基于神经网络的C-ADS InjectorⅡ束流偏移校准技术研究

【摘要】：核能源产生的核乏料如何安全的永久处理是核工业应用中的一个重要问题。目前最先进的方法是使用快中子将长寿命、高辐射性的核素嬗变为寿命短、稳定性好、放射性低的核素。加速器驱动次临界反应堆系统(Accelerator Driven Subcritical System,ADS)是目前世界上嬗变核素最先进的方法之一。我国自上世纪九十年代开始研制ADS系统,目前已经研制出了能够产生高能质子束的粒子加速器C-ADS Injector II。该粒子加速器非常复杂,包含成千上万个零部件,因为工程误差、噪声干扰、测量误差、控制误差等因素造成了束流在传输过程中偏移了理想轨道,严重影响束流质量和加速器运行安全。虽然科学家们已经通过理论分析、经验判断、设备改良等手段改善了束流偏移情况,提高了束流控制精度,但是束流偏移问题仍然比较严重。如何解决束流偏移问题,提高束流传输质量仍然是国内外加速器领域和控制领域关注的一个非常重要的科学问题。束流偏移问题涉及束流横向运动的x轴和y轴两个方向的偏移,文章先后从一维和二维两个层次来探索用神经网络解决粒子加速器束流偏移校准的问题。具体内容包括如下几个方面:(1)针对C-ADS Injector II中因为工程误差及各种噪声导致传统束流偏移校准方法校准效果不佳的问题,以中能束传输线(Medium Energy Beam Transmission line,MEBT)为例,提出了一种基于神经网络的束流偏移校准建模方法。通过对MEBT的实际控制过程进行抽象,结合神经网络特点和结构,建立了基于神经网络的MEBT束流偏移校准模型,用改进的深度BP神经网络对MEBT的一维束流校准模型进行了实验,经过参数设计和训练,确定了最优参数。结果表明,用神经网络进行离线束流偏移校准是可行的,结果可以作为研究人员手动控制加速器的参考。(2)由于磁场干扰、电路噪声等因素的影响,粒子加速器中四极磁铁的x轴和y轴对束流轨道控制作用并不独立,无法用一维束流偏移校准模型进行二维束流偏移校准,需要从二维角度来考虑束流的偏移校准问题。为此,基于蒙特卡洛神经网络(Monte Carlo Neural Network,MCNN)对MEBT二维离线束流校准技术进行了研究。传统MCNN算法具有很好的泛化能力,但训练速度较慢,为加快传统蒙特卡洛神经网络模型的训练速度,引入了偏导数来确定参数变异的方向,从而提出了一种基于导数的多维输入多维输出蒙特卡洛(Multi-dimensional Derivative-based Monte Carlo Algorithm,MDMC)优化算法;为了进一步提高蒙特卡洛神经网络的稳定性和预测精度,提出将多个同构或异构蒙特卡洛神经网络联合,并用一个决策器来决策网络的输出的方法——联合的蒙特卡洛神经网络(Joint-Monto Carlo Neural Network,J-MCNN)优化方法;对MEBT二维离线束流偏移校准控制过程进行了分析,建立了基于优化的蒙特卡洛神经网络的二维束流偏移校准模型;最后对模型开展了相关实验,确定了最优参数,实验结果表明,两种优化算法可以有效提升MCNN的网络训练、预测精度和稳定性,基于蒙特卡洛神经网络的二维离线束流偏移校准模型能够为科研人员手动控制束流提供支撑。(3)束流传输速度极快,束流校准控制时间要求在毫秒量级完成,束流偏移校准具有时效性。针对这一要求,将用于二维离线束流偏移校准的蒙特卡洛神经网络模型在现场可编程门阵列(Field Programmable Gate Array,FPGA)中部署,实现了二维在线束流偏移校准。这部分工作主要提出了由基于三分法的神经网络模型精简方法、向量-矩阵乘法并行优化方法、sigmoid函数和Softmax层实现等方法组成的的组合优化方法。测试结果表明在FPGA中实现蒙特卡洛神经网络可以有效缩短预测时间,提高时效性,可以实现C-ADS Injector II MEBT的二维在线束流偏移校准。