DOI: https://doi.org/10.22399/ijasrar.56
تاريخ النشر: 2026-02-02
المؤلف: Seher Polat وآخرون
الموضوع الرئيسي: تحليل مواد درع الإشعاع
نظرة عامة
تستكشف هذه الدراسة خصائص درع الإشعاع لزجاج البوروسيليكات المغنيسيوم، من خلال الاستبدال الجزئي لـ B₂O₃ بـ MgO في تركيبة زجاجية من 30SiO₂-30B₂O₃-40MgO. تستخدم الأبحاث شبكة عصبية اصطناعية (ANN) للتنبؤ بمعامل التوهين الخطي (LAC) لهذه الزجاجات، وهو أمر حاسم لتقييم فعاليتها في الحماية من الإشعاع. تم مقارنة قيم LAC التي تم الحصول عليها من نموذج ANN بتلك المحسوبة باستخدام برنامج Phy-X/PSD، مما يظهر ارتباطًا قويًا بين الطريقتين.
تشير النتائج إلى أن نموذج ANN يتنبأ بفعالية بأداء درع أشعة غاما لزجاج البوروسيليكات المغنيسيوم، باستخدام طاقات أشعة غاما وكثافة المادة والنسب المولية كمعلمات إدخال. تقترح النتائج أن ANN يمكن أن تكون أداة موثوقة لتقييم خصائص درع الإشعاع لمواد الزجاج، مما يساهم في تطوير بدائل درع أكثر أمانًا لحماية صحة الإنسان.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للإشعاع المؤين عبر مختلف القطاعات، بما في ذلك الزراعة والصناعة والبحث العلمي والطب، مع التأكيد على المخاطر المحتملة التي يشكلها على صحة الإنسان والبيئة. يناقش النص أهمية درع الإشعاع، الذي يختلف بناءً على نوع وطاقة الإشعاع، حيث يعتبر الرصاص تقليديًا المادة المفضلة بسبب قدراته العالية على التوهين. ومع ذلك، فإن سمية الرصاص وعيوبه الأخرى قد دفعت إلى البحث عن مواد بديلة، وخاصة الزجاج والهياكل المركبة، التي يمكن أن تقدم حماية فعالة بينما تكون أكثر صداقة للبيئة.
تستكشف هذه الدراسة بشكل خاص أداء درع الإشعاع لزجاج البوروسيليكات المغنيسيوم، المصنوع على شكل \(30\text{SiO}_2 – 30\text{B}_2\text{O}_3 – 40\text{MgO}\). تركز الأبحاث على تقييم معامل التوهين الخطي (LAC) لهذه التركيبات الزجاجية لتقييم قدراتها في الحماية من الإشعاع. نظرًا لقيود الطرق التجريبية بسبب القيود العملية، تستخدم الدراسة نهجًا نظريًا لتقدير خصائص التوهين الإشعاعي للزجاج المصنوع، بهدف المساهمة في تطوير حلول درع شفافة وفعالة لتطبيقات إشعاع غاما.
طرق
في هذه الدراسة، تم التنبؤ بخصائص درع أشعة غاما لزجاج البوروسيليكات المغنيسيوم بتركيبة 40MgO-30B₂O₃-30SiO₂ باستخدام نهج شبكة عصبية اصطناعية (ANN). تمت مقارنة النتائج التي تم الحصول عليها من نموذج ANN لاحقًا بتلك المحسوبة باستخدام برنامج Phy-X/PSD. تتكون الشبكات العصبية الاصطناعية، التي هي نماذج رياضية مستوحاة من الأنظمة العصبية البيولوجية، من خلايا عصبية مترابطة منظمة في طبقات: طبقة إدخال، وطبقة أو أكثر من الطبقات المخفية، وطبقة إخراج. تستقبل طبقة الإدخال البيانات الخارجية، بينما تقوم الطبقات المخفية باستخراج الميزات وتحويل البيانات، مما يمكّن النموذج من التقاط العلاقات المعقدة داخل البيانات. تولد طبقة الإخراج التنبؤات النهائية.
تشمل الإطار الرياضي لنموذج ANN مجموعًا مرجحًا ودالة تنشيط، ممثلة بالمعادلات \( z = \sum_{i=1}^{n} w_i x_i + b \) و \( f(z) = \frac{1}{1 + e^{-z}} \)، حيث \( z \) هو المجموع المرجح، و \( w_i \) تشير إلى الأوزان، و \( x_i \) تمثل المدخلات، و \( b \) هو التحيز. تتضمن بنية نموذج ANN المقترحة في هذه الدراسة ثلاثة عقد في طبقة الإدخال، وخمس وعشر عقد في الطبقات المخفية، وعقدة واحدة في طبقة الإخراج، كما هو موضح في الشكل المرافق.
نتائج
تستكشف الدراسة أداء درع أشعة غاما لزجاج البوروسيليكات المغنيسيوم بتركيبة 40MgO-30B₂O₃-30SiO₂، باستخدام شبكة عصبية اصطناعية (ANN) للتنبؤات. المقياس الأساسي للتقييم هو معامل التوهين الخطي (LAC)، الذي تمت مقارنته مع النتائج من حسابات Phy-X/PSD. تشير النتائج إلى أن قيم LAC تختلف بشكل كبير مع طاقة أشعة غاما، مما يظهر قيمًا أعلى في منطقة الطاقة المنخفضة بسبب هيمنة تأثير الفوتوإلكتريك (PE)، الذي يتأثر بشدة بالعدد الذري ويرتبط عكسيًا بطاقة الفوتون. مع زيادة الطاقة، يحدث انخفاض تدريجي في LAC، يُعزى إلى تشتت كومبتون (CS)، الذي يظهر اعتمادًا أضعف على العدد الذري.
الارتباط بين تنبؤات ANN وحسابات Phy-X/PSD قوي، مع معامل ارتباط (R²) يتجاوز 99%، مما يشير إلى مستوى عالٍ من الدقة التنبؤية. تشير هذه الاتفاقية القوية إلى أن طريقة ANN هي أداة موثوقة للتنبؤ بخصائص درع أشعة غاما لتركيبة الزجاج المدروسة عبر نطاق طاقة واسع، من keV إلى MeV.
مناقشة
في هذه الدراسة، بحث المؤلفون خصائص درع الإشعاع لزجاج البوروسيليكات المغنيسيوم بتركيبة 40MgO-30B₂O₃-30SiO₂. باستخدام كل من حسابات Phy-X/PSD ونهج شبكة عصبية اصطناعية (ANN)، قاموا بتحليل العلاقة بين طاقات أشعة غاما وكثافة المادة والنسب المولية كمعلمات إدخال، مما أدى في النهاية إلى التنبؤ بقيم معامل التوهين الخطي (LAC) كمدخلات. أظهرت النتائج وجود ارتباط قوي بين تنبؤات ANN وقيم LAC التي تم الحصول عليها من حسابات Phy-X/PSD، مما يشير إلى أن طريقة ANN هي أداة موثوقة وفعالة لتقييم قدرات درع أشعة غاما لمواد الزجاج.
يؤكد المؤلفون أن أبحاثهم لم تشمل موضوعات بشرية أو حيوانية ويعلنون عدم وجود تضارب في المصالح أو مصادر تمويل. كما يلاحظون أن البيانات التي تدعم نتائجهم متاحة عند الطلب، على الرغم من عدم الوصول إليها علنًا بسبب اعتبارات الخصوصية والأخلاقيات. علاوة على ذلك، يؤكدون أنه لم يتم استخدام أي أدوات ذكاء اصطناعي توليدية في إعداد المخطوطة.
DOI: https://doi.org/10.22399/ijasrar.56
Publication Date: 2026-02-02
Author(s): Seher Polat et al.
Primary Topic: Radiation Shielding Materials Analysis
Overview
This study investigates the radiation shielding properties of magnesium borosilicate glasses, specifically through the partial substitution of B₂O₃ with MgO in a glass composition of 30SiO₂-30B₂O₃-40MgO. The research employs an Artificial Neural Network (ANN) to predict the linear attenuation coefficient (LAC) of these glasses, which is crucial for assessing their effectiveness in radiation protection. The LAC values obtained from the ANN model were compared with those calculated using the Phy-X/PSD software, demonstrating a strong correlation between the two methods.
The findings indicate that the ANN model effectively predicts the gamma-ray shielding performance of magnesium borosilicate glasses, utilizing gamma-ray energies, material density, and molar fractions as input parameters. The results suggest that ANN can serve as a reliable tool for evaluating the radiation shielding characteristics of glass materials, thereby contributing to the development of safer shielding alternatives for human health protection.
Introduction
The introduction highlights the critical role of ionising radiation across various sectors, including agriculture, industry, scientific research, and medicine, while emphasizing the potential hazards it poses to human health and the environment. The text discusses the importance of radiation shielding, which varies based on the type and energy of radiation, with lead traditionally being the material of choice due to its high attenuation capabilities. However, lead’s toxicity and other drawbacks have spurred research into alternative materials, particularly glass and composite structures, which can offer effective protection while being more environmentally friendly.
This study specifically investigates the radiation shielding performance of magnesium borosilicate glasses, formulated as \(30\text{SiO}_2 – 30\text{B}_2\text{O}_3 – 40\text{MgO}\). The research focuses on evaluating the linear attenuation coefficient (LAC) of these glass compositions to assess their radiation protection capabilities. Given the limitations of experimental methods due to practical constraints, the study employs a theoretical approach to estimate the radiation attenuation characteristics of the formulated glass, aiming to contribute to the development of transparent and effective radiation shielding solutions for gamma radiation applications.
Methods
In this study, the gamma-ray shielding properties of magnesium borosilicate glass with a composition of 40MgO-30B₂O₃-30SiO₂ were predicted using an Artificial Neural Network (ANN) approach. The results obtained from the ANN model were subsequently compared with those calculated using the Phy-X/PSD software. ANNs, which are mathematical models inspired by biological neural systems, consist of interconnected neurons organized into layers: an input layer, one or more hidden layers, and an output layer. The input layer receives external data, while the hidden layers perform feature extraction and data transformation, enabling the model to capture complex relationships within the data. The output layer generates the final predictions.
The mathematical framework of the ANN includes a weighted sum and an activation function, represented by the equations \( z = \sum_{i=1}^{n} w_i x_i + b \) and \( f(z) = \frac{1}{1 + e^{-z}} \), where \( z \) is the weighted sum, \( w_i \) denotes the weights, \( x_i \) represents the inputs, and \( b \) is the bias. The ANN model structure proposed in this study includes three input layer nodes, five and ten hidden layer nodes, and one output layer node, as illustrated in the accompanying figure.
Results
The study investigates the gamma-ray shielding performance of magnesium borosilicate glass with a composition of 40MgO-30B₂O₃-30SiO₂, utilizing an Artificial Neural Network (ANN) for predictions. The primary metric for evaluation is the linear attenuation coefficient (LAC), which was compared with results from Phy-X/PSD calculations. The findings indicate that LAC values vary significantly with gamma-ray energy, demonstrating higher values in the low-energy region due to the dominance of the photoelectric (PE) effect, which is strongly influenced by atomic number and inversely related to photon energy. As energy increases, a gradual decrease in LAC occurs, attributed to Compton scattering (CS), which exhibits a weaker dependence on atomic number.
The correlation between the ANN predictions and Phy-X/PSD calculations is robust, with a correlation coefficient (R²) exceeding 99%, indicating a high level of predictive accuracy. This strong agreement suggests that the ANN method is a reliable tool for predicting the gamma-ray shielding characteristics of the studied glass composition across a wide energy range, from keV to MeV.
Discussion
In this study, the authors investigated the radiation shielding properties of magnesium borosilicate glass with a composition of 40MgO-30B₂O₃-30SiO₂. Utilizing both Phy-X/PSD calculations and an Artificial Neural Network (ANN) approach, they analyzed the relationship between gamma-ray energies, material density, and molar fractions as input parameters, ultimately predicting the linear attenuation coefficient (LAC) values as outputs. The results demonstrated a strong correlation between the ANN predictions and the LAC values obtained from Phy-X/PSD calculations, suggesting that the ANN method is a reliable and effective tool for assessing the gamma-ray shielding capabilities of glass materials.
The authors affirm that their research did not involve human or animal subjects and declare no conflicts of interest or funding sources. They also note that the data supporting their findings are available upon request, although not publicly accessible due to privacy and ethical considerations. Furthermore, they confirm that no generative AI tools were utilized in the manuscript’s preparation.