The High Intensity Gamma-ray Source (HIGS) at Duke University is an accelerator-driven Compton gamma-ray source, providing high flux gamma-ray beam from 1 MeV to 100 MeV for photo-nuclear physics research. The HIGS facility operates three accelerators, a linac pre-injector (0.16 GeV), a booster injector (0.16-1.2 GeV), and an electron storage ring (0.24-1.2 GeV). Because of proximity of the booster injector to the storage ring, the magnetic field of the booster dipoles close to the ring can significantly alter the closed orbit in the storage ring being operated in the low energy region. This type of orbit distortion can be a problem for certain precision experiments which demand a high degree of the energy consistency of the gamma-ray beam. This energy consistency can be achieved by maintaining consistent aiming of the gamma-ray beam, therefore, a steady electron beam orbit and angle at the Compton collision point. To overcome the booster leakage field problem, we have developed an orbit compensation scheme. This scheme is developed using two fast orbit correctors and implemented as a feedforward which is operated transparently together with the slow orbit feedback system. In this paper, we will describe the development of this leakage field compensation scheme, and report the measurement results which have demonstrated the effectiveness of the scheme.


翻译:杜克大学高强度伽马射线源(HIGS)是一个加速器驱动的加速器驱动的Compton伽马射线源,提供高通量伽马射线波束,从1兆V到100兆维,用于光核物理研究。HIGS设施运行三台加速器,一个螺旋前喷射器(0.16GeV),一个助推器注射器(0.16-1.2GeV)和一个电子存储圈(0.24-1.2GeV),由于助推器注射器靠近存储圈,靠近环的助推器底部磁场可以大大改变低能源区域运行的存储圈中的封闭轨道。这种轨道扭曲可能对某些精确的实验造成问题,这要求伽马射线射线能高度的能量一致性(0.16-1.2GeV),一个助推器喷射器喷射器(0.24-1.2GeV),因此在Compton碰撞点有一个稳定的电波轨道和角度。为了克服助推器渗漏场问题,我们开发了一个轨道补偿系统,这个系统将使用两种快速轨道测量系统,以透明的方式运行。这个系统,这个系统将用来测量快速测量。

0
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员