[發明專利]一種基于神經網絡的質子在器件中能量沉積預測方法

在審

• 申請號: 202210087323.3
• 申請日: 2022-01-25
• 公開（公告）號: CN114492188A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 李光耀;蔣煜琪;王煜澤;薛玉雄;曹榮幸;鄭澍;王磊;曾祥華
• 申請（專利權）人: 揚州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/15
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 陳建和

本發明公開了一種基于神經網絡的質子在器件中能量沉積預測方法，通過建立反應目標系統特性的數據庫，搭建BP神經網絡并進行優化訓練，通過確定的最優網絡模型與預測的數據集進行預測，通過本發明預測能量沉積與實際能量沉積相比，總體準確率保持在90％以上，只有個別預測結果有所偏差，誤差率在15％左右。因此，本發明基于神經網絡進行能量沉積預測可以實現沉能量積快速準確地預測，解決了實驗方法和模擬仿真方法帶來的人力、物力以及時間成本等問題。

技術領域

本發明涉及一種基于神經網絡的質子在器件中能量沉積預測方法。

背景技術

空間輻射環境中的粒子與航天器電子器件發生相互作用，產生空間輻射效應，嚴重威脅航天器安全。因此針對不同粒子在不同器件中的相互作用機理研究顯得尤為重要。

目前，針對不同粒子在不同器件中的能量沉積主要依靠實驗方法以及軟件仿真分析獲得。通過實驗方法獲取器件中的能量沉積是最為可靠的方法，但也存在諸多問題，首先是實驗需要消耗大量的人力、物力以及時間成本，其次，實驗方法操作復雜，針對特定的輸入條件，例如特定的通量、能量等，一旦需要更換器件或者改變某些輸入條件時，可能需要重新開展實驗。

另一種是采用蒙特卡羅(Monte Carlo method)軟件仿真的方法進行分析。常用的軟件有Geant4，FLUKA、SRIM、MCNP等，模擬仿真方法只需要在PC上進行建模，規定模型的大小、方向、材料等，設置粒子源、物理過程以及編寫輸出語句，便可獲取該輸入條件下的能量沉積。模擬仿真方法相較于實驗方法來說，人力、物力成本大大降低，同時模擬仿真方法較實驗方法來說，操作難度低，修改輸入條件、參數等相對容易。但也存在著一定的局限性，模擬仿真結果收斂慢，運算的時間成本取決于輸入粒子數、物理過程、電腦配置等，當結果趨于收斂時，模擬運算的時間可能需要消耗十幾小時甚至幾天。修改部分輸入條件時，時間成本將會成倍地增長。

發明內容

發明目的：針對上述現有技術，提出一種基于神經網絡的質子在器件中能量沉積預測方法，實現粒子在器件中能量沉積快速且準確地預測。

技術方案：一種基于神經網絡的質子在器件中能量沉積預測方法，包括如下步驟：

步驟1：構建質子在器件中能量沉積的數據庫，并將數據庫中的數據分為訓練集數據和測試集數據；

步驟2：對數據庫中所有數據進行預處理；

步驟3：建立以預處理后的粒子能量、粒子數量以及粒子入射方向三個變量作為輸入，以預處理后的能量沉積為輸出的神經網絡模型；

步驟4：確定神經網絡結構，采用訓練集數據進行訓練，訓練完成后輸出模型在測試集數據的誤差與準確率；

步驟5：選取訓練好的網絡模型文件，讀取需要預測的數據集進行預測，得到器件中的能量沉積。

進一步的，所述步驟1中，所述數據庫中的數據包括對目標系統的能量沉積采用實驗方法得到的數據或對目標系統的能量沉積采用數值模擬仿真方法得到的數據，并將數據庫中的數據按照8∶2的比例分為訓練集數據和測試集數據。

進一步的，所述步驟2中，對數據進行的預處理包括：將粒子能量、粒子數量、粒子入射方向以及能量沉積分別進行數據的歸一化處理。

進一步的，所述步驟3中，預測能量沉積的所述神經網絡模型采用BP神經網絡，所述BP神經網絡采用全聯結結構的4層前饋神經網絡，每層神經元個數為3、256、256、1，預處理后的粒子能量、粒子數量、粒子入射方向作為輸入，預處理后的能量沉積作為輸出。

進一步的，所述步驟4中，當準確率達到95％以上時，保存網絡模型文件；當準確率低于95％時，調節神經網絡模型的學習率、迭代次數、神經元數量后繼續優化，直至準確率提高至95％以上。