質子加速器是先進的技術系統，能夠產生高能粒子并控制其與靶材料的相互作用。通過這些設備，質子可以被加速到特定的能量水平，不僅在基礎物理研究中得到廣泛應用，還在由電離輻射引發的放射生物學和放射化學應用中發揮作用（Wiedemann, 2015）。如今，質子加速器的應用已不再局限于粒子物理學研究領域；它們還積極應用于醫學、工業過程、放射性核素生產以及安全技術（Sheehy, 2024; Emik?nel and Akkurt, 2025）。
在質子加速器運行過程中，質子與靶材料之間的相互作用不僅會產生直接的電離效應，還會產生次級粒子，尤其是中子。由于中子不帶電荷，它們能夠更深地穿透物質，因此從生物角度來看極具危害性，也對輻射防護提出了重大挑戰。因此，在質子加速器設施的建造和運行過程中，中子屏蔽的設計至關重要（Sar?yer, 2017; Soyal and Sar?han, 2025）。
屏蔽設計要求在輻射源和目標位置之間放置足夠厚度的適當吸收材料，以減少輻射影響。對于沿直線軸加速的高能粒子，屏蔽通常設計成圍繞束流的隧道結構。用于隧道屏蔽的材料必須具有較高的中子衰減能力，并確保通過相互作用產生的次級粒子具有相對較低的能量（Nakashima, 2009; Masukawa et al., 2008; Ipe, 2010; Cossairt, 2011）。
在高能情況下，屏蔽快中子尤其具有挑戰性，因為它們的吸收截面通常較低。因此，快中子必須先通過彈性或非彈性散射減速至熱能，才能被屏蔽材料吸收。高原子序數（高Z）元素（如鎢和鐵）通過非彈性散射降低中子能量，而低Z元素（如氫和石墨）則通過彈性散射過程進一步降低能量至熱能水平（Sar?yer and Kü?er, 2014; Sar?yer et al., 2015; Sar?yer et al., 2015; Akkurt et al., 2022）。
標準混凝土因其物理密度、結構均勻性和相對較高的氫含量，被廣泛用作有效的中子輻射屏蔽材料。其典型密度約為2.3–2.4 g/cm3，具有優異的耐環境性和長期結構穩定性，適用于核設施和粒子加速器等需要長期輻射暴露的應用場景。此外，標準混凝土在原材料可獲得性、成本效益和生產可行性方面也具有優勢，是比專用屏蔽材料更實用的選擇。然而，標準混凝土的中子衰減能力有限，通常需要較厚的層才能達到所需的防護水平。在空間受限、承載能力有限或需要移動性的工程應用中，具有更高中子吸收能力的替代材料變得尤為重要（Sar?yer, 2017; Sar?yer et al., 2015）。
在這種背景下，鐵硼（FeB）合金作為一種具有高效中子衰減能力的屏蔽材料脫穎而出（Sar?yer, 2017; Sar?yer et al., 2015; Sar?yer et al., 2015; Sar?yer, 2020）。鐵成分因其高密度有助于散射和減速高能中子，而硼則因其較大的熱中子俘獲截面（NCRP, 2003; Tesch and Zazula, 1991; Sar?yer et al., 2015; Dinter et al., 1996; Subramanian et al., 2010; Hosmane, 2012）在吸收熱中子方面發揮關鍵作用。這種協同作用使FeB成為適用于廣泛中子能量范圍的有效屏蔽材料。其密度范圍為6.0至7.5 g/cm3，允許使用較薄的屏蔽層實現有效的中子衰減，這在空間受限的緊湊系統中特別有利。盡管由于其含硼量較高，成本略高于傳統材料，但其優異的中子吸收能力和較低的厚度要求使其成為混合屏蔽系統中替代或與混凝土結合使用的理想選擇（Sar?yer, 2017; Sar?yer et al., 2015; Sar?yer et al., 2015）。
在現代屏蔽設計中，基于蒙特卡洛（MC）的多粒子傳輸代碼（如FLUKA、GEANT4、MARS15、MCNPX、PHITS和SHIELD）因其在表示物理過程（包括劑量分布建模、屏蔽厚度優化和次級輻射評估）方面的高精度而得到廣泛應用（Sar?yer, 2020; Rokni et al., 2007; Paul et al., 2023; Hamad, 2025）。文獻回顧顯示，Sar?yer等人的研究使用了蒙特卡洛模擬代碼來評估混凝土、鐵、鐵硼以及含有不同添加劑比例的混凝土在高能質子和中子場中的屏蔽性能；在這些研究中，劑量分布得到了詳細和定量的分析（Nahool et al., 2024; Han?erlio?ullar?, 2006）。
然而，這些方法存在一些實際限制。由于蒙特卡洛技術的統計性質，要實現高精度需要模擬大量粒子軌跡，這顯著增加了模擬時間，尤其是在高能環境下，并需要大量的計算資源。此外，增加模擬次數以減少統計不確定性會直接影響總體計算成本和持續時間。由于蒙特卡洛代碼不提供設計參數的直接優化，評估不同材料組合或屏蔽厚度方案通常需要分別進行建模，往往需要手動配置，這在時間和資源利用方面降低了效率。
此外，MC模擬結果的可靠性很大程度上取決于用戶因素，如物理模型的正確選擇、截面數據的準確定義以及邊界條件的全面指定。經驗不足的用戶可能會無意中影響結果的可信度。此外，在手動解釋可視化輸出圖時引入的錯誤可能會給劑量分析帶來額外的不確定性（Nahool et al., 2024; Han?erlio?ullar?, 2006）。
除了純蒙特卡洛方法外，基于優化的混合框架在屏蔽設計中也越來越受到重視。例如，遺傳算法（GAs）與蒙特卡洛模擬相結合，用于優化多層中子-伽馬（neutron-gamma）屏蔽配置。在這種MC-GA工作流程中，最佳材料序列和層厚度可以自動確定，通常能夠將劑量偏差控制在幾個百分點以內（Al-Azri and Khabaz, 2025）。這些研究表明，智能優化算法可以高效地處理屏蔽設計的高維參數空間，補充了傳統的試錯模擬方法。類似地，還探索了中子劑量量的參數化方法，以快速獲得半經驗性的劑量估算�；诿商乜宓难芯勘砻�，環境劑量當量可以通過簡潔的解析公式表示為源強度和距離的函數，從而避免在每種情況下都進行完整模擬（Niazi and Khabaz, 2021）。這類參數化方法為經典的曲線擬合技術提供了概念基礎，同時實現了高保真模擬與快速工程估算之間的橋梁。
近年來，人們越來越關注將基于人工智能（AI）的建模和機器學習（ML）方法整合到屏蔽設計中，以克服這些限制。在輻射防護工程領域，ML算法已被有效應用于預測輻射誘導的劑量分布、優化屏蔽材料設計以及檢測異常輻射水平等應用。然而，針對質子加速器中的屏蔽設計和劑量確定的研究仍然有限（Chen, 2025; Edelen et al., 2016; Soomro et al., 2026）。例如，Chen等人（2025）開發了一種結合MCNP模擬和全連接神經網絡的混合方法，旨在通過集成在回旋加速器基緊湊型中子平臺上的模塊化屏蔽設計來最小化職業暴露風險。類似地，Edelen等人（2016）全面評估了人工神經網絡（ANNs）在模擬和控制粒子加速器方面的有效性。該研究展示了深度學習和全連接架構在實時預測加速器系統非線性行為方面的應用。訓練出的模型準確捕捉了加速器參數之間的復雜關系，提高了控制精度和運行效率。這些基于ANN的方法提供了比傳統物理模型更快、更靈活的解決方案，突顯了ML方法在現代加速器技術中的潛力（Edelen et al., 2016）。
ML在高能設施（如質子加速器）的設計中具有顯著優勢，因為它能夠高效分析具有復雜幾何形狀和多變量相互作用過程的系統�；贛C模擬獲得的大型數據集訓練出的ML模型可以在給定幾何形狀或操作條件下快速準確地預測輻射參數（如劑量分布）。此外，這些模型還可以幫助確定最佳的屏蔽厚度和材料組成，從而提高設計過程的效率和速度。因此，ML不僅提升了分析過程，還促進了更安全、更具成本效益和優化后的加速器系統設計。它是核科學和工程領域下一代設計工具的代表（Chen, 2025; Edelen et al., 2016; Soomro et al., 2026）。
本研究的主要目標是開發一種屏蔽模型，以減輕高能質子加速器在異常運行條件下產生的次級中子輻射。該模型基于FLUKA的MC模擬，并結合了曲線擬合（指數模型）和機器學習方法。針對不同屏蔽配置和能量水平計算的劑量值根據經典衰減定律進行了分析，并使用不同的ML算法開發了預測模型，對其性能進行了比較評估。
