محاسبه توان ایستانندگی ذره پروتون در اهداف مختلف به‌وسیله شبکه‌های عصبی شعاعی و پرسپترون چند لایه

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی هسته‌ای، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

محاسبه توان ایستانندگی و برد یون­های مختلف به دلیل اهمیت ویژه آن‌­ها در مباحث حفاظت در برابر اشعه و حفاظ­ سازی بسیار حائز اهمیت می‌­باشد. اگرچه رابطه موسوم به بته-بلاخ بخوبی نحوه کاهش انرژی ذرات را توصیف می‌­کند اما تفاوت سازوکارهای برهم‌کنش یون‌­ها و ذرات سبک و سنگین در طیف وسیعی از مقادیر انرژی سبب می‌­گردد تا برآورد دقیق این رابطه مستلزم ارائه تصحیحات مختلفی باشد. این تصحیحات در نواحی مختلف متفاوت بوده و بین آن‌ها هم‌پوشانی وجود دارد، به‌نحوی‌که نمی‌توان نسخه واحدی را برای طیف وسیعی از پرتابه‌ها و مقادیر انرژی ارائه کرد. این موضوع سبب پیچیدگی محاسبات مربوط به توان ایستانندگی می‌­گردد. در این مقاله از تکنیک هوش مصنوعی مبتنی بر شبکه‌­های عصبی شعاعی و پرسپترون چند لایه به منظور شبیه­‌سازی تغییرات توان ایستانندگی بر حسب تغییرات انرژی پروتون فرودی در اهداف مختلف استفاده گردید. مقایسه نتایج حاصل از شبکه عصبی با نتایج محاسبات کد SRIM و نیز داده‌­های تجربی نشان‌­دهنده کارایی بالای روش پیشنهادی برای تغییرات توان ایستانندگی و معتبر بودن مدل مصنوعی به‌دست آمده است.

کلیدواژه‌ها


عنوان مقاله [English]

Calculation and comparison of proton stopping power in different targets using RBF and MLP neural networks

نویسندگان [English]

  • Mohammadreza Monajjem Zade
  • Mohsen Kheradmand Saadi
Department of Nuclear Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

Calculation of stopping power and range of different ions is extremely important due to their special importance at controversy of shielding and health physics. Although the so-called Bethe-Bloch relationship describes well how to reduce the energy of particles, the difference in the interaction mechanisms of ions and light and heavy particles in a wide range of energy values causes that the accurate estimation of this relationship requires various corrections. In this article, in order to simulate stopping power changes in terms of proton inclining beam energy with different ions, artificial neural network and multilayer perceptron techniques will be used. And high efficiency of suggested way for stopping power and range and valid artificial model are achieved by comparing results of the neural network with results of calculating SRIM code and also available experimental data.

کلیدواژه‌ها [English]

  • stopping power
  • range
  • neural network
  • SRIM code
  • Bethe-Bloch equation
  1. H. Cember, Th. E. Johnson. Introduction to Health Physics, 4th ed., Mc Graw Hill, New York,1976.
  2. W. R. Leo. Techniques for Nuclear and Particle Physics Experiments. Springer-Verlag New York Berlin Heidelberg, 1993.
  3. J. F. Ziegler, J. P. Biersack, M. D. Ziegler, The Stopping and Range of Ions in Solids. Springer-Verlag Berlin Heidelberg, 1985.
  4. H. H. Andersen, J. F. Ziegler. Helium Stopping Powers and Ranges in All Elements. Pergamon Press, New York, 1977.
  5. N. Tsoulfanidis. Measurement and Detection of Radiation. Taylor & Francis, Washington, 1976.
  6. M. Kheradmand Saadi, R. Machrafi, Development of a new code for stopping power and CSDA range calculation of incident charged particles, part A: Electron and positron. Appl. Radiat. Isot. 161 (2020) 109145.
  7. http://www.srim.org
  8. M. Berger, J. Coursey, M. Zucker. ESTAR, PSTAR, and ASTAR: Computer Programs for Calculating Stopping-Power and Range Tables for Electrons, Protons, and Helium Ions (version 1.21). National Institute of Standards and Technology, Gaithersburg, MD, 1999.
  9. T. Martin, B. Hagan. Neural Network Design, Mark Beale MHB. Inc. PWS Publishing Company, 2000.
  10. J. A. Anderson, L. A. Zadeh. Neural Network and Fuzzy Systems. Prentice-Hall, Englewood Cliff, NJ 07632, 1992.
  11. M. M. Li, B. Verma. Nonlinear curve fitting to stopping power data using RBF neural networks. Expert Syst. Appl. 45 (2016) 161-171.
  12. MATLAB 7. Neural network toolbox user's guide. Math Works Inc, 2009.
  13. https://www-nds.iaea.org/stopping/