تعیین عمق اشباع در پراکندگی کامپتون با استفاده از شبکه‌های عصبی مصنوعی

اشرفی, صالح; علیزاده, داود; جهانبخش, اختای

doi:10.29252/ijpr.18.2.195

تعیین عمق اشباع در پراکندگی کامپتون با استفاده از شبکه‌های عصبی مصنوعی

نویسندگان

صالح اشرفی

داود علیزاده

اختای جهانبخش

دانشکده فیزیک، دانشگاه تبریز، تبریز

https://doi.org/10.29252/ijpr.18.2.195

چکیده

شدت فوتون‌های پراکندگی کامپتون پرتو گاما اطلاعات مفیدی در مورد توزیع چگالی الکترونی درون نمونه آزمایشی ارائه می‌دهد. به علت تضعیف شدت فوتون‌ها، کارایی این روش به عمق معینی از نمونه (عمق اشباع) محدود می شود. عمق اشباع به انرژی و شدت فوتون‌های اولیه و جنس نمونه مورد بررسی ارتباط دارد. در این مطالعه با اندازه‌گیری پراکندگی فوتون‌های keV 662 تحت زاویه 90 درجه از نمونه‌های مختلف به وسیله آشکارساز سوسوزن NaI(Tl) و با آنالیز طیف حاصله به کمک شبکه‌های عصبی عمق اشباع نمونه‌ها را تعیین کرده‌ایم. برای آموزش شبکه از نمونه‌های با چگالی معلوم و برای آزمایش آن از نمونه‌های با چگالی مجهول استفاده شده است. بیشترین دقت اندازه‌گیری (با خطای نسبی 15/0%) با به کارگیری الگوریتم لونبرگ- مارکوارت (L-M) با پنج لایه مخفی به دست آمده است.

کلیدواژه‌ها

پراکندگی کامپتون

عمق اشباع

شبکه‌های عصبی مصنوعی

الگوریتم لونبرگ- مارکوارت (L-M)

عنوان مقاله English

Determination of saturation depth in Compton scattering using Artificial Neural Network

نویسندگان English

S Ashrafi

D Alizadeh

O Jahanbakhsh

چکیده English

Abstract:

The intensity of Compton scattered γ-ray photons provide useful information about the electron density distribution of a test sample. Because of photon attenuation, the application of this method is limited to a certain depth of the sample (saturation depth). The saturation depth value depends on the energy and intensity of primary photons and on the material of the sample. In this study, we measured the energy spectrum of the scattered photons of 662 keV at 90° with a NaI(Tl) scintillator; and determined the saturation depth of the sample by the Artificial Neural Network (ANN) algorithm. Two sets of samples with known and unknown density were used to train and test the network, respectively. The highest precision (with 0.15% relative error) was achieved by using the Levenbert-Marquardt algorithm with five hidden layers.

کلیدواژه‌ها English

Compton scattering

saturation depth

artificial neural networks

Levenbert-Marquardt algorithm

[1] A.D. Sabharwal, B.S. Sandhu, “Radiat. Meas”. 44, (2009), 411-414.
[2] G.F. Knoll, "Radiation Detection and Measurement," John Wiley & Sons, (2010).
[3] J. Wang, Y. Wang, Z. Chi. “IEE Proc.-Sci. Meas. Technol”. 146, (1999), 235 – 239.
[4] I.L.M Silva, R.T Lopes, E.F.O deJesus. “Nucl. Instrum. Methods Phy. Rese. A”. 422, (1999), 957-963.
[5] M. Singh, G. Singh, B.S. Sandhu. “Appl. radiat. Isot”. 64, (2006), 373-378.
[6] A.D. Sabharwal, M. Singh, B. Singh, B.S. Sandhu, “Appl. radiat. Isot”. 66, (2008), 1467-1473.
[7] S. Ashrafi, O. Jahanbakhsh, D. Alizadeh; “Nucl. Instrum. Methods Phy. Rese. A”. 760 (2014), 1–4.
[8] N. Shengli, et al.; Proceeding of the Second International Workshop on EGS, 8-12. August 2000.
[9] N. Tsoulfanidis, ‘Measurements and Detection of Radiation’, CRC Press, Taylor & Francis Group, LLC. 2015.
[10] F.A. Balogun, N.M Spyrou; “Nucl. Instrum. Methods Phy. Rese. B” 83, (1993), 533-538.
[11] M.T. Hagan, B. DEMUTH. “Neural Network Design” Mark Beale MHB, Inc.PWS Publishing Company, 2000.
[12] F. Rosenblatt, "Principles of Neurodynamics," Spartan Press, Washington D.C. 1961.
[13] J. Wu, et al. “Energ. Buildings”. 43, (2011), 1685–1693.
[14] ATOMTEX Corporation Gamma-Beta-Radiation Spectrometer AT1315, User manual. (1998). http://www.atomtex.com.
[15] M. Hosoz, H.M. Ertunc, H. Bulgurcu, “Energy Convers. Manage”. 48, (2007), 1349–1359.
[16] MATLAB 7 "Neural network tool box user's guide", Math Works Inc, 2009.
[17] T.P. Vogl, J.K. Mangis, A.K. Rigler, W.T. Zink, D.L. Alkon, “Biol. Cybern”. 59, (1988), 257–263.