Ders 18 / 20İleri~40 dk kaldıGlenn F. Knoll (4th ed.)

Çok Kanallı Darbe Analizi

Bu bölüm, dedektör darbe genliklerinin sürekli dağılımının nasıl sayısal bir diferansiyel darbe-yükseklik spektrumuna dönüştürüldüğünü ve ardından gelen radyasyon hakkında fiziksel bilgi çıkarmak için nasıl analiz edildiğini açıklar. Önce, tek bir diferansiyel ayrımlayıcı (tek-kanallı analizör, SCA) penceresinin genlik aralığı boyunca elle adımlanarak spektrumun nokta nokta oluşturulduğu tek-kanallı yöntemler ile tüm genlik aralıklarını aynı anda ve çok daha verimli kaydeden çok-kanallı yöntemler karşılaştırılır. Çok-kanallı edinimin genel özellikleri geliştirilir: dönüşüm kazancı, kanal genişliği, integral ve diferansiyel doğrusalsızlık (DNL) ve kanal-numarasından-enerjiye kalibrasyon. Bölümün kalbi, performansını analog-sayısal dönüştürücüsünün (ADC) belirlediği çok-kanallı analizördür (MCA). İki ADC mimarisi derinlemesine incelenir: mükemmel kanal genişliği tekdüzeliği ve genliğe orantılı dönüşüm süresiyle Wilkinson (doğrusal-rampa) dönüştürücüsü ve hızlı ancak daha büyük DNL'ye sahip olup kayan-ölçek (Gatti) rastgeleleştirme tekniğiyle iyileştirilen ardışık-yaklaşım dönüştürücüsü. Ardından, darbeci ve kayıpsız sayım (Harms) yöntemleri dahil olu üzere ölü-zaman ve yığılma düzeltmeleri ele alınır. Spektrum kararlılaştırma ve yeniden konumlandırma işlenir: bir tepeyi referans kanala kilitleyen aktif geri besleme kararlılaştırıcıları ve farklı kazanç/ofset altında elde edilen spektrumları toplanabilir hale getirmek için yeniden bölme algoritmaları. Son olarak spektrum analizi yöntemleri sunulur: tepki-matrisi denkleminin dekonvolüsyonu/açılması, spektrum soyma, ikinci-fark tepe konumlandırma, süreklilik çıkarmalı tepe-alanı belirleme ve uydurulan merkez, genişlik ve alanın istatistiksel belirsizlikleri. Bu içerik, hemen hemen her modern sayısal gama-ışını ve yüklü-parçacık spektroskopisi sisteminin temelini oluşturur.

Tek-Kanallı Yöntemler

Bir diferansiyel ayrımlayıcı veya tek-kanallı analizör (SCA), bir alt-seviye ayrımlayıcı E ile bir üst seviye E + ΔE arasında dar bir kabul penceresi tanımlar. Yalnızca genliği bu pencereye düşen darbeler, bir sayaç tarafından kaydedilen bir mantık çıkışı üretir. Tam bir diferansiyel darbe-yükseklik spektrumu oluşturmak için, pencere (sabit ΔE genişliğinde) tüm genlik aralığı boyunca sırayla adımlanır ve her ayarda sayım hızı kaydedilir. Pencere konumuna karşı çizilen sayım hızı dN/dH'yi yaklaşık olarak verir. Bu seri yöntem basit ve ucuzdur ancak son derece verimsizdir: herhangi bir anda dedektör darbelerinin büyük çoğunluğu pencere dışına düşer ve atılır; bu nedenle tam bir spektrumda iyi istatistik elde etmek için ya çok uzun sayım süreleri ya da kararlı, yüksek-aktiviteli bir kaynak gerekir. Uzun edinim sırasında kazanç veya pencere konumundaki sürüklenmeler sonucu bozar. Bu sınırlamalar, çok-kanallı sistemlerin sağladığı eşzamanlı, paralel edinimi doğrudan motive eder.

single-channel analyzer (SCA)differential discriminatorlower-level discriminatorwindow width ΔEwindow steppingserial spectrum acquisitioncounting efficiency

Genel Çok-Kanallı Özellikler

Çok-kanallı sistemler her darbeyi, genliğine göre, çok sayıda bitişik bellek kanalından birine ayırır ve tüm spektrumu aynı anda kaydeder. Dönüşüm kazancı, tam genlik aralığının bölündüğü kanal sayısını (ör. 512, 1024, 2048, 4096, 8192) ve dolayısıyla kanal genişliğini belirler. Kanal numarası, neredeyse doğrusal bir kalibrasyonla enerjiye bağlanır: H = a + b·(kanal). İki temel doğrusallık ölçütü tanımlanır: kanal-genlik ilişkisinin bir doğrudan maksimum sapması olan integral doğrusalsızlık (tam ölçeğin yüzdesi olarak ifade edilir) ve kanal genişliğinin ortalaması etrafındaki kanaldan-kanala değişimi olan diferansiyel doğrusalsızlık (DNL). DNL kritiktir çünkü tekdüze olmayan kanal genişlikleri, giriş özelliksiz olsa bile düz bir spektrumda sahte yapı üretir; üreticiler bunu maksimum yüzde veya rms değeri olarak belirtir. İyi bir MCA, yüzdenin birkaç onda biri altında integral doğrusalsızlık ve yaklaşık ±%1 DNL elde eder. Bu özellikler, sistem kararlılığıyla birlikte, kaydedilen histogramın gerçek diferansiyel dağılımı ne kadar sadık temsil ettiğini belirler.

conversion gainchannel widthenergy calibrationintegral nonlinearitydifferential nonlinearity (DNL)memory channelshistogram

Çok-Kanallı Analizör

Çok-kanallı analizör (MCA); bir analog-sayısal dönüştürücü (ADC), bir adres yazmacı, bellek (kanal başına bir konum) ve ekran/kontrol mantığından oluşur. ADC, her darbe genliğine karşılık gelen adresi (kanalı) belirler ve o adresteki bellek konumu bir artırılır. İki baskın ADC mimarisi sunulur. Wilkinson (doğrusal-rampa) ADC, darbe tepesi yakalandığında başlayarak bir kondansatörü sabit akımla şarj eder ve bir karşılaştırıcı rampanın darbe genliğine eşit olduğunu algılayana kadar saat darbelerini (tipik olarak 100 MHz veya daha yüksek) sayar; biriken sayım kanala eşittir. Kanalları yüksek derecede tekdüzedir (mükemmel DNL ve doğrusallık) ancak dönüşüm süresi genlikle doğrusal artar. Ardışık-yaklaşım ADC, tutulan genliğe karşı bitleri en anlamlıdan en az anlamlıya doğru test eder; hızlı, genlikten bağımsız dönüşüm sağlar ancak karşılaştırıcı ve referans kusurlarından dolayı daha büyük DNL'ye sahiptir. Kayan-ölçek (Gatti) tekniği, dönüşümden önce rastgele bir analog ofset ekler ve sonra sayısal olarak çıkarır; tek tek kanal-genişlik hatalarını ortalayarak etkin DNL'yi çarpıcı biçimde azaltır. Dönüşüm başına ölü zaman, verim ve depolama süresi yüksek-hız performansını yönetir.

ADCWilkinson linear-ramp ADCsuccessive-approximation ADCaddress registersliding scale (Gatti) randomizationclock frequencyconversion dead timethroughput

Spektrum Kararlılaştırma ve Yeniden Konumlandırma

Uzun edinimler; tepeleri genişleten veya kaydıran sıcaklık, voltaj veya hız değişimlerinden kaynaklanan kazanç ve sıfır-ofset sürüklenmelerine maruz kalır. Aktif bir spektrum kararlılaştırıcı, bir referans tepenin konumunu algılar, bir hedefle karşılaştırır ve yükselteç kazancını (ve sintilatörler için PMT yüksek voltajını) ayarlamak için bir hata sinyalini geri besler, tepeyi sabit bir kanalda tutar. Algılama genellikle simetrik bir tepeyi kuşatan iki SCA penceresi (veya bir MCA'da iki kanal grubu) kullanır; eşit sayım hızları ortalanmayı, dengesizlik ise hata sinyalini üretir. İki tepenin -biri spektrumda düşük, biri yüksek- izlenmesi hem eğimi (kazanç) hem de kesişimi (sıfır ofset) düzeltir. Doğal tepe yoksa; bir kontrol kaynağı, bir spektrum-kenarı penceresi veya enjekte edilmiş bir darbeci tepesi referans sağlar. Yeniden konumlandırma, farklı kazanç/ofsetle alınan spektrumların birleştirilmesi veya hizalanmasını ele alır: veriler bir ana kanal ızgarasına yeniden bölünmelidir. Sürekli dağılımı yaklaşmak için M+1 kanala M dereceli bir polinom uydurulur, her yeni kanalla örtüşen alanlar ağırlık kesirleri haline gelir ve sayımlar yeniden dağıtılır. Deterministik yeniden bölme toplam sayımları korur ancak varyansı Poisson'un altına düşürür; binom örneklemesiyle stokastik yeniden bölme, geçerli uygunluk testi için Poisson istatistiklerini korur.

spectrum stabilizerfeedback looptwo-window peak sensinggain and zero-offset driftcheck source / pulser referencespectrum relocationrebinningdeterministic vs stochastic redistribution

Spektrum Analizi

Kaydedilen darbe-yükseklik spektrumu, dedektör tepki fonksiyonu R(H,E) ile gelen enerji dağılımı S(E)'nin konvolüsyonudur; ayrık MCA biçiminde N_i = Σ_j R_ij S_j. Dekonvolüsyon (açma), tepki matrisi verildiğinde ölçülen N_i'den kaynak yoğunlukları S_j'yi arar; tipik olarak ağırlıklı artıklar toplamının (ağırlıklar ∝ varyansın tersi) en-küçük-kareler minimizasyonuyla, çoğunlukla istatistiksel dalgalanmaları bastırmak için yumuşatma ile. Açma, süreklilik spektrumları (ör. proton-geri tepme nötron spektrumları, organik-sintilatör gama süreklilikleri) için gereklidir. Spektrum soyma, en yüksek enerjiden aşağıya doğru ölçeklenmiş tepki fonksiyonlarını çıkararak birkaç ayrık enerjiyi işler. Ayrık tepeli yüksek-çözünürlüklü spektrumlar (germanyum) için tam dekonvolüsyon gereksizdir: analiz tepe konumlandırma ve alan belirlemeye indirgenir. Tepe arama rutinleri veriyi yumuşatır, ardından bir tepe merkezindeki güçlü negatif ikinci farkı algılar; bir Gauss (genellikle düşük-enerjili üstel kuyruklu) uydurarak ve genişliği kontrol ederek adayları doğrular ve ikilileri yinelemeli çözer. Tepe alanı, bitişik kanallardan tahmin edilen doğrusal veya karesel bir süreklilik çıkarıldıktan sonra doğrudan toplama veya analitik-uydurma integrasyonuyla elde edilir. A alanlı saf bir Gauss tepesi için: σ_A = √A, merkez varyansı σ²/A ve YYTG varyansı W²/2A olup tüm kesirli belirsizlikler 1/√A ile ölçeklenir. Belirlenen tepe enerjileri ve verim-düzeltmeli alan oranları ardından izotop tanımlama ve şablon eşleştirmeyi yönlendirir.

response matrixdeconvolution / unfoldingleast-squares residualsspectrum strippingsecond-difference peak searchGaussian peak fittingcontinuum subtractionpeak areaisotope identificationtemplate matching

Tek-Kanallı Analizör Penceresi

Diferansiyel ayrımlayıcı kabul bandını tanımlar: H genlikli bir darbe, yalnızca alt seviye E ile üst seviye E + ΔE arasında ise bir SCA çıkışı üretir. ΔE sabit tutularak E aralık boyunca adımlanması spektrumu seri olarak oluşturur.

Temel Denklemler (16)

Tek-Kanallı Analizör Penceresi

(18.1)

E \le H < E + \Delta E

sembolanlambirim

H

Darbe genliğiV

E

Alt-seviye ayrımlayıcı ayarıV

\Delta E

Pencere (kanal) genişliğiV

Diferansiyel Darbe-Yükseklik Spektrumu

(18.2)

\left(\frac{dN}{dH}\right)_{H} \approx \frac{C(E)}{\Delta E \, t}

ΔE genişlikli bir pencerede t canlı süresinde, H genliğinde merkezlenmiş biriken ölçülen sayım C, diferansiyel dağılım dN/dH'yi yaklaşık verir. Bu, bir MCA histogramının kanal kanal tahmin ettiği niceliktir.

sembolanlambirim

dN/dH

Diferansiyel darbe-yükseklik dağılımı1/V

C(E)

E ayarındaki penceredeki sayımlar–

t

Canlı sayım süresis

Kanaldan-Enerjiye Kalibrasyon

(18.3)

E = a + b \cdot k

Kanal numarası k ile enerji E arasındaki (neredeyse) doğrusal ilişki; burada b kazanç (kanal başına enerji, eğim) ve a sıfır ofsettir (kesişim). İki bilinen referans tepesi a ve b'yi belirler; kararlılaştırıcılar bir ölçüm boyunca her ikisini sabit tutmaya çalışır.

sembolanlambirim

E

k kanalına atanan enerjikeV

k

Kanal (adres) numarası–

a

Sıfır ofset (kesişim)keV

b

Kazanç (eğim, kanal başına enerji)keV

Diferansiyel Doğrusalsızlık (DNL)

(18.4)

\mathrm{DNL} = \frac{\Delta W_{max} - \overline{\Delta W}}{\overline{\Delta W}} \times 100\%

En büyük kanal-genişliği sapmasını ortalama kanal genişliğinden nicelendirir. Tekdüze olmayan kanal genişlikleri düz bir spektruma sahte yapı ekler; bu nedenle doğru bir histogram için düşük DNL (tipik olarak ±%1 veya daha iyi) gereklidir. Kayan-ölçek tekniği etkin DNL'yi azaltır.

sembolanlambirim

\Delta W_{max}

Maksimum tekil kanal genişliğiV

\overline{\Delta W}

Ortalama kanal genişliğiV

Wilkinson ADC Dönüşüm Süresi

(18.5)

T_{conv} = T_0 + \frac{k}{f_{clk}}

Doğrusal-rampa (Wilkinson) ADC için dönüşüm süresi, sabit bir ek yük T0 artı kanal numarası k bölü saat frekansına eşittir; çünkü rampa yükselirken adres yazmacı kanal başına bir saat darbesi sayar. Bu nedenle dönüşüm süresi genlikle doğrusal artar; bu, aksi takdirde yüksek doğrusallıklı bu mimarinin temel dezavantajıdır.

sembolanlambirim

T_{conv}

Toplam dönüşüm (ölü) süresis

T_0

Sabit işleme ek yüküs

k

Kanal numarası (sayılan saat darbeleri)–

f_{clk}

Saat frekansı (ör. 100 MHz)Hz

Wilkinson Rampa Kanal Ataması

(18.6)

k = \left\lfloor \frac{f_{clk}}{S_{ramp}} \, V_{peak} \right\rfloor

Kanal k, sabit-eğimli rampa (eğim S_ramp = I/C) sıfırdan yakalanan tepe voltajı V_peak'e yükselirken sayılan saat darbelerinin sayısıdır. Rampa eğimi sabit ve hassas olduğundan kanal genişlikleri yüksek derecede tekdüzedir; bu Wilkinson ADC'lere mükemmel doğrusallık verir.

sembolanlambirim

k

Atanan kanal numarası–

V_{peak}

Yakalanan darbe tepe genliğiV

S_{ramp}

Rampa eğimi (I/C)V/s

f_{clk}

Saat frekansıHz

Kayan-Ölçek (Gatti) Rastgeleleştirmesi

(18.7)

k = \mathrm{ADC}\!\left(V_{peak} + V_{r}\right) - n_{r}

Dönüşümden önce rastgele bir analog voltaj V_r (sayısal olarak n_r kanala eşdeğer) eklenir ve sonra sayısal eşdeğer n_r çıkarılır. Böylece her gerçek genlik birçok farklı fiziksel kanaldan ölçülür; tek tek kanal-genişlik hataları ortalanır ve etkin DNL büyük ölçüde azalır - ardışık-yaklaşım ADC'leri için hayati önemdedir.

sembolanlambirim

V_{peak}

Gerçek darbe genliğiV

V_{r}

Eklenen rastgele analog ofsetV

n_{r}

V_r'nin sayısal kanal eşdeğeri, çıkarılan–

Kayıpsız Sayım (Harms) Artımı

(18.8)

\Delta m_k = 1 + N_{lost}

Kayıpsız sayımda, bir sonraki dönüştürülen darbenin bellek konumu, önceki ölü dönemde kaybedilen tahmini darbe sayısı artı bir kadar artırılır (Harms'ın en basit durumu N_lost = 1 kullanır, yani çift ağırlık). Bu, hızla değişen kaynaklar ve ~%80'e kadar ölü kesirler için bile ölü-zaman kayıpları hiç olmamış gibi toplam spektrum içeriğini korur.

sembolanlambirim

\Delta m_k

k kanalına uygulanan artım–

N_{lost}

Ölü zamanda kaybedilen tahmini darbeler–

Kararlılaştırıcı Hata Sinyali

(18.9)

\varepsilon = R_{upper} - R_{lower}

İki pencere simetrik bir referans tepeyi kuşatır. Tepe ortalandığında sayım hızları eşittir ve hata ε sıfırdır; bir kazanç sürüklenmesi hızları dengesizleştirir ve sıfırdan farklı ε, tepeyi yeniden ortalamak için yükselteç kazancını (veya PMT voltajını) ayarlamak üzere geri beslenir.

sembolanlambirim

\varepsilon

Hata sinyali1/s

R_{upper}

Üst penceredeki sayım hızı1/s

R_{lower}

Alt penceredeki sayım hızı1/s

Yeniden Bölme Ağırlık Kesri

(18.10)

f_{j'} = \frac{A_{j'}}{\sum_{m} A_{m}}, \qquad n_{j'} = f_{j'} \, n_{j}

Spektrum yeniden konumlandırma sırasında, orijinal bir kanalın n_j sayımları, uydurulan sürekli eğrinin her yeni kovaya düşen alanı A_j' ile orantılı olarak örtüşen yeni kanallara j' yeniden dağıtılır. Deterministik süreç toplam sayımları korur ancak varyansı Poisson'un altına düşürür.

sembolanlambirim

f_{j'}

Yeni kanal j'ye atanan kesir–

A_{j'}

Yeni kanal j'deki örtüşme alanı–

n_{j}

j kanalındaki orijinal sayımlar–

Dedektör Tepki Konvolüsyonu

(18.11)

\frac{dN}{dH} = \int R(H,E)\, S(E)\, dE

Ölçülen darbe-yükseklik spektrumu, dedektör tepki fonksiyonu R(H,E) ile gelen enerji dağılımı S(E)'nin konvolüsyonudur. R(H,E)dH dE, E yakınında enerjili bir kuantumun H yakınında bir darbe üretme olasılığıdır. dN/dH'den S(E)'nin geri kazanılması dekonvolüsyon (açma) problemidir.

sembolanlambirim

R(H,E)

Dedektör tepki fonksiyonu1/V

S(E)

Gelen enerji dağılımı1/keV

H

Darbe genliğiV

E

Gelen kuantum enerjisikeV

Ayrık Tepki-Matrisi Denklemi

(18.12)

N_i = \sum_{j} R_{ij}\, S_j

Konvolüsyonun ayrık (MCA) biçimi: i kanalındaki sayımlar N_i, tepki matrisi R_ij çarpı j enerji kovaları üzerinden toplanan kaynak yoğunlukları S_j'ye eşittir. M kanal ve L kaynak kovasıyla (M > L), bu, açma yoluyla S_j için çözülen aşırı-belirlenmiş bir doğrusal sistemdir.

sembolanlambirim

N_i

i kanalındaki kaydedilen sayımlar–

R_{ij}

Tepki matrisi elemanı–

S_j

j enerji kovasındaki kaynak yoğunluğu–

Ağırlıklı Artıklar Toplamı

(18.13)

\chi^2 = \sum_i W_i \left( N_i - \sum_j R_{ij} S_j \right)^2

Açma kodları, ağırlıkları W_i tipik olarak her kanalın istatistiksel varyansıyla ters orantılı olan bu ağırlıklı kare artıklar toplamını minimize ederek S_j'yi bulur. Minimizasyon, modelin veriye en-küçük-kareler uydurmasıdır; istatistiksel gürültü artışını azaltmak için sıklıkla yumuşatma uygulanır.

sembolanlambirim

\chi^2

Ağırlıklı artık toplamı–

W_i

i kanalı için ağırlık (∝ 1/varyans)–

N_i

i kanalındaki ölçülen sayımlar–

İkinci-Fark Tepe Algılayıcı

(18.14)

D_i = N_{i-1} - 2N_i + N_{i+1}

(Yumuşatılmış) kanal verilerinin ayrık ikinci farkı. Düz simetrik bir tepe, merkezinde D_i'nin büyük negatif bir sapmasını üretir; bu nedenle tepe-arama rutinleri, ek doğrulamadan önce istatistiksel olarak anlamlı negatif ikinci farkları aday tepe konumları olarak işaretler.

sembolanlambirim

D_i

i kanalındaki ikinci fark–

N_i

i kanalındaki (yumuşatılmış) sayımlar–

Gauss Tepe Modeli

(18.15)

N(k) = \frac{A}{\sigma\sqrt{2\pi}} \, \exp\!\left[-\frac{(k-k_0)^2}{2\sigma^2}\right] + B(k)

Bir fotopike uydurulan standart analitik model: A alanlı, k0 merkezli ve σ genişlikli bir Gauss, bir süreklilik B(k) (doğrusal veya karesel) üzerinde. En-küçük-kareler uydurması merkezi, genişliği (YYTG = 2.355σ) ve alanı verir; eksik yük toplama için sıklıkla düşük-enerjili üstel bir kuyruk eklenir.

sembolanlambirim

A

Net tepe alanı (sayımlar)–

k_0

Tepe merkez kanalı–

\sigma

Gauss standart sapması (genişlik)–

B(k)

Tepe altındaki süreklilik/arka plan–

Uydurulan Tepe Parametrelerinin İstatistiksel Varyansları

(18.16)

\sigma_A = \sqrt{A}, \qquad \mathrm{Var}(k_0) = \frac{\sigma^2}{A}, \qquad \mathrm{Var}(W) = \frac{W^2}{2A}

İhmal edilebilir arka plan üzerinde A alanlı saf bir Gauss tepesi için alan belirsizliği √A'dır (kesirli 1/√A), merkez varyansı σ²/A ve YYTG (W) varyansı W²/2A'dır. Tüm kesirli belirsizlikler 1/√A ile ölçeklenir; bu nedenle daha uzun sayım (daha büyük A) her üç parametreyi de keskinleştirir.

sembolanlambirim

\sigma_A

Tepe alanının standart sapması–

A

Net tepe alanı (toplam sayımlar)–

\sigma

Temeldeki Gauss genişliği–

W

Uydurulan YYTG–

Simülasyon tasarımları

SİMÜLASYON TASARIMIYÜKSEK SADAKAT

Wilkinson ve Ardışık-Yaklaşım ADC Deney Alanı

Seçilen bir spektrumdan örneklenmiş bir darbe akışını, yan yana çalışan sanal bir Wilkinson doğrusal-rampa ADC'sine ve sanal bir ardışık-yaklaşım ADC'sine enjekte edin. Wilkinson için rampanın tırmanışını ve saat darbelerinin birikmesini, SAR için bit-bit ikili aramayı izleyin. Sonuçtaki histogramları, genliğe karşı darbe başına dönüşüm (ölü) süresini ve her mimarinin kasıtlı olarak düz (beyaz) bir girişe bıraktığı diferansiyel-doğrusalsızlık desenini karşılaştırın.

GİRDİLER

ADC architecture toggle (Wilkinson | SAR | both) · Conversion gain: 512–8192 channels (discrete) · Clock frequency: 10–400 MHz · Input rate: 100–500,000 pulses/s · Comparator/reference imperfection (SAR DNL): 0–3 % per bit · Sliding-scale randomization: on/off

ÇIKTILAR

Live histogram (counts vs channel) for each ADC · Conversion-time-vs-amplitude scatter plot · DNL plot (channel-width deviation vs channel) on a flat input · Throughput / dead-fraction readout

YÖNTEMMonte Carlo pulse generation by inverse-CDF sampling of the chosen spectrum; deterministic ramp integration (k = floor(f_clk·V_peak/S_ramp)) for Wilkinson; iterative bit-trial comparison with injected per-bit reference errors for SAR; uniform random offset add/subtract for the sliding scale; histogram binning and dead-time accounting per event.

KOD KANCASIÖğrenci, çekirdek `convert(genlik) -> kanal` fonksiyonunu (ve isteğe bağlı olarak kayan-ölçek sarmalayıcısını) Rust/WASM'de uygular. Kodları, ekrandaki histogramları, DNL grafiğini ve dönüşüm-süresi saçılımını doğrudan yönlendirir; bu yüzden bir hata (ör. yuvarlama yerine kesme veya rastgele ofseti atlamak) anında sahte tarak yapısı veya yanlı kanallar olarak görünür.

SİMÜLASYON TASARIMIYÜKSEK SADAKAT

Aktif Spektrum Kararlılaştırıcı Geri Besleme Döngüsü

Programlanabilir bir kazanç/sıfır-ofset sürüklenmesi (sinüzoidal, rampa veya hız-korelasyonlu) sinyal zincirini bozarken simüle edilmiş bir germanyum gama spektrumu edinin. İki-pencereli (veya iki-tepeli) bir kararlılaştırıcıyı aç/kapat ve döngü açıkken referans tepenin yayılıp çözünürlük kaybetmesini, ardından döngü kapalıyken sabit bir kanala geri oturmasını izleyin. Pencere yerleşimini, kazanç adım boyutunu ve güncelleme aralığını ayarlayın ve izleme hızı ile kazanç-dolaşma genişlemesi arasındaki ödünleşmeyi gözlemleyin.

GİRDİLER

Drift model: sinusoidal | linear ramp | rate-correlated · Drift amplitude: 0–5 % gain, 0–10 channels offset · Stabilizer: off | single-peak | dual-peak (gain+offset) · Window half-width: 1–20 channels · Gain step per correction: 0.001–0.5 % · Update interval: 0.05–5 s

ÇIKTILAR

Live spectrum with reference peak marker · Peak centroid vs time trace (target vs actual) · Effective FWHM vs time (stabilized vs unstabilized) · Error-signal ε vs time readout

YÖNTEMEvent-driven simulation: sample photopeak + continuum events, apply time-varying gain g(t) and offset o(t), bin into channels; compute window count-rate difference ε; closed-loop proportional feedback updates g (and o for dual-peak) by the chosen step; running centroid and FWHM estimated from a least-squares Gaussian fit each interval.

KOD KANCASIÖğrenci geri besleme kontrol yasasını `update_gain(epsilon, durum) -> düzeltme` (oransal, PI veya ölü-bant) yazar. Kontrolcüleri, ekrandaki tepenin referansa ne kadar hızlı ve kararlı kilitleneceğini doğrudan belirler; çok büyük bir adım görünür kazanç dolaşması üretirken, yavaş bir yasa tepenin sürüklenip gitmesine izin verir.

SİMÜLASYON TASARIMIYÜKSEK SADAKAT

İkinci-Fark Tepe Arama ve Alan Uydurma

Gürültülü çok-tepeli germanyum-benzeri bir spektrum üretin (birkaç Gauss artı bir süreklilik ve Poisson gürültüsü, isteğe bağlı çözülmemiş ikililerle). Yumuşatın, ikinci farkı hesaplayın ve rutinin negatif sapmaları aday tepeler olarak işaretlemesini izleyin. Ardından her adayı Gauss-artı-süreklilikle uydurun ve merkez, YYTG ve net alanı istatistiksel belirsizlikleriyle okuyun - geri kazanılan değerleri gerçek değerlerle karşılaştırın.

GİRDİLER

Number of peaks: 1–10 and their energies/intensities · Total counts (statistics): 1e3–1e7 · Continuum level and slope · Smoothing kernel width: 1–15 channels · Peak-detection threshold (σ of second difference): 1–6 · Doublet spacing for a chosen pair: 0–10 channels

ÇIKTILAR

Spectrum with detected-peak markers · Second-difference trace with threshold band · Per-peak fit overlay and residuals · Table: centroid, FWHM, area ± uncertainty (√A, σ²/A, W²/2A) vs truth

YÖNTEMSynthesize spectrum by summing Gaussians + polynomial continuum and applying Poisson noise; convolve with a smoothing kernel; compute discrete second difference D_i = N_{i-1} − 2N_i + N_{i+1}; threshold against an estimated noise σ; Levenberg–Marquardt (nonlinear least squares) Gaussian-plus-linear-continuum fit per region; propagate fitted-parameter covariances and compare with the analytic √A, σ²/A, W²/2A predictions.

KOD KANCASIÖğrenci `find_peaks(spektrum, yumuşatma, eşik) -> adaylar` ve/veya uydurucuyu besleyen süreklilik-çıkarma adımını uygular. Algoritma seçimleri (çekirdek genişliği, eşik) ekranda hangi tepelerin aydınlanacağını doğrudan değiştirir - çok hassas gürültüyü sahte tepe olarak işaretler, çok kaba düşük-yoğunluklu bir çizgiyi kaçırır veya bir ikiliyi birleştirir.

Sayısal veriler

Typical conversion gains512 / 1024 / 2048 / 4096 / 8192 channelsBir MCA'nın tam genlik aralığını kapsayan seçilebilir kanal sayısı.

Wilkinson ADC clock frequency100 MHz or higherGünümüz ticari doğrusal-rampa ADC'lerini temsil eder; daha yüksek saatler dönüşüm süresini kısaltır.

Good MCA differential nonlinearity~ ±1%Kanal-genişliği tekdüzelik hedefi; Wilkinson ADC'leri ve kayan-ölçek düzeltmesiyle daha iyi.

Good MCA integral nonlinearity< few tenths of 1% of full scaleKanal-genlik ilişkisinin bir doğrudan maksimum sapması.

Loss-free counting usable dead fractionup to ~80%Harms-tipi kayıpsız sayım, hızla değişen kaynaklar için çok yüksek ölü kesirlerde bile doğru kalır.

FWHM-to-sigma relationFWHM = 2.355 σGauss genişlik parametreleri arasında dönüştürmek için tepe uydurmada kullanılır.

Representative peak-search/fit codesSAMPO, GAUSSKnoll tarafından atıfta bulunulan klasik germanyum-spektrumu tepe konumlandırma ve nicelendirme programları.

YAZILIM NOTU

Bu bölüm temelde hesaplamalıdır: dedektör elektroniğinin sayısal yöntemlerle buluştuğu yerdir. Öğrenciler iki ADC mimarisini modellemeyi öğrenir - Wilkinson doğrusal-rampa dönüştürücüsü (deterministik rampa integrasyonu ve saat sayımı) ve ardışık-yaklaşım yazmacı (kusurları DNL üreten bir ikili arama) - ve kanal-genişlik hatalarını ortalayan kayan-ölçek (Gatti) rastgeleleştirmesini uygulamayı öğrenir. Ölü-zaman muhasebesi ve kayıpsız (Harms) sayım düzeltmeleriyle histogram edinimini kodlarlar. Kararlılaştırma için öğrenciler kapalı-döngü bir sayısal kontrolcü (iki-pencereli hata sinyaliyle yönlendirilen oransal/PI geri besleme) ve polinom uydurma ile alan-ağırlıklı yeniden dağıtım kullanan bir spektrum-yeniden konumlandırma yeniden bölücüsü kurar; deterministik (varyans-azaltan) ve stokastik (Poisson-koruyan, binom-örneklenmiş) şemaları karşılaştırır. Spektrum-analizi yarısı klasik DSP ve ters problemler etrafında döner: yumuşatma çekirdekleri, ikinci-fark tepe algılayıcı, doğrusal-olmayan en-küçük-kareler Gauss-artı-kuyruk tepe uydurma (Levenberg-Marquardt), süreklilik çıkarma ve tam tepki-matrisi açma (düzenlileştirme/yumuşatmalı doğrusal en-küçük-kareler) artı spektrum soyma. Bunlar germanyum tepe analizi için SAMPO ve GAUSS gibi gerçek kodlara ve nötron/gama açma kodları ailesine doğrudan eşlenir. Uygulamalar, etkileşimli görselleştirme için bir TypeScript kullanıcı arayüzünden çağrılan sayısal yoğun çekirdekler (ADC simülasyonu, uydurma, açma) için Rust/WASM'i hedefler.

ALGORİTMALAR

Wilkinson linear-ramp ADC simulationSuccessive-approximation (binary-search) ADCSliding-scale (Gatti) DNL randomizationLoss-free (Harms) dead-time correctionClosed-loop PI gain stabilizationPolynomial-fit rebinning (deterministic & stochastic/binomial)Smoothing + second-difference peak searchLevenberg–Marquardt Gaussian peak fittingLinear least-squares response-matrix unfoldingSpectrum stripping

DİLLER

Rust/WASMTypeScript

İlgili simülasyon

Öğrenci bir ortalama sayım hızı ve bir sayım süresi belirler, sonra benzetilmiş tekrarlı ölçümlerin histogramını gerçek zamanlı oluşurken izler. Üstüne kesin Poisson PMF ve Gauss yaklaşımı bindirilir. Ortalama ~30'u geçtikçe Poisson'un çarpıklığı kaybolur ve iki eğri birleşir; canlı okuma deneysel ortalama, örnek varyansı ve sqrt(ortalama) gösterir ve varyans = ortalama eşitliğini sergiler.

İlgili simülasyonu aç

← Önceki

Darbe Şekillendirme, Sayma ve Zamanlama

Çeşitli Dedektör Tipleri

Ders 18 / 20İleri~40 dk kaldıGlenn F. Knoll (4th ed.)

Çok Kanallı Darbe Analizi

Tek-Kanallı Yöntemler

single-channel analyzer (SCA)differential discriminatorlower-level discriminatorwindow width ΔEwindow steppingserial spectrum acquisitioncounting efficiency

Genel Çok-Kanallı Özellikler

conversion gainchannel widthenergy calibrationintegral nonlinearitydifferential nonlinearity (DNL)memory channelshistogram

Çok-Kanallı Analizör

ADCWilkinson linear-ramp ADCsuccessive-approximation ADCaddress registersliding scale (Gatti) randomizationclock frequencyconversion dead timethroughput

Spektrum Kararlılaştırma ve Yeniden Konumlandırma

spectrum stabilizerfeedback looptwo-window peak sensinggain and zero-offset driftcheck source / pulser referencespectrum relocationrebinningdeterministic vs stochastic redistribution

Spektrum Analizi

Tek-Kanallı Analizör Penceresi

Temel Denklemler (16)

Tek-Kanallı Analizör Penceresi

(18.1)

E \le H < E + \Delta E

sembolanlambirim

H

Darbe genliğiV

E

Alt-seviye ayrımlayıcı ayarıV

\Delta E

Pencere (kanal) genişliğiV

Diferansiyel Darbe-Yükseklik Spektrumu

(18.2)

\left(\frac{dN}{dH}\right)_{H} \approx \frac{C(E)}{\Delta E \, t}

sembolanlambirim

dN/dH

Diferansiyel darbe-yükseklik dağılımı1/V

C(E)

E ayarındaki penceredeki sayımlar–

t

Canlı sayım süresis

Kanaldan-Enerjiye Kalibrasyon

(18.3)

E = a + b \cdot k

sembolanlambirim

E

k kanalına atanan enerjikeV

k

Kanal (adres) numarası–

a

Sıfır ofset (kesişim)keV

b

Kazanç (eğim, kanal başına enerji)keV

Diferansiyel Doğrusalsızlık (DNL)

(18.4)

\mathrm{DNL} = \frac{\Delta W_{max} - \overline{\Delta W}}{\overline{\Delta W}} \times 100\%

sembolanlambirim

\Delta W_{max}

Maksimum tekil kanal genişliğiV

\overline{\Delta W}

Ortalama kanal genişliğiV

Wilkinson ADC Dönüşüm Süresi

(18.5)

T_{conv} = T_0 + \frac{k}{f_{clk}}

sembolanlambirim

T_{conv}

Toplam dönüşüm (ölü) süresis

T_0

Sabit işleme ek yüküs

k

Kanal numarası (sayılan saat darbeleri)–

f_{clk}

Saat frekansı (ör. 100 MHz)Hz

Wilkinson Rampa Kanal Ataması

(18.6)

k = \left\lfloor \frac{f_{clk}}{S_{ramp}} \, V_{peak} \right\rfloor

sembolanlambirim

k

Atanan kanal numarası–

V_{peak}

Yakalanan darbe tepe genliğiV

S_{ramp}

Rampa eğimi (I/C)V/s

f_{clk}

Saat frekansıHz

Kayan-Ölçek (Gatti) Rastgeleleştirmesi

(18.7)

k = \mathrm{ADC}\!\left(V_{peak} + V_{r}\right) - n_{r}

sembolanlambirim

V_{peak}

Gerçek darbe genliğiV

V_{r}

Eklenen rastgele analog ofsetV

n_{r}

V_r'nin sayısal kanal eşdeğeri, çıkarılan–

Kayıpsız Sayım (Harms) Artımı

(18.8)

\Delta m_k = 1 + N_{lost}

sembolanlambirim

\Delta m_k

k kanalına uygulanan artım–

N_{lost}

Ölü zamanda kaybedilen tahmini darbeler–

Kararlılaştırıcı Hata Sinyali

(18.9)

\varepsilon = R_{upper} - R_{lower}

sembolanlambirim

\varepsilon

Hata sinyali1/s

R_{upper}

Üst penceredeki sayım hızı1/s

R_{lower}

Alt penceredeki sayım hızı1/s

Yeniden Bölme Ağırlık Kesri

(18.10)

f_{j'} = \frac{A_{j'}}{\sum_{m} A_{m}}, \qquad n_{j'} = f_{j'} \, n_{j}

sembolanlambirim

f_{j'}

Yeni kanal j'ye atanan kesir–

A_{j'}

Yeni kanal j'deki örtüşme alanı–

n_{j}

j kanalındaki orijinal sayımlar–

Dedektör Tepki Konvolüsyonu

(18.11)

\frac{dN}{dH} = \int R(H,E)\, S(E)\, dE

sembolanlambirim

R(H,E)

Dedektör tepki fonksiyonu1/V

S(E)

Gelen enerji dağılımı1/keV

H

Darbe genliğiV

E

Gelen kuantum enerjisikeV

Ayrık Tepki-Matrisi Denklemi

(18.12)

N_i = \sum_{j} R_{ij}\, S_j

sembolanlambirim

N_i

i kanalındaki kaydedilen sayımlar–

R_{ij}

Tepki matrisi elemanı–

S_j

j enerji kovasındaki kaynak yoğunluğu–

Ağırlıklı Artıklar Toplamı

(18.13)

\chi^2 = \sum_i W_i \left( N_i - \sum_j R_{ij} S_j \right)^2

sembolanlambirim

\chi^2

Ağırlıklı artık toplamı–

W_i

i kanalı için ağırlık (∝ 1/varyans)–

N_i

i kanalındaki ölçülen sayımlar–

İkinci-Fark Tepe Algılayıcı

(18.14)

D_i = N_{i-1} - 2N_i + N_{i+1}

sembolanlambirim

D_i

i kanalındaki ikinci fark–

N_i

i kanalındaki (yumuşatılmış) sayımlar–

Gauss Tepe Modeli

(18.15)

N(k) = \frac{A}{\sigma\sqrt{2\pi}} \, \exp\!\left[-\frac{(k-k_0)^2}{2\sigma^2}\right] + B(k)

sembolanlambirim

A

Net tepe alanı (sayımlar)–

k_0

Tepe merkez kanalı–

\sigma

Gauss standart sapması (genişlik)–

B(k)

Tepe altındaki süreklilik/arka plan–

Uydurulan Tepe Parametrelerinin İstatistiksel Varyansları

(18.16)

\sigma_A = \sqrt{A}, \qquad \mathrm{Var}(k_0) = \frac{\sigma^2}{A}, \qquad \mathrm{Var}(W) = \frac{W^2}{2A}

sembolanlambirim

\sigma_A

Tepe alanının standart sapması–

A

Net tepe alanı (toplam sayımlar)–

\sigma

Temeldeki Gauss genişliği–

W

Uydurulan YYTG–

Simülasyon tasarımları

SİMÜLASYON TASARIMIYÜKSEK SADAKAT

Wilkinson ve Ardışık-Yaklaşım ADC Deney Alanı

GİRDİLER

ÇIKTILAR

Live histogram (counts vs channel) for each ADC · Conversion-time-vs-amplitude scatter plot · DNL plot (channel-width deviation vs channel) on a flat input · Throughput / dead-fraction readout

SİMÜLASYON TASARIMIYÜKSEK SADAKAT

Aktif Spektrum Kararlılaştırıcı Geri Besleme Döngüsü

GİRDİLER

ÇIKTILAR

Live spectrum with reference peak marker · Peak centroid vs time trace (target vs actual) · Effective FWHM vs time (stabilized vs unstabilized) · Error-signal ε vs time readout

SİMÜLASYON TASARIMIYÜKSEK SADAKAT

İkinci-Fark Tepe Arama ve Alan Uydurma

GİRDİLER

ÇIKTILAR

Spectrum with detected-peak markers · Second-difference trace with threshold band · Per-peak fit overlay and residuals · Table: centroid, FWHM, area ± uncertainty (√A, σ²/A, W²/2A) vs truth

Sayısal veriler

Typical conversion gains512 / 1024 / 2048 / 4096 / 8192 channelsBir MCA'nın tam genlik aralığını kapsayan seçilebilir kanal sayısı.

Wilkinson ADC clock frequency100 MHz or higherGünümüz ticari doğrusal-rampa ADC'lerini temsil eder; daha yüksek saatler dönüşüm süresini kısaltır.

Good MCA differential nonlinearity~ ±1%Kanal-genişliği tekdüzelik hedefi; Wilkinson ADC'leri ve kayan-ölçek düzeltmesiyle daha iyi.

Good MCA integral nonlinearity< few tenths of 1% of full scaleKanal-genlik ilişkisinin bir doğrudan maksimum sapması.

Loss-free counting usable dead fractionup to ~80%Harms-tipi kayıpsız sayım, hızla değişen kaynaklar için çok yüksek ölü kesirlerde bile doğru kalır.

FWHM-to-sigma relationFWHM = 2.355 σGauss genişlik parametreleri arasında dönüştürmek için tepe uydurmada kullanılır.

Representative peak-search/fit codesSAMPO, GAUSSKnoll tarafından atıfta bulunulan klasik germanyum-spektrumu tepe konumlandırma ve nicelendirme programları.

YAZILIM NOTU

ALGORİTMALAR

DİLLER

Rust/WASMTypeScript

İlgili simülasyon

İlgili simülasyonu aç

← Önceki

Darbe Şekillendirme, Sayma ve Zamanlama

Çeşitli Dedektör Tipleri