本发明涉及硼中子俘获治疗，尤其涉及一种中子束流整形组件的智能优化方法。
背景技术：
1、质子被加速器加速到一定能量来轰击靶体，便能产生中子。质子打靶产生的中子能量较高，各向异性较强，并伴随一定的γ射线，不能直接用于硼中子俘获治疗(bnct)。束流整形组件(bsa)是硼中子获治疗装置的关键组成部分之一，其位于靶后，作用是将质子打靶产生的高能中子束整形慢化到满足治疗标准的超热中子束流(0.5 ev<e<l0 kev)。bsa主要有慢化体、反射体、过滤体、准直体等部分构成。
2、然而，传统的逐步优化的方式难以达到符合iaea建议值的超热中子束。由于材料的散射、吸收等各种反应截面随能量是变化的,当中子穿过材料时散射、吸收同时都在发生，不同尺寸材料效果也不同。这导致优化bsa时各参数会相互影响。因此，传统方法在不同区域推荐的材料也只能是定性的结论，而且这些结论往往只对某一能量区间的中子有效，对于优化设计作用较小。由于材料种类较多、尺寸可调整的范围巨大，同时调整尺寸和材料得到的方案几乎是无限的，这个过程将花费大量的时间。而且传统逐步优化方法的本质是从少数个体迭代寻找最优解，这容易陷入局部最优解，难以兼顾多个参数同时优化。
3、同时，传统的逐步优化的方式获得的bsa方案尽管准直器出口处的中子束流参数相对较好，但准直器出口的上方和下方仍会有很多有害束流，主要是中子。在照射治疗时，这些中子会被人体正常组织吸收，其产生的剂量对正常组织造成一定的损伤。因此，在设计完bsa的结构后，需要考虑准直体出口上下方的屏蔽，考虑轻量化和辐射防护最优化，同样会花费大量的时间。
技术实现思路
1、为克服现有技术的不足，本发明提出一种中子束流整形组件的智能优化方法。本发明的技术方案是这样实现的：一种中子束流整形组件的智能优化方法，包括步骤：
2、s1：建立束流整形组件基本模型，模型包括束流组件的慢化体、反射体、过滤体和准直体；
3、s2：确定各个优化参数的取值范围，在各个优化参数的取值范围内随机生成并组合为多个束流整形组件模型；
4、s3：使用蒙特卡罗方法模拟所述多个束流整形组件模型的出束口参数，并提取相关计算结果；
5、s4：以所述相关计算结果为输入，训练神经网络，根据优化参数直接对结果进行预测；
6、s5：使用多目标优化算法和神经网络相耦合的bsa多目标优化方法进行多目标寻优，通过超体积法对多种优化方法下的帕累托最优解进行评价，分析最优解中每个优化目标相较原始方案的优化程度，得到bsa最优组合方案。
7、进一步地，所述s2包括步骤：根据束流整形组件模型，确定质子束流打靶产生的二次中子源项；所述s3包括步骤：
8、s31：结合所述二次中子源项，改变束流整形组件模型中各部位材料种类和几何参数，使用蒙特卡罗方法进行模拟计算，将计算结果与iaea超热中子束建议值进行对比，确定装置模型中慢化体、反射体、过滤体、准直体的材料选择及优化尺寸区间；
9、s32：根据设定的优化变量以及相应的优化区间，在优化区间内随机生成指定数量束流整形组件模型的蒙特卡罗计算样本；
10、s33：将生成指定数量束流整形组件模型的蒙特卡罗样本输入到蒙特卡罗程序中模拟其工作时的中子和光子输运过程，提取并统计束流整形组件模型束流出口的中子参数的模拟计算结果。
11、进一步地，所述s4中所述神经网络为误差反向传播神经网络，所述s4包括步骤：
12、s41：将粒子在不同部位中的自由程数代替其厚度与材料种类特征，选择粒子在其中输运时可能存在的能量值，这些能量值主要分布在0.5ev到1mev之间，并计算这些能量下的平均自由程数，作为神经网络的输入层参数；
13、s42：将统计得到束流整形组件模型束流出口的计算结果作为神经网络的输出层参数；
14、s43：设置合适的训练集比例、验证集比例、测试集比例、学习率及迭代次数参数，进行神经网络训练；
15、s44：当验证集的误差下降到特定值时，迭代结束，生成二进制文件，该文件保存神经网络的神经元参数信息。
16、进一步地，所述s5包括步骤：
17、s51：将优化目标设定为bsa出束口的中子束物理量，分别为中子束流的超热中子通量密度、单位通量密度超热中子对应的快中子剂量、单位通量密度超热中子对应的γ剂量、中子流量和通量密度的比值以及单位通量密度超热中子对应的热中子通量密度，设置合适的种群大小、迭代次数、优化变量以及优化目标开始寻优；
18、s52：通过遗传算法中的操作算子对基于已有的种群生成新的种群，新的种群即为重新生成的优化模型；
19、s53：若迭代次数满足终止条件，则按照适应度从大到小的排序输出最后一次迭代次数下多个优化模型作为寻优结果，即得到束流整形组件装置各部位的最佳组合参数；否则，继续进行迭代，直到迭代次数满足终止条件为止；
20、s54：将最后得到的pareto最优解参数进行评价分析，根据国际原子能机构针对硼中子俘获治疗装置所给出的建议值，确定bsa最优组合方案。
21、更进一步地，所述s52中遗传算法包括但不限于选择运算、交叉运算和变异运算。
22、更进一步地，所述s52中选择操作算子包括但不限于：轮盘赌、锦标赛、和排序。
23、一种中子束流整形组件的智能优化方法，还包括步骤：s6：生成准直器出口上下方的最佳屏蔽方案，包括步骤：
24、s61：在bsa最优组合方案基础上，记录通过准直器出口上下方的粒子轨迹信息，作为屏蔽计算的初始源项，选择对应的屏蔽层材料，确定优化参数的取值范围，在优化区间内随机生成多个计算样本，并进行蒙卡计算；
25、s62：提取计算结果，计算平均自由程数代替屏蔽层的材料和厚度作为神经网络的输入层数据，将中光子通量数据作为神经网络的输出层数据，使用带动量的小批量随机梯度下降算法进行神经网络学习；
26、s63：使用s-度量选择进化多目标优化算法寻优，最终通过超体积法对多种优化方法下的帕累托最优解进行评价，得到bsa最优组合模型下，准直器出口上下方的最佳屏蔽方案。
27、本发明的有益效果在于，与现有技术相比，本发明中子束流整形组件的智能优化方法能够高效地在优化参数的取值范围内生成大量组合模型，并在其中筛选出最优的组合参数，提高束流整形组件的优化效果和优化效率，减少设计者的工作量。
1.一种中子束流整形组件的智能优化方法，其特征在于，包括步骤：
2.如权利要求1所述的中子束流整形组件的智能优化方法，其特征在于，所述s2包括步骤：根据束流整形组件模型，确定质子束流打靶产生的二次中子源项；所述s3包括步骤：
3.如权利要求1所述的中子束流整形组件的智能优化方法，其特征在于，所述s4中所述神经网络为误差反向传播神经网络，所述s4包括步骤：
4.如权利要求1所述的中子束流整形组件的智能优化方法，其特征在于，所述s5包括步骤：
5.如权利要求4所述的中子束流整形组件的智能优化方法，其特征在于，所述s52中遗传算法包括但不限于选择运算、交叉运算和变异运算。
6.如权利要求1所述的中子束流整形组件的智能优化方法，其特征在于，所述s52中选择操作算子包括但不限于：轮盘赌、锦标赛、和排序。
7.如权利要求1所述的中子束流整形组件的智能优化方法，其特征在于，还包括步骤：s6：生成准直器出口上下方的最佳屏蔽方案，包括步骤：
