Predicciones de Rendimiento de Neutrones con Redes Neuronales Artificiales: Un Enfoque de Modelado Predictivo
Autores: Schmitz, Benedikt; Scheuren, Stefan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicciones de Rendimiento de Neutrones con Redes Neuronales Artificiales: Un Enfoque de Modelado Predictivo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Nuclear
Palabras clave
Desarrollo
Fuentes de neutrones
Enfoques basados en iones
Producción de neutrones
Simulaciones de Monte Carlo
Modelo predictivo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 40
Citaciones: Sin citaciones
El desarrollo de fuentes de neutrones compactas para aplicaciones es extenso y presenta muchos enfoques. Para los enfoques basados en iones, existen varios proyectos con diferentes parámetros. Este artículo se centra en la producción de neutrones basada en iones por debajo de la barrera de espallación para haces de protones y deuterones con distribuciones de energía arbitrarias con energías cinéticas de 3 a 97. Este modelo permite comparar rápidamente diferentes conceptos de fuentes de neutrones basadas en iones entre sí. Esta contribución deriva un modelo predictivo utilizando simulaciones de Monte Carlo (un orden de 50,000 simulaciones) y redes neuronales profundas. Es la primera vez que se desarrolla un modelo de este tipo. Con este modelo, se pueden eludir las largas simulaciones de Monte Carlo, que individualmente tardan mucho tiempo en completarse. Una predicción de espectros de neutrones toma entonces algunos milisegundos, lo que permite una optimización y comparación rápidas. Las deficiencias del modelo para neutrones de baja energía.
Descripción
El desarrollo de fuentes de neutrones compactas para aplicaciones es extenso y presenta muchos enfoques. Para los enfoques basados en iones, existen varios proyectos con diferentes parámetros. Este artículo se centra en la producción de neutrones basada en iones por debajo de la barrera de espallación para haces de protones y deuterones con distribuciones de energía arbitrarias con energías cinéticas de 3 a 97. Este modelo permite comparar rápidamente diferentes conceptos de fuentes de neutrones basadas en iones entre sí. Esta contribución deriva un modelo predictivo utilizando simulaciones de Monte Carlo (un orden de 50,000 simulaciones) y redes neuronales profundas. Es la primera vez que se desarrolla un modelo de este tipo. Con este modelo, se pueden eludir las largas simulaciones de Monte Carlo, que individualmente tardan mucho tiempo en completarse. Una predicción de espectros de neutrones toma entonces algunos milisegundos, lo que permite una optimización y comparación rápidas. Las deficiencias del modelo para neutrones de baja energía.