DOI: https://doi.org/10.22399/ijcesen.4827
تاريخ النشر: 2026-01-29
المؤلف: Demet Sarıyer وآخرون
الموضوع الرئيسي: تحليل مواد درع الإشعاع
نظرة عامة
تتناول هذه الدراسة التحدي المتمثل في الحماية من النيوترونات الثانوية الناتجة عن تفاعلات البروتونات عالية الطاقة مع الأهداف، تحديدًا عند طاقة بروتون تبلغ 1000 ميغا إلكترون فولت. باستخدام إطار هجين يجمع بين محاكاة مونت كارلو (MC) ونماذج التعلم الآلي (ML)، تبحث الدراسة في تقليل جرعة النيوترونات في الخرسانات المعززة بـ B₄C و FeB مع نسب إضافات متغيرة (5%، 10%، و15%). تشير النتائج إلى أن نماذج Random Forest (RF) و Gradient Boosting Regressor (GBR) تحقق دقة تنبؤية متفوقة، مع قيم R² تتراوح من حوالي 0.98 إلى 0.996، متفوقة على نماذج الانحدار الخطي اللوغاريتمي (LR) و K-Nearest Neighbors (KNN)، خصوصًا في المناطق التي تتميز بشدة عدم الخطية وانحدارات الجرعة الحادة.
تكشف الدراسة أن تقليل جرعة النيوترونات غير خطي للغاية ويعتمد على المسافة، خاصة داخل مواد الحماية. ومن الجدير بالذكر أن الخرسانة المعززة بـ FeB تظهر سلوك تقليل أكثر تعقيدًا بسبب التفاعل بين تشتت الحديد وآليات امتصاص البورون. تؤكد البحث على فعالية نماذج RF و GBR في تقديم توقعات موثوقة للجرعة، خاصة في المناطق القريبة حيث تكون عدم اليقين في التنبؤ أعلى. بشكل عام، تؤسس هذه العمل إطارًا قويًا لتقدير جرعة النيوترونات وتحسين الحماية في مرافق مسرعات البروتون عالية الطاقة، مع آثار على الأبحاث المستقبلية التي تمتد إلى الأشكال ثلاثية الأبعاد وتطبيقات النمذجة في الوقت الحقيقي.
مقدمة
تؤكد الزيادة في استخدام الإشعاع المؤين في مختلف القطاعات على الحاجة الملحة لحلول حماية فعالة، خاصة في البيئات ذات الجرعات العالية مثل مسرعات الجسيمات والمفاعلات البحثية. الخرسانة هي خيار شائع للحماية من الإشعاع نظرًا لقوتها الميكانيكية وفعاليتها من حيث التكلفة وقابليتها للتكيف من خلال الإضافات. تتأثر أداء الخرسانة في الحماية بكثافتها وتركيبها الذري لأشعة غاما، بينما تكون الحماية من النيوترونات أكثر تعقيدًا، حيث تتطلب توازنًا بين التهدئة والامتصاص. تمثل النيوترونات عالية الطاقة، خاصة تلك الناتجة في مسرعات البروتون، تحديات كبيرة بسبب اختراقها العميق، مما يتطلب غالبًا حماية سميكة بشكل غير عملي. وقد سلطت الدراسات الأخيرة الضوء على إمكانيات الخرسانة المعززة بالإضافات، خاصة تلك التي تحتوي على مواد قائمة على البورون مثل كربيد البورون (B₄C) والفيروبورون، لتحسين كفاءة تقليل النيوترونات وتقليل سمك الحماية المطلوب.
على الرغم من التقدم، ركزت الكثير من الأبحاث الحالية على مجالات النيوترونات ذات الطاقة المنخفضة أو التكوينات المحددة، مما ترك فجوة في المقارنات المنهجية للخرسانات المعززة بالبورون تحت ظروف الطاقة العالية. تُستخدم محاكيات مونت كارلو (MC) عادةً لنمذجة نقل الإشعاع، لكن كثافتها الحاسوبية تحد من التحليلات الواسعة. لمعالجة ذلك، ظهرت فكرة دمج التعلم الآلي (ML) مع محاكيات MC كنهج واعد، مما يسمح بالتنبؤات السريعة وتحسين تصميمات الحماية. تهدف هذه الدراسة إلى تطوير نموذج شامل للحماية يجمع بين محاكيات MC المعتمدة على FLUKA مع تقنيات ML المختلفة للتنبؤ بفعالية بتقليل إشعاع النيوترونات في مسرعات البروتون عالية الطاقة، وبالتالي المساهمة في تحسين تصميم الحماية من الإشعاع.
الطرق
في هذه الدراسة، بحث الباحثون في توزيعات الجرعات للنيوترونات الثانوية الناتجة عن تفاعل بروتونات 1000 ميغا إلكترون فولت مع مواد الهدف، مع التركيز بشكل خاص على الأنفاق المملوءة بالهواء وطبقات الحماية الخرسانية المحيطة التي تحتوي على تركيزات متغيرة (5%، 10%، و15%) من إضافات B₄C و FeB. تم إجراء التحليلات باستخدام كود محاكاة مونت كارلو FLUKA (الإصدارات 2011.2b و 2011.2c)، الذي سهل حساب قيم الجرعة عبر سمك الحماية المختلفة والمسافات الشعاعية لكل تكوين.
تم استخدام نتائج المحاكاة بعد ذلك لتطوير وتقييم خوارزميات التعلم الآلي القائمة على الانحدار. شملت المنهجية معالجة البيانات المسبقة، تدريب النموذج، وتحليل الأداء، جميعها تم تنفيذها بلغة بايثون، مستفيدة من مكتبات علوم البيانات مفتوحة المصدر مثل NumPy و Pandas و Matplotlib و Scikit-learn. كان الهدف من هذا النهج هو تعزيز فهم توزيعات جرعة النيوترونات وتحسين فعالية الحماية من خلال تقنيات حسابية متقدمة.
النتائج
تركز نتائج هذه الدراسة على تطوير والتحقق من نماذج التعلم الآلي (ML) للتنبؤ بجرعات النيوترونات في مرافق مسرعات البروتون، تحديدًا تحت ظروف تشغيل غير طبيعية. كان الهدف الرئيسي هو إنشاء نماذج بديلة تسهل التقييمات الأولية السريعة لتوزيعات جرعة النيوترونات، والتي تمت مقارنتها مع محاكيات مونت كارلو FLUKA عالية الدقة عند مستوى طاقة 1000 ميغا إلكترون فولت. تم استخدام مجموعة بيانات تحتوي على 1081 نقطة بيانات لتدريب نماذج ML المختلفة، بما في ذلك Random Forest (RF) و Gradient Boosting Regressor (GBR) و K-Nearest Neighbors (KNN) و الانحدار الخطي اللوغاريتمي (LR). تشير النتائج إلى أن نماذج RF و GBR تتفوق بشكل كبير على KNN و LR، حيث تقدم توقعات دقيقة ومتسقة فيزيائيًا لتوزيعات جرعة النيوترونات في كل من هواء الأنفاق وبيئات الحماية الخرسانية.
كشفت التحليلات عن سلوكيات نقل نيوتروني مميزة في وسائط مختلفة، حيث تمكنت RF و GBR من التقاط انحدارات الجرعة الحادة بالقرب من المصدر والتقليل التدريجي عند المسافات الأكبر. في المقابل، واجهت KNN صعوبة في الاستقرار، خاصة في المناطق ذات التغيرات السريعة في الجرعة، بينما فشل LR في تمثيل العلاقة غير الخطية بين الجرعة والمسافة بشكل كافٍ. كما سلطت الدراسة الضوء على آليات التخفيف المعقدة في الخرسانة المعززة بـ B₄C و FeB، حيث أظهرت RF و GBR أداءً قويًا عبر تركيبات المواد المتغيرة. بشكل عام، تؤكد النتائج على تفوق الأساليب غير الخطية في ML لتنبؤ جرعة النيوترونات في تطبيقات حماية مسرعات البروتون عالية الطاقة، بينما أثبتت النماذج الخطية التقليدية عدم كفاءتها لمثل هذه الظواهر المعقدة.
المناقشة
في هذه الدراسة، تم تطوير إطار هجين من مونت كارلو (MC) والتعلم الآلي (ML) لنمذجة توزيعات جرعة النيوترونات الثانوية الناتجة عن تفاعل بروتونات 1000 ميغا إلكترون فولت مع هدف نحاسي. تم استخدام كود محاكاة FLUKA MC لتوليد بيانات لكل من الأنفاق المملوءة بالهواء وبيئات الحماية الخرسانية المعززة بإضافات B₄C و FeB بتركيزات 5% و 10% و 15%. تم تدريب واختبار نماذج ML المختلفة القائمة على الانحدار، بما في ذلك الانحدار الخطي اللوغاريتمي (log-linear LR) و K-Nearest Neighbors (KNN) و Random Forest (RF) و Gradient Boosting Regressor (GBR) بشكل منهجي. أشارت النتائج إلى أن تقليل جرعة النيوترونات غير خطي للغاية ويعتمد على المسافة، خاصة داخل مواد الحماية، حيث أظهرت نماذج RF و GBR دقة تنبؤية متفوقة مقارنةً بـ log-linear LR و KNN.
وجدت الدراسة أن كل من الخرسانات المعززة بـ B₄C و FeB تحمي النيوترونات بشكل فعال، على الرغم من أن الخرسانة المعززة بـ FeB أظهرت سلوك تقليل أكثر تعقيدًا بسبب التأثيرات التآزرية للحديد والبورون. قدمت نماذج RF و GBR توقعات موثوقة، خاصة بعد سمك الحماية الأولي، بينما واجه نموذج log-linear LR صعوبة في التقاط العلاقة غير الخطية بين الجرعة والمسافة. تسلط هذه الأبحاث الضوء على إمكانيات تقنيات ML المتقدمة المدربة على بيانات محاكاة MC كبديل سريع وفعال لتقدير جرعة النيوترونات وتحليل الحماية في مرافق مسرعات البروتون عالية الطاقة. ستسعى التحقيقات المستقبلية إلى توسيع هذا الإطار ليشمل الأشكال ثلاثية الأبعاد ونطاقات الطاقة الإضافية، مما يعزز قابليته للتطبيق في نمذجة الوقت الحقيقي في عمليات المسرعات وتصميم المرافق.
DOI: https://doi.org/10.22399/ijcesen.4827
Publication Date: 2026-01-29
Author(s): Demet Sarıyer et al.
Primary Topic: Radiation Shielding Materials Analysis
Overview
This study addresses the challenge of shielding against secondary neutrons produced by high-energy proton-target interactions, specifically at a proton energy of 1000 MeV. Utilizing a hybrid framework that combines Monte Carlo (MC) simulations with machine learning (ML) surrogate models, the research investigates neutron dose attenuation in B₄C- and FeB-enhanced concretes with varying additive fractions (5%, 10%, and 15%). The findings indicate that Random Forest (RF) and Gradient Boosting Regressor (GBR) models achieve superior predictive accuracy, with R² values ranging from approximately 0.98 to 0.996, outperforming log-linear Linear Regression (LR) and K-Nearest Neighbors (KNN) models, particularly in regions characterized by strong nonlinearity and steep dose gradients.
The study reveals that neutron dose attenuation is highly nonlinear and distance-dependent, especially within shielding materials. Notably, FeB-enhanced concrete demonstrates more complex attenuation behavior due to the interplay between iron-induced scattering and boron absorption mechanisms. The research emphasizes the effectiveness of RF and GBR models in providing reliable dose predictions, particularly in near-field regions where prediction uncertainty is highest. Overall, this work establishes a robust framework for neutron dose estimation and shielding optimization in high-energy proton accelerator facilities, with implications for future research extending to three-dimensional geometries and real-time modeling applications.
Introduction
The increasing utilization of ionizing radiation in various sectors underscores the urgent need for effective shielding solutions, particularly in high-dose environments such as particle accelerators and research reactors. Concrete is a prevalent choice for radiation shielding due to its mechanical strength, cost-effectiveness, and adaptability through additives. The performance of concrete in shielding is influenced by its density and atomic composition for gamma rays, while neutron shielding is more complex, requiring a balance of moderation and absorption. High-energy neutrons, especially those generated in proton accelerators, present significant challenges due to their deep penetration, often necessitating impractically thick shielding. Recent studies have highlighted the potential of additive-enhanced concrete, particularly those incorporating boron-based materials like boron carbide (B₄C) and ferroboron, to improve neutron attenuation efficiency and reduce required shielding thickness.
Despite advancements, much of the existing research has focused on lower energy neutron fields or specific configurations, leaving a gap in systematic comparisons of boron-enhanced concretes under high-energy conditions. Monte Carlo (MC) simulations are commonly employed to model radiation transport, but their computational intensity limits extensive analyses. To address this, the integration of machine learning (ML) with MC simulations has emerged as a promising approach, allowing for rapid predictions and optimization of shielding designs. This study aims to develop a comprehensive shielding model that combines FLUKA-based MC simulations with various ML techniques to effectively predict neutron radiation attenuation in high-energy proton accelerators, thereby contributing to the optimization of radiation shielding design.
Methods
In this study, the researchers investigated the dose distributions of secondary neutrons produced by the interaction of 1000 MeV protons with target materials, specifically focusing on air-filled tunnels and surrounding concrete shielding layers that incorporated varying concentrations (5%, 10%, and 15%) of B₄C and FeB additives. The analyses were performed using the FLUKA Monte Carlo simulation code (versions 2011.2b and 2011.2c), which facilitated the calculation of dose values across different shielding thicknesses and radial distances for each configuration.
The simulation results were subsequently utilized to develop and evaluate regression-based machine learning algorithms. The methodology included data preprocessing, model training, and performance analysis, all conducted in Python, leveraging open-source data science libraries such as NumPy, Pandas, Matplotlib, and Scikit-learn. This approach aimed to enhance the understanding of neutron dose distributions and improve shielding effectiveness through advanced computational techniques.
Results
The results of this study focus on the development and validation of machine learning (ML) models for predicting neutron doses in proton accelerator facilities, specifically under abnormal operating conditions. The primary aim was to create surrogate models that facilitate rapid preliminary assessments of neutron dose distributions, which were compared against high-fidelity FLUKA Monte Carlo (MC) simulations at an energy level of 1000 MeV. A dataset of 1081 data points was utilized to train various ML models, including Random Forest (RF), Gradient Boosting Regressor (GBR), K-Nearest Neighbors (KNN), and log-linear Linear Regression (LR). The findings indicate that RF and GBR models significantly outperform KNN and LR, providing accurate and physically consistent predictions of neutron dose distributions in both tunnel air and concrete shielding environments.
The analysis revealed distinct neutron transport behaviors in different media, with RF and GBR effectively capturing the steep dose gradients near the source and the gradual attenuation at larger distances. In contrast, KNN struggled with stability, particularly in regions with rapid dose changes, while LR failed to represent the nonlinear dose-distance relationship adequately. The study also highlighted the complex attenuation mechanisms in B₄C- and FeB-enhanced concrete, where RF and GBR demonstrated robust performance across varying material compositions. Overall, the results underscore the superiority of nonlinear ML approaches for neutron dose prediction in high-energy proton accelerator shielding applications, while traditional linear models proved inadequate for such complex phenomena.
Discussion
In this study, a hybrid Monte Carlo (MC) and machine learning (ML) framework was developed to model secondary neutron dose distributions resulting from the interaction of 1000 MeV protons with a copper target. The FLUKA MC simulation code was utilized to generate data for both air-filled tunnels and concrete shielding environments enhanced with B₄C and FeB additives at concentrations of 5%, 10%, and 15%. Various regression-based ML models, including Logarithmic Linear Regression (log-linear LR), K-Nearest Neighbors (KNN), Random Forest (RF), and Gradient Boosting Regressor (GBR), were systematically trained and tested. The results indicated that neutron dose attenuation is highly nonlinear and distance-dependent, particularly within shielding materials, with RF and GBR models demonstrating superior predictive accuracy compared to log-linear LR and KNN.
The study found that both B₄C and FeB-enhanced concretes effectively shield neutrons, although FeB-enhanced concrete exhibited more complex attenuation behavior due to the synergistic effects of iron and boron. The RF and GBR models provided reliable predictions, especially beyond the initial shielding thickness, while the log-linear LR model struggled to capture the nonlinear dose-distance relationship. This research highlights the potential of advanced ML techniques trained on MC simulation data as a rapid and efficient alternative for neutron dose estimation and shielding analysis in high-energy proton accelerator facilities. Future investigations will aim to expand this framework to three-dimensional geometries and additional energy ranges, enhancing its applicability for real-time modeling in accelerator operations and facility design.