تعيين عمق اشباع در پراكندگي كامپتون با استفاده از شبكه‌هاي عصبي مصنوعي

Determination of saturation depth in Compton scattering using Artificial Neural Network

شدت فوتون‌هاي پراكندگي كامپتون پرتو گاما اطلاعات مفيدي در مورد توزيع چگالي الكتروني درون نمونه آزمايشي ارائه مي‌دهد. به علت تضعيف شدت فوتون‌ها، كارايي اين روش به عمق معيني از نمونه (عمق اشباع) محدود مي شود. عمق اشباع به انرژي و شدت فوتون‌هاي اوليه و جنس نمونه مورد بررسي ارتباط دارد. در اين مطالعه با اندازه‌گيري پراكندگي فوتون‌هاي keV 662 تحت زاويه 90 درجه از نمونه‌هاي مختلف به وسيله آشكارساز سوسوزن NaI(Tl) و با آناليز طيف حاصله به كمك شبكه‌هاي عصبي عمق اشباع نمونه‌ها را تعيين كرده‌ايم. براي آموزش شبكه از نمونه‌هاي با چگالي معلوم و براي آزمايش آن از نمونه‌هاي با چگالي مجهول استفاده شده است. بيشترين دقت اندازه‌گيري (با خطاي نسبي 15/0%) با به كارگيري الگوريتم لونبرگ- ماركوارت (L-M) با پنج لايه مخفي به دست آمده است

The intensity of Compton scattered γ-ray photons provide useful information about the electron density distribution of a test sample. Because of photon attenuation, the application of this method is limited to a certain depth of the sample (saturation depth). The saturation depth value depends on the energy and intensity of primary photons and on the material of the sample. In this study, we measured the energy spectrum of the scattered photons of 662 keV at 90° with a NaI(Tl) scintillator; and determined the saturation depth of the sample by the Artificial Neural Network (ANN) algorithm. Two sets of samples with known and unknown density were used to train and test the network, respectively. The highest precision (with 0.15% relative error) was achieved by using the Levenbert-Marquardt algorithm with five hidden layers.