Ứng dụng mạng nơron nhân tạo vào nhận dạng xung nơtron/gamma cho đầu dò nhấp nháy EJ301

Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 4(2):910-919
Open Access Full Text Article Bài nghiên cứu
1Khoa Vật lý và Kỹ thuật Hạt nhân,
Trường Đại học Đà Lạt, Đà Lạt, Lâm
Đồng, Việt Nam
2Viện Nghiên cứu Hạt nhân Đà Lạt, Đà
Lạt, Lâm Đồng, Việt Nam
3Viện Vật lý kỹ thuật, Trường Đại học
Bách Khoa Hà Nội, Hà Nội, Việt Nam
4Khoa Sư phạm Khoa học Tự nhiên,
Trường Đại học Đồng Nai, Đồng Nai,
Việt Nam
5Khoa Điện Điện tử, Trường Đại học Sư
Phạm kỹThuật - TP.HCM, TP-HCM,
Việt Nam
6Trường Cao đẳng Kinh Tế - Kỹ Thuật
Lâm Đồng, Đà Lạt, Lâm Đồng, Việt
Nam
Liên hệ
Phan Văn Chuân, Khoa Vật lý và Kỹ thuật
Hạt nhân, Trường Đại học Đà Lạt, Đà Lạt, Lâm
Đồng, Việt Nam
Email: chuanpv@dlu.edu.vn
Lịch sử
 Ngày nhận: 11-01-2021
 Ngày chấp nhận: 14-4-2021 
 Ngày đăng: 30-4-2021
DOI : 10.32508/stdjet.v4i2.803 
Ứng dụngmạng nơron nhân tạo vào nhận dạng xung
nơtron/gamma cho đầu dò nhấp nháy EJ301
Phan Văn Chuân1,*, Nguyễn Xuân Hải2, Nguyễn Ngọc Anh2, Phạm Xuân Hải2, Mai Xuân Phong2,
PhạmĐình Khang3, Trương VănMinh4, Dương Thanh Tài5, Lưu Thị Hoàng Duyên6
Use your smartphone to scan this
QR code and download this article
TÓM TẮT
Các đetectơ nhấp nháy đo nơtron thường nhạy với cả bức xạ gamma. Vì vậy, nhận biết chính xác
các xung do nơtron hay gamma tạo ra từ các đetectơ này có vai trò quyết định độ tin cậy của kết
quả đo bức xạ nơtron dùng đetectơ nhấp nháy. Để nâng cao khả năng phân biệt dạng xung, nhiều
kỹ thuật phân biệt dạng xung đã được nghiên cứu phát triển và ứng dụng. Trong nghiên cứu này,
một cấu hình cơ bản của mạng nơron nhân tạo (MNRNT) với số phần tử của mạng được thiết kế
tối giản và tương ứng với các đặc điểm nhận dạng của xung nơtron và gamma thu được từ một
đetectơ nhấp nháy EJ-301. Nguyên tắc cực tiểu sai số đã được ứng dụng trong thiết kế, vì vậy mặc
dù MNRNT có cấu hình tối thiểu nhưng vẫn không ảnh hưởng đến độ chính xác của kết quả nhận
dạng. Thử nghiệm cho thấy với thiết kế như vậy, MNRNT có khả năng nhận diện chính xác cao
hơn so với phương pháp tích phân điện tích (TPĐT). Với các xung đo trên nguồn 60Co, MNRNT đã
nhận diện chính xác đến 98,60% các xung trong vùng năng lượng tương đương 50 ¸ 2000 keVee
(keV electron equivalent), và đạt 95,59% với các xung trong vùng năng lượng thấp 50 ¸ 150 keVee.
Kết quả này cho thấy với các thiết bị đo bức xạ có phần cứng nhỏ, vẫn có thể ứng dụng được các
phương pháp trí tuệ nhân tạo để nâng cao khả năng nhận diện và phân tích các sự kiện đo.
Từ khoá: Phân biệt dạng xung, mạng nơron, ghi đo nơtron
MỞĐẦU
Nơtron là một trong những bức xạ có vai trò quan
trọng trong khoa học công nghệ hạt nhân. Nhiều ứng
dụng trên chùm nơtron đã được nghiên cứu và áp
dụng như: kiểm tra chất lượng công trình xây dựng,
kiểm tra chất lượng sản phẩm, phân tích kích hoạt,
hay đo tiết diện tương tác của nơtron với hạt nhân
trong nghiên cứu cơ bản, là những nghiên cứu được
tiến hành ở nhiều phòng thí nghiệm trên thế giới 1.
Tuy nhiên, việc ghi đo nơtron không đơn giản như
các loại bức xạ gamma, alpha hay beta, do luôn có bức
xạ gamma phát kèm theo. Do đó, việc xác định chính
xác tỉ lệ hoặc nhận diện được bức xạ gamma/nơtron
phát ra từ nguồn luôn là yêu cầu trong các nghiên cứu
và ứng dụng bức xạ nơtron.
Bức xạ nơtron/ gamma có thể được nhận dạng thông
qua các đặc điểm về dạng của xung được tạo ra từ
đầu dò. Đối với các đầu dò chứa khí, bức xạ gamma
thường để lại năng lượng ít hơn nhiều so với nơtron,
do đó có thể dựa vào biên độ xung để nhận dạng các
xung gamma được đầu dò ghi nhận2–4. Đối với đầu
dò nhấp nháy (ví dụ như đầu dò EJ-301), xung được
tạo ra có hình dạng khác nhau đối với bức xạ gamma
hay nơtron. Các xung do nơtron tạo ra có tỉ lệ thành
phần phân rã chậm lớn hơn so với xung gamma, nên
phần đuôi xung nơtron sẽ kéo dài hơn so với xung
gamma có cùng biên độ1,5–7. Đã có nhiều nghiên
cứu về nhận dạng nơtron/gamma dựa trên hình dạng
xung cho các đầu dò nhấp nháy, được gọi chung là
các phương pháp phân biệt dạng xung (PBDX)5–11.
Mặc dù đã có nhiều phương pháp nhưng hiệu quả
phân biệt dạng xung trong vùng năng lượng thấp (<
150 keVee) của các phương pháp truyền thống như
phân biệt ngưỡng, tích phân điện tích, thời gian vượt
ngưỡng, độ dốc xung, vẫn còn kém hiệu quả. Điều
này do ba nguyên nhân chính: ở vùng biên độ xung
thấp, tỉ lệ nhiễu điện tử so với biên độ cao hơn; số pho-
ton sinh ra trong chất nhấp nháy ít hơn dẫn đến sai số
thống kê biên độ nhiều hơn và hiện tượng chồng chập
xung ảnh hưởng lớn đến hình dạng xung trong vùng
biên độ thấp. Do đó cần phải phát triển và ứng dụng
các phương pháp nhận diệnmới để cải thiện khả năng
nhận diện các xung do nơtron/ gamma tạo ra ở vùng
biên độ thấp.
Gần đây, mạng nơron nhân tạo (MNRNT) đã được
ứng dụng rất thành công trong các bài toán phân
nhóm đối tượng, và đặc biệt hiệu quả đối với những
đối tượng có các đặc điểmnhậndạng phức tạp12. Mặc
dù MNRNT đã được nghiên cứu ứng dụng vào nhận
dạng xung nơtron/gamma13–16, nhưng các nghiên
 ... ới nguồn 252Cf.
Tiền xử lý xung
Tất cả các xung được sử dụng trong nghiên cứu này
đều được lọc giảm nhiễu tần số cao bằng cách làm
trơn 5 điểm trước khi phân tích.
Tạo tập huấn luyện choMNRNT
Tập huấn luyện cho MNRNT được xây dựng từ tập
A thông qua một chương trình LabVIEW trên máy
tính. Đầu tiên, chương trình xác định vị trí đỉnh của
mỗi xung được tính. Tiếp theo, xi1¸ xi100 được gán
bằng giá trị các mẫu của xung thô tương ứng, bắt đầu
từ đỉnh xung và cách nhau 2 mẫu. Điều này có nghĩa
là nếu đánh dấu mẫu tại đỉnh xung là Pi1, thì: xik =
Pi2k (với k = 1100). Tiếp theo, xi101xi110 được gán
bằng các giá trị diện tích của các đoạn xung liên tiếp
mà mỗi đoạn xung có chiều dài 20 ns (20 mẫu trên
xung đo cho mỗi đoạn và bắt đầu từ đỉnh xung). Giá
trị của xi111 được gán bằng tỉ số giữa diện tích xung
với biên độ của xung. Cuối cùng giá trị xi112 được
gán là diện tích đuôi xung (diện tích được tính từ đỉnh
914
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 4(2):910-919
đến đuôi xung, trong khoảng 200 ns). Tập đíchT cũng
được xác định cùng với X,mỗi giá trị Ti được xác định
tương ứng với véc tơ Xi. Khi chương trình tính toán
trên các xung gamma của tập A, Ti được gán giá trị
“-1”, và được gán giá trị “1” đối với các xung nơtron.
Việc xác định các xungnơtron từ tậpAđược thực hiện
bằng chương trình TPĐT với thuật toán đã trình bày
trong phần phương pháp.
Chương trình
Chương trình thực hiện thuật toán cho phương pháp
TPĐT và MNRNT được xây dựng trên phần mềm
Matlab 2018. Trong đó, chương trình TPĐT được
xây dựng trên Matlab-Simulink; chương trình MN-
RNT được xây dựng trên Neural Network Toolbox.
MNRNT được xây dựng với 112 biến đầu vào, một
lớp ẩn (15 nơron ẩn) và một biến đầu ra sử dụng các
hàm kích hoạt tanh() (Hình 6). Việc huấn luyện với
100.000 dữ liệu học mất khoảng 14 phút khi sử dụng
một máy tính với cấu hình CPU Xeon(R) E5 2689 –
2,6 GHz, 64 GB RAM.
KẾT QUẢ VÀ THẢO LUẬN
Tỉ lệ phân loại chính xác các xung nơtron, gamma
theo các ngưỡng phân biệt khác nhau được trình bày
trên Hình 7. Đồ thị cho thấy đường ROC bám sát
bên trục TNR và đường giới hạn TNR=1. Tại ngưỡng
phân biệt không, tỉ lệ nhận dạng chính xác các xung
nơtron đạt 93,2% và tỉ lệ đóng góp của các xung
gamma sang vùng nhận dạng các xung nơtron chỉ
1,4% (tương ứng 98,6% các xung gamma được nhận
diện đúng).
Kết quả áp dụng TPĐT và MNRNT cho tập số liệu
D được trình bày trên Hình 8. Đồ thị phân bố tham
số phân biệt dạng xung (PBDX) theo năng lượng cho
thấy cả hai phương pháp có phân tách rõ ràng đối
với vùng năng lượng trên 150 keVee; trong khi vùng
năng lượng thấp dưới 150 keVee, các điểm tham số
PBDX phân bố chồng lấn nhau. Điều này cho thấy tỉ
lệ nhầm lẫn khi phân nhóm chủ yếu nằm trong vùng
năng lượng thấp. So sánh Hình 8(a) và (b) cũng cho
thấy rõ ràng tỉ lệ nhầm lẫn của phương pháp TPĐT
lớn hơn nhiều so với phương pháp MNRNT.
Kết quả phân nhóm của phương pháp TPĐT và MN-
RNT đối với tập gamma (tập B) được trình bày trên
Hình 9. Tỉ lệ nhầm lẫn của xung gamma sang vùng
nhận dạng của nơtron chỉ 1,40%đối với phương pháp
MNRNT; trong khi phương pháp TPĐT tỉ lệ này lên
đến 7,45%. Điều này cho thấy, phương pháp TPĐT
có tỉ lệ phân nhóm sai lớn hơn phương phápMNRNT
cỡ 5,32 lần. Tỉ lệ phân nhóm chính xác của MNRNT
trong nghiên cứunày cũng đạt được tương đươngnhư
kết quả 1,4% trong nghiên cứu của C. Fu và các cộng
sự13 và 1,28% trong nghiên cứu của E. Ronchi và các
cộng sự15.
Bảng 1 trình bày kết quả khảo sát tỉ lệ nhầm lẫn trong
các vùng năng lượng khác nhau với nguồn 252Cf.
Trong vùng khảo sát từ 50950 keVee, tỉ lệ nhầm lẫn
lớn nhất tại vùng năng lượng thấp (50150 keVee);
tỉ lệ này đạt 23,84% đối với phương pháp TPĐT
và 4,41% (tương ứng 95,59% các xung gamma được
nhận diện đúng) đối với MNRNT; nếu tính tỉ lệ trong
vùng năng lượng thấp – là vùng có hiệu quả phân
nhóm nơtron/gamma chưa cao đối với các phương
pháp truyền thống thì MNRNT đã đạt hiệu quả gấp
5,4 lần so với phương pháp TPĐT. Kết quả trình bày
trên Bảng 1 cũng cho thấy tỉ lệ phân nhóm nhầm theo
năng lượng của phương pháp MNRNT đều nhỏ hơn
so với phương pháp TPĐT trong toàn dải đã khảo sát.
KẾT LUẬN
Trong nghiên cứu này, một cấu hình mạng nơron
nhân tạo (MNRNT) có thiết kế với cấu hình giản thiểu
đã được ứng dụng thành công trong nhận dạng xung
nơtron/gamma cho đetectơ nhấp nháy EJ-301. Cấu
hình đã nhận dạng chính xác đến 98,6% các xung
gamma ở ngưỡng năng lượng trên 50 keVee. Kết quả
này cho thấy, có thể ứng dụngMNRNT vào các hệ đo
bức xạ nơtron với cấu hình phần cứng giới hạn.
Cần lưu ý rằng, các nghiên cứu này được tiến hành
trên các nguồn phóng xạ có hoạt độ trung bình thấp
nên hiệu ứng chồng chập của các xung đã bị bỏ qua.
LỜI CẢMƠN
Nghiên cứu này được tài trợ bởi Quỹ phát triển khoa
học và công nghệQuốc gia (NAFOSTED) trong đề tài
mã số 103.04-2019.388.
XUNGĐỘT LỢI ÍCH
Nhóm tác giả xin camđoan rằng không có bất kỳ xung
đột lợi ích nào trong công bố bài báo.
ĐÓNGGÓP CỦA TÁC GIẢ
Phan Văn Chuân đưa ý tưởng viết bài, xử lý số liệu,
đánh giá kết quả và viết bản thảo.
Nguyễn Xuân Hải tham gia vào việc đưa ra ý tưởng,
phân tích kết quả và hiệu đính bản thảo.
Nguyễn Ngọc Anh xây dựng cấu hình thực nghiệm,
thu thập bộ dữ liệu xung với các nguồn bức xạ sử dụng
đetectơ nhấp nháy EJ-301.
Phạm Xuân Hải xây dựng chương trình xử lý theo
phương pháp TPĐT.
Mai Xuân Phong xây dựng chương trình xử lý theo
phương pháp MNRNT.
PhạmĐình Khang tham gia xử lý dữ liệu và giải thích
kết quả.
915
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 4(2):910-919
Hình 6: Chương trình MNRNT trong MatLab
Hình 7: Đường ROC thu được từ tập đánh giá của phương pháp MNRNT
Trương Văn Minh xây dựng dữ liệu đầu vào cho
chương trình MNRNT và phương pháp đánh giá.
DươngThanh Tài tham gia xây dựng dữ liệu đầu vào
cho chương trình MNRNT và TPĐT.
LưuThịHoàng Duyên xử lý kết quả của phương pháp
MNRNT.
TÀI LIỆU THAMKHẢO
1. Peurrung AJ. Recent developments in neutron detection.
Nuclear Instruments and Methods in Physics Research A.
2000;443:400–415. Available from: https://doi.org/10.1016/
S0168-9002(99)01165-1.
2. Knoll GF. Radiation Detection and Measurement, Third Edi-
tion. 2000;p. 816. PMID: 18081150. Available from: https:
//doi.org/10.1002/hep.22108.
3. Chandra R, Davatz G, Friederich H, Gendotti U, Murer D. Fast
neutron detection with pressurized 4He scintillation detec-
tors. J. Instrum. 2012;7. Available from: https://doi.org/10.
1088/1748-0221/7/03/C03035.
4. Hawkes NP, Roberts NJ. Digital dual-parameter data acqui-
sition for SP2 hydrogen-filled proportional counters. Radiat.
Prot. Dosimetry. 2013;161:253–256. PMID: 24191120. Avail-
able from: https://doi.org/10.1093/rpd/nct262.
5. D’Mellow B, et al. Digital discrimination of neutrons and g-
rays in liquid scintillators using pulse gradient analysis. Nucl.
Instruments Methods Phys. Res. Sect. A Accel. Spectrometers,
Detect. Assoc. Equip. 2007;578(1):191–197. Available from:
https://doi.org/10.1016/j.nima.2007.04.174.
6. Marrone S, et al. Pulse shape analysis of liquid scintillators for
neutron studies. Nucl. Instruments Methods Phys. Res. Sect.
A Accel. Spectrometers, Detect. Assoc. Equip. 2002;490(1-
2):299–307.
916
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 4(2):910-919
Hình 8: Phân bố tham số TPĐT theo năng lượng của xung khi đo trên nguồn 252Cf: (a) Phương pháp TPĐT, (b)
Phương pháp MNRNT
Hình 9: Phân bố tham số PBDX theo năng lượng của xung khi đo trên nguồn 60Co: (a) Phương pháp TPĐT, (b)
Phương pháp MNRNT
Bảng 1: Tỉ lệ nhầm lẫn khi đo trên nguồn 60Co trong các vùng năng lượng từ 50 ¸ 950 keVee
Vùng năng lượng (keVee) Tỉ lệ nhầm lẫn (%)
TPĐT MNRNT
50 - 150 23,84 0,24 4,41 0,04
150 - 250 11,18 0,11 0,43 0,01
250 - 350 5,69 0,06 0,14 0,01
350 - 450 2,23 0,02 0,08 0,01
450 - 550 1,34 0,01 0,05 0,01
550 - 650 0,62 0,01 0,02 0,01
650 - 750 0,33 0,01 0,03 0,01
750 - 850 0,19 0,01 0,03 0,01
850 - 950 0,15 0,01 0,01 0,01
917
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 4(2):910-919
7. Lang RF, et al. Improved pulse shape discrimination in EJ-301
liquid scintillators. Nucl. Instruments Methods Phys. Res. Sect.
A Accel. Spectrometers, Detect. Assoc. Equip. 2017;856:26–31.
Available from: https://doi.org/10.1016/j.nima.2017.02.090.
8. Jastaniah SD, Sellin PJ. Digital pulse-shape algorithms for
scintillation-based neutron detectors. IEEE Trans. Nucl. Sci.
2002;49(4):1824–1828. Available from: https://doi.org/10.
1109/TNS.2002.801674.
9. Aryaeinejad R, et al. Development of a handheld device for
simultaneous monitoring of fast neutrons and gamma rays.
IEEE Trans. Nucl. Sci. 2002;49(4):1909–1913. Available from:
https://doi.org/10.1109/TNS.2002.801508.
10. Sosa CS, Flaska M, Pozzi SA. Comparison of analog and digital
pulse-shape-discrimination systems. Nucl. InstrumentsMeth-
ods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc.
Equip. 2016;826:72–79. Available from: https://doi.org/10.
1016/j.nima.2016.03.088.
11. TAKAKU D, et al. Development of Neutron-Gamma Dis-
crimination Technique using Pattern-Recognition Method
with Digital Signal Processing,” Prog. Nucl. Sci. Technol.
2011;1(0):210–213. Available from: https://doi.org/10.15669/
pnst.1.210.
12. Schmidhuber J. Deep learning in neural networks: An
overview. Neural Networks. 2015;61:85–117. PMID: 25462637.
Available from: https://doi.org/10.1016/j.neunet.2014.09.003.
13. Fu C, et al. Artificial neural network algorithms for pulse shape
discrimination and recovery of piled-uppulses in organic scin-
tillators. Ann. Nucl. Energy. 2018;120:410–421. Available from:
https://doi.org/10.1016/j.anucene.2018.05.054.
14. Liu G, et al. An investigation of the digital discrimination of
neutrons and g rays with organic scintillation detectors us-
ing an artificial neural network,” Nucl. Instruments Methods
Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip.
2009;607(3):620–628. Available from: https://doi.org/10.1016/
j.nima.2009.06.027.
15. Ronchi E, et al. An artificial neural network based neutron-
gamma discrimination and pile-up rejection framework for
the BC-501 liquid scintillation detector,” Nucl. Instruments
Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. As-
soc. Equip. 2009;610(2):534–539. Available from: https://doi.
org/10.1016/j.nima.2009.08.064.
16. Gelfusa M, et al. Advanced pulse shape discrimination via
machine learning for applications in thermonuclear fusion,”
Nucl. InstrumentsMethods Phys. Res. Sect. A Accel. Spectrom-
eters, Detect. Assoc. Equip. 2020;974(2019). Available from:
https://doi.org/10.1016/j.nima.2020.164198.
17. Flaska M, et al. Influence of sampling properties of fast-
waveform digitizers on neutron-gamma-ray, pulse-shape dis-
crimination for organic scintillation detectors. Nucl. Instru-
ments Methods Phys. Res. Sect. A Accel. Spectrometers, De-
tect. Assoc. Equip. 2013;729:456–462. Available from: 10.
1016/j.nima.2013.07.008.
18. Guerrero C, et al. Analysis of the BC501A neutron detector
signals using the truepulse shape. Nucl. InstrumentsMethods
Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip.
2008;597(2-3):212–218. Available from: 10.1016/j.nima.2008.
09.017.
19. Beleites C, et al. Sample size planning for classification mod-
els. Analytica chimica acta;760(2013):25–33. PMID: 23265730.
Available from: https://doi.org/10.1016/j.aca.2012.11.007.
20. Mazurowski MA, et al. Training neural network classifiers for
medical decision making: The effects of imbalanced datasets
on classification performance. Neural networks. 2008;21(2-
3):427–436. Available from: https://doi.org/10.1016/j.neunet.
2007.12.031.
21. Chuan PV, et al. A scintillation detector configuration for
pulse shape analysis. Nucl. Eng. Technol. 2018;50(8):1426–
1432. Available from: https://doi.org/10.1016/j.net.2018.07.
009.
918
Science & Technology Development Journal – Engineering and Technology, 4(2):910-919
Open Access Full Text Article Research Art
1Faculty of Physics and Nuclear
Engineering, Dalat University, Da Lat,
Viet Nam
2Nuclear Research Institute, Da Lat, Viet
Nam
3Institute of Technical Physics, Trường
Đại học Bách Khoa Hà Nội, Hà Nội,
Vietnam
4Faculty of Natural Science Education,
Dong Nai University, Bien Hoa, Vietnam
5Faculty of electronic, HCMC University
of Technology and Education, Ho Chi
Minh, Vetnam
6Technical and Economic College of Lam
Dong, Da Lat, Vietnam
Correspondence
Phan Van Chuan, Faculty of Physics and
Nuclear Engineering, Dalat University,
Da Lat, Viet Nam
Email: chuanpv@dlu.edu.vn
History
 Received: 11-01-2021 
 Accepted: 14-4-2021 
 Published: 30-4-2021
DOI : 10.32508/stdjet.v4i2.803 
Application of artificial neural network in neutron/gamma pulse
shape discrimination for EJ301 scintillation detector
Phan Van Chuan1,*, Nguyen Xuan Hai2, Nguyen Ngoc Anh2, Pham Xuan Hai2, Mai Xuan Phong2,
PhamDinh Khang3, Truong VanMinh4, Duong Thanh Tai5, Luu Thi Hoang Duyen6
Use your smartphone to scan this
QR code and download this article
ABSTRACT
The scintilator detectors are sensitive to both neutron and gamma radiation. Therefore, right iden-
tification of the pulses which generated by neutrons or gamma ray from these detectors plays
an important role in neutron measurement by using scintilator detector. In order to improve the
ability to pulse shape discrimination (PSD), many PSD techniques have been studied, developed
and applied. In this work, we use a basic configuration of a Fully connected Neural network (Fc-
Net) where the number of elements of the network is minimum, and each element corresponds to
identified specification of neutron or gamma pulses measured by using EJ-301 scintilator detector.
The minimum of error principle has been applied for neuron network design; therefore, the accu-
racy of recognitions did not affect by this reduced network. The obtained results show that the
identify accuracy of FcNet is higher than those of digital charge integration (DCI) method. Being
tested using 60Co radioactive source, it is shown that, with the application of the FcNet, the ac-
curacy of the gamma pulses discrimination acquires 98.60% in the energy region from 50 to 2000
keV electron equivalent energy (keVee), and 95.59% in the energy region from 50 to 150 keVee. In
general, the obtained results indicate that the artificial neural network method can be applied to
build neutron/gamma spectrometers with limited hardware.
Key words: Pulse shape discrimination, neural network, neutron detection
Cite this article : Chuan P V, Hai N X, Anh N N, Hai P X, Phong M X, Khang P D, Minh T V, Tai D T, Duyen L T 
H. Application of artificial neural network in neutron/gamma pulse shape discrimination for EJ301 
scintillation detector. Sci. Tech. Dev. J. – Engineering and Technology; 4(2):910-919.
919