argo实验中膝区原初宇宙线成分分辨方法分析

《argo实验中膝区原初宇宙线成分分辨方法分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、优秀毕业论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：望趁毖逛日关于学位论文使用授权的声明本人同意学校保留或向国家有关部门或机构送交论文的印刷件和电子版，允许论文被查阅和借阅：本人授权山东大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印

2、、缩印或其他复制手段保存论文和汇编本学位论文。(保密论文在解密后应遵守此规定)论文作者签名弋丝壹丝导师签名：世丝日期：堡鲨!兰：么多精品参考文献资料优秀毕业论文山东大学博士学位论文摘要宇宙线(来自宇宙空间的质子和原子核)的能谱遵循负幂律：a；v／aeocEr，但在能量约为4PeV附近，宇宙线的全粒子能谱有明显的拐折，幂指数由芦2．7变为1，≈一3．1，形成所谓的“膝一结构，对应的能区称为“膝”区。虽然实验上已经观测到这一结构，但是它的成因还不能确定。为解释宇宙线能谱的这一特殊结构，人们提出了多个

3、理论模型。某些模型认为，“膝"结构起因于宇宙线的加速和传播过程，是宇宙线能谱的内禀特性；而另外一些模型认为，在超高能下新的强相互作用机制的出现导致了“膝一区的形成。大多数的理论模型可很好地解释实验所观测到的宇宙线全粒子能谱，但所预言的“膝’’区宇宙线各个分成分的能谱却存在着很大的差异。因此在实验上精确测量“膝"区原初宇宙线的分成分能谱对于了解甚高能宇宙线的起源、加速和传播机制具有重要的意义。由于宇宙线流强随能量急剧下降，超高能的宇宙线粒子已经不能通过高空气球实验或卫星实验来进行直接观测，只能利用

4、位于地面的探测器阵列通过广延空气簇射(ExtensiveAirShover，EAS)过程进行间接的测量。如何有效地区分由不同的原初宇宙线粒子所引起的空气簇射是利用地面实验进行“膝一区物理研究的关键。这一方面要求探测器阵列本身能够提供尽可能多的有关EAS的实验信息，另一方面需要在数据分析过程中采用有效的分辨由各种原初粒子所引起的空气簇射的方法。中意合作ARGO-YBJ实验是位于我国西藏羊八井宇宙线观测站(大气深度6069／cm2，海拔高度4300m)的广延大气簇射地面探测实验，该实验采用了由阻性板

5、计数器(ResistivePlateChamber，RPC)所组成的“地毯式"探测器阵列，具有高的覆盖率(90％以上)和很好的时间、空间分辨率的特性，可以对到达阵列的EAS粒子的时间和空间分布进行较为细致的测量，探测器信号的模拟读出使得阵列的观测能区可以涵盖“膝”区；另外ARGO-YBJ实验阵列处于由“膝’’区原初宇宙线粒子所引起的空气簇射的纵向发展极大区域，簇射大小的涨落小且几乎与原初粒子的种类无关，利用该实验的观测信息可以较精确地测量原初粒子的能量。这些特点使得ARGO-YBJ实验在分辨“膝

6、"区原初粒子种类和重建原初粒子能量上具有优势，如果再配以有效的数据分析方法，有望得到较精5精品参考文献资料优秀毕业论文山东大学博士学位论文确的“膝”区原初粒子的分成分能谱，进而为解决“膝一区物理问题提供可靠的实验数据。本文的目的就是针对ARGO-YBJ实验阵列的特点，利用MonteCarlo模拟数据寻找可有效地区分由不同的原初粒子所引起的空气簇射的方法，并研究测量“膝"区原初粒子分成分能谱的可行性。在本工作中，首先利用CORSIKA程序进行了EAS模拟。为了估计强相互作用模型对分辨结果的影响，在

7、EAS数据模拟中选用了两种最具代表性且与实验结果符合较好的强相互作用模型：QGSJET-II和SIBYLL。利用这两种强相互作用模型，细致地模拟了能量在IOOTeV-IOPeV之间的不同原初宇宙线粒子(质子，He核，CNO核，Mg—Si核，铁核)所引起的EAS过程。利用以GEANT3为基础的探测器模拟程序模拟了EAS次级粒子在ARGO探测器中的传输过程和探测器的响应，获得了具有足够统计量的MonteCarlo模拟数据。利用这些模拟数据分析了由不同的原初粒子所引起的簇射中次级粒子的时间、空间分布特

8、征，得到了平均横向分布宽度、80％半径P-m、芯位区域与Rm区域粒子密度之比Ratio舳、簇射前锋面斜率Sf．mm等几个可以描述不同簇射的次级粒子时间一空间分布的差异的特征量。将这些特征量作为人工神经网络的输入量，进行了多参数分析。训练所得的神经网络可以对原初质子成分做出有效识别。为了研究不同强相互作用模型对网络分辨效率的影响，分别利用两种强相互作用模型数据训练、测试了神经网络，并进行了交叉检验(利用一种模型数据训练所得的神经网络对另一种模型的数据进行分辨)。结果表明：人工神经网络挑选效果