ジョン・マッティングリー教授は、核の放射性降下物の形成とフォールアウト組成を予測するモデルを制御する物理プロセスの概要を説明し、それらのモデルを機械学習と組み合わせて核爆発型を識別できる放射性署名を見つける方法を説明します。
theノースカロライナ州立大学原子力工学部核爆発物の特性を決定するために使用できる、核フォールアウトとして知られる、核フォールアウトと呼ばれる核核の破片に存在する放射性物質を特定するための研究を行っています。
フォールアウト分析への課題
「すべてのモデルは間違っていますが、いくつかは便利です」ジョージボックス物理現象の予測モデルの有用性の評価。この引用から除外されているボックス教授の声明の一部は、「すべてのモデルは近似です。したがって、あなたが尋ねる必要がある質問は「決してそうではありませんか？」1言い換えれば、モデルは有用な予測を行うことができますか？
この質問は、フォールアウト組成の測定がこれまでに行われていないため、核フォールアウトの分析にとって重要であり、これらの測定のほとんどは、1950年代および1960年代に南部で行われた大気核実験の後に収集された放射性降下物で行われました。太平洋とネバダ。2これらの測定値は、一般に爆発後すぐに放射性降下物を速やかに分析しませんでした。また、都市部での爆発からの放射性降下物を分析することもできませんでした。テストはすべて遠隔地で行われました。
その結果、都市部の核爆発から即座に収集された放射性降下物の組成を分析しようとする科学者は、代理実験と予測モデルの組み合わせに依存する必要があります。代理実験は、制御された環境でフォールアウト形成を支配する現象のいくつかを再現しようとします。3ただし、代理実験は核爆発のすべての物理的条件を再現するものはありません。予測モデルは、数値計算でフォールアウト形成を支配する物理プロセスを概算しようとします。
フォールアウトフォーメーション
地上またはその近くでの核爆発 - 「地面バースト」 - は、大気の土壌、アスファルト、コンクリート、鋼、および爆風半径の道路や建物からのその他の材料に蒸発してロフトすることができます。核火の玉では、暴走核鎖反応中に蒸発した核分裂産物（核分裂からの残留核）は、それらのマトリックス材料と混合されます。
最も基本的なフィールアウト組成物の理論的分析では、核分裂産物の濃度を使用して爆発物の核分裂性物質（主にウラン-235 [U235]対プルトニウム-239 [PU239]）とオンライン カジノ 携帯トロンのエネルギーを識別できます。暴走核鎖反応（核分裂対融合中性子）。2その分化には法医学的価値があります。爆発的な程度の洗練度を特定し、可能性のある加害者のフィールドを狭めることができます。素朴な分析では、図1が示すように、放射性粒子の核分裂産物の濃度は、核分裂性物質と中性子オンライン カジノ 携帯のみに依存します。
核分裂性物質と中性子オンライン カジノ 携帯の組み合わせである「爆発型」を分類する問題は、図1が示すほど単純ではありません。核分裂生成物は、放射性粒子に合体するため、異なる速度で凝縮および拡散し、この分別は放射性降下物粒子の組成を大幅に変化させます。5化学分別は、異なる核分裂産物化合物が異なる凝縮温度を持っているため、主に発生します。耐衝撃性核分裂生成物は、マトリックス材料よりも高い温度で凝縮し、揮発性核分裂生成物はマトリックス材料凝縮温度より下で凝縮します。したがって、放射性降下粒子は、中心に向かって耐衝撃性核生成物の濃度が高く、表面に揮発性核分裂生成物の濃度が高くなる傾向があります。
さらに、放射性降下物の形成は、爆発的な収量（爆発中に放出されるオンライン カジノ 携帯、通常はキロトン[KT] TNT等価）とバーストの高さの影響を受けます。より低い高さの爆発は、大気中により多くのマトリックス材料をロフトし、高利回りの爆発は、より多くのマトリックス材料と核分裂産物を大気中に高くし、通常は温度が低くなります。
放射性降下物組成の予測モデルは、分別を説明する必要があります。分別の代替モデルがいくつかあります。6コルツとノーマン（KN）モデルは、ヘンリーの法則を使用して核分裂産物化合物の凝縮速度を放射性粒子に推定し、拡散理論を使用して浸透を粒子にモデル化します。また、核分裂産物のベータ偏見の変換も説明しています。
ただし、スーパーコンピューターなしでフォールアウト組成の不確実性を推定する方法があります。 NC州立大学によって開発された1つのアプローチは、機械学習（ML）からメソッドを借用しています。
フォールアウトコンポジションからの爆発的なタイプの分類
100を超える潜在的に影響力のある熱力学的パラメーターがあり、すべてが大きくまたは定量化されていない不確実性があり、分画のKNモデルを制御します。ただし、これらのパラメーターの一部のみが、放射性降下物粒子の特定の核分裂産物の濃度に影響します。PCA）、KNモデルの予測に大きく影響するモデルパラメーターのサブセットを特定するため。7KNモデルを使用した放射性降下物組成の予測の場合、ASDは、特定の核分裂産物のベータ偏見の前駆体のみが影響力があることを特定しました。それは満足のいく発見でした - 縮小されたASDモデルは、物理的な直感に準拠していました。8
次に、NC Stateはガウスプロセス回帰（GPR）「代理」モデルを訓練し、これらの2つのアクティブディメンションのみを使用して放射性の組成を予測しました。 GPRモデリングは、物理モデルの応答（この場合は、KNモデルによって予測される放射性物質の構成）に、その入力パラメーター（KNモデルの熱力学的パラメーター）に経験的に適合します。6GPR代理モデルは、KNモデルよりも約100,000倍高速で走行しました。これにより、NC状態は、NCモデルのパラメーターの不確実性をフォールアウト組成の不確実性に伝播し、熱力学的パラメーターの値が名目値の±50％にわたってランダムに変化します。これらのパラメーターの大規模で定量化されていない不確実性をカバーする。8
NC状態は、爆発的なタイプ（皮膚材料と中性子オンライン カジノ 携帯）を個別に分類する約12個の核分裂製品を発見しました。さらに重要なことに、彼らは、爆発的な収量とバーストの高さが不明であり、熱力学的パラメーターが非常に不正確に知られている場合でも、爆発的なタイプを分類できる2〜3つの核分裂産物のより多くの組み合わせを特定しました。
したがって、この分析では、フォールアウト形成プロセスに近似し、その物理的パラメーターにかなりの不確実性を持つモデルは、将来の実験を導くことができる有用な予測を行うことができます。
NC状態は、この研究を進めており、熱力学的パラメーターが不正確にわかっている場合でも爆発的なタイプを確実に分類できる核分裂製品の組み合わせを特定するために、監視されたML分類アルゴリズムを適用しています。彼らはまた、核分裂生成物の収量における不確実性の影響（図1の日陰の領域によって示される）と、放射性降下物組成の半減期を評価することを計画しています。
参照
- ジョージE Pボックス、アルベルトルセニョ、マリアデルカルメンパニアグアクイニョンズ、監視と調整による統計的制御、第2版、John Wiley＆Sons、p。 61、2009（再版）
- Kenton J Moody、Patrick M Grant、Ian D Hutchinson、原子力法医学分析、第2版、CRC Press、pp。183-221、2015
- Erin Finn、Lori Metz、Larry Greenwood、Bruce Pierson、Rosara Kephart、およびJeremy Kephart、「炭化ホウ素を使用した0.1 MeV中性子誘導核分裂からの短命の核分裂製品測定」ラジオアナリティカルおよび核化学のジャーナル293、pp。267-272、2012
- 国立原子力データセンター、「評価された原子力データファイル（ENDF）検索＆プロット」、ブルックヘブン国立研究所、https://www.nndc.bnl.gov/sigma/
- e c freiling、「爆弾破片における放射性核種分別」、科学133、pp。1991-1998、1961
- r f Korts and J H Norman、「フォールアウト形成中の凝縮状態拡散制御核生成物吸収の計算モデル」、General Atomics Report GA-7598、1967
- ラルフCスミス、不確実性の定量化：理論、実装、およびアプリケーション、産業および応用数学協会、2014年
- James H Gifford、「分画の熱力学モデルの不確実性による放射性のある組成の分散の特性」、博士号論文、ノースカロライナ州立大学、2020年
この記事は、私たちの12版にも掲載されますにも掲載されています。四半期公開.
