MétaCan
Menu
Retour à la cohorte
Enregistrement W4403118352 · doi:10.1016/j.nima.2024.169935

Evaluation of DSRD-based pulsers for a Dielectric Wall Accelerator

2024· article· en· W4403118352 sur OpenAlexafffund
Julien Bancheri, Andrew Currell, A. Krasnykh, Morgan J. Maher, C. Lund, Alaina Bui, Jan Seuntjens

Notice bibliographique

RevueNuclear Instruments and Methods in Physics Research Section A Accelerators Spectrometers Detectors and Associated Equipment · 2024
Typearticle
Langueen
DomaineEngineering
ThématiquePulsed Power Technology Applications
Établissements canadiensPrincess Margaret Cancer CentreMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésDielectricPhysicsElectrical engineeringAtomic physicsEngineering

Résumé

récupéré en direct d'OpenAlex

Silicon (Si) drift step recovery diodes (DSRD) are opening switches that form the basis for nanosecond-scale high voltage (HV) pulsers. These pulsers are crucial to the operation of a dielectric wall accelerator (DWA), a compact particle accelerator design for proton beam radiation therapy. For the DWA to operate properly, the pulser must generate HV pulses with fast rise times and widths on the order of 1 ns at an operating frequency above 1 kHz. Several pulser designs are available that can optimally drive DSRDs. The purpose of this study is to investigate the capabilities of two DSRD-based pulsers in the context of the DWA and the required pulse parameters. The first pulser is based on a magnetic saturation transformer (MST) and a DRSD. The second pulser considered is a multi-module MOSFET-DSRD-based pulser. Additionally, Sentaurus TCAD simulations are used to study the influence of the Si DSRD doping profile on the output pulse shape. The MST-DSRD-based pulser is able to generate higher amplitude pulses than the MOSFET-DSRD-based pulser with a single module (9645 V and 1807 V, respectively). However, the multi-module MOSFET-DSRD-based pulser achieves the maximum pulse amplitude (10.9 kV) compared to MST-DSRD-based pulser (9645 V). The MOSFET-DSRD-based pulser also generates pulses with shorter pulse widths compared to the MST-DSRD-based pulser (minimum of 3 ns vs. minimum of 8.36 ns, respectively). With no compression stage, the MOSFET-DSRD-based pulser (with more than one module) generates pulses with consistently faster rise times ( ≤ 3.06 ns) compared to the MST-DSRD-based pulser ( ≤ 4.31 ns). With a compression stage, the rise times were comparable between the two pulsers (MOSFET-DSRD: 1.66 ns and MST-DSRD: 1.48 ns). Both pulsers are able to operate at 1 kHz and the MOSFET-DSRD-based pulser up to 10 kHz. Parasitic capacitance and coupling between modules of the MOSFET-DSRD-based pulser affect the pulse through their influence on the forward and reverse pumping duration. Simulations show that the p region of the DSRD should be larger than the n doped region. Simulations including a parasitic capacitance, modelling the electrical connections to the DSRD, reduce the pulse amplitude. Simulations of the pulsers incorporating SiC DSRDs show a reduction in the pulse amplitude and a widening of the pulse width in comparison to the Si DSRDs. • DSRD-based pulsers are suitable for use with the dielectric wall accelerator. • A multi-module MOSFET-DSRD-based pulser generates short width, high voltage pulses. • The junction depth of the DSRD doping should be optimized for higher quality pulses. • SiC DSRDs may limit the pulse amplitude and increase the pulse width relative to Si.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,069
Tête enseignante GPT0,403
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNuclear Instruments and Methods in Physics Research Section A Accelerators Spectrometers Detectors and Associated EquipmentMême sujetPulsed Power Technology ApplicationsTravaux en français237 207