Phát triển mô hình mạng nơ ron nhân tạo kết hợp với mô phỏng monte carlo để xác định độ dày của vật liệu hai lớp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM TP HỒ CHÍ MINH KHOA VẬT LÝ TRẦN NGUYỄN MINH TRUNG KHĨA LUẬN TỐT NGHIỆP PHÁT TRIỂN MƠ HÌNH MẠNG NƠ-RON NHÂN TẠO KẾT HỢP VỚI MÔ PHỎNG MONTE CARLO ĐỂ XÁC ĐỊNH ĐỘ DÀY CỦA VẬT LIỆU HAI LỚP CHUYÊN NGÀNH: VẬT LÝ HỌC THÀNH PHỐ HỒ CHÍ MINH – NĂM 2022 TRƯỜNG ĐẠI HỌC SƯ PHẠM TP HỒ CHÍ MINH KHOA VẬT LÝ PHÁT TRIỂN MƠ HÌNH MẠNG NƠ-RON NHÂN TẠO KẾT HỢP VỚI MÔ PHỎNG MONTE CARLO ĐỂ XÁC ĐỊNH ĐỘ DÀY CỦA VẬT LIỆU HAI LỚP Giảng viên hướng dẫn: PGS.TS Hoàng Đức Tâm Sinh viên thực hiện: Trần Nguyễn Minh Trung Thành phố Hồ Chí Minh – Năm 2022 XÁC NHẬN CỦA CHỦ TỊCH HỘI ĐỒNG KHÓA LUẬN XÁC NHẬN CỦA GIẢNG VIÊN HƯỚNG DẪN Thành phố Hồ Chí Minh, ngày tháng 05 năm 2022 Sinh viên thực hện Trần Nguyễn Minh Trung i LỜI CẢM ƠN Để hồn thành khóa luận này, tơi xin gửi lời cảm ơn đến Quý Thầy cô Khoa Vật lý, Trường Đại học Sư Phạm thành phố Hồ Chí Minh tạo hội cho tơi học tập, rèn luyện tích lũy kiến thức, kỹ để thực khóa luận Đặc biệt, tơi xin gửi lời cảm ơn đến thầy Hoàng Đức Tâm tận tình dẫn, theo dõi đưa lời khun bổ ích giúp tơi giải vấn đề gặp phải trình nghiên cứu hồn thành đề tài cách tốt Tơi xin chân thành cảm ơn anh Trương Thành Sang hỗ trợ giúp đỡ nhiều việc phân tích phổ tìm hiểu mơ hình mạng nơ-ron nhân tạo Đồng thời gửi lời cảm ơn đến anh, chị, bạn bè nhóm vật lý hạt nhân nhiệt tình giúp đỡ, đóng góp ý kiến q báu để giúp tơi hồn thiện đề tài khóa luận Một lần nữa, xin chân thành cảm ơn! Tp.HCM, ngày tháng năm 2022 Trần Nguyễn Minh Trung ii MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT v DANH MỤC HÌNH VẼ vi DANH MỤC BẢNG BIỂU vii LỜI MỞ ĐẦU CHƯƠNG CƠ SỞ LÝ THUYẾT 1.1 Giới thiệu gamma 1.1.1 Hiệu ứng quang điện 1.1.2 Tán xạ compton 1.1.3 Hiệu ứng tạo cặp 1.2 Sự suy giảm cường độ gamma qua vật chất CHƯƠNG MÔ PHỎNG MONTE CARLO 2.1 Giới thiệu chương trình MCNP 2.2 Mô hệ đo toán 2.2.1 Thẻ mơ tả hình học (Cell Cards) 10 2.2.2 Thẻ mô tả mặt (Surface Cards) 11 2.2.3 Thẻ liệu (Data Cards) 11 2.3 Vật liệu sử dụng để đo bề dày 12 2.4 Bố trí phép đo bề dày mơ 13 2.5 Kỹ thuật xử lý phổ 14 CHƯƠNG MƠ HÌNH MẠNG NƠ-RON NHÂN TẠO 16 3.1 Giới thiệu mạng nơ-ron nhân tạo 16 3.1.1 Cấu trúc nguyên lý hoạt động mạng nơ-ron 16 3.1.2 Hàm kích hoạt cách lựa chọn 19 3.1.3 Các số công thức đánh giá mạng nơ-ron nhân tạo 19 3.2 Xây dựng mơ hình ANN 20 3.3 Phương pháp kết hợp mô MCNP xây dựng mơ hình nơ-ron nhân tạo cho việc dự bề dày vật liệu đa lớp 23 CHƯƠNG KẾT QUẢ DỰ ĐOÁN BỀ DÀY VẬT LIỆU BẰNG MƠ HÌNH MẠNG NƠRON NHÂN TẠO 25 iii 4.1 Dữ liệu mô MCNP tính tốn cho kỹ thuật gamma truyền qua bề dày đa lớp 25 4.2 Dự đoán bề dày vật liệu đa lớp 29 4.3 Dự đoán bề dày đa lớp mơ hình mạng nơ-ron nhân tạo 32 KẾT LUẬN 36 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ 37 TÀI LIỆU THAM KHẢO 38 PHỤ LỤC 41 iv DANH MỤC CÁC TỪ VIẾT TẮT Chữ viết tắt NDT Tiếng Anh Tiếng Việt Non-Destructive Testing Kiểm tra không hủy mẫu MCNP Monte Carlo N-Particle Chương trình mơ Monte Carlo N-hạt ANN Artificial Neural Network Mơ hình mạng nơ-ron nhân tạo RD Relative Deviation Độ lệch tương đối GTT Gamma transmission technique Kỹ thuật gamma truyền qua GST Gamma scattering technique Kỹ thuật gamma tán xạ MLP Multiple Layer Perceptron Mạng chuyển tiếp nhiều lớp B Build-up factor Hệ số tích lũy v DANH MỤC HÌNH VẼ Hình 1.1 Hiệu ứng quang điện Hình 1.2 a) Hiệu ứng Compton; b) Sơ đồ tán xạ gamma lên electron tự Hình 1.3 Hiệu ứng tạo cặp Hình 2.1 Ví dụ cell cards Hình 2.2 Ví dụ surface cards Hình 2.3 Ví dụ data cards Hình 2.4 Hệ mơ 2D, 3D cho hệ đo gamma truyền qua Hình 2.5 Phổ mơ sau xử lý Colegram Hình 3.1 Mạng nơ-ron truyền thẳng lớp (Single-layer feedforward netword) Hình 3.2 Mơ hình chế hoạt động ANN truyền thẳng Hình 3.3 Mạng MLP tổng quát truyền thẳng Hình 3.4 Cấu trúc mạng nơ-ron nhân tạo Hình 3.5 Xu hướng mát tập liệu đào tạo xác nhận Hình 3.6 Sơ đồ bước huấn luyện mơ hình Hình 4.1 Phổ số đếm theo kênh nguồn Hình 4.2 Sự thay đổi số RMSE R2 ứng với số lượng nơ-ron khác lớp ẩn vi DANH MỤC BẢNG BIỂU Bảng 2.1 Thành phần nguyên tử bê tông barite Bảng 2.2 Thành phần nguyên tử thép Bảng 2.3 Năng lượng số nguyên tử nguồn tia gamma Bảng 3.1 Cấu trúc mạng nơ-ron nhân tạo dùng kỹ thuật gamma truyền qua Bảng 4.1 Dữ liệu mô tỷ lệ RSim bề dày tổng từ 2,2cm đến 8,0cm Bảng 4.2 Hệ số suy giảm khối bê tông barite thép Bảng 4.3 Hệ số suy giảm tuyến tính bê tông barite thép Bảng 4.4 Kết bề dày tính tốn Bảng 4.5 Kết đào tạo mơ hình ANN vii LỜI MỞ ĐẦU Hiện nay, việc xác định xác bề dày vật liệu ứng dụng nhiều lĩnh vực thiết bị khoa học, kỹ thuật, thiết bị y tế xây dựng, …Đặc biệt ngành khoa học vật liệu, vật liệu đa lớp có tầm quan trọng cao giúp tạo vật liệu cách ghép trộn vật liệu khác lại với Vật liệu đa lớp (Multiple-layer material) loại nguyên vật liệu tổng hợp từ hai hay nhiều vật liệu có tính chất vật lý, hóa học khác [1] Loại vật liệu mang tính chất cơng dụng vượt trội hẳn so với vật liệu ban đầu Mỗi lĩnh vực khác vật liệu đa lớp ứng dụng theo cách khác nhau: Năm 2017, Reza Bagheri cộng ứng dụng vật liệu đa lớp để tạo loại bê tông để che chắn tia gamma [2]; Năm 2017, VA Grachev cộng nghiên cứu thành công loại vật liệu đa lớp để tạo loại kim loại có lớp chống ăn mịn tăng tuổi thọ hoạt động mơi trường ăn mịn cao ứng dụng ngành luyện kim [3] … Trong lĩnh vực khoa học vật liệu để kiểm tra khuyết tật đánh giá vật liệu mà khơng làm ảnh hưởng đến cấu trúc, tính chất mẫu kiểm tra phương pháp kiểm tra không hủy mẫu (Non-Destructive Testing – NDT) lựa chọn tốt Tính tối ưu phương pháp kiểm tra tính tồn vẹn, thành phần tình trạng vật liệu mà khơng làm thay đổi tính chất, cấu trúc mẫu; tiết kiệm nhiều nguyên vật liệu tiền bạc, thời gian; cung cấp kết xác,… Nhiều nghiên cứu trước sử dụng phương pháp NDT kết hợp với kỹ thuật khác như: siêu âm [4], kỹ thuật gamma tán xạ (GST) [5] nguồn tia gamma [6], … Mỗi kỹ thuật có số ưu điểm nhược điểm riêng biệt ứng dụng cho công việc phù hợp tương ứng Bên cạnh kỹ thuật kể trên, kỹ thuật gamma truyền qua sử dụng phổ biến nhiều lĩnh vực cơng nghiệp Kỹ thuật có ưu điểm sau: đơn giản thiết lập thí nghiệm xử lý liệu, chi phí vận hành bảo trì thấp, …Mặc dù kỹ thuật gamma truyền qua phổ biến có nhiều ưu điểm có số hạn chế Do đó, áp dụng phần mềm lập trình (chẳng hạn MCNP, GEANT4, ) dựa thuật toán Monte Carlo để mơ kết hợp mơ hình nơ ron nhân tạo (ANN) cơng cụ hữu ích để giải cải tiến kỹ thuật gamma truyền qua Mơ hình mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) mơ hình tốn học mơ mạng lưới tế bào thần kinh Cung cấp liệu có đầy đủ thơng tin, ANN huấn luyện để làm giảm độ lệch giá trị đầu so với giá trị đầu vào Từ 4.2 Dự đoán bề dày vật liệu đa lớp Tra thông tin hệ số suy giảm khối bê tông thép ứng với lượng 662 keV 511 keV từ NIST XCOM công thức (1.10) viết lại sau:  lnRCs =− 1Cs x1 − 2Cs x2 − 1Cs lnR Na =− 1Na x1 − 2Na x2 − 1Na (4.1) 1, 2 hệ số suy giảm khối bê tông thép x1 , x2 bề dày bê tông thép x = cm bề dày lớp bê tông cố định Bảng 4.2 Hệ số suy giảm khối bê tông barite thép Nguồn 137Cs (keV) Nguồn 22Na (keV) m1 (cm2 / g ) m (cm2 / g ) m1 (cm2 / g ) m (cm2 / g ) 0,0758 0,0725 0,0888 0,0816 Bảng 4.3 Hệ số suy giảm tuyến tính bê tơng barite thép Nguồn 137Cs (keV) Nguồn 22Na (keV) 1 (cm−1 ) 2 (cm−1 ) 1 (cm−1 ) 2 (cm−1 ) 0,2540 0,5691 0,2975 0,6408 Kết tính tốn bề dày bê tông thép thể qua bảng 4.4 Bảng 4.4 Kết bề dày tính tốn Bề dày tham khảo Bề dày tổng (cm) Bề dày tính tốn Thép (cm) Bê tông (cm) Thép (cm) 2,00 0,20 -1,81 1,29 2,38 2,00 0,38 -2,13 1,53 2,56 2,00 0,56 -2,55 1,81 2,74 2,00 0,74 -1,54 1,42 Bê tông (cm) 2,20 29 2,92 2,00 0,92 -3,04 2,21 3,10 2,00 1,10 -3,33 2,43 3,28 2,00 1,28 -3,06 2,40 3,46 2,00 1,46 -3,61 2,75 3,64 2,00 1,64 -4,99 3,48 3,82 2,00 1,82 -4,51 3,34 4,00 2,00 2,00 -5,39 3,83 3,00 2,80 0,20 -1,39 1,45 3,18 2,80 0,38 -1,71 1,68 3,36 2,80 0,56 -2,38 2,08 3,54 2,80 0,74 -3,39 2,62 3,72 2,80 0,92 -2,62 2,37 3,90 2,80 1,10 -2,24 2,28 4,08 2,80 1,28 -2,32 2,41 4,26 2,80 1,46 -2,43 2,56 4,44 2,80 1,64 -4,17 3,45 4,62 2,80 1,82 -4,92 3,88 4,80 2,80 2,00 -4,97 3,98 3,80 3,60 0,92 -20,76 10,79 3,98 3,60 0,20 4,24 -0,73 4,16 3,60 0,38 4,39 -0,72 4,34 3,60 0,56 3,08 -0,03 4,52 3,60 0,74 3,70 -0,22 4,70 3,60 1,10 -2,16 2,58 4,88 3,60 1,28 -1,69 2,46 5,06 3,60 1,46 -0,82 2,16 5,24 3,60 1,64 -2,55 3,05 5,42 3,60 1,82 -3,06 3,36 5,60 3,60 2,00 -3,09 3,46 4,60 4,40 0,20 -0,54 1,75 4,78 4,40 0,38 0,47 1,38 4,96 4,40 0,56 -0,31 1,82 30 5,14 4,40 0,74 -0,95 2,19 5,32 4,40 0,92 -0,97 2,28 5,50 4,40 1,10 -0,12 1,98 5,68 4,40 1,28 -0,42 2,22 5,86 4,40 1,46 0,11 2,08 6,04 4,40 1,64 0,28 2,10 6,22 4,40 1,82 -2,29 3,35 6,40 4,40 2,00 -2,20 3,40 5,40 5,20 0,20 -0,30 1,99 5,58 5,20 0,38 1,21 1,39 5,76 5,20 0,56 0,13 1,97 5,94 5,20 0,74 -0,97 2,55 6,12 5,20 0,92 -0,19 2,28 6,30 5,20 1,10 0,81 1,91 6,48 5,20 1,28 1,10 1,87 6,66 5,20 1,46 1,62 1,73 6,84 5,20 1,64 -0,87 2,95 7,02 5,20 1,82 -1,24 3,21 7,20 5,20 2,00 -0,85 3,12 6,20 6,00 0,20 2,23 1,18 6,38 6,00 0,38 2,22 1,27 6,56 6,00 0,56 1,38 1,74 6,74 6,00 0,74 0,76 2,11 6,92 6,00 0,92 0,83 2,16 7,10 6,00 1,10 1,58 1,91 7,28 6,00 1,28 1,93 1,84 7,46 6,00 1,46 1,85 1,97 7,64 6,00 1,64 -1,15 3,42 7,82 6,00 1,82 -1,33 3,59 8,00 6,00 2,00 -0,51 3,31 Sau sử dụng lý thuyết để tính tốn kết bề dày bê tơng thép sai so với bề dày tham khảo Cụ thể bề dày bê tơng, thép tính tốn có giá trị âm mà liệu 31 đưa vào mô giá trị bề dày dương Nguyên nhân tính toán kết sai do: thứ điều kiện bố trí mơ hình khác tra liệu NIST XCOM mơ hình mơ MCNP; thứ hai hệ số tích lũy B Trong q trình tính tốn tơi có xét đến trường hợp có hệ số B mơ có chuẩn trực hệ số B xấp xỉ 1, chùm tia gamma truyền qua vật liệu lớp vật liệu có hệ số tích tụ B (hình 2.4) Từ thấy bỏ qua yếu tố gây tính tốn sai tính tốn che chắn Nếu xét tới hệ số B che chắn nhiều lớp xét thêm nhiều nguồn lượng q trình tính tốn trở nên phức tạp Để tối ưu toán trên, chúng tơi áp dụng mạng nơ-ron truyền thẳng để tính tốn 4.3 Dự đốn bề dày đa lớp mơ hình mạng nơ-ron nhân tạo Để Mơ hình ANN tối ưu lựa chọn, trước hết, thực đánh giá số thông kê RMSE R2 với số nơ-ron từ 91 đến 110 tương ứng số tứ tự từ đến 20 hình 4.2 Có thể thấy rằng, số nơ-ron từ 98 đến 101 phụ thuộc hai số vào số nơ-ron không thay đổi nhiều Đặc biệt với 100 nơ-ron số R2 tính có giá trị lớn xấp xỉ 0,9999 số RMSE có giá trị nhỏ xấp xỉ 0,0029 tập huấn luyện, tập xác thực khớp với Đó lý tơi chọn 100 nơ-ron lớp ẩn Hình 4.3 Sự thay đổi số RMSE và R2 ứng với số lượng nơ-ron khác lớp ẩn Như đề cập trên, ANN huấn luyện cách sử dụng liệu mô Do đó, liệu bề dày tham khảo sử dụng để đánh giá hiệu suất ANN huấn luyện dựa sai số tương đối bề dày dự đoán bề dày đề suất 32 phương trình kết thu từ việc đào tạo mơ hình ANN trình bày bảng 4.5 xitk − xidd RD% =  100% xitk (4.2) với xitk bề dày tham khảo thứ i, xidd bề dày dự đốn từ mơ hình ANN Bảng 4.5 Kết đào tạo mơ hình ANN Bề dày tham khảo Bề dày dự đốn Bê tơng Thép Bê tông Thép (cm) (cm) (cm) (cm) 2,20 2,00 0,20 2,00 2,38 2,00 0,38 2,56 2,00 2,74 Bề dày tổng RD% RD% (Bê tông) (Thép) 0,20 0,01 0,67 2,00 0,38 0,09 0,19 0,56 2,00 0,56 0,04 0,14 2,00 0,74 2,00 0,74 0,04 0,49 2,92 2,00 0,92 2,00 0,92 0,01 0,21 3,10 2,00 1,10 2,00 1,09 0,08 0,55 3,28 2,00 1,28 2,00 1,28 0,02 0,03 3,46 2,00 1,46 2,00 1,46 0,03 0,05 3,64 2,00 1,64 2,00 1,64 0,03 0,00 3,82 2,00 1,82 2,00 1,82 0,03 0,01 4,00 2,00 2,00 2,00 2,00 0,07 0,05 3,00 2,80 0,20 2,80 0,20 0,02 0,78 3,18 2,80 0,38 2,80 0,38 0,06 0,21 3,36 2,80 0,56 2,80 0,56 0,01 0,16 3,54 2,80 0,74 2,80 0,74 0,08 0,37 3,72 2,80 0,92 2,80 0,92 0,11 0,41 3,90 2,80 1,10 2,80 1,10 0,02 0,15 4,08 2,80 1,28 2,80 1,28 0,03 0,19 4,26 2,80 1,46 2,80 1,46 0,01 0,05 4,44 2,80 1,64 2,80 1,64 0,08 0,15 4,62 2,80 1,82 2,80 1,82 0,00 0,09 (cm) 33 4,80 2,80 2,00 2,80 2,00 0,03 0,03 3,80 3,60 0,20 3,60 0,20 0,01 0,15 3,98 3,60 0,38 3,60 0,38 0,02 0,08 4,16 3,60 0,56 3,60 0,56 0,01 0,08 4,34 3,60 0,74 3,60 0,74 0,00 0,07 4,52 3,60 0,92 3,60 0,92 0,08 0,46 4,70 3,60 1,10 3,60 1,10 0,02 0,20 4,88 3,60 1,28 3,60 1,28 0,03 0,02 5,06 3,60 1,46 3,60 1,46 0,04 0,06 5,24 3,60 1,64 3,60 1,64 0,00 0,06 5,42 3,60 1,82 3,60 1,82 0,00 0,07 5,60 3,60 2,00 3,60 2,00 0,02 0,01 4,60 4,40 0,20 4,40 0,20 0,01 0,23 4,78 4,40 0,38 4,40 0,38 0,01 0,25 4,96 4,40 0,56 4,40 0,56 0,01 0,02 5,14 4,40 0,74 4,40 0,74 0,05 0,28 5,32 4,40 0,92 4,40 0,92 0,10 0,47 5,50 4,40 1,10 4,40 1,10 0,01 0,09 5,68 4,40 1,28 4,41 1,28 0,17 0,04 5,86 4,40 1,46 4,40 1,46 0,03 0,06 6,04 4,40 1,64 4,40 1,64 0,06 0,10 6,22 4,40 1,82 4,40 1,82 0,04 0,25 6,40 4,40 2,00 4,40 2,00 0,05 0,23 5,40 5,20 0,20 5,20 0,20 0,02 1,52 5,58 5,20 0,38 5,20 0,38 0,06 0,57 5,76 5,20 0,56 5,20 0,56 0,00 0,10 5,94 5,20 0,74 5,20 0,74 0,01 0,11 6,12 5,20 0,92 5,20 0,92 0,01 0,00 6,30 5,20 1,10 5,20 1,10 0,00 0,19 6,48 5,20 1,28 5,20 1,27 0,04 0,48 6,66 5,20 1,46 5,20 1,46 0,06 0,17 6,84 5,20 1,64 5,21 1,65 0,22 0,45 34 7,02 5,20 1,82 5,20 1,82 0,01 0,05 7,20 5,20 2,00 5,20 2,00 0,09 0,04 6,20 6,00 0,20 6,00 0,20 0,02 0,87 6,38 6,00 0,38 6,00 0,38 0,07 1,16 6,56 6,00 0,56 6,00 0,56 0,08 0,21 6,74 6,00 0,74 6,00 0,74 0,01 0,44 6,92 6,00 0,92 6,00 0,91 0,03 0,64 7,10 6,00 1,10 6,00 1,10 0,05 0,05 7,28 6,00 1,28 6,00 1,28 0,01 0,15 7,46 6,00 1,46 6,00 1,46 0,01 0,16 7,64 6,00 1,64 6,00 1,64 0,00 0,08 7,82 6,00 1,82 6,00 1,82 0,05 0,17 8,00 6,00 2,00 6,00 2,00 0,01 0,00 Kết thu được trình bày bảng 4.4, thấy độ lệch tương đối lớn bề dày dự đoán bề dày tham khảo nhỏ Đối với bề dày bê tơng độ lệch khơng q 0,3% cịn bề dày thép khơng q 1% Chỉ có 77 điểm ứng với bề dày thép có độ lệch RD lớn 1% cụ thể 1,52% 1,16% Sự khác biệt giá trị độ lệch tương đối liệu tham khảo liệu mô huấn luyện mơ hình ANN khơng đáng kể Do đó, sử dụng liệu mơ Monte Carlo thay cho liệu thực nghiệm để huấn luyện mơ hình ANN để dự đốn bề vật liệu hai lớp 35 KẾT LUẬN Trong khóa luận này, đề xuất thành công cách tiếp cận để xác định bề dày vật liệu hai lớp cách sử dụng kỹ thuật gamma truyền qua kết hợp với mơ MCNP mơ hình mạng nơ-ron nhân tạo Kết thu chứng minh xác định bề dày cách sử dụng mơ hình ANN Kết nghiên cứu đạt mục tiêu: thứ nhất, thành công việc xây dựng toán gamma truyền qua vật liệu đa lớp; thứ hai, sử dụng liệu mô Monte Carlo thay cho liệu thực nghiệm việc huấn luyện mơ hình ANN đảm bảo độ xác kết dự đốn; thứ ba, tìm mơ hình ANN phù hợp cho kỹ thuật ganna truyền qua kết hợp với mô MCNP để dự đoán bề dày vật liệu hai lớp Từ kết thấy việc sử dụng mơ MCNP giúp thu thập lượng lớn liệu, khảo sát nhiều chất, nhiều bề dày Mơ hình mạng nơ-ron nhân tạo giúp cho việc tính tốn bề dày hai lớp ứng với nhiều lượng khác trở nên dễ dàng, hiệu ANN có khả xử lý đa biến Ưu điểm phương pháp ANN xử lý nhiều tham số lúc Thật vậy, nghiên cứu trước bề dày phải xây dựng đường chuẩn tương ứng, điều gây tốn thời gian để phân tích khớp hàm Với phương pháp ANN, tất bề dày đưa vào liệu huấn luyện xử lý lúc Trong khóa luận này, sử dụng liệu mô để khảo sát mơ hình ANN việc thu thập lượng lớn liệu thực nghiệm cho việc huấn luyện mô hình ANN khó tốn nhiều thời gian, chi phí thực Sau để mở rộng nghiên cứu sâu tiến hành đo mẫu thực tế bề dày vật liệu đa lớp với kỹ thuật gamma truyền qua lấy liệu thực ngiệm so sánh với liệu mô Từ liệu thực nghiệm với liệu mô giúp tăng hiệu đánh giá mơ hình ANN Tóm lại phương pháp dựa ANN kỹ thuật tối ưu hiệu để dự đốn xác bề dày vật liệu hai lớp Mặc dù mơ hình ANN huấn luyện áp dụng cho bề dày vật liệu hai lớp, với cách tiếp cận này, tin phương pháp áp dụng để khảo sát bề dày vật liệu với nhiều lớp chẳng hạn ba lớp, bốn lớp, … mở rộng để xác định hệ số suy giảm tuyến tính, suy giảm khối, bề dày nửa vật liệu đa lớp 36 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ Hoang Duc Tam, Truong Thanh Sang, Nguyen Thi Kim Anh, Tran Nguyen Minh Trung, Nguyen Thanh Dat, Lam Duy Nhat, Huynh Dinh Chuong (2022), Estimation of liquid density using artificial neural network in gamma-ray scattering measurement, Nuclear Technology & Radiation Protection 37 TÀI LIỆU THAM KHẢO [1] G Chatzigeorgiou, N Charalambakis, Y Chemisky, and F Meraghni, Thermomechanical behavior of dissipative composite materials 2018 [2] R Bagheri, A K Moghaddam, and A Yousefi, “Gamma-ray shielding study of light to heavyweight concretes using MCNP-4C code” Nucl Sci Tech., vol 28, no 2, 2017, doi:10.1007/s41365-016-0167-6 [3] V A Grachev, A E Rosen, Y P Perelygin, and A A Rosen, “Multilayer metallic material with specific properties and the technology of its production,” Russ.Metall., vol 2017, no 5, 2017, doi: 10.1134/S0036029517050056 [4] Waag, G., Hoff, L., Norli, “Air-coupled ultrasonic through-transmission thickness measurements of steel plates” Ultrasonics 56, 332–339 2015 [5] H D Chuong, L T Ngoc Trang, H D Tam, V H Nguyen, and T T Thanh, “A new approach for determining the thickness of material plate using gamma backscattering method,” NDT E Int., vol 113, 2020, doi: 10.1016/j.ndteint.2020.102281 [6] Silva, I.L.M., Lopes, R.T., De Jesus, E.F.O Tube defects inspection technique by using Compton gamma-rays backscattering Nucl Instruments Methods Phys Res Sect A Accel Spectrometers, Detect Assoc Equip 422, 957–963 (1999) https://doi.org/ 10.1016/S0168-9002(98)01052-3 [7] C M Salgado, L E B Brandão, C C Conti, and W L Salgado, “Density prediction for petroleum and derivatives by gamma-ray attenuation and artificial neural networks,” Appl Radiat Isot., vol 116, pp 143–149, Oct 2016 [8] T T Sang, H D Chuong, and H D Tam, “An artificial neural network based approach for estimating the density of liquid applied in gamma transmission and gamma scattering techniques,” Appl Radiat Isot., vol 169, p 109570, Mar 2021 [9] S Ashrafi, O Jahanbakhsh, and D Alizadeh, “Application of artificial neural network in non-destructive Compton scattering densitometry,” Nucl Instruments Methods Phys Res Sect A Accel Spectrometers, Detect Assoc Equip., vol 760, 2014, doi: 10.1016/j.nima.2014.05.082 38 [10] T N Tuan, N P Cuong, T T Danh, “Combining artificial neural network with monte carlo simulation to estimate the reliability of bearing capacity of bored piles”, 09.02.2020 [11] T T Sang et al., “ANN coupled with Monte Carlo simulation for predicting the Concentration of acids,” Appl Radiat Isot., vol 169, 2021, doi: 10.1016/j.apradiso.2020 109563 [12] G K Skinner, “Practical gamma-ray spectrometry”, vol 52, no 1996 [13] Fernández J.E., “Compton and Rayleigh double scattering of unpolarized radiation”, Physical Review A, 44, (7), 4232-4248 1991 [14] Ngô Quang Huy, “Cơ sở vật lý hạt nhân.” NXB Khoa học Kỹ thuật, 2006 [15] G K Skinner, “Practical gamma-ray spectrometry”, vol 52, no 1996 [16] H D Chuong, L T Ngoc Trang, L H Minh, N T Truc Linh, H D Tam, and T T Thanh, “Thickness determination of material plates by gamma-ray transmission technique using calibration curves constructed from Monte Carlo simulation,” Radiat Phys Chem., vol 190, 2022, doi: 10.1016/j.radphyschem.2021 109821 [17] I.I Bashter, Calculation of radiation attenuation coefficients for shielding concretes Ann Nucl Energy 24, 1389–1401 (1997) doi: 10.1016/S0306-4549(97)00003-0 [18] I.I Bashter, A.S Makarious, A.A El-Sayed, Investigation of hematite–serpentine and ilmenite–limonite concretes for reactor radiation shielding Ann Nucl Energy 23, 65– 71 (1996) doi:10.1016/0306-4549(95)00011-G [19] I.I Bashter, A.A El-Sayed, A.A Samir, Magnetite ores with steel or basalt for concrete radiation shielding Jpn J Appl Phys 36, 3692–3696 (1997) doi:10.1143/JJAP.36.3692 [20] I.I Bashter, Radiation attenuation and nuclear properties of high density concrete made with steel aggregates Radiat Eff Defects Soilds 140, 351–364 (1997) doi:10.1080/10420159708216859 [21] I Akkurt, H Akyıldırım, B Mavi et al., Photon attenuation coefficients of concrete include barite in different rate Ann Nucl Energy 37,910–914 (2010) doi:10.1016/j.anucene 2010.04.001 39 [22] Warren S Mcculloch and Walter Pitts, “A logical calculus of the ideas immanent in nervous activity” 1990 [23] Nguyễn Chính Kiên, “Ứng dụng mạng nơ-ron nhân tạo vào toán dự báo, Luận văn Thạc sỹ”, 2017 [24] Tạ Quốc Dũng, Nguyễn Văn Thuận, “Ứng dụng mạng neuron nhân tạo (ANN) dự báo độ rỗng”, 2019 [25] Kolmogorov A N On the representation of continuous functions of many variables by superposition of continuous function of one variable and addition, Dokl, Akad, Nauk SSSR, 114, 953-956, Trans Am Math-Soc 2(28), 55-59, 1957 [26] Mohamed Sidahmed, Atish Roy, Anjum Sayed Steamline rock facies classification with deep learning cognitive process SPE Annual Technical Conference and Exhibition, San Antonio, Texas, USA, 2017 [27] Chin-Teng Lin, C.S George Lee, “Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems”, Prentice-Hall Inc, 1996 [28] Li, M.M., Sengupta, S., Hanigan, M.D Using artiicial neural networks to predict pH, ammonia, and volatile fatty acid concentrations in the rumen J Dairy Sci, 2019 [29] Kingma, DP, Ba, JL, Adam: Một phương pháp tối ưu hóa ngẫu nhiên, Int Lời thú nhận Học hỏi Đại diện ICLR - Hội nghị Theo dõi Proc (2015), tháng 5, trang 1–15 [30] P.E Mijnarends, A Bansil, "Scattering Techniques, Compton", Encyclopedia of Condensed Matter Physics, 2005, Pages 182-193 [31] A.M Ali, “Determination of Attenuation Properties for some Building Materials by MCNP Simulation,” Arab J Nucl Sci Appl., vol 48, no 1, 2015 40 PHỤ LỤC Phụ lục A: Số đếm đầu dò ghi nhận truyền qua vật liệu hai lớp mô Số đếm N Tên vật liệu 137 22 Cs Na 356 Ba Bê tông-Thép 2,0 0,20 622161 252673 36089 Bê tông-Thép 2,0 0,38 590049 238918 33892 Bê tông-Thép 2,0 0,56 558617 225734 31785 Bê tông-Thép 2,0 0,74 539454 214519 29734 Bê tông-Thép 2,0 0,92 503879 202122 28134 Bê tông-Thép 2,0 1,10 478043 191136 26589 Bê tông-Thép 2,0 1,28 453869 179729 24439 Bê tông-Thép 2,0 1,46 428588 169571 23567 Bê tông-Thép 2,0 1,64 401760 160186 21734 Bê tông-Thép 2,0 1,82 383737 151280 20554 Bê tông-Thép 2,0 2,00 363662 143859 19314 Bê tông-Thép 2,8 0,20 511506 201712 26297 Bê tông-Thép 2,8 0,38 485335 190814 24317 Bê tông-Thép 2,8 0,56 459621 180872 22778 Bê tông-Thép 2,8 0,74 434994 171980 21419 Bê tông-Thép 2,8 0,92 414041 161248 20167 Bê tông-Thép 2,8 1,10 396027 152706 19669 Bê tông-Thép 2,8 1,28 374475 143506 17994 Bê tông-Thép 2,8 1,46 354261 134983 16922 Bê tông-Thép 2,8 1,64 332278 128140 15575 Bê tông-Thép 2,8 1,82 315170 121790 15015 Bê tông-Thép 2,8 2,00 300174 115346 14394 Bê tông-Thép 3,6 0,20 421863 152156 19527 Bê tông-Thép 3,6 0,38 403032 144282 17895 Bê tông-Thép 3,6 0,56 380597 137338 17499 Bê tông-Thép 3,6 0,74 362823 129214 15821 Bê tông-Thép 3,6 0,92 343132 160857 15206 41 Bê tông-Thép 3,6 1,10 326176 122621 14421 Bê tông-Thép 3,6 1,28 309219 114839 13152 Bê tông-Thép 3,6 1,46 294603 107662 12495 Bê tông-Thép 3,6 1,64 276398 102221 11607 Bê tông-Thép 3,6 1,82 263097 97270 10887 Bê tông-Thép 3,6 2,00 250200 91946 10423 Bê tông-Thép 4,4 0,20 347174 129115 14627 Bê tông-Thép 4,4 0,38 331691 121227 13573 Bê tông-Thép 4,4 0,56 314933 115389 12994 Bê tông-Thép 4,4 0,74 300253 110157 11904 Bê tông-Thép 4,4 0,92 285584 104138 11063 Bê tông-Thép 4,4 1,10 272764 97925 10637 Bê tông-Thép 4,4 1,28 257400 92057 9711 Bê tông-Thép 4,4 1,46 244039 86166 9325 Bê tông-Thép 4,4 1,64 230276 80555 8846 Bê tông-Thép 4,4 1,82 217330 77742 8343 Bê tông-Thép 4,4 2,00 207094 73555 7786 Bê tông-Thép 5,2 0,20 284416 102866 10917 Bê tông-Thép 5,2 0,38 272166 96194 10131 Bê tông-Thép 5,2 0,56 257918 91687 9486 Bê tông-Thép 5,2 0,74 245575 87864 9095 Bê tông-Thép 5,2 0,92 235285 82979 6326 Bê tông-Thép 5,2 1,10 224873 77954 8189 Bê tông-Thép 5,2 1,28 214013 73484 7316 Bê tông-Thép 5,2 1,46 202516 68642 6705 Bê tông-Thép 5,2 1,64 190276 65852 6415 Bê tông-Thép 5,2 1,82 181011 62517 6175 Bê tông-Thép 5,2 2,00 172376 58901 5835 Bê tông-Thép 6,0 0,20 237507 81553 7973 Bê tông-Thép 6,0 0,38 225647 76992 7966 Bê tông-Thép 6,0 0,56 214446 73413 7168 Bê tông-Thép 6,0 0,74 203701 69781 6806 42 Bê tông-Thép 6,0 0,92 194253 66091 6326 Bê tông-Thép 6,0 1,10 184817 61953 5834 Bê tông-Thép 6,0 1,28 176048 58419 5163 Bê tông-Thép 6,0 1,46 166585 54946 4999 Bê tông-Thép 6,0 1,64 156320 52944 4820 Bê tông-Thép 6,0 1,82 148966 50257 4762 Bê tông-Thép 6,0 2,00 141879 47125 4575 Không vật liệu 1361251 611480 139808 43