طراحي نرم افزار بازيابي طيف نوتروني يک کره پلي اتيلني شامل آشکارسازهاي غيرفعال TLD-۶۰۰ و TLD-۷۰۰

طیف¬نگار کره¬های بونر یکی از بهترین ابزارهای طراحی شده به منظور محاسبه توزیع انرژی نوترون¬های ساطع شده از چشمه¬ها می¬باشند. اما اشکال استفاده از این روش وزن ناشی از تعداد متعدد این کره¬ها و نیاز به اندازه¬گیری¬های متعدد برای هر کره بونر و در نتیجه آن افزایش مدت زمان طیف¬نگاری می¬باشد. به همین دلیل در سال¬های اخیر محققین به بررسی و ساخت یک طیف¬نگار شامل چندین آشکارساز نوترونی در درون یک کره پلی¬اتیلنی پرداختند. در سیستم¬های آشکارسازی، طیف نوترونی به طور مستقیم اندازه¬گیری نمی¬گردد بلکه طیف نوترونی با استفاده از نرم¬افزار بازیابی طیف مناسب بازیابی می¬شود. هدف از این پژوهش طراحی نرم¬افزار بازیابی طیف نوترونی با استفاده از شبکه عصبی feedforward و شبکه عصبی GRNN برای پیش بینی طیف نوترونی یک کره پلی اتیلنی شامل TLD-600 و TLD-700 و یک کره پلی اتیلنی شامل ورقه¬های فعالسازی با استفاده از مقادیر خوانش هر طیف نگار می¬باشد. به منظور محاسبه توابع پاسخ هر آشکارساز نوترونی درون کره پلی اتیلنی به قطر 12 اینچ، سیستم طیف¬نگار با استفاده از کد MCNP5 شبیه سازی گردید. سپس با استفاده از توابع پاسخ به دست آمده وگزارش 403 آژانس بین¬المللی انرژی اتمی شمارش¬های مربوط به هر یک از آشکارسازها محاسبه گردید. در مرحله بعد با استفاده از این شمارش¬ها شبکه های عصبی در محیط MATLAB برای پیش بینی طیف آموزش و تست گردید. سپس طیف¬های پیش¬گویی شده توسط این شبکه¬ها با طیف¬های واقعی مقایسه گردیدند. در پایان با استفاده از رابط گرافیکی GUI در محیط MATLAB، نرم¬افزار بازیابی طیف نوترونی برای هر دو آشکارساز طراحی گردید. با توجه به مقایسه نتایج طیف¬های بازیابی شده با طیف¬های استاندارد اصلی مشاهده گردید شبکه عصبی GRNN بهتر از شبکه عصبی feedforward می¬تواند طیف نوترونی را پیش¬بینی نماید. بنابراین شبکه عصبی GRNN می تواند به عنوان نرم افزار بازیابی طیف با دقت بالا مورد استفاده قرار بگیرد.