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 PDF

Info

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
Application number
CN202211245659.4A
Other languages
English (en)
Inventor
方美华
王彪
张余炼
姚韵嘉
宋定一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211245659.4A priority Critical patent/CN115310342A/zh
Publication of CN115310342A publication Critical patent/CN115310342A/zh
Pending legal-status Critical Current

Links

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

一种基于神经网络的航空辐射剂量快速反演方法
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；
将所有训练样本向前传播到输出层后，将估计值和真实值进行比较，以均方误差作为网络的损失函数
Figure 390031DEST_PATH_IMAGE001
，以进行后向传播并更新参数：
Figure 399575DEST_PATH_IMAGE002
（18）
式中，
Figure 839784DEST_PATH_IMAGE003
表示模型输出，
Figure 174950DEST_PATH_IMAGE004
表示网络结构参数，
Figure 638293DEST_PATH_IMAGE005
为训练样本个数，
Figure 717107DEST_PATH_IMAGE006
表示训练集的输入，
Figure 887188DEST_PATH_IMAGE007
表示训练集的输出；
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。
Figure 658835DEST_PATH_IMAGE008
（1）
其中
Figure 343895DEST_PATH_IMAGE009
是地球上的初级宇宙射线通量，
Figure 226400DEST_PATH_IMAGE010
是太阳调制参数，E、E 0和Z分别是粒子的总能量、静止能量和电荷。
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
Figure 375621DEST_PATH_IMAGE011
。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。
Figure 318170DEST_PATH_IMAGE012
（2）
Figure 490525DEST_PATH_IMAGE013
（3）
其中，
Figure 583246DEST_PATH_IMAGE014
是高度H处的截止刚度，
Figure 55816DEST_PATH_IMAGE015
是地球半径，
Figure 903686DEST_PATH_IMAGE016
为衰减系数。
下面公式(4)~(13)给出了衰减系数
Figure 828917DEST_PATH_IMAGE017
的拟合计算公式，对于最低值
Figure 849962DEST_PATH_IMAGE011
，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
Figure 911459DEST_PATH_IMAGE017
≥c，衰减系数宜使用c的值而不是公式(4)的计算值。
Figure 930231DEST_PATH_IMAGE018
（4）
Figure 342758DEST_PATH_IMAGE019
（5）
Figure 541395DEST_PATH_IMAGE020
（6）
Figure 457399DEST_PATH_IMAGE021
（7）
Figure 647072DEST_PATH_IMAGE022
（8）
Figure 343632DEST_PATH_IMAGE023
（9）
Figure 909743DEST_PATH_IMAGE024
（10）
Figure 945832DEST_PATH_IMAGE025
（11）
Figure 306406DEST_PATH_IMAGE026
（12）
Figure 365629DEST_PATH_IMAGE027
（13）
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。
Figure 735430DEST_PATH_IMAGE028
（14）
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；
Figure 360447DEST_PATH_IMAGE029
（15）
Figure 157502DEST_PATH_IMAGE030
（16）
Figure 563075DEST_PATH_IMAGE031
（17）
其中，
Figure 736567DEST_PATH_IMAGE032
是电离辐射对质量为dm的物质所产生的平均能量。其中H T 和W R D T,R 是T组织或T器官的等效剂量，w T 是组织或器官的加权系数。有效剂量的单位与吸收剂量的单位相同为Sv。
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
Figure 481670DEST_PATH_IMAGE033
，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
Figure 449626DEST_PATH_IMAGE034
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：
Figure 217861DEST_PATH_IMAGE035
（18）
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S421：确定步长
Figure 929466DEST_PATH_IMAGE036
、矩估计指数衰减速率
Figure 529074DEST_PATH_IMAGE037
、
Figure 464669DEST_PATH_IMAGE038
和随机目标函数，即关于参数θ可微的随机标量函数，目的是为了减少该函数的期望值；
步骤S422：初始化参数向量
Figure 32234DEST_PATH_IMAGE040
、一阶矩向量
Figure 17507DEST_PATH_IMAGE041
、二阶矩向量
Figure 999370DEST_PATH_IMAGE042
和时间步t；
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：
Figure 70094DEST_PATH_IMAGE043
（19）
Figure 857921DEST_PATH_IMAGE044
（20）
Figure 697701DEST_PATH_IMAGE045
（21）
Figure 975099DEST_PATH_IMAGE046
（22）
Figure 1961DEST_PATH_IMAGE047
（23）
Figure 859058DEST_PATH_IMAGE048
（24）
Figure 723984DEST_PATH_IMAGE049
（25）
式中，gt表示t时刻
Figure 375545DEST_PATH_IMAGE050
函数梯度，
Figure 155282DEST_PATH_IMAGE051
表示t时刻一阶矩向量，vt表示t时刻二阶矩向量，
Figure 550492DEST_PATH_IMAGE052
表示常数1e-8。
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：
Figure 896022DEST_PATH_IMAGE053
（26）
Figure 984064DEST_PATH_IMAGE054
（27）
式中，q表示测试样本数目，Ri和
Figure 985518DEST_PATH_IMAGE055
分别表示第i个样本的实际值和估计值，i=1,2,…q。
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。
5.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；
将所有训练样本向前传播到输出层后，将估计值和真实值进行比较，以均方误差作为网络的损失函数
Figure 72079DEST_PATH_IMAGE001
，以进行后向传播并更新参数：
Figure 475379DEST_PATH_IMAGE002
（18）
式中，
Figure 468742DEST_PATH_IMAGE003
表示模型输出，
Figure 895176DEST_PATH_IMAGE004
表示网络结构参数，
Figure 632188DEST_PATH_IMAGE005
为训练样本个数，
Figure 889994DEST_PATH_IMAGE006
表示训练集的输入，
Figure 116576DEST_PATH_IMAGE007
表示训练集的输出；
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。
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。
CN202211245659.4A 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 Pending CN115310342A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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