物理引导特征增强的辐射场机器学习建模方法研究
Machine Learning Modeling of Radiation Fields with Physics-Guided Feature Enhancement
摘要: 针对传统蒙特卡罗方法在复杂辐射场计算中效率与精度难以兼顾的挑战，本文提出一种物理引导特征增强的机器学习建模方法。首先，基于蒙特卡罗方法结合减方差技术构建了包含中子注量、1 MeV等效中子注量及γ总剂量的辐射场数据集。其次，为克服纯数据驱动模型对粒子输运物理规律表征不足的固有缺陷，引入直射量、平方反比律因子及大气吸收因子等物理驱动特征。在此基础上，构建了XGBoost预测模型，并采用贝叶斯优化算法实现模型超参数的自适应调优。五折交叉验证与分层消融实验结果表明：物理引导特征的引入显著降低了预测均方根误差，最终优化模型的决定系数均大于0.99，平均相对误差稳定控制在2%以内。相较于传统蒙特卡罗方法，本方法在保证同等精度的条件下，将单次预测效率提升两个数量级。本研究为辐射环境的快速评估提供了一种可靠的代理模型解决方案。
版本历史
| [V1] |
2026-05-08 15:24:20 |
ChinaXiv:202605.00192V1
|
下载全文 |
相关信息
点击量
下载量
