ضخامت سنجی فلزات با بهره گیری از روش رادیو ایزوتوپی و شبکه عصبی- مدلسازی

صنعت هسته ای حوزه ای است که استفاده از شبکه های عصبی در سال های اخیر در آن اهمیت فزاینده ای پیداکرده است. یکی از کاربردهای مهم و کلیدی شبکه های عصبی در صنعت هسته ای در تحلیل داده های هسته ای به دست آمده از محاسبات، سنجشگرهای هسته ای از قبیل سنجشگرهای مبتنی بر پرتوی گاما برای اندازه گیری ضخامت، چگالی، فلوی سیالات، آزمایش های تجربی و آزمون های غیرمخرب نظیر پرتونگاری و … است. روش های اندازه گیری هسته ای مبتنی بر پرتوی گامای عبوری از یک ماده و یا فرایند، یک روش غیرمخرب است که در شکل کلی از یک چشمه رادیوایزوتوپی پرتوزا  مانند چشمه سزیوم-۱۳۷ و کبالت-۶۰ و یک واحد آشکارسازی سوسوزن تشکیل شده است. در این مطالعه از طریق مدل سازی با کد مونت کارلوی MCNPX، هندسه ی مد عبوری برای ضخامت سنجی رادیوایزوتوپی طراحی گردید و در این مدل سه نمونه فلز پر کاربرد در صنایع (مس، آهن و آلومینیوم) با هدف تعیین ضخامت آنها استفاده شد. برای ایجاد مجموعه داده با تعداد بالا ضخامت نمونه ها از ۵/۰ تا ۵۰ میلی متر با گام ۵/۰ میلی متر تغییر داده شد و نتایج محاسبات مونت کارلو به صورت ارتفاع پالس در آشکارساز ثبت شد. در ادامه تمامی نتایج حاصل از انرژی های مختلف به صورت مجموع برای آموزش شبکه ی عصبی مصنوعی بر پایه توابع شعاعی (RBF) و پرسپترون چندلایه (MLP) استفاده شد تا پس از آموزش این شبکه ها قادر به پیش بینی ضخامت فلزات مختلف باشند. نتایج به دست آمده از دو شبکه برای خروجی مدل با یکدیگر مقایسه شدند. نتایج نشان داد که پاسخ شبکه MLP نسبت به RBF در این کاربرد رضایت بخش تر است.

Keywords:

ضخامت سنجی رادیوایزوتوپی , شبکه عصبی مصنوعی , مدل سازی , مونت کارلو , پرتوی گاما