JP7309149B2 - Radiation energy determination method and apparatus using machine learning - Google Patents
Radiation energy determination method and apparatus using machine learning Download PDFInfo
- Publication number
- JP7309149B2 JP7309149B2 JP2019160460A JP2019160460A JP7309149B2 JP 7309149 B2 JP7309149 B2 JP 7309149B2 JP 2019160460 A JP2019160460 A JP 2019160460A JP 2019160460 A JP2019160460 A JP 2019160460A JP 7309149 B2 JP7309149 B2 JP 7309149B2
- Authority
- JP
- Japan
- Prior art keywords
- energy
- radiation
- scintillator
- machine learning
- absorber
- 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.)
- Active
Links
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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Description
本発明は、機械学習を利用した放射線のエネルギー判別方法及び装置に係り、特に、ミュオグラフィを用いたインフラ検査等に用いることが可能な、幅広いエネルギー分布を持つ、例えば宇宙線ミューオンのような放射線のエネルギーを推定する際に用いるのに好適な、機械学習を利用した放射線のエネルギー判別方法及び装置に関する。 The present invention relates to a radiation energy discrimination method and apparatus using machine learning. The present invention relates to a radiation energy determination method and apparatus using machine learning suitable for use in estimating energy.
陽子、中性子、γ線などの放射線のエネルギーの測定方法として、放射線がシンチレータに入射した際の発光量からエネルギーを導出する方法がある。 As a method of measuring the energy of radiation such as protons, neutrons, and gamma rays, there is a method of deriving the energy from the amount of light emitted when the radiation is incident on a scintillator.
放射線の種類によりシンチレータにエネルギーを付与する機構に違いがあるためシンチレータ内の発光量に差があるが、そのエネルギーに対して発光量はほぼ比例関係がある。即ち、放射線のエネルギーが大きくなるに従って、シンチレータ内での発光量は大きくなる。 Since the mechanism for imparting energy to the scintillator differs depending on the type of radiation, the amount of light emitted from the scintillator differs, but the amount of light emitted is substantially proportional to the energy. That is, as the energy of the radiation increases, the amount of light emitted inside the scintillator increases.
発光量と放射線エネルギーの相関関係は、エネルギーが既知である放射線を入射させ、シンチレータ内での発光量とエネルギーとの関係を系統的に測定することにより得ることができる。 The correlation between the amount of emitted light and the radiation energy can be obtained by introducing radiation of known energy and systematically measuring the relationship between the amount of emitted light and the energy in the scintillator.
しかしながら、例えば高エネルギーの放射線がシンチレータに入射すると、そのエネルギーを全てシンチレータへ付与する前に、エネルギーが減衰した放射線としてシンチレータを透過してしまう。この場合、そのエネルギーの一部のみがシンチレータへ付与され、透過した放射線が保持する残りのエネルギーを知ることができない。よって、シンチレータを透過するほどに放射線が高エネルギーである場合、エネルギーを正確に識別することが困難となる。 However, for example, when high-energy radiation is incident on the scintillator, it passes through the scintillator as radiation whose energy has been attenuated before all of its energy is imparted to the scintillator. In this case, only part of that energy is transferred to the scintillator, and the rest of the energy carried by the transmitted radiation is unknown. Therefore, when the radiation has high energy enough to pass through the scintillator, it becomes difficult to accurately identify the energy.
そこで、シンチレータ内で放射線が静止するようにして放射線のエネルギーを測定する場合、２つの方法が考えられる。一つは、エネルギーを十分付与できる程度に大きなシンチレータを採用する方法、もう一つは非特許文献１に記載されているように、線源と検出器の間にエネルギー吸収物質（吸収体）を設置してエネルギーを減衰させる方法である。 Therefore, two methods are conceivable for measuring the energy of radiation with the radiation stationary in the scintillator. One is a method of adopting a scintillator large enough to impart sufficient energy, and the other is, as described in Non-Patent Document 1, an energy-absorbing material (absorber) between the radiation source and the detector. It is a method of installing and attenuating energy.
しかしながら前者はシンチレータが大型化し、検出器の製造コストが高くなる。一方後者は検出器に含まれるシンチレータ自体は大型化しないものの、シンチレータよりも前面に吸収体を設置するため、吸収体を通過しシンチレータ内で静止した放射線のエネルギーを測定することは可能であるものの、吸収体内で静止した放射線は吸収体内の静止位置が不明であるため、吸収体を貫通可能なエネルギーよりは小さいということしか識別できず、例えば宇宙線ミューオンのように様々な異なるエネルギーを持って飛来する放射線の連続エネルギー分布を正確に測定するには適さない。 However, the former requires a larger scintillator and a higher manufacturing cost for the detector. On the other hand, the latter does not increase the size of the scintillator itself contained in the detector, but because the absorber is installed in front of the scintillator, it is possible to measure the energy of the radiation that passes through the absorber and is stationary inside the scintillator. , the stationary position in the absorber is unknown, so it can only be identified that the energy is smaller than the energy that can penetrate the absorber. For example, cosmic ray muons have different energies. It is not suitable for accurately measuring the continuous energy distribution of incoming radiation.
そこで、出願人は、特許文献１で、幅広いエネルギー分布を持つ宇宙線ミューオンのような放射線のエネルギーを小型で且つ安価な装置により測定可能とするべく、図１に例示する如く、シンチレータ（例えばプラスチックシンチレータ、以下、プラシンとも称する）１２と吸収体（例えば鉄又は鉛）１４を積層した積層型放射線検出器（以下、単に積層型検出器又は検出器と称する）１０を用いて、入射した放射線のエネルギーの一部を吸収体１４に吸収させた後に、シンチレータ１２で発光させることによって、そのエネルギーを測定する技術を提案している。この積層型検出器１０によれば、積層数を増やすことによって、より高いエネルギーまで導出可能となり、また、吸収体１４を間に挟むことでシンチレータ１２の体積を減らすことができ、より安価な検出器製作が可能になる。 Therefore, in Patent Document 1, the applicant proposed a scintillator (for example, a plastic Using a laminated radiation detector (hereinafter simply referred to as a laminated detector or detector) 10 in which a scintillator (hereinafter also referred to as plasticine) 12 and an absorber (for example, iron or lead) 14 are laminated, the incident radiation is detected. A technique of measuring the energy by causing the scintillator 12 to emit light after part of the energy is absorbed by the absorber 14 is proposed. According to this stacked detector 10, by increasing the number of stacked layers, higher energy can be derived, and by sandwiching the absorber 14, the volume of the scintillator 12 can be reduced, resulting in lower cost detection. Crafting becomes possible.
特許文献１で提案した積層型検出器１０によれば、吸収体１４内で静止した放射線のエネルギーを、ある幅のエネルギー範囲内で推定することができる。即ち、放射線のエネルギーを識別する場合、図２に例示する如く、シンチレータ１２内で静止した場合ａは、そのエネルギーｂを一意に決定できる。しかし、放射線が吸収体１４内で静止した場合ｃは、吸収体１４に入射した直後ｃ１から吸収体１４を貫通する直前ｃ２の間の、ある値ｄ１以上ある値ｄ２以下の幅のエネルギーｄを有していたということしか分からないという問題がある。 According to the stacked detector 10 proposed in Patent Document 1, the energy of radiation stationary within the absorber 14 can be estimated within a certain energy range. That is, when identifying the energy of radiation, as illustrated in FIG. 2, when a is stationary within the scintillator 12, its energy b can be uniquely determined. However, when the radiation is stationary within the absorber 14, the width between c1 immediately after entering the absorber 14 and c2 immediately before penetrating the absorber 14 is greater than or equal to a certain value d1 and less than or equal to a certain value d2 . There is a problem that we only know that it had energy d of
これでは、出願人が特許文献２で提案したような「ミュオグラフィを用いる構造物の非破壊検査方法及び装置」に用いる場合に、より小さな欠陥を検出するのに不十分である可能性がある。 This may be insufficient for detecting smaller defects when used in the "Non-Destructive Inspection Method and Apparatus for Structures Using Muography" proposed by the applicant in Patent Document 2.
更に、ミューオンの運動エネルギーを導出する際、ミューオンが静止したシンチレータの上部に重なっているシンチレータと、吸収体に付与したエネルギーをベーテの式から求めるが、クーロン散乱とエネルギーストラグリングの影響により、各シンチレータへの付与エネルギー情報からは、元々のエネルギーが一意に決まらず確率的にばらつくという問題もある。 Furthermore, when deriving the kinetic energy of a muon, the scintillator overlapping the scintillator where the muon is stationary and the energy imparted to the absorber are obtained from the Bethe equation. There is also the problem that the original energy is not uniquely determined from the information on the energy imparted to the scintillator and varies stochastically.
本発明は、前記従来の問題点を解決するべくなされたもので、吸収体内で静止した放射線及び検出器を貫通した放射線のエネルギーの推定を可能として、インフラ検査等の性能を向上することを課題とする。 The present invention has been made to solve the above-mentioned conventional problems, and aims to improve the performance of infrastructure inspection by making it possible to estimate the energy of radiation stationary in an absorber and radiation penetrating a detector. and
本発明は、複数のシンチレータと吸収体が積層された検出器により検出される放射線のエネルギー判別に際して、各層のシンチレータに付与されるエネルギーを入力層とし、入射した放射線のエネルギーを出力層とするニューラルネットワークを用いて、各層のシンチレータに付与されるエネルギーと入射した放射線のエネルギーの関係を機械学習し、該機械学習した結果を用いて、各層のシンチレータに付与されるエネルギーから、入射した放射線のエネルギーを推定する放射線のエネルギー判別方法であって、前記吸収体内で静止する放射線イベントに対しては、静止した吸収体の前段のシンチレータまでの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定し、前記検出器を貫通する放射線イベントに対しては、全シンチレータの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定することにより前記課題を解決するものである。 In the present invention, when discriminating the energy of radiation detected by a detector in which a plurality of scintillators and absorbers are stacked, the energy imparted to each layer of scintillators is used as an input layer, and the energy of incident radiation is used as an output layer. Using a network, the relationship between the energy imparted to the scintillator of each layer and the energy of the incident radiation is machine-learned, and using the results of the machine learning, the energy of the incident radiation is obtained from the energy imparted to the scintillator of each layer. In the radiation energy discriminating method for estimating the incident radiation event, for a radiation event stationary in the absorber, information on the amount of light emitted up to the scintillator in the preceding stage of the stationary absorber is analyzed by machine learning to determine the incident radiation The problem is solved by estimating the energy and estimating the energy of the incident radiation with respect to the radiation event penetrating the detector by analyzing information on the amount of light emitted from all scintillators by machine learning. .
本発明は、又、複数のシンチレータと吸収体が積層された検出器と、各層のシンチレータに付与されるエネルギーを入力層とし、入射した放射線のエネルギーを出力層とするニューラルネットワークと、各層のシンチレータに付与されるエネルギーと入射した放射線のエネルギーの関係を機械学習し、該機械学習した結果を用いて、各層のシンチレータに付与されるエネルギーから、入射した放射線のエネルギーを推定する手段と、を備えた放射線のエネルギー判別装置であって、前記吸収体内で静止する放射線イベントに対しては、静止した吸収体の前段のシンチレータまでの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定し、前記検出器を貫通する放射線イベントに対しては、全シンチレータの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定することを特徴とする機械学習を利用した放射線のエネルギー判別装置を提供するものである。 The present invention also includes a detector in which a plurality of scintillators and an absorber are laminated, a neural network whose input layer is the energy given to the scintillators of each layer, and whose output layer is the energy of the incident radiation, and scintillators in each layer. means for performing machine learning on the relationship between the energy imparted to the scintillator and the energy of the incident radiation, and using the results of the machine learning to estimate the energy of the incident radiation from the energy imparted to the scintillators of each layer. In the radiation energy discriminating device, for a radiation event stationary in the absorber, information on the amount of light emitted up to the scintillator at the front stage of the stationary absorber is analyzed by machine learning to determine the energy of the incident radiation. and for radiation events penetrating the detector, information on the amount of light emitted from all scintillators is analyzed by machine learning to estimate the energy of incident radiation. An energy discrimination device is provided.
ここで、前記シンチレータをプラスチックシンチレータとし、前記吸収体を鉄又は鉛とすることができる。 Here , the scintillator can be a plastic scintillator, and the absorber can be iron or lead.
本発明によれば、ニューラルネットワークを用いたデータ解析により、吸収体内で静止する放射線イベントに対して、静止した吸収体の前段までの発光量の情報を機械学習により解析することによって、最適な入射エネルギー値を導出することが可能となる。また、エネルギーが高く積層型検出器を貫通する放射線イベントに対しても同様に、積層型検出器の全シンチレータへの付与エネルギー情報から、最適な入射エネルギー値を導出することが可能となる。 According to the present invention, by data analysis using a neural network, for a radiation event stationary in the absorber, by analyzing information on the amount of light emitted up to the front stage of the stationary absorber by machine learning, the optimum incidence It becomes possible to derive the energy value. Similarly, for a high-energy radiation event that penetrates the stacked detector, it is possible to derive the optimum incident energy value from the information on the energy imparted to all the scintillators of the stacked detector.
例えば特許文献１からミュオグラフィを用いたインフラ検査において、検出すべき欠陥サイズに応じたミューオンのエネルギーを選択することにより、イメージング画像のコントラストを向上させ、欠陥の識別性を向上できることが分かっているので、吸収体内におけるミューオンのエネルギーをより細かく選択することが可能となれば、イメージング画像のコントラストを向上させて、インフラ検査の性能を向上させることができる。 For example, from Patent Document 1, it is known that in infrastructure inspection using muography, by selecting the muon energy according to the size of the defect to be detected, the contrast of the imaging image can be improved and the identification of the defect can be improved. If it becomes possible to select the muon energy in the absorber more finely, the contrast of the imaging image can be improved, and the performance of the infrastructure inspection can be improved.
以下、図面を参照して、本発明の実施の形態について詳細に説明する。なお、本発明は以下の実施形態及び実施例に記載した内容により限定されるものではない。また、以下に記載した実施形態及び実施例における構成要件には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。更に、以下に記載した実施形態及び実施例で開示した構成要素は適宜組み合わせてもよいし、適宜選択して用いてもよい。 BEST MODE FOR CARRYING OUT THE INVENTION Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. In addition, the present invention is not limited by the contents described in the following embodiments and examples. In addition, the configuration requirements in the embodiments and examples described below include those that can be easily assumed by those skilled in the art, those that are substantially the same, and those that fall within the so-called equivalent range. Furthermore, the constituent elements disclosed in the embodiments and examples described below may be combined as appropriate, or may be selected and used as appropriate.
本発明では機械学習を用い、吸収体内で静止した放射線や検出器を貫通した放射線の正確なエネルギーを導出する方法を提案する。特許文献１で提案したような吸収体とシンチレータの積層型検出器において、放射線が通過した際の各シンチレータ内の発光量が放射線のエネルギーによって異なることを利用する。 In the present invention, we propose a method for deriving the accurate energy of radiation stationary in an absorber and radiation penetrating a detector using machine learning. In the laminated detector of an absorber and a scintillator as proposed in Patent Document 1, the fact that the amount of light emitted in each scintillator when radiation passes through differs depending on the energy of the radiation is utilized.
図３に例示するミューオンの水に対するブラッグカーブにおいて、横軸が放射線の侵入深さ、縦軸が発光量（エネルギー）で、放射線のエネルギーが小さくなるにつれ、物質内の浅い領域において発光量が大きくなることが分かる。仮に積層型検出器に１５０ＭｅＶのミューオンが入射し、１層目の吸収体で１００ＭｅＶに減速され、２層目の吸収体で５０ＭｅＶまで減速されたとすると、その間に挟まれた各シンチレータでの発光量はそれぞれ図３中のａ，ｂ，ｃのような値となるはずである。 In the muon Bragg curve for water shown in FIG. 3, the horizontal axis is the penetration depth of the radiation, and the vertical axis is the amount of light emission (energy). I know it will be. If a muon of 150 MeV enters the stacked detector, is decelerated to 100 MeV by the first layer absorber, and decelerated to 50 MeV by the second layer absorber, the amount of light emitted by each scintillator sandwiched between should be values such as a, b, and c in FIG.
このように放射線のエネルギーに応じ、吸収体内で静止する、もしくは、検出器を貫通した場合のシンチレータ内での発光量をデータセットとしてシミュレーション計算により作成し、これをニューラルネットワークに学習させていく。 In this way, depending on the energy of the radiation, the amount of light emitted in the scintillator when it is stationary in the absorber or when it penetrates the detector is created as a data set by simulation calculation, and this is learned by the neural network.
これにより、吸収体内で静止した場合も、その前段及び前々段における放射線の発光量の情報を機械学習により解析することによって、図４に例示するように吸収体１４内で静止した放射線ｃのエネルギーを狭い範囲ｄ’で推定することが可能となる。 As a result, even when stationary in the absorber 14, by analyzing the information on the amount of light emitted from the radiation in the previous stage and the stage before the previous stage by machine learning, the radiation c stationary in the absorber 14 as shown in FIG. It becomes possible to estimate the energy in a narrow range d'.
機械学習においては、そのモデルを学習させるためのデータセットを作成することが必要である。そこで、まずシミュレーションによって、そのデータセットを作成した。図５にシミュレーション体系を説明するためのミューオン入射のイメージ図を示す。この図は、厚さ１ｃｍのプラスチックシンチレータ１６を３枚と、厚さ１ｃｍの鉄板１８を２枚積層した体系である。このシミュレーションではクーロン散乱とエネルギーストラグリングの影響を考慮している。 In machine learning, it is necessary to create a dataset for learning the model. Therefore, the data set was first created by simulation. FIG. 5 shows an image diagram of muon incidence for explaining the simulation system. This figure shows a system in which three plastic scintillators 16 with a thickness of 1 cm and two iron plates 18 with a thickness of 1 cm are laminated. This simulation takes into account the effects of Coulomb scattering and energy straggling.
次にシミュレーションデータを解析することで、各ミューオンの入射エネルギーＥμと各プラスチックシンチレータ１６における付与エネルギー｛Ｅｄ１，Ｅｄ２，…，Ｅｄｎ｝のデータセットを作成した。 Next, by analyzing the simulation data, a data set of the incident energy E μ of each muon and the imparted energy {E d1 , Ed2 , .
作成したデータセットを学習させるニューラルネットワークとして、本実施形態では、図６に示す構成の全結合型ニューラルネットワーク２０を用いた。入力層２２は各プラスチックシンチレータへの付与エネルギーの値であり、入力の数はプラスチックシンチレータ１６の枚数である。 In this embodiment, a fully-connected neural network 20 having the configuration shown in FIG. 6 is used as the neural network for learning the created data set. The input layer 22 is the value of energy applied to each plastic scintillator, and the number of inputs is the number of plastic scintillators 16 .
出力層３０の部分であるが、出力はミューオンの運動エネルギーＥμとなる。今回は出力部分を多層に区分しており、０～１、１～２、・・・、２９９～３００ＭｅＶと、１ＭｅＶ刻みで出力する形にしている。 Although it is part of the output layer 30, the output becomes the muon kinetic energy E μ . This time, the output part is divided into multiple layers, and the output is in the form of 0 to 1, 1 to 2, .
隠れ層（中間層とも称する）２４、２６、であるが、ユニット数のパターンにおける損失関数の繰り返し回数（エポック数）に対する変動具合を図７に示す。▲印で示した隠れ層の数が少ないケース２では、繰り返し回数の多い領域で過学習による損失関数の増大がみられる。■と◇印で示したケース３と４の２ケースのように隠れ層のユニット数を増やしていくと損失関数は小さくなっていくが、過剰にユニット数を増やしても、大きな改善は見られない。本実施形態では、●印で示したケース１のそれぞれ１５００、５００のユニットを持つ２層構造とした。 FIG. 7 shows how hidden layers (also called intermediate layers) 24 and 26 change with respect to the number of iterations (epoch number) of the loss function in the pattern of the number of units. In Case 2, where the number of hidden layers is small, the loss function increases due to over-learning in areas with a large number of iterations. The loss function becomes smaller as the number of units in the hidden layer is increased, as in cases 3 and 4 indicated by ▪ and ◇. do not have. In this embodiment, a two-layer structure having 1500 units and 500 units of Case 1 indicated by ● marks is used.
なお、入力層が増える場合（プラスチックシンチレータの枚数が増える場合）は、最適な隠れ層の数やユニット数が変化する可能性がある。 Note that when the number of input layers increases (when the number of plastic scintillators increases), the optimal number of hidden layers and the number of units may change.
シミュレーションで作成したデータセットのうち、学習用データとして１００万セットを用いて学習を行い、検証用データ１０万セットのモデルの予想出力結果を求めた。学習における繰り返し回数は５０とした。 Of the datasets created in the simulation, one million sets of learning data were used for learning, and the expected output results of the model with 100,000 sets of verification data were obtained. The number of iterations in learning was set to 50.
次に、入射エネルギーごとの精度について検討した。図８に示す如く、厚さ１ｃｍのプラスチックシンチレータ１６の３枚と鉄板１８の２枚で構成される積層型検出器１０にエネルギーＥμ＝０～３００ＭｅＶのミューオンを入射し、その付与エネルギー情報｛Ｅｄ１，Ｅｄ２，Ｅｄ３｝をシミュレーションにより導出し学習用データと検証用データを作成した。そして、検証用データを用い入射エネルギーの予測精度を、Ｅμ＝０～１０、１０～２０、・・・、２９０～３００ＭｅＶのように１０ＭｅＶ毎に区切って精度を求めた。 Next, we examined the accuracy for each incident energy. As shown in FIG. 8, a muon with an energy E μ = 0 to 300 MeV is incident on a laminated detector 10 composed of three plastic scintillators 16 each having a thickness of 1 cm and two iron plates 18, and the imparted energy information { E d1 , E d2 , E d3 } were derived by simulation, and learning data and verification data were created. Then, using the verification data, the prediction accuracy of the incident energy was obtained by dividing it by 10 MeV such as E μ =0 to 10, 10 to 20, . . . , 290 to 300 MeV.
４０～５０および８０～９０ＭｅＶのミューオンの運動エネルギーに対するモデルの予測結果を図９に示す。図９（Ａ）に示す如く、４０～５０ＭｅＶのエネルギーにおいては、精度よく元のエネルギーを推定できた。また、検出器を貫通するほど入射エネルギーが大きい場合は、図９（Ｂ）に示すように出力エネルギーに広がりを持つが、広がりの下限エネルギー以上のミューオンであることを同定できる。よって、特許文献１に記載されているエネルギーウインドウ型ミュオグラフィは高エネルギーミューオンによるイベントを除外し、低エネルギーミューオンによるイベントを抽出することによって欠陥の識別性を向上させるので、本モデルは有効である。 The prediction results of the model for 40-50 and 80-90 MeV muon kinetic energies are shown in FIG. As shown in FIG. 9(A), the original energy could be accurately estimated at energies of 40 to 50 MeV. Also, when the incident energy is large enough to penetrate the detector, the output energy has a spread as shown in FIG. Therefore, the energy window type muography described in Patent Literature 1 excludes events due to high-energy muons and extracts events due to low-energy muons, thereby improving defect identification, so this model is effective.
次に本発明を適用し入射するミューオンのエネルギー範囲を限定したミュオグラフィの画像について検討した。図１０に例示する如く、内部に空洞を有する試験片４０をシミュレーション体系上に模擬し、試験片４０に入射するミューオンのエネルギーをＥｗ以下に限定して、ミューオン透過画像をシミュレーションにより作成した。 Next, we examined muography images in which the present invention was applied and the energy range of incident muons was limited. As illustrated in FIG. 10, a test piece 40 having an internal cavity was simulated on a simulation system, and a muon transmission image was created by simulation while limiting the energy of muons incident on the test piece 40 to Ew or less.
理想的な条件下におけるシミュレーション結果を図１１に示す。図１１（Ａ）に示す全エネルギーの宇宙線ミューオンによる通常のミュオグラフィシミュレーションに加え、ミューオンのエネルギー上限Ｅｗ＝５００、２００ＭｅＶに設定した場合の結果をそれぞれ図１１（Ｂ）、（Ｃ）に示す。計測時間はいずれの場合も同じである。 Simulation results under ideal conditions are shown in FIG. In addition to the normal muography simulation with cosmic ray muons of total energy shown in FIG. shown in The measurement time is the same in both cases.
透過画像を作成するミューオンのエネルギー範囲を限定することによって画像が鮮明になることがわかる。この手法では、必ずしも、入射したミューオンのエネルギーを一意に決定する必要はなく、入射したミューオンが取り得るエネルギー範囲を推定できればよい。 It can be seen that the image sharpens by limiting the energy range of the muons that create the transmission image. In this method, it is not always necessary to uniquely determine the energy of the incident muon, and it is sufficient to estimate the possible energy range of the incident muon.
前記実施形態においては、測定する放射線がミューオンとされていたが、測定する放射線はミューオンに限定されない。シンチレータや吸収体もプラシンや鉄板に限定されず、出力層の区分も１ＭｅＶに限定されない。 In the above embodiment, the radiation to be measured is muons, but the radiation to be measured is not limited to muons. The scintillator and absorber are not limited to plastic or iron plate, and the output layer is not limited to 1 MeV.
１０…積層型検出器
１２…シンチレータ
１４…吸収体
１６…プラスチックシンチレータ（プラシン）
１８…鉄板
２０…ニューラルネットワーク
２２…入力層
２４、２６…隠れ層
３０…出力層
DESCRIPTION OF SYMBOLS 10... Laminated detector 12... Scintillator 14... Absorber 16... Plastic scintillator (Plastin)
18... Iron plate 20... Neural network 22... Input layer 24, 26... Hidden layer 30... Output layer
Claims (4)
各層のシンチレータに付与されるエネルギーを入力層とし、入射した放射線のエネルギーを出力層とするニューラルネットワークを用いて、
各層のシンチレータに付与されるエネルギーと入射した放射線のエネルギーの関係を機械学習し、
該機械学習した結果を用いて、各層のシンチレータに付与されるエネルギーから、入射した放射線のエネルギーを推定する放射線のエネルギー判別方法であって、
前記吸収体内で静止する放射線イベントに対しては、静止した吸収体の前段のシンチレータまでの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定し、前記検出器を貫通する放射線イベントに対しては、全シンチレータの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定することを特徴とする機械学習を利用した放射線のエネルギー判別方法。 When determining the energy of radiation detected by a detector in which multiple scintillators and absorbers are stacked,
Using a neural network with the energy given to the scintillator of each layer as the input layer and the energy of the incident radiation as the output layer,
Machine learning of the relationship between the energy given to the scintillator of each layer and the energy of the incident radiation,
A radiation energy determination method for estimating the energy of incident radiation from the energy given to the scintillator of each layer using the machine learning result,
For a radiation event stationary in the absorber, the energy of the incident radiation is estimated by analyzing information on the amount of light emitted up to the scintillator in front of the stationary absorber by machine learning, and the radiation penetrating the detector. A radiation energy discrimination method using machine learning, characterized in that, for an event, the energy of incident radiation is estimated by analyzing information on the amount of light emitted from all scintillators by machine learning.
各層のシンチレータに付与されるエネルギーを入力層とし、入射した放射線のエネルギーを出力層とするニューラルネットワークと、
各層のシンチレータに付与されるエネルギーと入射した放射線のエネルギーの関係を機械学習し、該機械学習した結果を用いて、各層のシンチレータに付与されるエネルギーから、入射した放射線のエネルギーを推定する手段と、
を備えた放射線のエネルギー判別装置であって、
前記吸収体内で静止する放射線イベントに対しては、静止した吸収体の前段のシンチレータまでの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定し、前記検出器を貫通する放射線イベントに対しては、全シンチレータの発光量の情報を機械学習により解析して入射した放射線のエネルギーを推定することを特徴とする機械学習を利用した放射線のエネルギー判別装置。 a detector in which a plurality of scintillators and absorbers are stacked;
a neural network whose input layer is the energy given to the scintillator of each layer and whose output layer is the energy of the incident radiation;
a means for performing machine learning on the relationship between the energy imparted to the scintillator of each layer and the energy of the incident radiation, and using the results of the machine learning to estimate the energy of the incident radiation from the energy imparted to the scintillator of each layer; ,
A radiation energy determination device comprising
For a radiation event stationary in the absorber, the energy of the incident radiation is estimated by analyzing information on the amount of light emitted up to the scintillator in front of the stationary absorber by machine learning, and the radiation penetrating the detector. A radiation energy discriminating apparatus using machine learning, characterized in that, for an event, information on the amount of light emitted from all scintillators is analyzed by machine learning to estimate the energy of incident radiation.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019160460A JP7309149B2 (en) | 2019-09-03 | 2019-09-03 | Radiation energy determination method and apparatus using machine learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019160460A JP7309149B2 (en) | 2019-09-03 | 2019-09-03 | Radiation energy determination method and apparatus using machine learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021039000A JP2021039000A (en) | 2021-03-11 |
| JP7309149B2 true JP7309149B2 (en) | 2023-07-18 |
Family
ID=74848508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019160460A Active JP7309149B2 (en) | 2019-09-03 | 2019-09-03 | Radiation energy determination method and apparatus using machine learning |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7309149B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220145945A (en) * | 2021-04-20 | 2022-10-31 | (주)네오시스코리아 | Method and apparatus for distinguishing radionuclides |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060011848A1 (en) | 2002-01-28 | 2006-01-19 | Rushbrooke John G | X-ray inspection system and method |
| JP2018117097A (en) | 2017-01-20 | 2018-07-26 | 株式会社東芝 | Photo-detector and detection device |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09197050A (en) * | 1996-01-16 | 1997-07-31 | Hitachi Ltd | Radiation detector |
-
2019
- 2019-09-03 JP JP2019160460A patent/JP7309149B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060011848A1 (en) | 2002-01-28 | 2006-01-19 | Rushbrooke John G | X-ray inspection system and method |
| JP2018117097A (en) | 2017-01-20 | 2018-07-26 | 株式会社東芝 | Photo-detector and detection device |
Non-Patent Citations (1)
| Title |
|---|
| 小森 智博 他，[18p-C213-10] 機械学習を用いた多層型検出器によるエネルギー弁別方法，第80回応用物理学会秋季学術講演会Webプログラム，2019年07月16日，https://confit.atlas.jp/guide/print/jsap2019a/subject/18p-C213-10/detail |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021039000A (en) | 2021-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2351921C2 (en) | Method of object checkout with use of multienergy radiation and installation for its realisation | |
| Ismail et al. | Neutral current neutrino interactions at FASER ν | |
| He et al. | Rapid radionuclide identification algorithm based on the discrete cosine transform and BP neural network | |
| RU2353921C2 (en) | Device for modulation of energy spectrum, method for recognition of material and device for its realisation, method for images processing | |
| US9841530B2 (en) | Material discrimination using scattering and stopping of muons and electrons | |
| US9212905B2 (en) | Method and system for determining radiation shielding thickness and gamma-ray energy | |
| Ahn et al. | Search for the Decay K L 0→ π 0 ν ν¯ | |
| US20060193421A1 (en) | Monitoring | |
| CN107003420A (en) | On the improvement scattered in X-ray apparatus and its application method | |
| JP7309149B2 (en) | Radiation energy determination method and apparatus using machine learning | |
| Sadeh | Luminosity measurement at the international linear collider | |
| Göttsche et al. | Measurement techniques for warhead authentication with attributes: Advantages and limitations | |
| US20210025836A1 (en) | Substance identification device and method for extracting statistical feature based on cluster analysis | |
| CN115877433B (en) | Compact charged particle discriminating semiconductor calorimeter and application thereof | |
| US20150185164A1 (en) | Nuclide identification method, nuclide identification system, and photoneutron emitter | |
| JP6441184B2 (en) | Structure inspection apparatus and inspection method thereof | |
| Aref’ev et al. | A study of light collection in “Shashlik” calorimeters | |
| JP7154538B2 (en) | Method and apparatus for measuring radiation energy | |
| Berardo et al. | Differential cross sections of π− p→ γ n for 317, 452, and 491 MeV c incident pion momentum | |
| Worrall et al. | Verification Data Pattern Recognition and Change Detection at the Neutron Instrument Level | |
| Wellington | Alternative Method for Determining Plutonium-240 Content | |
| McGinnis | PROMPT FISSION NEUTRON ENERGY SPECTRUM OF n+ 235 U | |
| JPH07190961A (en) | Method and device for analyzing analytical data | |
| Benelli et al. | Systematic errors in the DIRAC experiment | |
| Khanbaba-Tehrani | Likelihood-Based Topological Reconstruction in JUNO |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220609 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230426 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230613 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230627 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7309149 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |