Speaker
Description
I Resistive Plate Chambers (RPC) sono rivelatori a gas ampiamente utilizzati nei principali esperimenti del CERN come sistemi di trigger per i muoni, grazie alla loro eccellente risoluzione temporale e spaziale, nonché alla loro economicità. Il loro funzionamento si basa su processi di moltiplicazione a valanga che avvengono in sottili gap di gas sottoposti a forti campi elettrici; di conseguenza, le prestazioni del rivelatore dipendono in modo significativo sia dalla tensione applicata sia dalla composizione della miscela di gas. In particolare, la curva di efficienza in funzione della tensione rappresenta un osservabile chiave per l’ottimizzazione, la stabilità e il funzionamento a lungo termine dei sistemi RPC. Le miscele di gas tradizionalmente impiegate negli RPC includono gas serra caratterizzati da un elevato Global Warming Potential (GWP), come R134a e SF₆, con valori di GWP rispettivamente pari a 1430 e 22800. Questi gas intrappolano grandi quantità di calore nell’atmosfera e contribuiscono in modo significativo al riscaldamento globale. Durante il Run 2 di LHC, circa l’85% delle emissioni di gas serra legate ai rivelatori del CERN è stato attribuito ai sistemi RPC, principalmente a causa delle perdite di gas. Inoltre, tali gas sono soggetti a regolamentazioni europee sempre più stringenti, che mirano a limitarne progressivamente l’uso fino alla loro completa eliminazione dal mercato entro il 2050. Affrontare questa problematica è quindi fondamentale per garantire la sostenibilità a lungo termine dei sistemi di rivelazione basati su RPC. Per ridurre l’impatto ambientale preservando al contempo le prestazioni dei rivelatori, il CERN ha implementato diverse strategie, tra cui studi sperimentali volti alla ricerca di miscele di gas alternative a basso GWP. Queste alternative si basano sull’utilizzo di idrofluoroolefine (HFO), con valori di GWP fino a 6, e di CO₂ (GWP = 1) in sostituzione dell’R134a, nonché del Novec 4710 (GWP ≈ 2100) come sostituto dell’SF₆. In questo contesto, il presente lavoro esplora un approccio basato sul machine learning per modellare e predire le curve di efficienza degli RPC utilizzando miscele di gas a basso impatto ambientale. I dati di performance raccolti durante campagne di test beam presso la Gamma Irradiation Facility (GIF++) del CERN sono stati utilizzati per addestrare una rete neurale densa. Il dataset è composto da misure di efficienza ottenute per 16 diverse miscele di gas, ciascuna caratterizzata da 10 punti di tensione operativa. Il modello utilizza come input la tensione applicata, la composizione della miscela di gas e parametri chimici rilevanti dei singoli componenti, e restituisce in output l’efficienza attesa del rivelatore. I risultati preliminari mostrano un buon accordo tra le curve di efficienza predette e i dati sperimentali quando i componenti del gas e le loro concentrazioni rientrano nell’intervallo di addestramento, dimostrando la capacità del modello di interpolare all’interno dello spazio dei parametri esplorato. Tuttavia, la rete neurale non è attualmente in grado di predire accuratamente l’efficienza degli RPC per miscele contenenti componenti non presenti nel dataset di addestramento, evidenziando le limitazioni intrinseche dell’estrapolazione e la necessità di strategie per migliorare la capacità di generalizzazione del modello. Oltre allo studio di miscele di gas ecologiche, lo sviluppo di un approccio basato su machine learning e simulazione risulta particolarmente rilevante in vista della prossima fase di Long Shutdown di LHC, durante la quale l’accesso ai rivelatori e le campagne sperimentali saranno fortemente limitati. Un modello predittivo affidabile può supportare studi offline delle prestazioni dei rivelatori, consentendo l’ottimizzazione dei parametri operativi.