关键词:
粒子鉴别技术
叠层探测器
脉冲形状甄别方法
蒙特卡洛方法
机器学习方法
卷积神经网络
摘要:
随着闪烁探测器技术的不断发展,粒子鉴别技术的相关研究也在不断深入。在辐照环境复杂的场景,诸如深空环境、核反应堆、高能研究等领域,对粒子种类的鉴别不但能够实现相应的研究目标,对人员健康的防护设计也至关重要。在这些应用场景以及对大气放射性氙同位素的监测中,对于β-γ粒子鉴别的设计是重要的一环。叠层探测器自诞生以来经历了几十年的发展,大量的研究将其用于粒子鉴别的设计中。对粒子鉴别叠层探测器的研究朝着结构优化、算法优化的方向发展,不断提升粒子鉴别的效率以及准确率。在现有的研究中,探测器的鉴别能力还有待提升,需要对算法进行进一步的设计和优化。伴随着对机器学习方法的研究日趋深入,在这一领域中也出现了一些相关的应用工作。本文基于脉冲形状甄别技术开展了对β-γ粒子鉴别叠层探测器的研制工作,对探测器的结构进行了设计、基于探测其脉冲特点构建了脉冲甄别算法,讨论了算法的计算结果。为了更进一步提升脉冲分类效果,对用于粒子鉴别的机器学习方法进行了研究。本文的主要工作有:(1)对β-γ粒子鉴别叠层探测器进行了研制。这部分首先总结了研制过程中需要考虑的问题,提出了叠层探测器的结构框架。通过对闪烁体相关性能参数的分析,选定了以EJ-260/Cs I(Tl)的闪烁体组合作为叠层探测器的设计方案。之后使用GEANT4程序构建了探测器的模型以对其进行结构设计,模拟3.5 Me V电子入射到EJ-260内部的能量沉积情况,确定了这一闪烁体的厚度为20 mm。在此基础上,选择了厚度为50 mm的Cs I(Tl)晶体作为后端的闪烁体。模拟了1Me V能量的β射线入射到EJ-260闪烁体和1 Me V能量的γ射线入射到Cs I(Tl)闪烁体中形成的脉冲,以验证探测器能够通过脉冲形状甄别算法进行区分。在此基础上对叠层探测器进行了组装,使用实际的β射线及γ射线进行测试,并计算了相应的平均脉冲。结果表明,实际的脉冲也具有明显的上升时间差异,能够通过上升时间甄别方法进行数据处理,来实现脉冲的分类效果。(2)基于脉冲形状甄别算法实现了叠层探测器的粒子鉴别。这部分首先对脉冲甄别算法进行了介绍,选择了上升时间甄别算法作为实现粒子鉴别的方案。在使用移动平均滤波器对脉冲进行平滑后,使用MATLAB程序编写了提取每个脉冲的上升时间参数的算法。对脉冲上升时间数据进行分析,实现脉冲的识别和射线能谱的绘制。结果显示,探测器能够实现对不同闪烁体的脉冲进行区分,并能够绘制出相应的粒子能谱。最后还对探测器的品质因子值进行了计算,结果为6.35,将这一数值与其他文献中的结果进行了对比。结果显示,本工作所搭建的叠层探测器结构能够实现粒子鉴别效果,并具有较高的品质因子值。(3)为了能够实现更好的粒子鉴别效果,本文对机器学习方法在粒子鉴别中的应用进行了探索。这部分通过对机器学习方法的发展历史和原理进行总结,选择了高斯混合模型、支持向量机和卷积神经网络用于数据分类的机器学习方法进行了测试。在MATLAB程序中对三类模型进行了构建,在实验上测量了EJ-260/BGO叠层探测器的脉冲,以及由两种闪烁体单独采集的脉冲构建而成的训练集数据。使用GEANT4程序对脉冲进行了模拟,以论证数据集的可靠性。训练结果显示,三种模型都能够在一定程度上实现对探测器脉冲的甄别。其中,高斯混合模型、支持向量机和卷积神经网络对数据分类的准确率分别为72.9%、85.5%和96.1%。受限于数据集的类型以及模型本身的特点,高斯混合模型和支持向量机在分类效果上都存在一定的缺陷,而卷积神经网络具有最高的分类准确率。论文工作的创新点如下:(1)通过对射线特点及闪烁体性能的分析,建立了一套以EJ-260/Cs I(Tl)为组合的叠层探测器结构。利用GEANT4模型对闪烁体几何结构进行了优化设计,并验证了其脉冲输出的可分辨性,在此基础上对探测器进行了组装和初步测试。(2)针对叠层探测器的脉冲选用上升时间甄别方法处理数据,实现了对脉冲种类的识别以及能谱的绘制。(3)对机器学习在粒子鉴别中的应用进行了研究,基于EJ-260/BGO叠层探测器的实验数据,构建了三套不同的机器学习模型以进行测试。