质子加速器是先进的技术系统，能够产生高能粒子并控制其与靶材料的相互作用。通过这些设备，质子可以被加速到特定的能量水平，不仅在基础物理研究中得到广泛应用，还在由电离辐射引发的放射生物学和放射化学应用中发挥作用（Wiedemann, 2015）。如今，质子加速器的应用已不再局限于粒子物理学研究领域；它们还积极应用于医学、工业过程、放射性核素生产以及安全技术（Sheehy, 2024; Emik?nel and Akkurt, 2025）。
在质子加速器运行过程中，质子与靶材料之间的相互作用不仅会产生直接的电离效应，还会产生次级粒子，尤其是中子。由于中子不带电荷，它们能够更深地穿透物质，因此从生物角度来看极具危害性，也对辐射防护提出了重大挑战。因此，在质子加速器设施的建造和运行过程中，中子屏蔽的设计至关重要（Sar?yer, 2017; Soyal and Sar?han, 2025）。
屏蔽设计要求在辐射源和目标位置之间放置足够厚度的适当吸收材料，以减少辐射影响。对于沿直线轴加速的高能粒子，屏蔽通常设计成围绕束流的隧道结构。用于隧道屏蔽的材料必须具有较高的中子衰减能力，并确保通过相互作用产生的次级粒子具有相对较低的能量（Nakashima, 2009; Masukawa et al., 2008; Ipe, 2010; Cossairt, 2011）。
在高能情况下，屏蔽快中子尤其具有挑战性，因为它们的吸收截面通常较低。因此，快中子必须先通过弹性或非弹性散射减速至热能，才能被屏蔽材料吸收。高原子序数（高Z）元素（如钨和铁）通过非弹性散射降低中子能量，而低Z元素（如氢和石墨）则通过弹性散射过程进一步降低能量至热能水平（Sar?yer and Kü?er, 2014; Sar?yer et al., 2015; Sar?yer et al., 2015; Akkurt et al., 2022）。
标准混凝土因其物理密度、结构均匀性和相对较高的氢含量，被广泛用作有效的中子辐射屏蔽材料。其典型密度约为2.3–2.4 g/cm3，具有优异的耐环境性和长期结构稳定性，适用于核设施和粒子加速器等需要长期辐射暴露的应用场景。此外，标准混凝土在原材料可获得性、成本效益和生产可行性方面也具有优势，是比专用屏蔽材料更实用的选择。然而，标准混凝土的中子衰减能力有限，通常需要较厚的层才能达到所需的防护水平。在空间受限、承载能力有限或需要移动性的工程应用中，具有更高中子吸收能力的替代材料变得尤为重要（Sar?yer, 2017; Sar?yer et al., 2015）。
在这种背景下，铁硼（FeB）合金作为一种具有高效中子衰减能力的屏蔽材料脱颖而出（Sar?yer, 2017; Sar?yer et al., 2015; Sar?yer et al., 2015; Sar?yer, 2020）。铁成分因其高密度有助于散射和减速高能中子，而硼则因其较大的热中子俘获截面（NCRP, 2003; Tesch and Zazula, 1991; Sar?yer et al., 2015; Dinter et al., 1996; Subramanian et al., 2010; Hosmane, 2012）在吸收热中子方面发挥关键作用。这种协同作用使FeB成为适用于广泛中子能量范围的有效屏蔽材料。其密度范围为6.0至7.5 g/cm3，允许使用较薄的屏蔽层实现有效的中子衰减，这在空间受限的紧凑系统中特别有利。尽管由于其含硼量较高，成本略高于传统材料，但其优异的中子吸收能力和较低的厚度要求使其成为混合屏蔽系统中替代或与混凝土结合使用的理想选择（Sar?yer, 2017; Sar?yer et al., 2015; Sar?yer et al., 2015）。
在现代屏蔽设计中，基于蒙特卡洛（MC）的多粒子传输代码（如FLUKA、GEANT4、MARS15、MCNPX、PHITS和SHIELD）因其在表示物理过程（包括剂量分布建模、屏蔽厚度优化和次级辐射评估）方面的高精度而得到广泛应用（Sar?yer, 2020; Rokni et al., 2007; Paul et al., 2023; Hamad, 2025）。文献回顾显示，Sar?yer等人的研究使用了蒙特卡洛模拟代码来评估混凝土、铁、铁硼以及含有不同添加剂比例的混凝土在高能质子和中子场中的屏蔽性能；在这些研究中，剂量分布得到了详细和定量的分析（Nahool et al., 2024; Han?erlio?ullar?, 2006）。
然而，这些方法存在一些实际限制。由于蒙特卡洛技术的统计性质，要实现高精度需要模拟大量粒子轨迹，这显著增加了模拟时间，尤其是在高能环境下，并需要大量的计算资源。此外，增加模拟次数以减少统计不确定性会直接影响总体计算成本和持续时间。由于蒙特卡洛代码不提供设计参数的直接优化，评估不同材料组合或屏蔽厚度方案通常需要分别进行建模，往往需要手动配置，这在时间和资源利用方面降低了效率。
此外，MC模拟结果的可靠性很大程度上取决于用户因素，如物理模型的正确选择、截面数据的准确定义以及边界条件的全面指定。经验不足的用户可能会无意中影响结果的可信度。此外，在手动解释可视化输出图时引入的错误可能会给剂量分析带来额外的不确定性（Nahool et al., 2024; Han?erlio?ullar?, 2006）。
除了纯蒙特卡洛方法外，基于优化的混合框架在屏蔽设计中也越来越受到重视。例如，遗传算法（GAs）与蒙特卡洛模拟相结合，用于优化多层中子-伽马（neutron-gamma）屏蔽配置。在这种MC-GA工作流程中，最佳材料序列和层厚度可以自动确定，通常能够将剂量偏差控制在几个百分点以内（Al-Azri and Khabaz, 2025）。这些研究表明，智能优化算法可以高效地处理屏蔽设计的高维参数空间，补充了传统的试错模拟方法。类似地，还探索了中子剂量量的参数化方法，以快速获得半经验性的剂量估算。基于蒙特卡洛的研究表明，环境剂量当量可以通过简洁的解析公式表示为源强度和距离的函数，从而避免在每种情况下都进行完整模拟（Niazi and Khabaz, 2021）。这类参数化方法为经典的曲线拟合技术提供了概念基础，同时实现了高保真模拟与快速工程估算之间的桥梁。
近年来，人们越来越关注将基于人工智能（AI）的建模和机器学习（ML）方法整合到屏蔽设计中，以克服这些限制。在辐射防护工程领域，ML算法已被有效应用于预测辐射诱导的剂量分布、优化屏蔽材料设计以及检测异常辐射水平等应用。然而，针对质子加速器中的屏蔽设计和剂量确定的研究仍然有限（Chen, 2025; Edelen et al., 2016; Soomro et al., 2026）。例如，Chen等人（2025）开发了一种结合MCNP模拟和全连接神经网络的混合方法，旨在通过集成在回旋加速器基紧凑型中子平台上的模块化屏蔽设计来最小化职业暴露风险。类似地，Edelen等人（2016）全面评估了人工神经网络（ANNs）在模拟和控制粒子加速器方面的有效性。该研究展示了深度学习和全连接架构在实时预测加速器系统非线性行为方面的应用。训练出的模型准确捕捉了加速器参数之间的复杂关系，提高了控制精度和运行效率。这些基于ANN的方法提供了比传统物理模型更快、更灵活的解决方案，突显了ML方法在现代加速器技术中的潜力（Edelen et al., 2016）。
ML在高能设施（如质子加速器）的设计中具有显著优势，因为它能够高效分析具有复杂几何形状和多变量相互作用过程的系统。基于MC模拟获得的大型数据集训练出的ML模型可以在给定几何形状或操作条件下快速准确地预测辐射参数（如剂量分布）。此外，这些模型还可以帮助确定最佳的屏蔽厚度和材料组成，从而提高设计过程的效率和速度。因此，ML不仅提升了分析过程，还促进了更安全、更具成本效益和优化后的加速器系统设计。它是核科学和工程领域下一代设计工具的代表（Chen, 2025; Edelen et al., 2016; Soomro et al., 2026）。
本研究的主要目标是开发一种屏蔽模型，以减轻高能质子加速器在异常运行条件下产生的次级中子辐射。该模型基于FLUKA的MC模拟，并结合了曲线拟合（指数模型）和机器学习方法。针对不同屏蔽配置和能量水平计算的剂量值根据经典衰减定律进行了分析，并使用不同的ML算法开发了预测模型，对其性能进行了比较评估。
