200 neutron shutter configurations dataset

本研究提出了一种新颖的设计方法，将蒙特卡洛模拟（MCNP）与机器学习技术相结合，以增强屏蔽性能并加速设计过程。目标设施是一个紧凑的中子科学平台，其中中子是通过回旋加速器产生的质子束撞击中子生产目标而产生的。该系统包括热中子和快中子束线。在热中子线上安装了中子束快门，以减少维护活动期间的职业辐射暴露。在这项工作中，使用MCNP对200个具有不同材料序列的中子快门配置进行了模拟。使用生成的数据集来训练一个完全连接的神经网络，以预测屏蔽下游的中子通量。然后，将训练好的模型应用于1000个随机生成的屏蔽配置，以快速预测通量和性能排名。选择了20个预测通量最低的设计，并通过MCNP模拟进一步验证。结果表明，最优设计将中子通量从快门入口处的5.61 × 109 n/cm2·s降低到出口处的4.96×105 n/cm2·s，实现了四个数量级的减少。这些发现证实，将机器学习技术集成可以有效地降低模拟成本，并有助于识别高性能的屏蔽配置，证明了数据驱动方法在中子系统设计中的强大潜力。

This study proposes a novel design method that combines Monte Carlo simulation (MCNP) with machine learning techniques to enhance shielding performance and accelerate the design process. The target facility is a compact neutron science platform, where neutrons are generated by bombarding a neutron production target with a proton beam produced by a cyclotron. This system includes both thermal and fast neutron beamlines. A neutron beam shutter is installed on the thermal neutron beamline to reduce occupational radiation exposure during maintenance activities. In this work, 200 neutron shutter configurations with different material sequences were simulated using MCNP. The generated dataset was used to train a fully connected neural network to predict the neutron flux downstream of the shielding structure. The trained model was then applied to 1000 randomly generated shielding configurations to rapidly predict the flux and performance rankings. Twenty designs with the lowest predicted flux were selected and further verified via MCNP simulations. The results show that the optimal design reduced the neutron flux from 5.61 × 10^9 n/cm²·s at the shutter inlet to 4.96 × 10^5 n/cm²·s at the outlet, achieving a four-order-of-magnitude reduction. These findings confirm that integrating machine learning techniques can effectively reduce simulation costs and help identify high-performance shielding configurations, demonstrating the strong potential of data-driven methods in neutron system design.

搜集汇总

数据集介绍

构建方式

在紧凑型中子科学平台背景下，该数据集通过蒙特卡罗模拟（MCNP 6.2）系统生成了200种中子束快门配置。每种配置由25层模块化屏蔽材料（聚乙烯、硼化聚乙烯、铁和铅）随机组合而成，模拟了热中子束线末端的中子通量衰减。几何模型基于真实设施参数构建，包括170 cm长的真空中子导管和49 cm长的屏蔽段，采用F4和F6计数法分别记录中子通量谱与吸收剂量，确保了数据的物理精确性与工程适用性。

使用方法

该数据集专为机器学习辅助的中子屏蔽设计优化而构建。用户可通过25维向量输入材料序列，利用预训练的全连接神经网络（128-64-32节点结构）预测下游中子通量。实际应用中，建议先以数据集训练模型，再扩展至大规模随机配置的初筛，最终通过MCNP验证最优设计。数据集的分割遵循170/30比例划分训练与测试集，支持回归任务的MSE和MAE双指标评估。

背景与挑战

背景概述

200 neutron shutter configurations数据集由Li-Fang Chen等研究人员于2025年创建，旨在优化基于回旋加速器的中子源中子束快门设计。该数据集通过蒙特卡罗模拟（MCNP）生成了200种不同材料序列的中子束快门配置，用于训练全连接神经网络预测屏蔽性能。其核心研究问题聚焦于解决中子束快门设计中的非线性屏蔽效应与计算效率问题，为紧凑型中子科学平台的辐射安全提供了数据支持。这一工作推动了机器学习在核工程领域的应用，显著降低了传统蒙特卡罗模拟的计算成本。

当前挑战

该数据集面临的挑战主要体现在两方面：在领域问题层面，中子束快门需同时解决热中子和快中子的混合辐射场屏蔽问题，其材料组合对中子通量和能谱的影响呈现高度非线性特征；在构建过程层面，蒙特卡罗模拟的计算成本极高，200种配置的模拟需要消耗大量时间资源，且材料序列的随机生成方式难以覆盖所有潜在优化组合。此外，神经网络模型需要准确捕捉不同屏蔽材料对中子能谱的复杂影响，这对数据质量和特征工程提出了较高要求。

常用场景

经典使用场景

在紧凑型中子源设施中，中子束快门的设计与优化是确保辐射安全的关键环节。200 neutron shutter configurations dataset通过整合蒙特卡洛模拟与机器学习技术，为热中子束线的屏蔽性能评估提供了高效的数据支持。该数据集被广泛应用于训练全连接神经网络，以预测不同材料序列下的中子通量衰减效果，从而加速屏蔽设计的筛选与优化过程。

解决学术问题

该数据集有效解决了中子屏蔽设计中高维参数空间探索的难题。传统蒙特卡洛模拟虽精度高但计算成本巨大，而通过机器学习模型对200种屏蔽配置的模拟数据进行学习，可快速预测数千种候选设计的性能，显著降低仿真耗时。这一方法为非线性屏蔽效应的建模提供了新思路，并验证了数据驱动方法在中子仪器设计中的可行性。

实际应用

在实际工程中，该数据集支撑了模块化中子束快门的智能化设计。最优设计方案将中子通量从入口处的5.61×10^9 n/cm²·s降低至出口处的4.96×10^5 n/cm²·s，衰减达四个数量级。这种基于数据驱动的优化模式已被推广至其他辐射屏蔽系统，如加速器靶站和同位素生产设施的防护结构设计。

数据集最近研究

最新研究方向

在加速器中子源领域，200种中子快门配置数据集的最新研究聚焦于机器学习与蒙特卡罗模拟的深度融合。该数据集通过构建25层模块化屏蔽材料的排列组合，系统探索了聚乙烯、硼化聚乙烯、铁和铅等材料序列对中子通量衰减的非线性影响。当前研究热点体现在三个方面：深度神经网络对复杂屏蔽性能的预测能力显著提升，测试集均方根误差控制在0.14以内；基于数据驱动的优化方法可将传统MCNP模拟计算量压缩80%，同时实现四个数量级的中子通量衰减；模块化设计理念支持中子能谱的主动调控，特别是硼化聚乙烯层对热中子的选择性吸收特性为能谱整形提供了新思路。这些进展为紧凑型中子装置的辐射防护设计建立了智能化范式，在同步辐射装置升级、医用中子源开发等工程场景中展现出重要应用价值。

相关研究论文

• Machine Learning-Based Design and Monte Carlo Simulation of a Neutron Beam Shutter for Cyclotron-Based Neutron Sources

  台湾（由于匿名审查，具体机构信息被隐藏） · 2025年