CN116151377A - 改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法 - Google Patents
改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法 Download PDFInfo
- Publication number
- CN116151377A CN116151377A CN202211724014.9A CN202211724014A CN116151377A CN 116151377 A CN116151377 A CN 116151377A CN 202211724014 A CN202211724014 A CN 202211724014A CN 116151377 A CN116151377 A CN 116151377A
- Authority
- CN
- China
- Prior art keywords
- particle transport
- probability
- value
- distribution
- probability density
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 129
- 239000002245 particle Substances 0.000 title claims abstract description 108
- 238000005070 sampling Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000005855 radiation Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000945 filler Substances 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 231100000089 gene mutation induction Toxicity 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000010198 maturation time Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000011163 secondary particle Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/58—Random or pseudo-random number generators
- G06F7/588—Random number generators, i.e. based on natural stochastic processes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法，具体为：导入待分析环境的粒子输运数据；确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；基于权重的别名采样算法优化蒙特卡罗粒子输运算法，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到环境的辐射场计算结果。能够根据不同的粒子输运数据的概率密度分布类型进行预处理，以基于权重的别名采样算法优化蒙特卡罗粒子输运算法，可大幅降低概率密度分布抽样的时间复杂度，提高蒙特卡罗粒子输运计算的效率，快速得到待分析环境的辐射场计算结果。
Description
技术领域
本发明主要涉及辐射剂量计算技术领域，具体涉及一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法。
背景技术
目前，粒子辐射技术已经成为人类改造世界的强大手段，帮助提高我们的生产效率和生活品质，这离不开蒙特卡罗方法及其相关软件的有力支持。在核医学中，使用γ射线、电子、中子、质子、重离子等治疗肿瘤，其中蒙特卡罗粒子输运方法用于精准计算与反演校核人体复杂形状下的辐射剂量；在无损检测中，利用γ射线、中子等透射获取物体内部结构、加工缺陷、厚度等，其中蒙特卡罗粒子(即蒙卡粒子)输运计算方法用于高效分析粒子与不同物质的反应模式、强度衰减等；在辐照加工领域，利用粒子辐射绝缘套等材料，利用中子制造放射性核，利用射线诱发基因突变、控制发芽成熟时间，利用辐照降解有机废物、处理污水等，其中蒙特卡罗粒子输运计算方法用于设计不同粒子所需的辐射强度、持续时间等；在安全环保领域，通过辐照消除静电，防止火灾或爆炸事故，利用辐射防治害虫，治理环境污染等，其中，蒙特卡罗粒子输运方法用于快速计算不同类型辐照的剂量等要求。
但同时，蒙特卡罗粒子输运计算也存在收敛速度慢、难以处理辐射屏蔽深穿透等问题。因此，提升蒙特卡罗粒子输运计算的效率具有重要意义。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法。
本发明解决上述技术问题的技术方案如下：一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置，包括：
导入模块，用于导入待分析环境的粒子输运数据；
数据预处理模块，用于确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；
抽样模块，用于基于权重的别名采样算法优化蒙特卡罗粒子输运算法，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到待分析环境的辐射场计算结果。
本发明解决上述技术问题的另一技术方案如下：一种一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法，包括如下步骤：
导入待分析环境的粒子输运数据；
确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；
基于权重的别名采样算法对蒙特卡罗粒子输运算法进行优化，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到待分析环境的辐射场计算结果。
本发明解决上述技术问题的另一技术方案如下：一种一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法。
本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的改进概率密度分布抽样的蒙卡粒子输运模拟的方法。
本发明的有益效果是：能够根据不同的粒子输运数据的概率密度分布类型进行预处理，以基于权重的别名采样(Alias Sample)算法优化蒙特卡罗粒子输运算法，可大幅降低概率密度分布抽样的时间复杂度，提高蒙特卡罗粒子输运计算的效率，快速得到待分析环境的辐射场计算结果。
附图说明
图1为本发明实施例提供的一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置的模块框图；
图2为本发明实施例提供的一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法的流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1：
如图1所示，一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置，包括：
导入模块，用于导入待分析环境的粒子输运数据；
数据预处理模块，用于确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；
抽样模块，用于基于权重的别名采样算法优化蒙特卡罗粒子输运算法，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到待分析环境的辐射场计算结果。
上述实施例中，能够根据不同的粒子输运数据的概率密度分布类型进行预处理，以基于权重的别名采样(Alias Sample)算法优化蒙特卡罗粒子输运算法，可大幅降低概率密度分布抽样的时间复杂度，提高蒙特卡罗粒子输运计算的效率，快速得到待分析环境的辐射场计算结果。
具体地，所述概率密度分布类型包括离散分布类型、连续分布类型和函数分布类型。
由于，蒙特卡罗方法在模拟粒子输运过程时需要产生大量随机数，并基于产生的随机数进行各种概率密度分布的抽样，概率密度分布抽样的效率直接影响了蒙特卡罗粒子输运模拟的效率。传统的抽样方法中，生成一个0～1之间的随机数，通过比较随机数与各个离散变量取值概率的临界点值，从而看它落在哪个区间进行取值；该算法的时间复杂度为O(logN),导致算法的时间复杂度较高，效率偏低。
其中，源粒子抽样、输运长度抽样、反应核素和反应类性抽样、反应后粒子状态抽样以及次级粒子状态抽样等过程中均涉及到概率密度分布的抽样。基于权重的别名采样(Alias Sample)算法，对不同的概率密度分布类型的抽样方法进行改进，提高蒙特卡罗粒子输运模拟的整体效率。
下面针对多种概率密度分布类型，详细介绍对传统的蒙特卡罗粒子输运进行优化的过程。
所述数据预处理模块具体用于，当确定所述概率密度分布类型为离散分布类型时，
将离散分布类型表示为{L1,L2,…,LN|P1,P2,…,PN}，其中，Li代表离散变量值，Pi代表离散变量值的取值概率，且
将各个取值概率乘以离散分布值的数量N，则处理后的离散分布取值概率为{NP1,NP2,…,NPN}；
将所述离散分布取值概率拼成等概率的二项分布，具体为：若离散分布取值概率小于1.0，则从离散分布取值概率大于1.0的离散变量值中扣除相差的概率，以将其补充为等概率1.0，直至将所有离散变量值对应的离散分布取值概率均被填充为等概率1.0，从而得到新的离散分布取值概率数组{P′1,P′2,…,P′N}以及对应的填充项位置数组{t1,t2,…,tN}，其中，ti＝-1表示原始取值概率为大于或等于1.0的离散变量值，则不需要被填充。
应理解地，对于每一个离散项形成的每一列分布，只有最多两种情况，都符合二项分布。
当所述概率密度分布类型为离散分布类型时，所述抽样模块具体用于，基于权重的别名采样算法对蒙特卡罗粒子输运算法中的抽样方法进行优化，具体为：
产生一个0～1之间的随机数ξ1，计算得到对应的离散列为
并向下取整；
再次产生一个0～1之间的随机数ξ2，当ξ2＜P′m时，变量取值为Lm，否则，变量取值为
进而计算得到待分析环境的辐射场计算结果。
所述数据预处理模块具体用于，当确定所述概率密度分布类型为连续分布类型时，
将连续分布类型表示为{C0,C1,…,CN|0,P1,…,PN}，其中，Ci代表连续变量边界值，Pi代表变量范围(Ci-1,Ci]的取值概率，且
将各个取值概率乘以连续分布值的数量N，即处理后的连续分布取值概率为{NP1,NP2,…,NPN}；
将所述连续分布取值概率拼成等概率的二项分布，具体为：若连续分布取值概率小于1.0的，则从连续分布取值概率大于1.0的连续变量边界值中扣除相差的概率，将其补充为等概率1.0，重复上述操作，直至将所有连续变量边界值对应的连续分布取值概率均被填充为等概率1.0；
记录新的变量临界点值，具体为：
假设第i列的原始取值概率大于1.0，将其移动到原始取值概率小于1.0的第j列，且由第k列补齐第i列的取值概率到1.0，则第i列的变量临界值为
从而得到新的连续分布取值概率数组{P′1,P′2,…,P′N}以及每一列的二项分布对应新的变量临界点值{t11,t12,t13,t14,t21,t22,t23,t24…,tN1,tN2,tN3,tN4}，其中，ti1,ti2,ti3,ti4代表第i列二项分布各自的上下限临界值，若当前列只有一项，则ti3,ti4均为-1。
在此过程中，同时记录补充概率的来源。
当确定所述概率密度分布类型为连续分布类型时，所述抽样模块具体用于，基于权重的别名采样算法对蒙特卡罗粒子输运算法中的抽样方法进行优化，具体为：
产生一个0～1之间的随机数ξ1，计算得到对应的列为
并向下取整；
再次产生一个0～1之间的随机数ξ2，当ξ2＜P′m时，变量取值为
否则，变量取值为/>
进而计算得到待分析环境的辐射场计算结果。
当确定所述概率密度分布类型为函数分布类型时，所述数据预处理模块具体用于：
将函数分布类型在函数自变量的取值范围内等分成若干均匀分布的连续空间，得到分布函数P(x)，将分布函数P(x)等效为{C0,C1,…,CN|0,P1,…,PN}，其中，
代表变量范围(Ci-1,Ci]的取值概率，且/>
当确定所述概率密度分布类型为函数分布类型时，所述抽样模块具体用于，基于权重的别名采样算法对蒙特卡罗粒子输运算法中的抽样方法进行优化，具体为：
产生一个0～1之间的随机数ξ1，计算得到对应的列为
并向下取整；
再次产生一个0～1之间的随机数ξ2，当ξ2＜P′m时，变量取值为
否则，变量取值为/>
进而计算得到待分析环境的辐射场计算结果。
上述各个实施例中，基于权重的别名采样(Alias Sample)算法，可大幅降低概率密度分布抽样的时间复杂度，提高蒙特卡罗粒子输运计算的效率。
应理解地，所述待分析环境的粒子输运数据为辐射防护领域的粒子输运数据或辐照加工领域的粒子输运数据。
实施例2：
如图2所示，一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法，包括如下步骤：
S1：导入待分析环境的粒子输运数据；
S2：确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；
S3：基于权重的别名采样算法对蒙特卡罗粒子输运算法进行优化，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到待分析环境的辐射场计算结果。
实施例3：
一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法。
实施例4：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法。
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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，包括：
导入模块，用于导入待分析环境的粒子输运数据；
数据预处理模块，用于确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；
抽样模块，用于基于权重的别名采样算法优化蒙特卡罗粒子输运算法，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到待分析环境的辐射场计算结果。
2.根据权利要求1所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，所述概率密度分布类型包括离散分布类型、连续分布类型和函数分布类型。
3.根据权利要求2所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，所述数据预处理模块具体用于，当确定所述概率密度分布类型为离散分布类型时，
将离散分布类型表示为{L1,L2,…,LN|P1,P2,…,PN}，其中，Li代表离散变量值，Pi代表离散变量值的取值概率，且
将各个取值概率乘以离散分布值的数量N，则处理后的离散分布取值概率为{NP1,NP2,…,NPN}；
将所述离散分布取值概率拼成等概率的二项分布，具体为：若离散分布取值概率小于1.0，则从离散分布取值概率大于1.0的离散变量值中扣除相差的概率，以将其补充为等概率1.0，直至将所有离散变量值对应的离散分布取值概率均被填充为等概率1.0，从而得到新的离散分布取值概率数组{P′1,P′2,…,P′N}以及对应的填充项位置数组{t1,t2,…,tN}，其中，ti＝-1表示原始取值概率为大于或等于1.0的离散变量值，则不需要被填充。
4.根据权利要求3所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，当所述概率密度分布类型为离散分布类型时，所述抽样模块具体用于，基于权重的别名采样算法对蒙特卡罗粒子输运算法中的抽样方法进行优化，具体为：
产生一个0～1之间的随机数ξ1，计算得到对应的离散列为
并向下取整；
再次产生一个0～1之间的随机数ξ2，当ξ2＜P′m时，变量取值为Lm，否则，变量取值为
进而计算得到待分析环境的辐射场计算结果。
5.根据权利要求2所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，所述数据预处理模块具体用于，当确定所述概率密度分布类型为连续分布类型时，
将连续分布类型表示为{C0,C1,…,CN|0,P1,…,PN}，其中，Ci代表连续变量边界值，Pi代表变量范围(Ci-1,Ci]的取值概率，且
将各个取值概率乘以连续分布值的数量N，即处理后的连续分布取值概率为{NP1,NP2,…,NPN}；
将所述连续分布取值概率拼成等概率的二项分布，具体为：若连续分布取值概率小于1.0的，则从连续分布取值概率大于1.0的连续变量边界值中扣除相差的概率，将其补充为等概率1.0，重复上述操作，直至将所有连续变量边界值对应的连续分布取值概率均被填充为等概率1.0；
记录新的变量临界点值，具体为：
假设第i列的原始取值概率大于1.0，将其移动到原始取值概率小于1.0的第j列，且由第k列补齐第i列的取值概率到1.0，则第i列的变量临界值为
从而得到新的连续分布取值概率数组{P′1,P′2,…,P′N}以及每一列的二项分布对应新的变量临界点值{t11,t12,t13,t14,t21,t22,t23,t24…,tN1,tN2,tN3,tN4}，其中，ti1,ti2,ti3,ti4代表第i列二项分布各自的上下限临界值，若当前列只有一项，则ti3,ti4均为-1。
6.根据权利要求5所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，当确定所述概率密度分布类型为连续分布类型时，所述抽样模块具体用于，基于权重的别名采样算法对蒙特卡罗粒子输运算法中的抽样方法进行优化，具体为：
产生一个0～1之间的随机数ξ1，计算得到对应的列为
并向下取整；
再次产生一个0～1之间的随机数ξ2，当ξ2＜Pm'时，变量取值为
否则，变量取值为/>
进而计算得到待分析环境的辐射场计算结果。
7.根据权利要求2所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，当确定所述概率密度分布类型为函数分布类型时，所述数据预处理模块具体用于：
将函数分布类型在函数自变量的取值范围内等分成若干均匀分布的连续空间，得到分布函数P(x)，将分布函数P(x)等效为{C0,C1,…,CN|0,P1,…,PN}，其中，
代表变量范围(Ci-1,Ci]的取值概率，且/>
8.根据权利要求7所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，当确定所述概率密度分布类型为函数分布类型时，所述抽样模块具体用于，基于权重的别名采样算法对蒙特卡罗粒子输运算法中的抽样方法进行优化，具体为：
产生一个0～1之间的随机数ξ1，计算得到对应的列为
并向下取整；
再次产生一个0～1之间的随机数ξ2，当ξ2＜P′m时，变量取值为
否则，变量取值为/>
进而计算得到待分析环境的辐射场计算结果。
9.根据权利要求1至8任一项所述的改进概率密度分布抽样的蒙卡粒子输运模拟的装置，其特征在于，所述待分析环境的粒子输运数据为辐射防护领域的粒子输运数据或辐照加工领域的粒子输运数据。
10.一种改进概率密度分布抽样的蒙卡粒子输运模拟的方法，其特征在于，包括如下步骤：
导入待分析环境的粒子输运数据；
确定所述粒子输运数据的概率密度分布类型，并根据概率密度分布类型对所述粒子输运数据进行预处理；
基于权重的别名采样算法对蒙特卡罗粒子输运算法进行优化，通过优化后的蒙特卡罗粒子输运算法计算预处理后的粒子输运数据，得到待分析环境的辐射场计算结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211724014.9A CN116151377A (zh) | 2022-12-30 | 2022-12-30 | 改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211724014.9A CN116151377A (zh) | 2022-12-30 | 2022-12-30 | 改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116151377A true CN116151377A (zh) | 2023-05-23 |
Family
ID=86353643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211724014.9A Pending CN116151377A (zh) | 2022-12-30 | 2022-12-30 | 改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116151377A (zh) |
-
2022
- 2022-12-30 CN CN202211724014.9A patent/CN116151377A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Okada et al. | MPEXS‐DNA, a new GPU‐based Monte Carlo simulator for track structures and radiation chemistry at subcellular scale | |
| Abolfath et al. | A model for relative biological effectiveness of therapeutic proton beams based on a global fit of cell survival data | |
| CN116151377A (zh) | 改进概率密度分布抽样的蒙卡粒子输运模拟的装置及方法 | |
| Richtmyer | A non-random sampling method, based on congruences, for" Monte Carlo" problems | |
| Brown et al. | Monte carlo fundamentals | |
| Vlachoudis et al. | Recent developments in the point wise neutron treatment for FLUKA v4 | |
| Mori et al. | Development of the MVP Monte Carlo code at JAERI | |
| Sweezy | Collision of Physics and Software in the Monte Carlo Application Toolkit (MCATK) | |
| Vrban et al. | „Parametric analysis of MCNP multigroup cross-section processing for VVER-440 “ | |
| Sweezy et al. | Bias in Dynamic Monte Carlo Alpha Calculations | |
| Tumulak et al. | Fission Matrix Convergence Diagnostic of the Iterated Fission Probability Method | |
| Kudo et al. | Improvement of analytical method on radiative heat transfer in nongray media by Monte Carlo method | |
| Diller | Heat flux calibration-progress towards national standards | |
| Belyaev et al. | Evaluation of the applicability of theory to the problem of charged-particle transport through a layer | |
| Kiselevich et al. | Analysis of inelastic interactions of pions with Ne nuclei at an initial momentum of 6.2 GeV/c in the four-velocity space | |
| Wang et al. | A comparative study on the dose–effect of low-dose radiation based on microdosimetric analysis and single-cell sequencing technology | |
| MICKUS | Response Matrix Reloaded | |
| Huang et al. | Research on the spatial distribution of n-γ field outside of the spent fuel cask based on Monte Carlo method | |
| Parker et al. | Monte Carlo criticality calculations | |
| Dučkić et al. | Draft Version of the Computational Module for Simplified Radiological Analyses | |
| Kucukboyaci et al. | PENTRAN modeling for design and optimization of the spherical-shell transmission experiments | |
| Beeler et al. | A Method for Computing Primary Knock-on Spectra and Populations in Polyatomic Material Irradiated by Neutrons | |
| Weldon Jr et al. | Testing the Delayed Gamma Capability in MCNP6-Paper 86 | |
| Carter et al. | Monte Carlo energy and cell optimization technique applied to sup 238 Pu production | |
| Lavin | A MONTE CARLO SOLUTION FOR HEAT TRANSFER IN RAREFIED GASES. Laboratory Report No. 61-3 |
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 | ||
| CB02 | Change of applicant information |
Address after: 230031 room 422, 4th floor, entrepreneurship center, No. 9 Daoxiang Road, new industrial park, Shushan District, Hefei City, Anhui Province Applicant after: Zhongke Chao'an Technology Co.,Ltd. Address before: 230031 room 422, 4th floor, entrepreneurship center, No. 9 Daoxiang Road, new industrial park, Shushan District, Hefei City, Anhui Province Applicant before: ANHUI ZHONGKE CHAOAN TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231123 Address after: 266043 No. 1, Guiding Road, Licang District, Shandong, Qingdao Applicant after: Guoke Neutron Knife (Qingdao) Medical Technology Co.,Ltd. Address before: Room 422, 4th Floor, Entrepreneurship Center, No. 9 Daoxiang Road, New Industrial Park, Shushan District, Hefei City, Anhui Province, 230031 Applicant before: Zhongke Chao'an Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |