تخمين رفتار يك حفاظ كامپوزيتي براي نوترون‌هاي‌ حرارتي، با استفاده از شبكه عصبي

Using Neural Network to Estimate the Behavior of a Composite Shield for Thermal Neutrons

طراحي و ساخت حفاظ براي نوترون‌هاي حرارتي همواره يكي از نيازهاي صنعت هسته‌اي بوده است. در اين راستا، ساخت حفاظ‌هاي كامپوزيتي كه بتوانند علاوه بر محدود كردن ميزان نوترون حرارتي، ميزان گاماي ثانويه توليدي را نيز كاهش دهد يكي از راهكارهاي مطلوب است. براي طراحي چنين حفاظي نخست با استفاده از ابزار مونت¬كارلو تعدادي آزمايش‌ شبيه‌سازي انجام شد كه شامل بازه‌اي از تغييراتِ درصد افزودني¬ها شامل B4C، WO3 و Al(OH)3 بودند. نتايج حاصل براي آموزش يك شبكه عصبي استفاده شد و صحت عملكرد اين شبكه با استفاده از اطلاعات تجربي و همچنين انتخاب تصادفي چيدمانِ متفاوتي از اطلاعات شبيه سازي بررسي شد. شبكه عصبي بعنوان ابزار تخمين زننده عملكرد چنين حفاظي، مي¬تواند موجب صرفه‌جويي در هزينه و زمان طراحي شود.

Design and fabrication of shields for nuclear industry particularly in thermal neutron shielding, has been always the matter of consideration. Therefore, producing composite shields provide reduction in thermal neutrons and secondary gamma rays would be a resolution. In order to design such shields, Monte-Carlo technique was used to simulate several tests which include setting alterations in quantity of materials such as B4C, WO3 and Al(OH)3. The results were utilized to train a Neural Network (NN). Afterwards the NN verification was performed by using both experimental and a random selection of the simulation data. The study shows that NN can be considered as an estimating toolkit in shieling performance assessment which provides higher cost and designing-time efficiency.