《Annals of Nuclear Energy》：Artificial neural network approach for optimizing X-ray shielding by leveraging the photoelectric absorption edge
编辑推荐：
X射线衰减预测与无铅复合材料优化研究采用人工神经网络结合随机梯度下降优化，基于材料密度、光子能量和吸收边能量预测线性衰减系数（LAC），验证显示与Geant4仿真平均误差±0.4，R2≈1，1mm厚度实现99.9%和92.7%衰减率，证实物理信息驱动机器学习可有效优化无铅X射线屏蔽材料。
M.R. Alipoor | M. Eshghi
伊朗德黑兰伊玛目侯赛因大学物理系
摘要
随着电离辐射使用的增加，对高效、无毒且轻质的屏蔽材料的需求也随之增长。本研究采用了一种通过随机梯度下降法优化的人工神经网络来预测无铅复合材料的X射线衰减性能。该模型根据材料密度、光子能量和吸收边能量来估算线性衰减系数。与Geant4模拟结果的对比显示，该模型的预测精度非常高，平均偏差仅为±0.4，并实现了近乎完美的回归拟合（R2 = 0.999）。利用该模型开发的优化复合材料在40 keV时衰减率超过99.9%，在120 keV时为92.7%，且厚度仅为1毫米。这项研究证实，基于物理原理的机器学习方法可以快速开发出适用于医疗和工业领域的高性能无铅屏蔽材料。
引言
电离辐射在医学和工业成像领域的应用日益广泛，因此必须为工作人员和普通公众实施有效的辐射防护措施（Alrowaili和Al-Buriahi，2025年；Hernández-Murillo等人，2024年）。常用的防护材料具有显著的辐射衰减性能。原子序数较高的元素在X射线屏蔽方面表现出色，这主要归因于它们较高的电子密度，从而增强了通过光电效应实现X射线衰减的可能性。铅是一种常见的屏蔽材料，因其高密度和优异的衰减系数而受到青睐（Chandrika等人，2025年；Echeweozo等人，2024年）。传统的辐射防护服装（如围裙）是通过将铅粉或铅片嵌入聚合物、橡胶或乙烯基基材中，并用尼龙或聚酯等纺织品包裹而成的（Prabhu等人，2023年；Moradi等人，2024年）。然而，铅的高密度导致服装笨重，长时间使用可能引起用户不适，如背痛和疲劳。此外，铅的毒性以及薄铅片的机械强度不足（Al-Buriahi等人，2021年；Gurumurthi和Rajasekar，2025年；Manocchio等人，2023年；Duan等人，2025年）也是其局限性。这些因素促使人们研究无铅替代材料，如聚合物复合材料、铋、钨和锑基材料，这些材料在保持良好衰减性能的同时，还具有更好的可持续性和可加工性（Aboalatta等人，2021年；Aldawood等人，2024年；Yan等人，2025年；Alipoor，2025年；Henaish等人，2020年；Alipoor和Eshghi，2025年）。这些复合材料旨在实现高效衰减与实际应用性的平衡，这对于医疗和工业环境中使用的高能X射线（例如200–300 kVp谱段）的防护至关重要（Wang等人，2025年；Baamer等人，2024年）。最近的研究集中在含有重金属氧化物的无铅屏蔽复合材料上，这些材料在保持机械柔韧性的同时，能在不同能量范围内有效衰减辐射（Wang等人，2023年；Madbouly等人，2022年）。例如，Li等人合成了含有钨（W）、铋（Bi）和锡（Sn）等多层聚合物复合材料，在诊断用X射线能量（60–120 keV）下的衰减性能与铅相当甚至更优（Li等人，2021年）。另一项研究表明，W-Sn-Cd-EPVC复合材料在60和90 keV下的衰减性能优于铅，而在120 keV下W-Sn-Ba-EPVC复合材料的性能更佳（Kazempour等人，2015年）。Urtekin等人（Urtekin等人，2020年）的综述探讨了各种合金在核屏蔽应用中的潜力。同时，关于复合材料的研究也关注了更多材料特性，为材料选择提供了重要依据（Peri?ano?lu等人，2016年；Demir等人，2019年）。这些发现表明，通过精心选择材料及其结构配置，可以显著提高医疗和工业应用中的辐射屏蔽效果。在这种情况下，机器学习（ML）已成为预测屏蔽性能和优化材料设计的强大工具，减少了依赖大量实验的必要性。以往的研究已成功应用卷积神经网络（CNN）和人工神经网络（ANN）等ML模型来预测陶瓷、玻璃和混凝土等材料的衰减系数（Malidarre等人，2022年；Abushahla和Arslan，2025年；Imamoglu等人，2022年；Boahen等人，2023年）。然而，这些研究通常局限于特定的材料类别或能量范围，限制了其普遍性和预测准确性。
本研究重点关注临床和工业上重要的正电压能量范围（200–300 kVp），在此范围内，光电效应和康普顿散射之间的相互作用对有效屏蔽提出了复杂挑战。这一能量范围与放射治疗和无损检测应用直接相关，是评估材料性能的关键领域（Park等人，2025年；Breitkreutz等人，2020年）。为应对这一挑战，建立强大的预测框架至关重要；然而，以往的研究往往局限于有限的材料类别或使用恒定的能量强度，从而限制了其应用范围。为弥补这一缺陷，我们提出了一种创新方法，利用基于物理原理的ANN来预测复合材料的衰减系数（LAC）。该模型旨在通过学习来自多样化数据集的辐射相互作用基本原理，克服传统模型的局限性。因此，本研究的核心创新在于构建了这种通用且可解释的框架。与针对特定材料类型设计的模型相比，我们的ANN能够对多种复合材料配方进行精确预测。这不仅是一种预测工具，还加深了对影响屏蔽效果因素的理解，有助于下一代无铅X射线屏蔽材料的合理设计和改进。
材料与方法
为了实现整个200至300 kVp范围内的宽谱衰减，我们概念性地设计了复合材料的配方。所选元素（Y、I、Ba、W、Bi、Cu、Sb、Ta、Sm、Cd、Gd、Tb、Dy、Sn、In、Yb和Zn）是根据它们的吸收边特性精心挑选的，这些元素的原子序数范围为39至83，通过康普顿散射分析确定。这种方法智能地整合了具有协同衰减效果的元素。
讨论与结果
图2展示了一个卷积神经网络，用于根据三个输入变量（材料密度、光子能量和吸收边能量）预测线性衰减系数（LAC）。这些关键参数在X射线与物质的相互作用及辐射屏蔽设计中起着重要作用。
图3显示了该模型使用的数据散点图，展示了线性衰减系数（LAC）作为光子能量（keV）、吸收边能量（keV）和材料的函数关系。
结论
本研究成功展示了人工神经网络（ANN）在准确预测复杂多元素复合材料的线性衰减系数（LAC）方面的应用。该模型与Geant4蒙特卡洛模拟的结果具有高相关性（R2 ≈ 1），预测值与基准值的平均偏差仅为±0.404，证明了其强大的预测能力。核心科学发现是该模型能够理解光子相互作用的物理原理。
伦理声明
作者声明本文为原创手稿，尚未发表，目前也没有接受任何评审。
CRediT作者贡献声明
M.R. Alipoor：撰写初稿、数据整理、验证、实验研究。
M. Eshghi：方法论设计、审稿与编辑、数据可视化、研究指导。
资金
本研究未获得任何资金支持。
作者没有需要披露的相关财务或非财务利益。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
