对传统定位算法和放射性粒子跟踪应用程序的深度学习模型进行比较研究
Roos Sophia de Freitas Dam1, Renato Raoni Werneck Affonso2, William Luna Salgado2
1Programa de Engenharia Nuclear, Universidade Federal Do Rio de Janeiro, Avenida Horácio de Macedo 2030, Bloco G - Sala 206, Zip Code 21941-914, Cidade Universitária, RJ, Brazil; Instituto de Engenharia Nuclear, Rua Hélio de Almeida 75, Zip Code 21941-906, Cidade Universitária, RJ, Brazil.
概括
这项研究比较了传统的算法和深度神经网络用于放射性粒子跟踪. 深度神经网络在追踪粒子轨迹方面显示出更高的准确性,特别是在更大的数据集中.
科学领域:
- 核工程 核工程是指核工程.
- 计算物理 计算物理
- 数据科学数据科学数据科学
背景情况:
- 放射性粒子跟踪对于化学和土木工程中的水力动力学至关重要.
- 传统的算法和人工智能 (AI) 方法可以重建粒子轨迹.
研究的目的:
- 为了比较传统算法的准确性与深度神经网络 (DNN) 的准确性,用于放射性粒子跟踪.
- 评估校准数据集大小对跟踪性能的影响.
主要方法:
- 开发了一种简化的混凝土混合机模型,配备六个NaI (Tl) 探测器和一个137Cs源.
- 使用了MCNPX代码来模拟测量几何,并生成一个包含3615个模式的数据集.
- 实现了传统的C++最小化算法和DNN,其超参数由Optuna (Python库) 优化.
主要成果:
- 传统的算法产生了20.81% (x),10.33% (y) 和16.84% (z) 的平均绝对百分比误差 (MAPE).
- 深度神经网络实现了较低的MAPE:6.87% (x),2.70% (y) 和22.79% (z).
- 初步分析表明,更大的校准数据集可以提高这两种方法的性能.
结论:
- 与传统算法相比,深度神经网络在放射性粒子跟踪方面表现出卓越的准确性.
- 选择的方法和数据集大小显著影响了轨迹重建的精度.
- 对于增强的放射性粒子跟踪应用,对数据集优化的进一步研究是有必要的.
