[发明专利]一种基于神经网络的质子在器件中能量沉积预测方法

说明书

本发明公开了一种基于神经网络的质子在器件中能量沉积预测方法，通过建立反应目标系统特性的数据库，搭建BP神经网络并进行优化训练，通过确定的最优网络模型与预测的数据集进行预测，通过本发明预测能量沉积与实际能量沉积相比，总体准确率保持在90％以上，只有个别预测结果有所偏差，误差率在15％左右。因此，本发明基于神经网络进行能量沉积预测可以实现沉能量积快速准确地预测，解决了实验方法和模拟仿真方法带来的人力、物力以及时间成本等问题。

技术领域

本发明涉及一种基于神经网络的质子在器件中能量沉积预测方法。

背景技术

空间辐射环境中的粒子与航天器电子器件发生相互作用，产生空间辐射效应，严重威胁航天器安全。因此针对不同粒子在不同器件中的相互作用机理研究显得尤为重要。

目前，针对不同粒子在不同器件中的能量沉积主要依靠实验方法以及软件仿真分析获得。通过实验方法获取器件中的能量沉积是最为可靠的方法，但也存在诸多问题，首先是实验需要消耗大量的人力、物力以及时间成本，其次，实验方法操作复杂，针对特定的输入条件，例如特定的通量、能量等，一旦需要更换器件或者改变某些输入条件时，可能需要重新开展实验。

另一种是采用蒙特卡罗(Monte Carlo method)软件仿真的方法进行分析。常用的软件有Geant4，FLUKA、SRIM、MCNP等，模拟仿真方法只需要在PC上进行建模，规定模型的大小、方向、材料等，设置粒子源、物理过程以及编写输出语句，便可获取该输入条件下的能量沉积。模拟仿真方法相较于实验方法来说，人力、物力成本大大降低，同时模拟仿真方法较实验方法来说，操作难度低，修改输入条件、参数等相对容易。但也存在着一定的局限性，模拟仿真结果收敛慢，运算的时间成本取决于输入粒子数、物理过程、电脑配置等，当结果趋于收敛时，模拟运算的时间可能需要消耗十几小时甚至几天。修改部分输入条件时，时间成本将会成倍地增长。

发明内容

发明目的：针对上述现有技术，提出一种基于神经网络的质子在器件中能量沉积预测方法，实现粒子在器件中能量沉积快速且准确地预测。

技术方案：一种基于神经网络的质子在器件中能量沉积预测方法，包括如下步骤：

步骤1：构建质子在器件中能量沉积的数据库，并将数据库中的数据分为训练集数据和测试集数据；

步骤2：对数据库中所有数据进行预处理；

步骤3：建立以预处理后的粒子能量、粒子数量以及粒子入射方向三个变量作为输入，以预处理后的能量沉积为输出的神经网络模型；

步骤4：确定神经网络结构，采用训练集数据进行训练，训练完成后输出模型在测试集数据的误差与准确率；

步骤5：选取训练好的网络模型文件，读取需要预测的数据集进行预测，得到器件中的能量沉积。

进一步的，所述步骤1中，所述数据库中的数据包括对目标系统的能量沉积采用实验方法得到的数据或对目标系统的能量沉积采用数值模拟仿真方法得到的数据，并将数据库中的数据按照8∶2的比例分为训练集数据和测试集数据。

进一步的，所述步骤2中，对数据进行的预处理包括：将粒子能量、粒子数量、粒子入射方向以及能量沉积分别进行数据的归一化处理。

进一步的，所述步骤3中，预测能量沉积的所述神经网络模型采用BP神经网络，所述BP神经网络采用全联结结构的4层前馈神经网络，每层神经元个数为3、256、256、1，预处理后的粒子能量、粒子数量、粒子入射方向作为输入，预处理后的能量沉积作为输出。

进一步的，所述步骤4中，当准确率达到95％以上时，保存网络模型文件；当准确率低于95％时，调节神经网络模型的学习率、迭代次数、神经元数量后继续优化，直至准确率提高至95％以上。