1 |
1
선량 측정을 위한 인공 신경망을 학습하는 학습부; 및섬광체를 통해 획득한 선량 측정 대상 스펙트럼을 상기 인공 신경망에 적용하여 상기 선량 측정 대상 스펙트럼에 대한 실시간 선량을 획득하는 측정부;를 포함하며,상기 학습부는, MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 에너지 범위에서 랜덤하게 생성된 복수의 제1 스펙트럼과 MCNP 시뮬레이션을 통해 상기 미리 설정된 에너지 범위의 에너지를 발광하는 핵종을 기반으로 생성된 복수의 제2 스펙트럼을 포함하는 트레이닝 세트(training set)를 상기 인공 신경망에 학습시키는 인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
2 |
2
삭제
|
3 |
3
제1항에서,상기 트레이닝 세트는, 상기 미리 설정된 에너지 범위의 에너지를 발광하는 복수의 핵종 중에서 랜덤하게 선택된 핵종과 랜덤하게 선택된 핵종 비율을 기반으로 생성된 상기 복수의 제2 스펙트럼을 포함하는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
4 |
4
제1항에서,상기 트레이닝 세트는, 상기 복수의 제1 스펙트럼과 상기 복수의 제2 스펙트럼에 플루엔스(fluence)를 미리 설정된 횟수만큼 곱하여 생성된 스펙트럼으로 이루어지는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
5 |
5
제1항에서,상기 트레이닝 세트는, 상기 복수의 제1 스펙트럼과 상기 복수의 제2 스펙트럼을 구성하는 각각의 스펙트럼에 대한 선원 에너지 정보와 플루엔스 정보를 포함하는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
6 |
6
제5항에서,상기 트레이닝 세트는, 상기 복수의 제1 스펙트럼과 상기 복수의 제2 스펙트럼을 구성하는 각각의 스펙트럼에 대해, 스펙트럼에 대한 선원 에너지 정보와 플루엔스 정보를 기반으로 MCNP 시뮬레이션을 통해 계산된 케르마(Kinetic Energy Release in Mass : KERMA)에 케르마-선량 변환 인자(kerma-to-dose conversion factor) 또는 플루엔스-선량 변환 인자(fluence-to-dose conversion factor)를 이용하여 계산된 선량 정보를 포함하는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
7 |
7
제1항에서,상기 미리 설정된 에너지 범위는, 0
|
8 |
8
제1항에서,상기 미리 설정된 에너지 범위의 에너지를 발광하는 핵종은, 60Co, 133Ba, 137Cs, 192Ir, 40K, 54Mn, 22Na, 131I, 111In 및 99Mo 중 적어도 하나 이상인,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
9 |
9
제1항에서,상기 인공 신경망은, 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어지고,상기 히든 레이어는, ReLUs 활성화 함수(activation function)를 사용하며,상기 출력 레이어는, 선형 활성화(linear activation)를 사용하고,상기 히든 레이어의 뉴런(neuron) 개수는 각각 542개 및 1,100개인,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
10 |
10
제1항에서,상기 선량은, 주변 선량 당량(ambient dose equivalent), 개인 선량 당량(personal dose equivalent) 및 유효 선량 당량(effective dose equivalent) 중 하나인,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치
|
11 |
11
인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 장치의 실시간 선량 측정 방법으로서,선량 측정을 위한 인공 신경망을 학습하는 단계; 및섬광체를 통해 획득한 선량 측정 대상 스펙트럼을 상기 인공 신경망에 적용하여 상기 선량 측정 대상 스펙트럼에 대한 실시간 선량을 획득하는 단계;를 포함하며,상기 학습 단계는, MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 에너지 범위에서 랜덤하게 생성된 복수의 제1 스펙트럼과 MCNP 시뮬레이션을 통해 상기 미리 설정된 에너지 범위의 에너지를 발광하는 핵종을 기반으로 생성된 복수의 제2 스펙트럼을 포함하는 트레이닝 세트(training set)를 상기 인공 신경망에 학습시키는 것으로 이루어지는 인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
12 |
12
삭제
|
13 |
13
제11항에서,상기 트레이닝 세트는, 상기 미리 설정된 에너지 범위의 에너지를 발광하는 복수의 핵종 중에서 랜덤하게 선택된 핵종과 랜덤하게 선택된 핵종 비율을 기반으로 생성된 상기 복수의 제2 스펙트럼을 포함하는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
14 |
14
제11항에서,상기 트레이닝 세트는, 상기 복수의 제1 스펙트럼과 상기 복수의 제2 스펙트럼에 플루엔스(fluence)를 미리 설정된 횟수만큼 곱하여 생성된 스펙트럼으로 이루어지는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
15 |
15
제11항에서,상기 트레이닝 세트는, 상기 복수의 제1 스펙트럼과 상기 복수의 제2 스펙트럼을 구성하는 각각의 스펙트럼에 대한 선원 에너지 정보와 플루엔스 정보를 포함하는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
16 |
16
제15항에서,상기 트레이닝 세트는, 상기 복수의 제1 스펙트럼과 상기 복수의 제2 스펙트럼을 구성하는 각각의 스펙트럼에 대해, 스펙트럼에 대한 선원 에너지 정보와 플루엔스 정보를 기반으로 MCNP 시뮬레이션을 통해 계산된 케르마(Kinetic Energy Release in Mass : KERMA)에 케르마-선량 변환 인자(kerma-to-dose conversion factor) 또는 플루엔스-선량 변환 인자(fluence-to-dose conversion factor)를 이용하여 계산된 선량 정보를 포함하는,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
17 |
17
제11항에서,상기 미리 설정된 에너지 범위는, 0
|
18 |
18
제11항에서,상기 미리 설정된 에너지 범위의 에너지를 발광하는 핵종은, 60Co, 133Ba, 137Cs, 192Ir, 40K, 54Mn, 22Na, 131I, 111In 및 99Mo 중 적어도 하나 이상인,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
19 |
19
제11항에서,상기 인공 신경망은, 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어지고,상기 히든 레이어는, ReLUs 활성화 함수(activation function)를 사용하며,상기 출력 레이어는, 선형 활성화(linear activation)를 사용하고,상기 히든 레이어의 뉴런(neuron) 개수는 각각 542개 및 1,100개인,인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법
|
20 |
20
제11항, 제13항 내지 제19항 중 어느 한 항에 기재된 인공 신경망을 이용한 섬광체 기반 실시간 선량 측정 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램
|