|
DOI: 10.14489/td.2025.04.pp.023-035
Кувшинников В. С., Ковшов Е. Е.
АППРОКСИМАЦИЯ ДИАГРАММ ЭКСПОЗИЦИИ ДЕТЕКТОРОВ РЕНТГЕНОВСКОГО ИЗЛУЧЕНИЯ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
(c. 23-35)
Аннотация. В настоящее время потребность в квалифицированных специалистах по неразрушающему контролю неуклонно возрастает. В целях формирования у обучающихся навыков применения знаний, необходимых для самостоятельной практической деятельности, учебный симулятор должен быть оснащен программными средствами для моделирования результатов радиационного контроля. Рассмотрены основные подходы к моделированию результатов радиационного контроля и их недостатки. Предложен способ оценки оптической плотности участка детектора на основе аппроксимации номограмм экспозиции и сенситометрических кривых. Описано применение искусственной нейронной сети KAN с архитектурой на основе теоремы Колмогорова‒Арнольда для задач аппроксимации. Приведены результаты вычислительных экспериментов и выполнена оценка относительной погрешности оптической плотности для рассматриваемого способа. Предлагаемое решение позволяет получать выходные значения с точностью, близкой к точности технических данных детектора, значительно сокращая вычислительную сложность операций, выполняемых при симуляции на графическом процессоре.
Ключевые слова: программный симулятор, математическое моделирование, искусственная нейронная сеть, неразрушающий контроль, радиационный контроль.
Kuvshinnikov K. V., Kovshov E. E.
X-RAY DETECTOR EXPOSURE DIAGRAM APPROXIMATION APPLYING AN ARTIFICIAL NEURAL NETWORK
(pp. 23-35)
Abstract. Nowadays the demand for qualified specialists in non-destructive testing is steadily increasing. In order to develop students' skills of knowledge application necessary for individual practical activity, the training simulator should be equipped with software tools for modelling the results of radiation control. The main approaches to modelling of radiation inspection results and their disadvantages are considered. The method of detector fragment optical density estimation based on approximation of exposure nomographs and sensitometric curves is proposed. The application of the KAN artificial neural network with architecture based on the Kolmogorov-Arnold theorem for approximation tasks is described. The results of computational experiments are given and the relative error of optical density for the considered method is estimated. The proposed solution makes it possible to obtain output values with an accuracy close to the accuracy of the detector technical data, significantly reducing the computational complexity of operations performed during simulation on a graphics processor.
Keywords: software simulator, mathematical modelling, artificial neural network, non-destructive testing, radiation monitoring.
В. С. Кувшинников, Е. Е. Ковшов (АО «Научно-исследовательский и конструкторский институт монтажной технологии – Атомстрой», Москва, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
K. V. Kuvshinnikov, E. E. Kovshov (Joint-Stock Company “Research and Development Institute of Construction Technology – Atomstroy”, Moscow, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Ковшов Е. Е., Кувшинников В. С., Казаков Д. Ф. Формирование рентгеновского изображения объекта неразрушающего контроля в среде виртуальной реальности // Контроль. Диагностика. 2021. Т. 24, № 8. С. 14 – 22. DOI: 10.14489/td.2021.08.pp.014-022
2. Sarrut D., Bala M., Bardiès M., et al. Advanced Monte Carlo Simulations of Emission Tomography Imaging Systems with GATE // Physics in Medicine & Biology. 2021. V. 66, No. 10. P. 10TR03.
3. Pointon J. L., Wen T., Tugwell-Allsup J., et al. Simulation of X-ray Projections on GPU: Benchmarking gVirtualXray with Clinically Realistic Phantoms // Computer Methods and Programs in Biomedicine. 2023. V. 234. P. 107500.
4. Sanzharov V., Gorbonosov A. I., Frolov V. A., Voloboy A. G. Examination of the Nvidia RTX // CEUR Workshop Proceedings. 2019. V. 2485. P. 7 ‒ 12.
5. Nvidia Corp. Nvidia Turing GPU Architecture Whitepaper (WP-09183-001_v01) // Professional Graphics Solutions and Turing GPU Architecture | NVIDIA: официальный сайт. 2023. URL: https://images.nvidia.com/aem-dam/en-zz/Solutions/design-visualization/technologies/turing-architecture/NVIDIA-Turing-Architecture-Whitepaper.pdf (Дата обращения: 13.12.2023).
6. Nvidia Corp. Nvidia Ada GPU Architecture Whitepaper (V2.02) // Ada Lovelace Architecture | NVIDIA: официальный сайт. 2023. URL: https://images.nvidia.com/aem-dam/Solutions/geforce/ada/nvidia-ada-gpu-architecture.pdf (Дата обращения: 13.12.2023).
7. Luo W., Fan R., Li Z., Du D., et al. Benchmarking and Dissecting the Nvidia Hopper Gpu Architecture // arXiv preprint arXiv: 2402.13499. 2024.
8. Heath R. L. Scintillation Spectrometry Gammaray Spectrum Catalogue. Phillips Petroleum Company Atomoc Energy Division, 1957. 342 p.
9. Laguitton D., Parrish W. Experimental Spectral Distribution Versus Kramers’ Law for Quantitative X‐ray Fluorescence by the Fundamental Parameters Method // X‐Ray Spectrometry. 1977. V. 6, No. 4. P. 201 ‒ 203.
10. Note on NIST X-ray Attenuation Databases // National Institute of Standards and Technology: официальный сайт. URL: https://www.nist.gov/pml/note-nist-x-ray-attenuation-databases (Дата обращения: 23.12.2024).
11. Физическая энциклопедия: в 5 т. / гл. ред. А. М. Прохоров. Т. 2. Добротность ‒ Магнитооптика. М.: Советская энциклопедия, 1988. 703 с.
12. Booklet X. R. D. X-ray Data Booklet. Laboratory. California: Univ. California, 2001. 457 р.
13. Zschornack G. H. Handbook of X-ray Data. Springer Science & Business Media, 2007. 969 p.
14. Otto H. H. Cauchy Functions Compared to the Gaussian for X-ray Powder Diffraction Line Profile Fitting: An Exercise // Researchgate.net. 2018.
15. Major G., Shah D., Fernandez V., et al. Advanced Line Shapes in X-ray Photoelectron Spectroscopy I // The Asymmetric Lorentzian (LA) Line Shape, 2020.
16. Ковшов Е. Е., Кувшинников В. С. Формирование изображения объекта контроля на гибком детекторе в среде симулятора промышленной радиографии // Контроль. Диагностика. 2024. Т. 27, № 3. С. 23 – 34. DOI: 10.14489/td.2024.03.pp.023-034
17. Linardatos D., Koukou V., Martini N., et al. On the Response of a Micro Non-Destructive Testing X-ray Detector // Materials. 2021. V. 14, No. 4. P. 888.
18. Samei E., Flynn M. J. An Experimental Comparison of Detector Performance for Direct and Indirect Digital Radiography Systems // Medical Physics. 2003. V. 30, No. 4. P. 608 ‒ 622.
19. Liu Z., Wang Y., Vaidya S., et al. Kan: Kolmogorov‒Arnold Networks: arXiv preprint arXiv: 2404.19756, 2024.
20. Арнольд В. И. О представлении непрерывных функций трех переменных суперпозициями непрерывных функций двух переменных // Математический сборник. 1959. Т. 48, № 1. С. 3 ‒ 74.
1. Kovshov E. E., Kuvshinnikov V. S., Kazakov D. F. (2021). Formation of an X-ray image of a non-destructive testing object in a virtual reality environment. Kontrol'. Diagnostika, 24(8), 14 – 22. [in Russian language] DOI: 10.14489/td.2021.08.pp.014-022
2. Sarrut D., Bala M., Bardiès M. et al. (2021). Advanced Monte Carlo Simulations of Emission Tomography Imaging Systems with GATE. Physics in Medicine & Biology, 66(10).
3. Pointon J. L., Wen T., Tugwell-Allsup J. et al. (2023). Simulation of X-ray Projections on GPU: Benchmarking gVirtualXray with Clinically Realistic Phantoms. Computer Methods and Programs in Biomedicine, 234.
4. Sanzharov V., Gorbonosov A. I., Frolov V. A., Voloboy A. G. (2019). Examination of the Nvidia RTX. CEUR Workshop Proceedings, 2485, 7 ‒ 12.
5. Nvidia Corporation. (2023). Nvidia Turing GPU Architecture Whitepaper (WP-09183-001_v01). Professional Graphics Solutions and Turing GPU Architecture | NVIDIA. Retrieved from https://images.nvidia.com/aem-dam/en-zz/Solutions/design-visualization/technologies/turing-architecture/NVIDIA-Turing-Architecture-Whitepaper.pdf
6. Nvidia Corporation. (2023). Nvidia Ada GPU Architecture Whitepaper (V2.02). Ada Lovelace Architecture | NVIDIA: Retrieved from https://images.nvidia.com/aem-dam/Solutions/geforce/ada/nvidia-ada-gpu-architecture.pdf
7. Luo W., Fan R., Li Z., Du D. et al. (2024). Benchmarking and Dissecting the Nvidia Hopper Gpu Architecture. arXiv preprint arXiv.
8. Heath R. L. (1957). Scintillation Spectrometry Gammaray Spectrum Catalogue. Phillips Petroleum Company Atomoc Energy Division.
9. Laguitton D., Parrish W. (1977). Experimental Spectral Distribution Versus Kramers’ Law for Quantitative X‐ray Fluorescence by the Fundamental Parameters Method. X‐Ray Spectrometry, 6(4), 201 ‒ 203.
10. Note on NIST X-ray Attenuation Databases. (2024). National Institute of Standards and Technology. Retrieved from https://www.nist.gov/pml/note-nist-x-ray-attenuation-databases (accessed: 23.12.2024).
11. Prohorov A. M. (Ed.) (1988). Physical encyclopedia: in 5 volumes. Vol. 2. Quality factor ‒ Magnetooptics. Moscow: Sovetskaya entsiklopediya. [in Russian language]
12. Booklet X. R. D. (2001). X-ray Data Booklet. Laboratory. California: University California.
13. Zschornack G. H. (2007). Handbook of X-ray Data. Springer Science & Business Media.
14. Otto H. H. (2018). Cauchy Functions Compared to the Gaussian for X-ray Powder Diffraction Line Profile Fitting: An Exercise. Retrieved from Researchgate.net
15. Major G., Shah D., Fernandez V. et al. (2020). Advanced Line Shapes in X-ray Photoelectron Spectroscopy I. The Asymmetric Lorentzian (LA) Line Shape.
16. Kovshov E. E., Kuvshinnikov V. S. (2024). Formation of an image of a control object on a flexible detector in the environment of an industrial radiography simulator. Kontrol'. Diagnostika, 27(3), 23 – 34. [in Russian language] DOI: 10.14489/td.2024.03.pp.023-034
17. Linardatos D., Koukou V., Martini N., et al. (2021). On the Response of a Micro Non-Destructive Testing X-ray Detector. Materials, 14(4).
18. Samei E., Flynn M. J. (2003). An Experimental Comparison of Detector Performance for Direct and Indirect Digital Radiography Systems. Medical Physics, 30(4), 608 ‒ 622.
19. Liu Z., Wang Y., Vaidya S., et al. (2024). Kan: Kolmogorov‒Arnold Networks: arXiv preprint arXiv: 2404.19756.
20. Arnol'd V. I. (1959). On the representation of continuous functions of three variables by superpositions of continuous functions of two variables. Matematicheskiy sbornik, 48(1), 3 ‒ 74. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/td.2025.04.pp.023-035
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/td.2025.04.pp.023-035
and fill out the form
.
|
Текущий номер
">
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»