CN115310342A - 一种基于神经网络的航空辐射剂量快速反演方法 - Google Patents
一种基于神经网络的航空辐射剂量快速反演方法 Download PDFInfo
- Publication number
- CN115310342A CN115310342A CN202211245659.4A CN202211245659A CN115310342A CN 115310342 A CN115310342 A CN 115310342A CN 202211245659 A CN202211245659 A CN 202211245659A CN 115310342 A CN115310342 A CN 115310342A
- Authority
- CN
- China
- Prior art keywords
- aviation
- radiation dose
- model
- neural network
- radiation
- 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.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 44
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000005358 geomagnetic field Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000010006 flight Effects 0.000 abstract description 2
- 231100000987 absorbed dose Toxicity 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 239000011164 primary particle Substances 0.000 description 1
- 239000011163 secondary particle Substances 0.000 description 1
- 238000004088 simulation Methods 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的航空辐射剂量快速反演方法,包括:根据宇宙线特征设置不同的入射粒子,并基于蒙特卡罗方法,构建粒子在磁场和大气层中的输运模型;根据粒子输运模型获得航空高度辐射环境参数;根据航空辐射环境参数采用注量—剂量转换系数对航空高度辐射剂量进行计算,并对计算得到的数据进行预处理;采用辐射剂量预处理数据对神经网络开展训练和测试,确定最优组合,构建航空高度辐射剂量反演的神经网络模型;将空间天气参数输入到训练好的神经网络模型中,对航空高度辐射剂量进行快速反演;该快速反演方法可对不同的航空飞行、不同的空间天气条件实现辐射剂量的快速评估计算。
Description
技术领域
本发明涉及航空运输环境可靠性评估技术领域,属于一种基于神经网络的航空辐射剂量实时反演方法。
背景技术
机组人员和飞机乘客在典型飞行高度处受到的宇宙线辐射水平相对于海平面处约增强50倍,对于长期飞行人员如机组人员、辐射敏感人员(如孕妇、婴幼儿等),有可能造成辐射损伤。1991年,ICRP建议将空勤人员列入职业受照人群,2016年ICRP根据辐射防护标准的更新重新梳理了空勤人员的辐射要求标准,ICAO强制要求空间天气服务商提供航空辐射剂量参数,2002年6月1日,我国也颁布实施了《空勤人员宇宙辐射控制标准》,用于监测和评价空勤人员所受辐射剂量,保障空勤人员的安全因此有必要对其在航空飞行过程中所接受的辐射剂量进行有效评估。
航空高度辐射来源于宇宙线高能粒子。宇宙空间的辐射穿过磁场,进入大气层,与大气层原子发生碰撞,在大气中形成复杂的混合辐射场,辐射场与人体相互作用,在人体内沉积辐射剂量。这个过程涉及到三个过程:粒子在地磁场的传输,粒子在大气中的输运过程,粒子在人体内的作用过程,过程建模处理复杂,因此计算过程复杂,评估条件也比较单一,只能评估单个空间天气下的航空辐射剂量,而且辐射评估的准确度低。
发明内容
为了解决上述问题,本发明提供一种评估效率高而且能实现在不同空间天气条件下的航空辐射剂量实时评估计算的方案。
为了实现上述目的,本发明提供的技术方案是:一种基于神经网络的航空辐射剂量快速反演方法,包括:
步骤S1:根据宇宙线特征设置不同的入射粒子,并基于蒙特卡罗方法,构建粒子在磁场和大气层中的输运模型;
步骤S2:根据粒子输运模型获得航空高度辐射环境参数;其中,航空高度辐射环境参数包括muon子环境参数、电子环境参数、质子环境参数、中子环境参数中的一种或多种;
步骤S3:根据航空辐射环境参数采用注量—剂量转换系数对航空高度辐射剂量进行计算,并对计算得到的数据进行预处理;
步骤S4:采用辐射剂量预处理数据对神经网络开展训练和测试,确定最优组合,构建航空高度辐射剂量反演的神经网络模型;
步骤S5:将空间天气参数输入到训练好的神经网络模型中,对航空高度辐射剂量进行快速反演。
作为优选的一种技术方案,所述入射粒子在地磁场中传输,采用截止刚度方法。
作为优选的一种技术方案,所述步骤S1进一步包括:
设置不同的宇宙线入射条件;所述宇宙线入射条件包括太阳活动参数、时间、地理位置中的一项或多项;
构建地磁场,计算地磁截止刚度,建立地磁截止刚度模型;
获取大气层顶多个位置的宇宙线辐射能谱及特征;
对大气层顶多个位置的入射粒子的粒子能谱进行特征分析,确定入射粒子的特征量矩阵,以及入射粒子的粒子种类、能量、方向;
采用基于蒙特卡罗方法的Geant4构建粒子在大气层中输运模型。
作为优选的一种技术方案,所述神经网络模型采用Adam梯度下降算法。
作为优选的以综合功能技术方案,所述步骤S4进一步包括:
通过正向传播对输入训练集的训练样本执行特征学习;
在后向传播的过程中,使用Adam算法最小化损失函数获得优化的网络结构;
训练完成后,基于测试集对模型进行测试,通过均方根误差、平均绝对误差对模型测试性能和结果进行评估。
作为优选的一种技术方案,所述入射粒子在大气层中输运,采用蒙特卡罗处理入射粒子与大气原子的相互作用过程。
作为优选的一种技术方案,所述大气层的大气模型采用MISISE-00模型,MISISE-00模型的特征参量包括多个地理位置大气层的组成成分、密度参数。
本发明相对于现有技术的有益效果是:与现有技术相比,本发明提供的一种基于神经网络学习的航空辐射剂量快速反演方法,可以充分利用蒙特卡罗方法仿真建模生成大量可靠性的数据,基于深度学习训练,实现在不同空间环境条件下,航空高度辐射及辐射剂量的快速反演计算和实时评估。
附图说明
图1是本发明提供的一种基于神经网络的航空辐射剂量快速反演方法的流程图。
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,所描述的实施例仅是本发明的一部分实施例,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。
如图1所示,本发明实施例提供的一种基于神经网络的航空辐射剂量快速反演方法,包括以下步骤:
步骤S1:根据宇宙线特征设置不同的入射粒子,并基于蒙特卡罗方法,构建粒子在磁场和大气层中的输运模型;
具体的,包括:步骤S11:设置不同的宇宙线入射条件,宇宙线入射条件包括太阳活动参数、时间、地理位置等。
在本实施例中,宇宙线模型构建方法为:基于Gleeson和Axford开发的宇宙射线模型,将初级银河宇宙射线能谱作为太阳调制参数φ的函数,如公式(1)所示。
步骤S12:构建地磁场,计算地磁截止刚度,建立地磁截止刚度模型。
在本实施例中,地磁截止刚度模型构建方法:地磁截止的有效垂直刚度是所有方向平均值的良好近似值,计算有效垂直刚度的方法是基于刚度衰减因子的概念。首先基于IGRF模型计算高度450km处地磁截止刚度。再利用公式(2)以450km处地磁截止刚度为基础计算其他高度处截止刚度。最后利用磁层扰动水平(Kp指数)和地方时(T)变化确定有效截止刚度的相对衰减值,最终有效垂直截止刚度由公式(3)进行计算。
下面公式(4)~(13)给出了衰减系数的拟合计算公式,对于最低值,引入衰减系数的附加上限c,以便任意Kp、T和H参数下的有效垂直地磁截止值能够满足拟合计算过程。如果公式(4)计算出的≥c,衰减系数宜使用c的值而不是公式(4)的计算值。
步骤S13:获取大气层顶不同位置的宇宙线辐射能谱及特征。
在本实施例中,大气层顶辐射能谱构建方法:由初级宇宙射线和地磁截止刚度根据公式(14)计算大气层顶宇宙射线。
其中Primary(J)是大气层顶宇宙线微分能谱,Mod(J)是初级宇宙射线微分能谱,R是粒子刚度。
步骤S14:对大气层顶粒子能谱进行特征分析,确定入射粒子特征量矩阵,确定入射的粒子种类、能量、方向。根据粒子特征优选入射粒子组合,包括能量(单能、能谱入射)、位置(不同大气层顶地理位置)、方向等,作为后续蒙特卡罗计算的输入源。
步骤S15:采用基于蒙特卡罗方法的Geant4构建粒子在大气层中输运模型,开展航空高度辐射场仿真计算。
步骤S2:根据粒子输运模型获得航空高度辐射环境参数;
在本实施例中,大气层构建:大气层模型采用NRLMSISE-00模型,获得大气层成分、密度等全球三维分布。100km以下按大气密度分布将大气进行区域分层,以1千米为单位进行分层。
在本实施例中,入射源构建:对输入特征量优化组合进行蒙特卡罗计算。优化组合变量包括:粒子种类(质子、高能重离子)、方向、能量(单能、能谱)、位置。
在本实施例中,航空高度辐射场场量构建:粒子种类(高能初级粒子,muon子、中子、电子、γ射线等次级粒子),方向(向下、向上),能谱分布。
步骤S3:根据航空辐射环境参数采用注量—剂量转换系数对航空高度辐射剂量进行计算,并对计算得到的数据进行预处理;
在本实施例中,由航空辐射场获得不同高度各粒子注量,计算不同粒子在物质中的沉积能量即吸收剂量D。再由吸收剂量结合组织或器官的品质因子Q计算等效剂量。最后将整个组织或器官中的等效剂量进行总和,获得有效剂量,实现注量到剂量的转化,其中吸收剂量、等效剂量、有效剂量由下式进行计算;
步骤S4:采用辐射剂量预处理数据对神经网络开展训练和测试,确定最优组合,构建航空高度辐射剂量反演的神经网络模型,方法如下:
步骤S41:根据模型输入个数设置输入层神经元个数,设置隐含层层数为2,每层神经元个数设置为100;
步骤S42:将所有神经元的参数在训练开始时随机初始化,使用反向传播算法训练参数。设辐射剂量数据集为,p为训练样本个数,Xi为航空辐射场输入,R i 为辐射剂量输出。网络通过正向传播对输入序列样本执行特征学习,将所有样本向前传播到输出层后,将估计的与真实值R进行比较,以均方误差误差作为网络的损失函数:
使用Adam算法最小化损失函数,获得优化的网络结构,具体步骤如下:
步骤S423:循环,当参数θ没有收敛时,根据下式循环迭代更新各个部分:
步骤S43:利用测试集对模型进行测试,由均方根误差、平均绝对误差对神经网络的性能和结果进行评估:
步骤S5:根据特定空间天气条件获取空间辐射场,输入训练好的神经网络模型,开展航空辐射剂量的快速反演。
通过上述反演方法,可对不同的航空飞行、不同的空间天气条件实现辐射剂量的快速评估计算,可进一步为机组人员和辐射敏感群提供防护策略和建议。
以上参照附图描述了根据本发明的实施例的用于实现基于神经网络的航空辐射剂量快速反演方法的示例性流程图。应指出的是,以上描述中包括的大量细节仅是对本发明的示例性说明,而不是对本发明的限制。在本发明的其他实施例中,该方法可具有更多、更少或不同的步骤,且各步骤之间的顺序、包含、功能等关系可以与所描述和图示的不同。
Claims (7)
1.一种基于神经网络的航空辐射剂量快速反演方法,其特征在于,包括:
步骤S1:根据宇宙线特征设置不同的入射粒子,并基于蒙特卡罗方法,构建粒子在磁场和大气层中的输运模型;
步骤S2:根据粒子输运模型获得航空高度辐射环境参数;其中,航空高度辐射环境参数包括muon子环境参数、电子环境参数、质子环境参数、中子环境参数中的一种或多种;
步骤S3:根据航空辐射环境参数采用注量—剂量转换系数对航空高度辐射剂量进行计算,并对计算得到的数据进行预处理;
步骤S4:采用辐射剂量预处理数据对神经网络开展训练和测试,确定最优组合,构建航空高度辐射剂量反演的神经网络模型;
步骤S5:将空间天气参数输入到训练好的神经网络模型中,对航空高度辐射剂量进行快速反演。
2.根据权利要求1所述的航空辐射剂量快速反演方法,其特征在于,所述入射粒子在地磁场中传输,采用截止刚度方法。
3.根据权利要求1所述的航空辐射剂量快速反演方法,其特征在于,所述步骤S1进一步包括:
设置不同的宇宙线入射条件;所述宇宙线入射条件包括太阳活动参数、时间、地理位置中的一项或多项;
构建地磁场,计算地磁截止刚度,建立地磁截止刚度模型;
获取大气层顶多个位置的宇宙线辐射能谱及特征;
对大气层顶多个位置的入射粒子的粒子能谱进行特征分析,确定入射粒子的特征量矩阵,以及入射粒子的粒子种类、能量、方向;
采用基于蒙特卡罗方法的Geant4构建粒子在大气层中输运模型。
4.根据权利要求1所述的航空辐射剂量快速反演方法,其特征在于:所述神经网络模型采用Adam梯度下降算法。
6.根据权利要求1所述的航空辐射剂量快速反演方法,其特征在于:所述入射粒子在大气层中输运,采用蒙特卡罗处理入射粒子与大气原子的相互作用过程。
7.根据权利要求6所述的航空辐射剂量快速反演方法,其特征在于:所述大气层的大气模型采用MISISE-00模型,MISISE-00模型的特征参量包括多个地理位置大气层的组成成分、密度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245659.4A CN115310342A (zh) | 2022-10-12 | 2022-10-12 | 一种基于神经网络的航空辐射剂量快速反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245659.4A CN115310342A (zh) | 2022-10-12 | 2022-10-12 | 一种基于神经网络的航空辐射剂量快速反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310342A true CN115310342A (zh) | 2022-11-08 |
Family
ID=83867626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245659.4A Pending CN115310342A (zh) | 2022-10-12 | 2022-10-12 | 一种基于神经网络的航空辐射剂量快速反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310342A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
CN115168927A (zh) * | 2022-06-30 | 2022-10-11 | 哈尔滨工业大学 | 基于反向蒙特卡罗方法模拟计算辐射效应的方法 |
-
2022
- 2022-10-12 CN CN202211245659.4A patent/CN115310342A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
CN115168927A (zh) * | 2022-06-30 | 2022-10-11 | 哈尔滨工业大学 | 基于反向蒙特卡罗方法模拟计算辐射效应的方法 |
Non-Patent Citations (2)
Title |
---|
周宏涛等: "基于神经网络及深层充电的电子通量反演模型", 《中国空间科学技术》 * |
李春娟等: "空间辐射场蒙特卡罗模拟计算方法研究", 《宇航计测技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mertens et al. | Geomagnetic influence on aircraft radiation exposure during a solar energetic particle event in October 2003 | |
Singleterry Jr et al. | OLTARIS: On-line tool for the assessment of radiation in space | |
US10948610B2 (en) | Analysis system for aviation radiation dose | |
Goldhagen | Overview of aircraft radiation exposure and recent ER-2 measurements | |
Mishev et al. | Computation of dose rate at flight altitudes during ground level enhancements no. 69, 70 and 71 | |
Hirooka et al. | Numerical validations of neural-network-based ionospheric tomography for disturbed ionospheric conditions and sparse data | |
Meier et al. | First steps toward the verification of models for the assessment of the radiation exposure at aviation altitudes during quiet space weather conditions | |
CN107643537A (zh) | 航空辐射监测方法 | |
Goldhagen et al. | Recent results from measurements of the energy spectrum of cosmic-ray induced neutrons aboard an ER-2 airplane and on the ground | |
Xu et al. | A method for calculating atmospheric radiation produced by relativistic electron precipitation | |
Hirooka et al. | Neural network based tomographic approach to detect earthquake-related ionospheric anomalies | |
Copeland | Cosmic ray particle fluences in the atmosphere resulting from primary cosmic ray heavy ions and their resulting effects on dose rates to aircraft occupants as calculated with MCNPX 2.7. 0 | |
Copeland et al. | Solar cosmic ray dose rate assessments during GLE 72 using MIRA and PANDOCA | |
CN115310342A (zh) | 一种基于神经网络的航空辐射剂量快速反演方法 | |
Maurchev et al. | Estimated equivalent radiation dose at different altitudes in Earth’s atmosphere | |
Federico et al. | Estimates of cosmic radiation dose received by aircrew of DCTA's flight test special group | |
Krivolutskii et al. | Numerical global models of the ionosphere, ozonosphere, temperature regime, and circulation for altitudes of 0–130 km: Results and prospects | |
Hwang et al. | Modeling of space radiation exposure estimation program for pilots, crew and passengers on commercial flights | |
Maryon et al. | Diffusion in a Lagrangian multiple particle model: a sensitivity study | |
Asorey et al. | ACORDE: A new method to calculate onboard radiation doses during commercial flights | |
Smart et al. | Evaluation of the dynamic cutoff rigidity model using dosimetry data from the STS-28 flight | |
El-Jaby et al. | ISSCREM: International Space Station cosmic radiation exposure model | |
Copeland et al. | Solar radiation alert system | |
Li et al. | Analysis of the singular vectors of the full-physics Florida State University Global Spectral Model | |
Paschalis et al. | Cosmic radiation exposure of aviators for solar cycles 23 and 24 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221108 |