Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector

Các đetectơ nhấp nháy đo nơtron thường nhạy với cả bức xạ gamma. Vì vậy, nhận biết chính xác các xung do nơtron hay gamma tạo ra từ các đetectơ này, có vai trò quyết định độ tin cậy của kết quả đo bức xạ nơtron dùng đetectơ nhấp nháy. Để nâng cao khả năng phân biệt dạng xung, nhiều kỹ thuật phân biệ...

Mô tả đầy đủ

Đã lưu trong:

Chi tiết về thư mục
Những tác giả chính:	Phan, Văn Chuân, Nguyễn, Xuân Hải, Nguyễn, Ngọc Anh, Phạm, Xuân Hải, Mai, Xuân Phong, Phạm, Đình Khang, Trương, Văn Minh, Dương, Thanh Tài, Lưu, Thị Hoàng Duyên
Định dạng:	Journal article
Ngôn ngữ:	Vietnamese
Được phát hành:	Viet Nam National University Ho Chi Minh City 2023
Những chủ đề:	Phân biệt dạng xung mạng nơron ghi đo nơtron
Truy cập trực tuyến:	https://scholar.dlu.edu.vn/handle/123456789/2550 https://doi.org/10.32508/stdjet.v4i2.803
Các nhãn:	Thêm thẻ Không có thẻ, Là người đầu tiên thẻ bản ghi này!

Thư viện lưu trữ:	Thư viện Trường Đại học Đà Lạt

id	oai:scholar.dlu.edu.vn:123456789-2550
record_format	dspace
institution	Thư viện Trường Đại học Đà Lạt
collection	Thư viện số
language	Vietnamese
topic	Phân biệt dạng xung mạng nơron ghi đo nơtron
spellingShingle	Phân biệt dạng xung mạng nơron ghi đo nơtron Phan, Văn Chuân Nguyễn, Xuân Hải Nguyễn, Ngọc Anh Phạm, Xuân Hải Mai, Xuân Phong Phạm, Đình Khang Trương, Văn Minh Dương, Thanh Tài Lưu, Thị Hoàng Duyên Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector
description	Các đetectơ nhấp nháy đo nơtron thường nhạy với cả bức xạ gamma. Vì vậy, nhận biết chính xác các xung do nơtron hay gamma tạo ra từ các đetectơ này, có vai trò quyết định độ tin cậy của kết quả đo bức xạ nơtron dùng đetectơ nhấp nháy. Để nâng cao khả năng phân biệt dạng xung, nhiều kỹ thuật phân biệt dạng xung đã được nghiên cứu phát triển và ứng dụng. Trong nghiên cứu này, một cấu hình cơ bản của mạng nơron nhân tạo (Fully connected Neural network - FcNet) với số phần tử của mạng được thiết kế tối giản và tương ứng với các đặc điểm nhận dạng của xung nơtron và gamma thu được từ một đetectơ nhấp nháy EJ-301. Nguyên tắc cực đại chỉ số phẩm chất hình ảnh (FoM-Figure of Merit) đã được ứng dụng trong thiết kế, vì vậy mặc dù FcNet có cấu hình tối thiểu nhưng vẫn không ảnh hưởng đến độ chính xác của kết quả nhận dạng. Kết thử nghiệm cho thấy FcNet có khả năng nhận diện chính xác cao hơn so với phương pháp tích phân điện tích (Digital Charge Integration - DCI). Với các xung đo trên nguồn 60Co, FcNet đã nhận diện chính xác đến 98,60% các xung trong vùng năng lượng tương đương 50 - 2000 keVee (keV equivalent), và đạt 95,59% với các xung trong vùng năng lượng thấp 50 - 150 keVee. Kết quả này cho thấy với các thiết bị đo bức xạ có phần cứng nhỏ, vẫn có thể ứng dụng được các phương pháp trí tuệ nhân tạo để nâng cao khả năng nhận diện và phân tích các sự kiện đo.
format	Journal article
author	Phan, Văn Chuân Nguyễn, Xuân Hải Nguyễn, Ngọc Anh Phạm, Xuân Hải Mai, Xuân Phong Phạm, Đình Khang Trương, Văn Minh Dương, Thanh Tài Lưu, Thị Hoàng Duyên
author_facet	Phan, Văn Chuân Nguyễn, Xuân Hải Nguyễn, Ngọc Anh Phạm, Xuân Hải Mai, Xuân Phong Phạm, Đình Khang Trương, Văn Minh Dương, Thanh Tài Lưu, Thị Hoàng Duyên
author_sort	Phan, Văn Chuân
title	Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector
title_short	Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector
title_full	Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector
title_fullStr	Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector
title_full_unstemmed	Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector
title_sort	application of artificial neural network in neutron/gamma pulse shape discrimination for ej301 scintillation detector
publisher	Viet Nam National University Ho Chi Minh City
publishDate	2023
url	https://scholar.dlu.edu.vn/handle/123456789/2550 https://doi.org/10.32508/stdjet.v4i2.803
_version_	1778233880982061056
spelling	oai:scholar.dlu.edu.vn:123456789-25502023-06-11T09:46:36Z Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector Phan, Văn Chuân Nguyễn, Xuân Hải Nguyễn, Ngọc Anh Phạm, Xuân Hải Mai, Xuân Phong Phạm, Đình Khang Trương, Văn Minh Dương, Thanh Tài Lưu, Thị Hoàng Duyên Phân biệt dạng xung mạng nơron ghi đo nơtron Các đetectơ nhấp nháy đo nơtron thường nhạy với cả bức xạ gamma. Vì vậy, nhận biết chính xác các xung do nơtron hay gamma tạo ra từ các đetectơ này, có vai trò quyết định độ tin cậy của kết quả đo bức xạ nơtron dùng đetectơ nhấp nháy. Để nâng cao khả năng phân biệt dạng xung, nhiều kỹ thuật phân biệt dạng xung đã được nghiên cứu phát triển và ứng dụng. Trong nghiên cứu này, một cấu hình cơ bản của mạng nơron nhân tạo (Fully connected Neural network - FcNet) với số phần tử của mạng được thiết kế tối giản và tương ứng với các đặc điểm nhận dạng của xung nơtron và gamma thu được từ một đetectơ nhấp nháy EJ-301. Nguyên tắc cực đại chỉ số phẩm chất hình ảnh (FoM-Figure of Merit) đã được ứng dụng trong thiết kế, vì vậy mặc dù FcNet có cấu hình tối thiểu nhưng vẫn không ảnh hưởng đến độ chính xác của kết quả nhận dạng. Kết thử nghiệm cho thấy FcNet có khả năng nhận diện chính xác cao hơn so với phương pháp tích phân điện tích (Digital Charge Integration - DCI). Với các xung đo trên nguồn 60Co, FcNet đã nhận diện chính xác đến 98,60% các xung trong vùng năng lượng tương đương 50 - 2000 keVee (keV equivalent), và đạt 95,59% với các xung trong vùng năng lượng thấp 50 - 150 keVee. Kết quả này cho thấy với các thiết bị đo bức xạ có phần cứng nhỏ, vẫn có thể ứng dụng được các phương pháp trí tuệ nhân tạo để nâng cao khả năng nhận diện và phân tích các sự kiện đo. 4 2 910-919 2023-06-10T13:25:23Z 2023-06-10T13:25:23Z 2021-04-30 Journal article Bài báo đăng trên tạp chí trong nước (có ISSN), bao gồm book chapter https://scholar.dlu.edu.vn/handle/123456789/2550 https://doi.org/10.32508/stdjet.v4i2.803 vi cience & Technology Development Journal - Engineering and Technology (STDJ-ET) 2615-9872 [1] A. J. Peurrung, “Recent developments in neutron detection”, Nuclear Instruments and Methods in Physics Research A 443 (2000) 400-415. [2] G. F. Knoll, “Radiation Detection and Measurement, Third Edition,” p. 816, 2000, doi: 10.1002/hep.22108. [3] R. Chandra, G. Davatz, H. Friederich, U. Gendotti, D. Murer, "Fast neutron detection with pressurized 4He scintillation detectors", J. Instrum. 7 (2012). doi:10.1088/1748-0221/7/03/C03035. [4] N. P. Hawkes, N.J. Roberts, "Digital dual-parameter data acquisition for SP2 hydrogen-filled proportional counters", Radiat. Prot. Dosimetry. 161 (2013) 253–256. [5] B. D’Mellow, M. D. Aspinall, R. O. Mackin, M. J. Joyce, and A. J. Peyton, “Digital discrimination of neutrons and γ-rays in liquid scintillators using pulse gradient analysis,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 578, no. 1, pp. 191–197, 2007, doi: 10.1016/j.nima.2007.04.174. [6] S. Marrone et al., “Pulse shape analysis of liquid scintillators for neutron studies,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 490, no. 1–2, pp. 299–307, 2002, doi: 10.1016/S0168-9002(02)01063-X. [7] R. F. Lang, D. Masson, J. Pienaar, and S. Röttger, “Improved pulse shape discrimination in EJ-301 liquid scintillators,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 856, no. February, pp. 26–31, 2017, doi: 10.1016/j.nima.2017.02.090. [8] S. D. Jastaniah and P. J. Sellin, “Digital pulse-shape algorithms for scintillation-based neutron detectors,” IEEE Trans. Nucl. Sci., vol. 49 I, no. 4, pp. 1824–1828, 2002, doi: 10.1109/TNS.2002.801674. [9] R. Aryaeinejad, E. L. Reber, and D. F. Spencer, “Development of a handheld device for simultaneous monitoring of fast neutrons and gamma rays,” IEEE Trans. Nucl. Sci., vol. 49 I, no. 4, pp. 1909–1913, 2002, doi: 10.1109/TNS.2002.801508. [10] C. S. Sosa, M. Flaska, and S. A. Pozzi, “Comparison of analog and digital pulse-shape-discrimination systems,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 826, no. May, pp. 72–79, 2016, doi: 10.1016/j.nima.2016.03.088. [11] D. TAKAKU, T. OISHI, and M. BABA, “Development of Neutron-Gamma Discrimination Technique using Pattern-Recognition Method with Digital Signal Processing,” Prog. Nucl. Sci. Technol., vol. 1, no. 0, pp. 210–213, 2011, doi: 10.15669/pnst.1.210. [12] J. Schmidhuber, “Deep learning in neural networks: An overview”, Neural Networks Volume 61, January 2015, Pages 85-117 [13] C. Fu, A. Di Fulvio, S. D. Clarke, D. Wentzloff, S. A. Pozzi, and H. S. Kim, “Artificial neural network algorithms for pulse shape discrimination and recovery of piled-up pulses in organic scintillators,” Ann. Nucl. Energy, vol. 120, pp. 410–421, 2018, doi: 10.1016/j.anucene.2018.05.054. [14] G. Liu, M. D. Aspinall, X. Ma, and M. J. Joyce, “An investigation of the digital discrimination of neutrons and γ rays with organic scintillation detectors using an artificial neural network,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 607, no. 3, pp. 620–628, 2009, doi: 10.1016/j.nima.2009.06.027. [15] E. Ronchi et al., “An artificial neural network based neutron-gamma discrimination and pile-up rejection framework for the BC-501 liquid scintillation detector,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 610, no. 2, pp. 534–539, 2009, doi: 10.1016/j.nima.2009.08.064. [16] M. Gelfusa et al., “Advanced pulse shape discrimination via machine learning for applications in thermonuclear fusion,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 974, no. 2019, 2020, doi: 10.1016/j.nima.2020.164198. [17] M. Flaska, M. Faisal, D. D. Wentzloff, and S. A. Pozzi, “Influence of sampling properties of fast-waveform digitizers on neutron-gamma-ray, pulse-shape discrimination for organic scintillation detectors,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 729, pp. 456–462, 2013, doi: 10.1016/j.nima.2013.07.008. [18] C. Guerrero, D. Cano-Ott, M. Fernández-Ordóñez, E. González-Romero, T. Martínez, and D. Villamarín, “Analysis of the BC501A neutron detector signals using the true pulse shape,” Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip., vol. 597, no. 2–3, pp. 212–218, 2008, doi: 10.1016/j.nima.2008.09.017. [19] Beleites, Claudia, et al. "Sample size planning for classification models." Analytica chimica acta 760 (2013): 25-33. [20] Mazurowski, Maciej A., et al. "Training neural network classifiers for medical decision making: The effects of imbalanced datasets on classification performance." Neural networks 21.2-3 (2008): 427-436. [21] P. Van Chuan, N. D. Hoa, N. X. Hai, N. N. Anh, N. N. Dien, and P. D. Khang, “A scintillation detector configuration for pulse shape analysis,” Nucl. Eng. Technol., vol. 50, no. 8, pp. 1426–1432, 2018, doi: 10.1016/j.net.2018.07.009. Viet Nam National University Ho Chi Minh City Viet Nam National University Ho Chi Minh City

Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 scintillation detector

Những quyển sách tương tự