293978.
Khorasani M., Abdou M., Fernández J. H. Web application development with streamlit //Software Development. – 2022. – С. 498 – 507.
Франсуа Ш. Глубокое обучение на Python. 2-е межд. издание. – Питер, 2023.
Huang S. C. Principles and Labs for Deep Learning / S. C. Huang, T. H. Le // Principles and Labs for Deep Learning, 2021. – C. 1-337. – DOI 10.1016/B978-0-323-90198-7.09993-6. – EDN: SBQRCV.
Kramer O. Scikit-learn // Machine learning for evolution strategies. – 2016. – С. 45 – 53.