CN117648875A - 辐射屏蔽装置的参数优化方法及其矿石分选机 - Google Patents
辐射屏蔽装置的参数优化方法及其矿石分选机 Download PDFInfo
- Publication number
- CN117648875A CN117648875A CN202410123882.4A CN202410123882A CN117648875A CN 117648875 A CN117648875 A CN 117648875A CN 202410123882 A CN202410123882 A CN 202410123882A CN 117648875 A CN117648875 A CN 117648875A
- Authority
- CN
- China
- Prior art keywords
- shielding
- model
- parameters
- radiation
- parameter
- 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.)
- Granted
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008901 benefit Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012938 design process Methods 0.000 abstract description 3
- 230000001681 protective effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005865 ionizing radiation Effects 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 229910001245 Sb alloy Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 229910052787 antimony Inorganic materials 0.000 description 1
- 239000002140 antimony alloy Substances 0.000 description 1
- WATWJIUSRGPENY-UHFFFAOYSA-N antimony atom Chemical compound [Sb] WATWJIUSRGPENY-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000037380 skin damage Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及辐射屏蔽装置的参数优化方法及其矿石分选机,首先构建矿石分选机结构模型,然后仿真分析屏蔽结构各项参数对屏蔽结构屏蔽性能的影响规律,确定影响屏蔽结构屏蔽性能的关键参数,进而搭建矿石分选机中屏蔽结构的关键参数与屏蔽性能的预测模型;最后据此构建多目标优化问题,以对各关键参数进行优化更新,能够从经济效益、成本重量、防护性能各方面综合设置屏蔽结构的各项参数,为矿石分选机的设计过程提供指导性意见,为其生产降本降耗,为其使用提高屏蔽性能。
Description
技术领域
本发明涉及仿真控制领域,特别是涉及一种辐射屏蔽装置的参数优化方法及其矿石分选机。
背景技术
如图1所示,为示例的一种XRT矿石分选机,其工作原理为:待分选的矿石在经过振动给料后通过溜板下落到检测皮带上,经过一段距离的运输后矿石与检测皮带保持相对静止并进入X射线照射区域进行X射线成像,信息处理系统根据成像数据实时判断分析矿石的成分与位置,并驱动分离执行系统控制气排枪对选定矿石进行吹气,使精矿和尾矿分别落于不同的收集仓内。
所以,照射和检测系统是矿石分选机的核心组成部分,其主要功能是提供射线源,收集射线照射后矿石的特性信息以作为矿石分选的依据。该系统的检测射线为X射线,X射线作为一种穿透性极强的电磁波,会产生电离辐射,与人体的细胞、组织、体液和其他物质发生相互作用,导致该物质的原子或分子发生离子化,从而可以直接破坏体内某些大分子结构。电离辐射不仅会导致全身性急性和慢性辐射损害,还会造成局部皮肤损害。如果不对X射线进行合理的辐射防护,则会对周围环境以及工作人员均会造成电离辐射损伤,危害人体健康。
因此,X射线的辐射防护是极其重要的,辐射防护系统保证了矿石分选机周围的辐射安全。在进行设备的辐射防护屏蔽设计时应遵循辐射防护三原则,即实践的正当性、防护的最优化、个人剂量限值。实践的正当性要求任何一项辐射实践在综合考虑了社会、经济和其它有关参数之后,该项辐射对受照个人或社会所带来的利益足以弥补其可能引起的辐射危害时,该辐射实践才是正当的。防护最优化是指通过选择最佳的防护水平和最优的防护方案来达到以最小的代价获得最大利益的目标,也称为ALARA原则。个人剂量限值要求在满足正当化与最优化两项原则时,还要保证个人所受照射的剂量不超过规定的限值。
当前矿石分选机屏蔽装置的设计方法缺乏,在对矿石分选机进行辐射防护屏蔽设计时只满足了实践的正当性原则、个人剂量限值原则,并未满足防护最优化原则,过度考虑了矿石分选机周围的辐射安全性,导致矿石分选机存在过防护和机体过重的现象,从而增加了企业的生产成本。防护最优化原则要求以最小的代价获得最大利益,需要实现辐射防护最低剂量限制目标外,还需要考虑屏蔽结构的重量等限制参数。
因此,如何进一步优化矿石分选机辐射屏蔽装置中的各项参数,是该领域亟待解决的技术问题。
发明内容
为解决上述技术问题,本发明提供一种矿石分选机辐射屏蔽装置的参数优化方法,包括:
S1:构建矿石分选机的结构模型;
S2:在结构模型上,仿真屏蔽装置的各项参数对屏蔽性能的影响,确定影响屏蔽性能的关键参数及其影响程度;
S3:建立屏蔽结构各项关键参数与屏蔽性能关系的预测模型;
S4:根据屏蔽装置的关键参数及其取值范围,以及关键参数与屏蔽性能关系的预测模型,构建以屏蔽装置效益和屏蔽性能为优化目标的多目标优化模型,求解优化屏蔽装置的关键参数。
进一步地,步骤S1,包括:构建放射装置和屏蔽装置的结构文件,导入建模软件,得到矿石分选机的结构模型。
进一步地,放射装置,包括射线源;屏蔽装置,包括射线管护罩、准直器和铅房;
将各模型导入MCNP软件,调用PLOT模块,查看屏蔽装置的几何形状,进而导入SuperMC软件,得到矿石分选机的结构模型。
进一步地,步骤S2,包括:
S21:根据结构模型,确定仿真过程中,影响屏蔽性能的待研究参数及其取值范围;
S22:根据待研究参数及其取值范围确定若干试验组,并输入结构模型,仿真得到各试验组的屏蔽性能结果;
S23:根据各试验组的屏蔽性能结果,从各待研究参数中确定影响屏蔽性能的关键参数及其影响程度。
进一步地,步骤S22,具体为:
采用Box-Behnken Design试验设计方法确定若干试验组,并输入结构模型,以矿石分选机周围辐射剂量率总和为屏蔽性能结果的表征参数。
进一步地,步骤S23,具体为:对矿石分选机周围辐射剂量率综合进行回归分析,以极显著影响和显著影响参数为关键参数;非显著影响参数为非关键参数;
并通过绘制Pareto图而确定各关键参数的影响大小排序
进一步地,步骤S3,包括:
S31:构建预测模型,包括输入层、隐含层和输出层;输入层,以关键参数为输入;输出层,以屏蔽性能为输出;隐含层,反映输入层与输出层的关系;
S32:根据关键参数及其取值范围,采用BBD响应面法仿真得到试验数据,构建训练样本,以训练验证预测模型,得到训练后的预测模型。
进一步地,步骤S4,包括:
以确定的关键参数为多目标优化模型的决策向量,关键参数的取值范围为多目标优化模型的决策空间;
以根据预测模型确定各优化变量下的屏蔽性能,满足安全性能指标;且根据各优化变量确定总重量或总成本,以其在满足安全性能指标的前提下最小为优化目标,构建多目标优化模型。
另一方面,本发明还提供一种矿石分选机,包括输送仓、检测仓、分选仓、辐射装置和屏蔽装置;采用上述任意的参数优化方法设计屏蔽装置的参数。
进一步地,屏蔽装置,包括:射线管护罩、准直器和铅房。
本发明提供的辐射屏蔽装置的参数优化方法及其矿石分选机,首先构建矿石分选机结构模型,然后仿真分析屏蔽结构各项参数对屏蔽结构屏蔽性能的影响规律,确定影响屏蔽结构屏蔽性能的关键参数,进而搭建矿石分选机中屏蔽结构的关键参数与屏蔽性能的预测模型;最后据此构建多目标优化问题,以对各关键参数进行优化更新,能够从经济效益、成本重量、防护性能各方面综合设置屏蔽结构的各项参数,为矿石分选机的设计过程提供指导性意见,为其生产降本降耗,为其使用提高屏蔽性能。
附图说明
图1为矿石分选机的工作原理的结构示意图;
图2为本发明参数优化方法的一个实施例的流程图;
图3为X射线管的结构示意图;
图4为射线管护罩的结构示意图;
图5为射线管护罩的模型示意图;
图6为准直器的模型示意图;
图7为铅房的模型示意图;
图8为矿石分选机的模型模型在某点处的XY、YZ、XZ截面形状示意图;
图9 为一个实施例的辐射剂量率标准化效应Pareto图;
图10 为一个实施例的三层BP神经网络拓扑结构图;
图11 为一个实施例的BP神经网络训练后的训练集结果图;
图12为一个实施例的BP神经网络训练后的验证集结果图;
图13为一个实施例的BP神经网络训练后的测试集结果图;
图14为一个实施例的BP神经网络训练后的整体数据集结果图;
图15为一个实施例的第1次迭代的种群分布变化图;
图16为一个实施例的第10次迭代的种群分布变化图;
图17为一个实施例的第30次迭代的种群分布变化图;
图18为一个实施例的第50次迭代的种群分布变化图;
图19为一个实施例的第100次迭代的种群分布变化图;
图20为一个实施例的第500次迭代的种群分布变化图。
图3中,1-管壳;2-阴极灯丝;3-窗口;4-阳极靶;5-阳极体。
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作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。
需要说明,若本发明实施例中有涉及方向性指示,诸如上、下、左、右、前、后……,则该方向性指示仅用于解释在某一特定姿态下,各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。另外,若本发明实施例中有涉及“第一、第二”、“S1、S2”、“步骤一、步骤二”等的描述,则该类描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量或者表明方法的执行顺序等,本领域技术人员可以理解的凡是在发明技术构思下,不违背其发明要点的,都应该列入本发明的保护范围。
如图2 所示,本发明提供一种矿石分选机屏蔽装置的参数优化方法,包括:
S1:构建矿石分选机的结构模型;
具体的,可选但不仅限于根据矿石分选机的具体型号、厂家、尺寸、种类,其放射装置、屏蔽装置的具体种类、尺寸、结构等,而构建矿石分选机的结构模型。更为具体的,本申请可选但不仅限于以XRT矿石分选机屏蔽装置仿真建模为例,做解释说明,但并不以此为限。
在一个实施例中,矿石分选机的结构模型,可选但不仅限于包括:构建放射装置和屏蔽装置的结构文件,导入建模软件,得到矿石分选机的结构模型。
优选的,放射装置,可选但不仅限于包括射线源,下面以射线源建模为例做解释说明;屏蔽装置,可选但不仅限于包括射线管护罩、准直器和铅房,下面以射线管护罩建模、准直器建模和铅房建模为例做解释说明;但并不以此为限:
A:放射装置模型,可选但不仅限于包括射线源建模,可选但不仅限于以X射线源建模为例做解释说明,但并不以此为限:
具体的,放射装置,一般采用射线源模型,具体可选但不仅限于采用X射线机产生,主要由X射线管与高压电源组成,X射线管是产生X射线的关键元件。X射线管主要由阴极、阳极、密封管壳组成,管内的环境真空,如图3所示;其结构模型如图4所示。
B:屏蔽装置模型,可选但不仅限于包括射线管护罩建模、准直器建模和铅房建模。
具体的,屏蔽装置是矿石分选机的重要组成部分,保障了矿石分选机周围的辐射安全与人体健康。以上述放射装置模型为例,X射线由X射线管发出,屏蔽装置由射线管护罩、准直器和铅房三部分组成。
同样的,可选但不仅限于以某型号的XRT矿石分选机屏蔽装置为例,以X射线射出方向为X正方向建立笛卡尔坐标系,通过SolidWorks软件建立XRT矿石分选机屏蔽装置的三维实体装配模型。具体的:
B1:射线管护罩建模:
更为具体的,射线管护罩覆盖在射线管外部,材料可选但不仅限于为铅锑合金(95%铅、5%锑),密度为11.11g/cm3,其主要作用是防止射线泄漏对人体和环境造成危害,射线管护罩的结构模型如图5所示,主要参数如表1所示。
表1射线管主要结构参数
B2:准直器建模:
更为具体的,准直器是一种能够限制X射线照射范围的装置,通常由高吸收性能材料铅制成。它通过控制X射线束的长度、宽度和高度来调整X射线束的大小,从而实现对辐射量的控制。准直器位于X射线管输出窗口正下方,X射线经由该窗口直接进入准直器中,并在其内部穿过。
表2 准直器主要结构参数
X射线管通电后,电子轰击钨靶产生90°×30°的原始射线束,经过准直器准直之后,形成67°×2°的扇形平面X射线束,照射在检测皮带固定位置处。XRT矿石分选机的准直器结构分为三级,根据准直器距离射线管的远近划分,分别为一级准直、二级准直和三级准直。准直器结构模型如图6所示,主要参数如表2所示。
B3:铅房建模
铅房是屏蔽X射线的主要辐射防护装置,它有效地屏蔽了X射线射入空气中的电离辐射,保障了矿石分选机周围的辐射安全。铅房主要由输送仓室、检测仓室与分选仓室外表面的铅板组成。铅板均贴在各个仓室的外表面用以辐射防护,XRT矿石分选机辐射屏蔽铅房结构如图7所示。
XRT矿石分选机辐射屏蔽铅房是关于XY平面对称的结构。本申请,可选但不仅限于以振动筛给料进口处为前端,分选仓方向为后端,对称面为侧面,如图7所示,将铅房结构划分为8组铅板,分别为分选仓顶部铅板、分选仓侧面铅板、分选仓后端面铅板、检测仓顶部铅板、检测仓侧面铅板、检测仓前端面铅板、输送仓顶部铅板、输送仓侧面铅板,并标记编号。XRT矿石分选机辐射屏蔽铅房主要参数如表3所示。
表3 铅房主要结构参数
C:将各模型导入MCNP软件,调用PLOT模块,查看屏蔽装置的几何形状,进而导入SuperMC软件,得到矿石分选机的结构模型。
具体的,可选但不仅限于采用MCNP构建模型,MCNP程序运行的最大字符数为1000,为保证能够运用MCNP程序建立完整的屏蔽装置仿真模型,可选但不仅限于对射线管护罩、准直器、铅房的三维模型进行简化,忽略射线管护罩上的螺纹孔,铅房倒角等结构特征。将INP文件导入MCNP软件,调用PLOT模块,查看屏蔽装置的几何形状,MCNP软件只能查看模型在某点处的XY、YZ、XZ截面形状,如图8所示,原点处XY、YZ、XZ截面形状。
MCNP软件只能查看几何结构的截面形状,为此进一步采用SuperMC软件,相比MCNP,SuperMC可以查看几何结构的三维模型并且兼容MCNP程序,能够读取INP文件,将写有XRT矿石分选机屏蔽装置的INP文件导入SuperMC软件,查看三维结构模型。
S2:在结构模型上,仿真屏蔽装置的各项参数对屏蔽性能的影响,确定影响屏蔽性能的关键参数及其影响程度;
具体的,屏蔽装置的各项参数,为可能对放射源的传输衰减起作用的参数,可由本领域技术人员根据物理特性、常识经验而任意设定。
以X射线为例,其衰减主要是距离和物质所导致的衰减。物质导致的衰减是由于X射线照射到屏蔽材料时会与屏蔽材料发生相互作用,主要包含三种:光电效应、康普顿散射、电子对效应。X射线与物质发生相互作用后,光子能量衰减,X射线在材料中的衰减公式如下:
;
式中,为入射X射线强度;I为出射X射线强度;μ为线性衰减系数;x为材料厚度。由公式可知物质的衰减与材料厚度与性质有关。
因此,在一个实施例中,步骤S2,可选但不仅限于包括:
S21:根据结构模型,确定仿真过程中,影响屏蔽性能的待研究参数及其取值范围;
具体的,根据X射线的衰减原理,在屏蔽装置中,可选但不仅限于选取射线管护罩材质、厚度、尺寸,准直器角度、长度、间隔距离,铅房中铅板尺寸,如厚度、长度、宽度、高度等的任意一个或多个,作为影响屏蔽性能的主要参数,为待研究参数;并根据结构模型、常规经验而确定每个待研究参数的取值范围。进而输入值结构模型,通过仿真实验,以得到不同参数下屏蔽性能的结果,根据各参数下各结果的不同,而分析确定哪些因素为关键因素,哪些因素为非关键因素;具体的分析过程,可通过统计归纳、回归分析等而确定。
更为具体的,在一个实施例中,可选但不仅限于如表4所示,选取X1至X13,13个变量为待研究参数,以各自的低水平(-1)至高水平(1)为取值范围。
表4 待研究参数及其取值范围
S22:根据待研究参数及其取值范围确定若干试验组,并输入结构模型,仿真得到各试验组的屏蔽性能结果。
具体的,可选但不仅限于根据待研究参数及其取值范围,以某一个或多个变量取值改变,其他变量取值不变的方式,或者将取值范围划分区间的方式等,设计若干试验组;
优选的,可选但不仅限于采用Box-Behnken Design(BBD)试验设计方法确定若干试验组。更为具体的,可选但不仅限于将上述若干试验组输入结构模型,仿真得到各试验组的屏蔽性能结果,以确定每个待研究参数对屏蔽性能的影响程度。
在一个优选实施例中,可选但不仅限于:根据待研究参数及其取值范围确定若干试验组(如表2所示的试验组1-20),并输入结构模型,以矿石分选机周围辐射剂量率总和(如表2所示的结果Y)为屏蔽性能结果的表征参数,即试验响应结果。更为具体的,可选但不仅限于在上述试验设计方案的基础上,进行Plackett-Burman试验,MCNP程序模拟得到Plackett-Burman试验设计结果如表5所示。
表5 Plackett-Burman试验设计及结果
S23:根据各试验组的屏蔽性能结果,从各待研究参数中确定影响屏蔽性能的关键参数及其影响程度。
具体的,可选但不仅限于将各试验组的屏蔽性能结果,如上述MCNP程序模拟得到的辐射剂量率结果,填入Minitab,在待研究参数中选取若干参数为关键参数,并同时确定各关键参数对屏蔽性能的影响程度。
在一个优选实施例中,步骤S23,可选但不仅限于对屏蔽结果进行回归分析,可选但不仅限于采用偏回归系数及其显著性,对各试验组的屏蔽性能结果进行评价,以从中确定影响屏蔽性能的关键参数及其影响程度。更为优选的,该影响程度,可选但不仅限于为:根据回归分析结果,从待研究参数中,将极显著影响和显著影响,确定为关键参数;非显著影响为非关键参数;并通过绘制Pareto图而确定各关键参数的影响大小排序。下面以上述13个待研究参数的仿真结果做进一步的解释说明,但并不以此为限。值得注意的,根据矿石分选机的具体结构型号等不同,所选取的待研究参数可能不同,仿真结果得到的关键参数及各关键参数的影响排序也可能不同,不以下述示例为限。
具体的,如上述13个影响参数的偏回归系数及其显著性如表6,可知,回归模型的P值<0.0001,说明Plackett-Burman试验分析得到的模型可信度高,具有高度的显著性,回归分析均能够确切地描述Plackett-Burman试验数据。其中,束长准直器角度X1、束宽准直器角度X2、分选仓侧面铅板X4、分选仓后端面铅板X5、检测仓顶部铅板X6、检测仓侧面铅板X7、检测仓前端面铅板X8、输送仓顶部铅板X9、输送仓侧面铅板X10的P值均小于0.01,对矿石分选机周围辐射剂量率有着极显著影响;分选仓顶部铅板X3的P值小于0.05,对矿石分选机周围辐射剂量率有着显著影响;其余项P值均大于0.05,说明其余项不显著。
表6 回归方程方差分析表
附注:“**”表示该项极显著(P<0.01);“*”表示该项显著(P<0.05)。
因此,在13个待研究参数中,选取极显著影响和显著影响的10个参数为关键参数:选取束长准直器角度、束宽准直器角度、分选仓顶部铅板、分选仓侧面铅板、分选仓后端面铅板、检测仓顶部铅板、检测仓侧面铅板、检测仓前端面铅板、输送仓顶部铅板、输送仓侧面铅板作为影响矿石分选机周围辐射剂量率的关键参数。
在一个优选实施例中,步骤S2,还可选但不仅限于包括:根据屏蔽结果,如上述辐射剂量率回归分析绘制标准化效应的Pareto图,如图9所示,确定各关键参数对屏蔽结果,如辐射剂量率的影响程度排序为:检测仓侧面铅板X7>输送仓侧面铅板X10>检测仓顶部铅板X6>分选仓侧面铅板X4>检测仓前端面铅板X8>束宽准直器角度X2>输送仓顶部铅板X9>束长准直器角度X1>分选仓后端面铅板X5>分选仓顶部铅板X3>铅房宽度X12>铅房高度X11>输送通道高X13。
S3:确定屏蔽结构各项关键参数与屏蔽性能关系的预测模型;具体的,可选但不仅限于采用神经网络模型构建各项关键参数与屏蔽性能的预测模型,但并不以此为限。
在一个优选实施例中,步骤S3,可选但不仅限于包括:
S31:构建以关键参数为输入,屏蔽性能为输出的预测模型。具体的,预测模型,可选但不仅限于采用BP神经网络,包括输入层、隐含层和输出层,其三层拓扑结构如图10所示。具体的:
输入层,以关键参数为输入;输出层,以屏蔽性能为输出;隐含层,反映输入层与输出层的关系。
优选的:可选但不仅限于以步骤S2中确定的关键参数,如极显著和显著的参数:以束长准直器角度X1、束宽准直器角度X2、分选仓顶部铅板X3、分选仓侧面铅板X4、分选仓后端面铅板X5、检测仓顶部铅板X6、检测仓侧面铅板X7、检测仓前端面铅板X8、输送仓顶部铅板X9、输送仓侧面铅板X10为自变量,作为BP神经网络的输入层;以矿石分选机周围若干个监测点,如12个检测点处的辐射剂量率值Y1-Y12为响应值,作为BP神经网络的输出层。
更为优选的,在构建预测模型时,还可选但不仅限于根据关键因素的影响程度,调整隐含层的层级,以及每一层神经云的阈值和权重的初始值,以便于后续训练过程更快速、更精准的完成,提高该预测模型的收敛性速度和精准性。
具体的,可选但不仅限于为极显著影响设置比显著影响更多层级的隐含层;为排序靠前的关键参数配置比排序靠后的关键参数更高的阈值和权重等。
S32:根据关键参数及其取值范围,采用BBD响应面法仿真得到试验数据,构建训练样本,以训练验证预测模型,得到训练后的预测模型。
具体的,在训练阶段,结合Plackett-Burman筛选试验得到的十个影响辐射剂量率的关键参数,采用BBD响应面法(Box-Behnken Design)设计十参数三水平的试验,试验参数编码及水平如表7所示,仿真得到试验设计的试验组合共170组,本申请以这170组BBD响应试验数据作为BP神经网络的训练样本数据。
表7 试验参数编码及水平
更为具体的,BP神经网络作为多层反馈神经网络,可选但不仅限于按照误差逆向传播算法进行训练,其训练过程由信号的正向传播和误差的反向传播组成,通过正向传播生成的实际输出与期望样本输出进行对比,然后将误差通过反向传播,不断调整每一层神经元的阈值与权值,在一次次正向与反向传播的学习过程中循环往复直到反馈的误差信号小于等于目标设定的数值,完成对复杂问题的学习和训练。
更为具体的,训练BP神经网络是一个不断调整阈值和权值的过程。通过设置训练函数类型、训练目标、训练次数及学习率等参数,降低输出层的误差值。BP神经网络预测模型训练完成后还需要对其进行验证与测试,检验该网络预测模型的性能是否满足要求。在MATLAB中导入的样本数据共有170组,选取其中70%作为训练数据(119组),20%作为验证数据(34组),另外10%作为测试数据(17组)。
BP神经网络训练结果如图11-14所示,可知,训练集的拟合程度达到99.981%,验证集的拟合程度达到99.715%,测试集的拟合程度达到了99.47%,综合整体BP神经网络预测模型的拟合程度达到了99.935%。BP神经网络预测模型得到的输出值与样本数据输出结果接近,且误差值均在神经网络允许误差范围之内,证明该神经网络预测模型拟合度高,准确性好。
表8 验证方案设计
表9 验证结果分析
在MATLAB中训练导入的样本数据使得预测模型的准确度达到了99%以上,但是对于不存在于训练样本中的屏蔽结构参数,该预测模型的准确度还未得到验证。因此,选取三组未包含在训练样本中的屏蔽结构参数数据,验证方案设计如表8所示,分别使用MCNP屏蔽装置仿真模型与BP神经网络辐射剂量率预测模型对12个检测点的剂量率进行模拟计算与预测,得到对比结果如表9所示,可知MCNP仿真值与BP神经网络预测值大小基本一致,误差不超过2%,证明BP神经网络预测模型的可信度高,能够确切地描述矿石分选机周围辐射剂量率。
S4:根据屏蔽装置的关键参数的取值,以及关键参数与屏蔽性能的关系,构建以屏蔽装置效益和屏蔽性能为优化目标的多目标优化模型,求解优化屏蔽装置的关键参数。
具体的,多目标优化是指:某个模型的解需要同时满足多个目标时,由于容易存在目标间的内在冲突,一个目标的优化是以其他目标劣化为代价,会导致“此起彼伏、此消彼长”现象的发生,因此很难出现唯一最优解,取而代之的是在他们中间做出协调和折衷处理,使总体的目标尽可能的达到最优。一般可以把多目标优化问题描述为以下数学模型:
式中,X=(x 1 ,x 2 ,…x n )T为决策向量,Ω是决策空间,R m 为目标空间,n是目标函数个数。
对于本申请步骤S4所需构建的多目标优化模型,则可选但不仅限于根据选定的关键参数及其取值,确定多目标优化问题的决策向量X,可选但不仅限于为上述选定的10个关键参数,根据其取值范围确定决策空间Ω,如表10所示,即优化变量及其取值范围。进而根据优化目标,可选但不仅限于为:在保障辐射安全的前提下,降低屏蔽结构重量、成本等,即在满足辐射防护安全的前提下,尽量降低整个屏蔽装置的重量、造价,以为运输等提供方便、达到经济效益最大化。那么约束条件,即可选但不仅限于包括:
1、根据预测模型确定各优化变量下的屏蔽性能,满足安全性能指标,具体可根据国标、安全要求、个人剂量限值等而确定,为约束条件一;
2、根据各优化变量确定总重量或总成本,以其在满足安全性能指标的前提下最小,为约束条件二;
值得注意的,上述关键参数及其取值范围的具体选定,以及多目标优化问题中具体约束条件的确定,仅以上述示例做解释说明,但并不以此为限。本领域技术人员可以理解的,待研究因素除了上述13个以外,还可选但不仅限于为射线管护罩厚度尺寸等;因各矿石分选机结构模型不同,确定的关键因素及其取值范围也可能不同;此外,优化目标也可根据实际情况而改变,示例的,可选但不仅限于包括:某截面宽度需满足某要求,以适应某工厂的场地要求;某方向屏蔽性能更优,以适应其他特殊要求等。
表10优化变量及其取值范围表
更为具体的,对于上述多目标优化问题,可选但不仅限于采用常用求解模型,如线性加权模型、基于相互关系模型、ε-约束模型、帕累托(Pareto)模型以及基于回报值模型,以适用性、解的优劣性、解的空间大小以及求解难易度作为多目标优化求解模型的评判标准,得到以上求解模型的评价结果如表11所示,可知,综合适用性、解的优劣性以及解的空间大小考虑,Pareto模型表现最为优秀,但是其求解难易度较大。Pareto模型是求解多目标优化问题的经典常用模型,Pareto模型不需要对优化目标进行缩放和归一化,也不需要设定或者引入新的参数、变量(如权重、界限值),可以适用于任何目标、任何函数。本申请,可选但不仅限于优选Pareto模型作为矿石分选机屏蔽装置参数多目标优化的求解模型。并基于NSGA-Ⅱ算法的屏蔽装置参数多目标优化。
表11 多目标优化求解模型评价表
具体的,遗传算法(Genetic Algorithm,GA)是模拟生物遗传进化过程中生殖、交配、变异等进化与淘汰现象的一种随机搜索寻优算法。NSGA-Ⅱ算法又称为带有精英策略的快速非支配排序遗传算法,该算法针对NSGA算法收敛速度慢、收敛性低和需人为设定共享参数等问题,提出了快速非支配排序、拥挤度比较算子和精英保留策略,降低了算法的复杂度并提高了种群多样性,具有运行速度快、收敛性高等特点,是目前使用最广泛和最有效的多目标优化算法之一。本申请优选采用NSGA-Ⅱ算法,优化目标为在辐射防护安全的前提下,降低屏蔽结构重量或成本采用NSGA-Ⅱ算法对目标优化函数进行求解,得到目标优化函数Pareto最优解在进化500代中的变化曲线,其中初次迭代、第10次迭代、第30次迭代、第100次迭代以及最终迭代得到的种群分布如图15-20所示。
图15至图20反映了NSGA-Ⅱ算法多目标优化寻优的过程,可知,在第50次迭代时种群的收敛曲线已基本确定,迭代到第500代,此时可以看出种群中所有个体基本都是分布在Pareto前沿上,获得了均匀分布最优解集。Pareto前沿上的所有解不存在优劣之分,可以根据实际问题需求对Pareto前沿上的优化解进行选择。
具体的,根据Pareto前沿选取3组优化后的矿石分选机屏蔽装置的参数,在MCNP中建立优化后的屏蔽装置仿真模型并进行仿真,与样机模型结果进行对比分析,结果如表12所示。
表12优化前后对比分析表
表 13 优化前后对比分析
由表12可知,在保证屏蔽系统屏蔽性能的前提下,方案3优化效果最好,优化方案3与原模型相比,屏蔽结构总质量降低了30.36%。表13为优化前后各检测点辐射剂量率与屏蔽结构总重对比结果,可知,各检测点的辐射剂量率均未超过2.5μSv/h,均在辐射安全指标范围内。由此证明本申请的参数优化方法,能够实现矿石分选机屏蔽装置的参数优化设计。
在上述实例中,给出了本发明矿石分选机辐射屏蔽装置的参数优化方法,首先构建矿石分选机结构模型,然后仿真分析屏蔽结构各项参数对屏蔽结构屏蔽性能的影响规律,确定影响屏蔽结构屏蔽性能的关键参数,进而搭建矿石分选机中屏蔽结构的关键参数与屏蔽性能的预测模型;最后据此构建多目标优化问题,以对各关键参数进行优化更新,能够从经济效益、成本重量、防护性能各方面综合设置屏蔽结构的各项参数,为矿石分选机的设计过程提供指导性意见,为其生产降本降耗,为其使用提高屏蔽性能。
优选的,可选但不仅限于根据蒙特卡罗理论使用MCNP软件对屏蔽装置进行建模,仿真分析屏蔽结构各项参数对屏蔽结构屏蔽性能的影响规律,通过辐射剂量率检测实验验证仿真模型的正确性,通过Plackett-Burman筛选试验确定了影响辐射剂量率的关键参数。并采用BP神经网络算法搭建矿石分选机屏蔽性能,即辐射剂量率预测模型;以屏蔽结构的总质量与总剂量率作为优化目标,采用NSGA-Ⅱ遗传算法对多目标优化模型进行求解,获得屏蔽结构的最优结构参数,得到的优化后的屏蔽结构重量比原屏蔽结构重量降低30.36%,降低了企业的生产成本,增加了企业的经济效益。
另一方面,本发明还提供一种矿石分选机,包括输送仓、检测仓、分选仓、辐射装置和屏蔽装置;采用上述任意的参数优化方法设计屏蔽装置的参数。具体的,该屏蔽装置,可选但不仅限于包括射线管护罩、准直器和铅房。
另一方面,本发明还提供一种计算机存储介质,存储有可执行程序代码;所述可执行程序代码,用于执行上述任意的矿石分选机屏蔽装置的参数优化方法。
另一方面,本发明还提供一种终端设备,包括存储器和处理器;所述存储器存储有可被处理器执行的程序代码;所述程序代码用于执行上述任意的矿石分选机屏蔽装置的参数优化方法。
示例性的,所述程序代码可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述程序代码在终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是终端设备的内部存储单元,例如硬盘或内存。所述存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述程序代码以及终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
上述矿石分选机、计算机存储介质和终端设备基于上述矿石分选机辐射屏蔽装置的参数优化方法而创造,其技术作用和有益效果在此不再赘述,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种矿石分选机辐射屏蔽装置的参数优化方法,其特征在于,包括:
S1:构建矿石分选机的结构模型;
S2:在结构模型上,仿真屏蔽装置的各项参数对屏蔽性能的影响,确定影响屏蔽性能的关键参数及其影响程度;
S3:建立屏蔽结构各项关键参数与屏蔽性能关系的预测模型;
S4:根据屏蔽装置的关键参数及其取值范围,以及关键参数与屏蔽性能关系的预测模型,构建以屏蔽装置效益和屏蔽性能为优化目标的多目标优化模型,求解优化屏蔽装置的关键参数。
2.根据权利要求1所述的参数优化方法,其特征在于,步骤S1,包括:构建放射装置和屏蔽装置的结构文件,导入建模软件,得到矿石分选机的结构模型。
3.根据权利要求2所述的参数优化方法,其特征在于,放射装置,包括射线源;屏蔽装置,包括射线管护罩、准直器和铅房;
将放射装置模型和屏蔽装置模型导入MCNP软件,调用PLOT模块,查看屏蔽装置的几何形状,进而导入SuperMC软件,得到矿石分选机的结构模型。
4.根据权利要求1所述的参数优化方法,其特征在于,步骤S2,包括:
S21:根据结构模型,确定仿真过程中,影响屏蔽性能的待研究参数及其取值范围;
S22:根据待研究参数及其取值范围确定若干试验组,并输入结构模型,仿真得到各试验组的屏蔽性能结果;
S23:根据各试验组的屏蔽性能结果,从各待研究参数中确定影响屏蔽性能的关键参数及其影响程度。
5.根据权利要求4所述的参数优化方法,其特征在于,步骤S22,具体为:
采用Box-Behnken Design试验设计方法确定若干试验组,并输入结构模型,以矿石分选机周围辐射剂量率总和为屏蔽性能结果的表征参数。
6.根据权利要求5所述的参数优化方法,其特征在于,步骤S23,具体为:对矿石分选机周围辐射剂量率综合进行回归分析,以极显著影响和显著影响参数为关键参数;非显著影响参数为非关键参数;
并通过绘制Pareto图而确定各关键参数的影响大小排序。
7.根据权利要求1所述的参数优化方法,其特征在于,步骤S3,包括:
S31:构建预测模型,包括输入层、隐含层和输出层;输入层,以关键参数为输入;输出层,以屏蔽性能为输出;隐含层,反映输入层与输出层的关系;
S32:根据关键参数及其取值范围,采用BBD响应面法仿真得到试验数据,构建训练样本,以训练验证预测模型,得到训练后的预测模型。
8.根据权利要求1-7任意一项所述的参数优化方法,其特征在于,步骤S4,包括:
以确定的关键参数为多目标优化模型的决策向量,关键参数的取值范围为多目标优化模型的决策空间;
以根据预测模型确定各优化变量下的屏蔽性能,满足安全性能指标;且根据各优化变量确定总重量或总成本,以其在满足安全性能指标的前提下最小为优化目标,构建多目标优化模型。
9.一种矿石分选机,其特征在于,包括输送仓、检测仓、分选仓、辐射装置和屏蔽装置;采用权利要求1-8任意一项所述的参数优化方法设计屏蔽装置的参数。
10.根据权利要求9所述的矿石分选机,其特征在于,屏蔽装置,包括:射线管护罩、准直器和铅房。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123882.4A CN117648875B (zh) | 2024-01-30 | 2024-01-30 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123882.4A CN117648875B (zh) | 2024-01-30 | 2024-01-30 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648875A true CN117648875A (zh) | 2024-03-05 |
CN117648875B CN117648875B (zh) | 2024-04-30 |
Family
ID=90045554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123882.4A Active CN117648875B (zh) | 2024-01-30 | 2024-01-30 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648875B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080086026A1 (en) * | 2006-10-04 | 2008-04-10 | Keppel Cynthia E | Accelerated partial breast irradiation with shielded brachytherapy applicator system and method of use |
CN111666719A (zh) * | 2020-06-08 | 2020-09-15 | 南华大学 | γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 |
CN111859804A (zh) * | 2020-07-20 | 2020-10-30 | 西安交通大学 | 一种多目标的辐射屏蔽设计方法 |
KR20220031171A (ko) * | 2020-09-04 | 2022-03-11 | (주)뉴클리어엔지니어링 | 광자 및 중성자 동시 차폐 설계 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN115793470A (zh) * | 2023-01-29 | 2023-03-14 | 湖南军芃科技股份有限公司 | 矿石分选机的参数控制方法和矿石分选机 |
CN116595885A (zh) * | 2023-05-29 | 2023-08-15 | 上海交通大学 | 小型反应堆轻量化屏蔽深度耦合优化方法 |
-
2024
- 2024-01-30 CN CN202410123882.4A patent/CN117648875B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080086026A1 (en) * | 2006-10-04 | 2008-04-10 | Keppel Cynthia E | Accelerated partial breast irradiation with shielded brachytherapy applicator system and method of use |
CN111666719A (zh) * | 2020-06-08 | 2020-09-15 | 南华大学 | γ辐射多层屏蔽累积因子计算方法、装置、设备及介质 |
CN111859804A (zh) * | 2020-07-20 | 2020-10-30 | 西安交通大学 | 一种多目标的辐射屏蔽设计方法 |
KR20220031171A (ko) * | 2020-09-04 | 2022-03-11 | (주)뉴클리어엔지니어링 | 광자 및 중성자 동시 차폐 설계 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN115793470A (zh) * | 2023-01-29 | 2023-03-14 | 湖南军芃科技股份有限公司 | 矿石分选机的参数控制方法和矿石分选机 |
CN116595885A (zh) * | 2023-05-29 | 2023-08-15 | 上海交通大学 | 小型反应堆轻量化屏蔽深度耦合优化方法 |
Non-Patent Citations (4)
Title |
---|
张晓文: "掺杂氧化铋混凝土的辐射屏蔽效果研究及其优化", 《核技术》, 10 June 2017 (2017-06-10), pages 1 - 6 * |
李占鹏: "无损检测加速器辐射防护屏蔽设计及多目标优化研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》, 15 February 2021 (2021-02-15), pages 030 - 286 * |
赵峰;周四春;廖琴;: "基于MCNP5程序和γ射线屏蔽实验对材料屏蔽性能的研究", 混凝土世界, no. 11, 20 November 2011 (2011-11-20) * |
郑钧正;曾志;: "电离辐射量与单位的体系演进述评", 原子能科学技术, no. 1, 20 December 2009 (2009-12-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117648875B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fix et al. | Monte Carlo source model for photon beam radiotherapy: photon source characteristics: Monte Carlo source model | |
US11648419B2 (en) | Method, apparatus, and system for simulating a particle transport and determining human dose in a radiotherapy | |
CN110310720B (zh) | 一种蒙特卡罗剂量计算方法、设备和储存介质 | |
Ahnesjö et al. | Beam modeling and verification of a photon beam multisource model | |
Qin et al. | Initial development of goCMC: a GPU-oriented fast cross-platform Monte Carlo engine for carbon ion therapy | |
Zeitlin et al. | Fragmentation cross sections of medium-energy Cl 35, Ar 40, and Ti 48 beams on elemental targets | |
Fix et al. | Photon‐beam subsource sensitivity to the initial electron‐beam parameters | |
CN117648875B (zh) | 辐射屏蔽装置的参数优化方法及其矿石分选机 | |
Salari et al. | Using machine learning to predict gamma passing rate in volumetric‐modulated arc therapy treatment plans | |
Van der Zee et al. | ORANGE: a Monte Carlo dose engine for radiotherapy | |
CN109655473B (zh) | 点探测器计数的闪光照相图像接收装置的模拟方法及系统 | |
Matsuura et al. | Predictive gamma passing rate of 3D detector array-based volumetric modulated arc therapy quality assurance for prostate cancer via deep learning | |
Kamal Sayed et al. | A Pareto‐based beam orientation optimization method for spot scanning intensity‐modulated proton therapy | |
Braby et al. | ICRU Report 98, Stochastic Nature of Radiation Interactions: Microdosimetry | |
Braidot | Two-particle azimuthal correlations at forward rapidity in STAR | |
Gornushkin et al. | Locating the neutrino interaction vertex with the help of electronic detectors in the OPERA experiment | |
Egorova et al. | The simulation of the photonelectron cascade on heterogeneous supercomputers | |
Löf | The difference between a collapsed cone based and a monte carlo based dose calculation algorithm | |
Abdurakhmanov et al. | Two-particle rapidity correlations between relativistic particles in central collisions of 197 Au nuclei in emulsion at 11.6 A GeV/c | |
Gajardo et al. | Low energy protons as probes of hadronization dynamics | |
Grünwald | GEANT4 simulation and evaluation of a time-of-flight spectrometer for nuclear cross section measurements in particle therapy | |
González-Muñoz et al. | Monte Carlo simulation and analysis of proton energy-deposition patterns in the Bragg peak | |
WO2023220494A1 (en) | System and method for ai based spacecraft shielding design | |
McBeth et al. | Spatial resolution requirements for active radiation detectors used beyond low earth orbit | |
Segura | Understanding hadronic interactions using advanced reconstruction techniques |
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 |