UaEN – UAZ

Reporte No. 007/MMC-01/0729012012

Enero 2012

El método Monte Carlo

Dr. Héctor René Vega-Carrillo

Unidad Académica de Estudios Nucleares de la Universidad Autónoma de Zacatecas

C. Ciprés # 10
Fracc. La Peñuela
98068 Zacatecas, Zac
Buzón electrónico: fermineutron@yahoo.com
Portal: http://www.uaz.edu.mx/neutron/fermi.html

i
 Contenido

1. INTRODUCCIÓN ....................................................................................................... 1
2. LA ECUACIÓN DE TRANSPORTE ........................................................................... 4
2.1. Métodos de solución de la Ecuación de Transporte ................................. 5
3. MÉTODOS MONTE CARLO...................................................................................... 6
3.1. Usos diversos del Método Monte Carlo ...................................................... 8
3.1.1. Integrando con el método Monte Carlo .................................................... 9
3.1.1.1. Método 1: Usando Monte Carlo para obtener el valor del área ......... 10
3.1.1.2. Método 2: Usando Monte Carlo para obtener el valor del área ......... 10
Problemas ........................................................................................................... 13
3.1.2 La aguja de Buffón ................................................................................... 14
Experimento ........................................................................................................ 19
3.1.2 Otro método para estimar el valor de  .................................................. 19
Problema ............................................................................................................. 21
Experimento ........................................................................................................ 21
4. PRIMEROS USOS DEL MONTE CARLO EN LAS CIENCIAS NUCLEARES ...... 22
5. NÚMEROS ALEATORIOS....................................................................................... 24
Problemas ........................................................................................................... 26
6. CARACTERÍSTICAS DEL CÓDIGO MCNP ............................................................ 28
6.1 Ejecución del MCNP ..................................................................................... 29
6.2 Modelización con MCNP .............................................................................. 31
6.3 Visualización del modelo generado ............................................................ 43
Experimentos Monte Carlo ................................................................................ 47
7. CONCLUSIONES .................................................................................................... 49
REFERENCIAS ............................................................................................................ 51

i
 Índice de figuras

Figura 1.- Sistema coordenado de espacio-fase 4

Figura 2.- Trazo de la función y = x2 9

Figura 3.- Trazo de la función y = x2 11

Figura 4.- Par ordenado obtenido a partir del primer número aleatorio para x 12

Figura 5.- Posibilidades de la comparación entre el valor de y1 y el valor de Y1 13

Figura 6.- La aguja de Buffón 15

Figura 7.- Trazo de la función (L/2) Sen  inscrita en el rectángulo (L/2) () 16

Figura 8.- Trazo de pocos puntos trazados al azar 17

Figura 9.- Trazo de un mayor número de puntos 17

Figura 10.- Trazo de un número muy grande de puntos 18

Figura 11.- Círculo, de radio R, inscrito en el rectángulo de lado 2 R 20

Figura 12.- Distribución de la probabilidad de los números aleatorios 25

Figura 13.- Superficies 33

Figura 14.- Espectros de Evaporación para diferentes temperaturas 37

Figura 15.- Imágenes generada por el MCNP del modelo de un problema 44

Figura 16.- Modelo de un Ciclotrón 44

Figura 17.- Dos vistas, frente y perfil, del mismo modelo trazadas con el MCNP 45

Figura 18.- Modelo de la plataforma de irradiación 46

Figura 19.- Plataforma de irradiación de la Universidad Politécnica de Madrid 47

Índice de tablas

Tabla 1.- Información para definir las superficies en el MCNP 32

Tabla 2.- Contabilizadores para fotones usados en el MCNP 40

ii
 Resumen

Se presentan los elementos de los Métodos Monte Carlo, así como los
fundamentos del uso del código MCNP para el cálculo del transporte de
partículas. En los últimos 20 años el desarrollo tecnológico ha permitido contar
con sistemas de cómputo más rápidos y a costos más accesibles, situación que
junto con el mejoramiento en el conocimiento de la composición elemental de
diversas matrices permiten utilizar de manera cotidiana los métodos Monte
Carlo en la solución de problemas relacionados con el transporte de partículas.
Hoy día no se concibe la formación de un profesional de las Ciencias Nucleares
sin los elementos que le permita utilizar estos métodos en el planteamiento y la
solución de problemas. El código MCNP es uno de los más antiguos y
eficientes, situación por la cuál sus resultados han sido validados en diversas
situaciones y casos. Este código se actualiza y mejora en forma constante.
Actualmente la versión mas reciente se conoce como mcnp5, que contiene dos
códigos el mcnp y el mcnpx. El primero permite hacer cálculos con neutrones
de hasta 20 MeV, mientras que el segundo código permite manejar neutrones
de hasta 150 MeV. Como parte de las actividades académicas del Cuerpo
Académico de Radiobiología se ha desarrollado estas notas con el fin de
contribuir al aprendizaje de los fundamentos del método Monte Carlo, así como
al desarrollo de las competencias necesarias del uso y aplicación del código
MCNP en el modelado de problemas, simulación del transporte de radiación y
el cálculo de la energía absorbida en la materia aplicado a la Espectrometría y
la Dosimetría de fotones, neutrones y electrones.

Dr. Héctor René VEGA-CARRILLO

Zacatecas, Zac.
D/28-Enero/2012

iii
1. INTRODUCCIÓN

En 1872 Ludwig Boltzmann se enfrentó a la necesidad de calcular el

coeficiente de autodifusión de un medio gaseoso. En la búsqueda de la
solución supuso que las moléculas del gas se comportaban como esferas
elásticas. Al hacer un balance de las partículas en una región del espacio
obtuvo una ecuación integro-diferencial, que hoy se conoce como la ecuación
de Transporte de Boltzmann. [Lachish 1978]

La ecuación de Boltzmann pasó a formar parte de la teoría de la Física

que se consideró terminada cuando H. Hertz obtuvo la evidencia experimental
de la existencia y propiedades de las ondas electromagnéticas predichas por
Maxwell; y que pasaba a unificar la Óptica con la Física Newtoniana. En ese
momento de la historia de la Ciencia se llegó a pensar que el estudio de la
Física había culminado ya que existía un cuerpo teórico completo a través del
cual todos los hechos se podían explicar, ese cuerpo teórico se sustentaba en
las ecuaciones de Newton.

Sin embargo existían tres problemas que la Física Newtoniana no podía

explicar satisfactoriamente: El problema del cuerpo negro, o la catástrofe
ultravioleta, la ausencia de evidencia experimental de la existencia del éter y la
falla de la teoría electromagnética para explicar el efecto fotoeléctrico.

A finales de 1900 Max Planck, durante el congreso de la Sociedad

Alemana de Física, presentó un trabajo donde en forma satisfactoria resolvía el
problema del cuerpo negro. Para esto, estableció que las transiciones
energéticas se realizan en forma discreta y no en forma continua. Con este
nuevo paradigma y la solución del problema nacía la Física Moderna.

1
 En 1887 Michelson y Morley realizaron diversos experimentos tendientes
a demostrar la existencia del Éter motivados por la necesidad de explicar el
fenómeno de la aberración estelar. Este medio ya había sido postulado por
Aristóteles como el medio material que componía al mundo supralunar,
mientras que el mundo sublunar estaba compuesto por los átomos de
Demócrito: Fuego, Aire, Tierra y Agua. Durante la edad media el éter se
conoció también como el Quinto Elemento.

Para explicar la existencia de las ondas electromagnéticas el éter fue

utilizado por Maxwell como el medio que se perturba para que estas ondas se
propaguen. Sin embargo, la evidencia experimental demostró que el éter no
existía.

En 1905 A. Einstein utilizó los postulados de Planck para explicar

exitosamente el efecto Fotoeléctrico, que Hertz había encontrado varios años
antes. En otra de sus publicaciones Einstein, aportó evidencia sobre la
existencia de los átomos al explicar el movimiento Browniano y sacudió los
cimientos de la Física Newtoniana al establecer la Relatividad Restringida (o
Especial), donde el tiempo, la masa y la dimensión de un cuerpo variaban en
función de su velocidad, a diferencia de la Física Clásica que los consideraba
inmutables. Todos estos hechos, se dieron en el marco de varios
descubrimientos como los rayos X por Roentgen y el fenómeno de la
radiactividad por parte de Becquerel.

Al intentar entender el transporte de la radiación, la ecuación de

Boltzman fue utilizada y se buscaron métodos para resolverla. Estos intentos
se impulsaron en la época de los años 40 durante el desarrollo del proyecto
Manhattan, cuyo fin era fabricar la bomba atómica. [Metropolis 1987] Además
de las dificultades tecnológicas asociadas, estaba la ausencia de datos
confiables y métodos para resolver lo problemas asociados a determinar la
masa crítica. En la búsqueda de métodos confiables para estimar la masa

2
crítica se utilizaron los métodos Monte Carlo, aunque en la historia de la
humanidad estos métodos habían sido utilizados siglos atrás, pero el nombre
de Monte Carlo no se dio sino hasta 1949 en que se publicó el primer artículo
con este nombre. [Metropolis and Ulam 1949]

3
2. LA ECUACIÓN DE TRANSPORTE

En el análisis del transporte de la radiación la ecuación el parámetro más

importante es el flujo, (r, , E, t), que es una función que depende de 8
variables, tres implícitas en el vector de posición r, tres en el vector de
dirección, , y otras dos en los parámetros escalares de energía, E, y tiempo, t.
En cualquier instante de tiempo y para partículas cuya energía se encuentra
entre E y E+dE, las variables que definen el flujo se muestran en la figura 1,
que se conoce como sistema coordenado de espacio-fase. [Schaeffer 1973;
Lewis and Miller 1993]

Figura 1.- Sistema coordenado de espacio-fase

4
 En este sistema, el flujo es el número de partículas por unidad de área y
de tiempo que se encuentran un en la posición r = f(r, o, o), y cuyas energías
están entre E y E+dE y que se mueven a lo largo del ángulo sólido 
comprendido entre  y +d.

Haciendo un balance, en estado estacionario, de las partículas que

entran y salen del dV se obtiene la ecuación de transporte de Boltzmann,
[Schaeffer 1973; Lewis and Miller 1993]

    
  s(r , E´) p( E´ E, ´ ) (r , , E´) d´dE  S (r , , E ) 
E´ ´ (1)
    
    (r , , E )   (r , E )(r , , E )  0

t

2.1. Métodos de solución de la Ecuación de Transporte

Esta ecuación no puede resolverse en forma exacta, es decir no tiene

solución analítica, sin embargo existen varios métodos numéricos de solución
como el método de los Armónicos Esféricos, Ordenadas Discretas (o método
Sn), Método de Momentos, la Teoría de la Difusión, etc. Existen códigos que se
han desarrollado y que utilizan estos métodos de solución. A este conjunto de
soluciones numéricas se les denomina Deterministas. [Sangren 1960;
Schaeffer 1973; Lewis and Miller 1993]

Otro método para resolver la Ecuación de Transporte caen en la

categoría de métodos No deterministas (o probabilísticos) que se basan en el
uso de números aleatorios que permiten simular el transporte de las partículas,
como los métodos Monte Carlo. [Sangren 1960; Lamarsch 1966; Schaeffer
1973; Lewis and Miller 1993]

5
3. MÉTODOS MONTE CARLO

Los métodos Monte Carlo se utilizan vastamente para calcular el

transporte de radiación en la materia. Los métodos Monte Carlo también se
utilizan para determinar el Kerma, (K), las dosis absorbida (D), personal (Hp) y
equivalente (H) y equivalente ambiental (H*(10)) depositadas por fuentes
internas y externas de radiación, así como en el diseño y verificación de
blindajes. [Harmon et al. 1994; Briesmesiter 2000]

El método Monte Carlo se considera un método experimental más que

un método numérico ya que se realiza un modelo sobre el cuál se transportan
las partículas tal y como ocurre en la naturaleza. El transporte se hace
utilizando funciones de distribución que describen los diferentes procesos
involucrados en el transporte de las partículas. Estas funciones de distribución
son muestreadas al azar utilizando números aleatorios. Después de simular el
transporte de un número grande de partículas, en el Monte Carlo se obtienen
valores promedio de los procesos. En contraparte a los métodos Monte Carlo
se utilizan métodos numéricos con el fin de obtener soluciones exactas de la
ecuación de transporte.

Por el grado de dificultad, y en la mayoría de los casos la imposibilidad,

de obtener soluciones exactas de la ecuación de transporte mediante diversas
simplificaciones se resuelven versiones más simples.

Algunas de las simplificaciones que se utilizan son suponer pocas

regiones, donde cada región está compuesta por medios homogéneos, las
energías se aglutinan en pequeños grupos, se usan una o dos dimensiones y la
distribución angular de las partículas se describe utilizando series y se identifica
como una función. Cada simplificación conduce a un método numérico
particular.

6
 Los métodos Monte Carlo se utilizan para obtener una simulación
detallada del transporte de la radiación ionizante a través de la materia. Existen
dos formas de aplicar el Monte Carlo, de ahí el nombre de métodos Monte
Carlo, el primero llamado análogo, donde no se utilizan procedimientos de
reducción de varianza y se requieren de largos tiempos de cómputo. El
segundo, denominado no análogo, donde para reducir los tiempos de cómputo
se aplican técnicas de reducción de varianza.

Cuando un electrón, fotón, o neutrón, se transporta a través de un

medio, interactúa con los átomos y los núcleos de los diversos materiales del
medio; algunas de estas interacciones producen partículas secundarias. En su
interacción la partícula experimenta dispersiones, elásticas e inelásticas, o es
absorbida con la consecuente transferencia de energía al medio. Estos
procesos ocurren en forma aleatoria de tal forma que no se puede determinar
con absoluta certeza la distancia que puede viajar una determinada partícula
de una cierta energía dentro del material; sin embargo uno puede predecir la
distribución de las distancias de vuelo de varias partículas con una determinada
energía. [Lamarsh 1966; Capizzo, Nuzzo, Sperandeo Mineo 2005]

El número relativo de partículas monoenergéticas que viajan una

distancia x sin experimentar una colisión está dada por Exp[- x], donde  es la
sección eficaz macroscópica total cuyas unidades son cm-1. Esta distribución
se observa para neutrones y fotones. Para el caso de los neutrones 
representa la suma de todos los mecanismos de interacción de los neutrones
con la materia, cada uno de éstos se identifica por una sección eficaz
macroscópica. Para el caso de los fotones  representa la suma de las
probabilidades de que el fotón interactúe con el medio a través del efecto
fotoeléctrico, la dispersión de Compton, también llamada dispersión coherente,
y la producción de pares. [Lamarsh 1966]

7
 Mediante los métodos Monte Carlo se utilizan números aleatorios para
seleccionar las distancias de vuelo individuales para cada partícula, después
de simular un número grande de partículas las distancias de vuelo se
distribuyen acorde a la función de distribución Exp[- x].

De la misma forma en que se selecciona el tipo de interacción, se

selecciona la energía de la partícula, si la fuente es polienergética. También
para seleccionar el punto donde se emite la partícula se utilizan números
aleatorios. Una vez seleccionado el punto de emisión es necesario definir la
dirección en que será emitida la partícula, para lo cuál es necesario utilizar tres
números aleatorios, uno para cada coseno director. Luego, mediante el
procedimiento descrito antes se determina la trayectoria libre media de la
partícula, que al recorrerla alcanzará algún átomo. Para un medio formado por
diversas especies de átomos y diversos isótopos se utilizan números aleatorios
para decidir a con cuál isótopo interactuará la partícula. Luego mediante otro
número aleatorio se decidirá el tipo de interacción. Al definir ésta se puede
calcular la cantidad de energía cedida al medio.

Además de utilizarse para simular el transporte de partículas a través de

un medio, los métodos Monte Carlo se aplican exitosamente en diversos
campos donde su naturaleza sea aleatoria. Para tener un mejor entendimiento
del método Monte Carlo lo vamos aplicar en algunos casos donde conocemos
el resultado final o éste se puede obtener mediante métodos exactos.

3.1. Usos diversos del Método Monte Carlo

Para demostrar la capacidad del método Monte Carlo en la solución de

problemas vamos a utilizarlo para resolver una integral definida, usando dos
procedimientos distintos y luego lo usaremos para estimar el valor de .

8
3.1.1. Integrando con el método Monte Carlo

Para ejemplificar el uso de los métodos Monte Carlo vamos a resolver un

problema cuya solución exacta se conoce. En la figura 2 se muestra el trazo de
la función y = x2, donde se señala el área bajo la curva de la función entre x = 0
a x = 3. [Kalos and Whitlock 1986]

Figura 2.- Trazo de la función y = x2

El valor del área señalada en la figura 1 se obtiene de la siguiente forma,

   
3 3
A   yx  dx   x 3 dx 
1 3 3 1 3 27
x 0  3  03   9 unidades de área. (2)
0 0
3 3 3

9
3.1.1.1. Método 1: Usando Monte Carlo para obtener el valor del área

Seleccionemos N valores de xi, donde i = 1, 2, 3, …., N, donde cada

valor de x seleccionado sea un número aleatorio cuyos valores estén definidos
como 0 ≤ x ≤ 3. Para cada valor de x seleccionado se calculará el
correspondiente valor de y, acorde a la función y = x2. Una vez hecho esto se
obtendrá el promedio de todas la ys, (yAvg), esto es,

N
1
y Avg 
N
 x i2 (3)
o

El área bajo la curva de la figura 1 será el valor del promedio obtenido

multiplicado por el rango de interés de la función, esto es,

A = 3 yAvg (4)

3.1.1.2. Método 2: Usando Monte Carlo para obtener el valor del área

Seleccionemos un número grande, N, de pares ordenados (xi, yi) que se

encuentren contenidos en el rectángulo mostrado en la parte izquierda de la
figura 3. La restricción es que los valores de los pares ordenados sean
números aleatorios. Los valores aleatorios para x debe estar definidos como 0
 x  3, mientras que los de y deben ser tales cuya definición se de cómo 0  y
 9.

El valor del área de interés estará dado por el área del rectángulo
multiplicada por la razón de pares la cantidad de pares ordenados (puntos) que
se localicen debajo del área de interés (n) y el número total de pares ordenados
generados (N).

10
El procedimiento detallado es ejecutar los siguientes pasos N veces,

1. Seleccionemos un número aleatorio () que represente el valor de x, por

lo tanto su valor debe variar entre 0 y 3. Como, generalmente los
generadores de números aleatorios varían de 0 a 1, será necesario
multiplicar el número obtenido por 3. Esto es x1 = 3 1.

Figura 3.- Trazo de la función y = x2

2. Con el valor resultante de la x evaluamos el valor de la función: y1  x12 .

El resultado obtenido en este primer intento se muestra en la figura 4.

11
Figura 4.- Par ordenado obtenido a partir del primer número aleatorio para x

3. Seleccionemos otro número aleatorio () que represente a y. Para no

confundirlo con la y anterior lo vamos a identificar como Y. Como en el
rectángulo los valores de y varían de 0 a 9, multiplique el número
aleatorio obtenido por 9. Esto es, Y1 = 9 1. De este proceso se pueden
obtener dos posibilidades, la primera es que el valor de Y1 sea mayor
que y1, y la otra posibilidad es que Y1 sea menor o igual a y1. Estas
opciones se muestran en la figura 5. Cuando Y1 > y1 le denominaremos
fracaso y cuando Y1  y1 le denominaremos éxito y llevaremos una
contabilización del número de veces que tengamos éxito.

12
 Figura 5.- Posibilidades de la comparación entre el valor de y1 y el valor de Y1

Repitiendo N veces los pasos anteriores, al finalizar vamos de contar las

veces que Y1 resulto ser menor o igual y1, es decir los éxitos. El área bajo la
curva será el valor del área del rectángulo (27) multiplicada por la fracción de
n/N; es decir,

Area de interés = Área del rectángulo x (éxitos/intentos) =

Área = 27 (n/N) (5)

Problemas

Problema 1: Escriba un programa de cómputo, basado en el método 1,

que permita calcular la integral de y = x2 desde x = 0 a x = 3. Escriba el
programa de forma tal que permita obtener el valor del área cuando el número
de números aleatorios sea: 10, 100, 1000, 10000, 100000, 1000000. En su
programa incluya la instrucción necesaria que permita escribir en forma tabular
la cantidad de números aleatorios N, el valor del área, AREA, y la diferencia

13
porcentual entre el valor del área obtenido y su valor real. La diferencia
porcentual será igual a,

AREA  9  100
Diferencia Porcentual  (6)
9

Problema 2: Escriba un programa de cómputo, basado en el método 2,

que permita calcular la integral de y = x2 desde x = 0 a x = 3. Escriba el
programa de forma tal que permita obtener el valor del área cuando el número
de números aleatorios sea: 10, 100, 1000, 10000, 100000, 1000000. En su
programa incluya la instrucción necesaria que permita escribir en forma tabular
la cantidad de números aleatorios N, el valor del área, AREA, y la diferencia
porcentual entre el valor del área obtenido y su valor real: Diferencia porcentual
= Valor absoluto(AREA – 9) x 100/9.

Problema 3: Compare los resultados obtenidos en los problemas 1 y 2.

Determine cuál de los dos métodos arroja mejores resultados. Para cada
método determine qué efecto tiene en el resultado el número de intentos (N).
Haga una discusión sobre éstos factores y defina al menos dos conclusiones.

3.1.2 La aguja de Buffón

En el siglo XVIII Georges Louis Leclerc Compte de Buffon utilizó el

método Monte Carlo para estimar, a través de un experimento, el valor de .
Éste es uno de los procedimientos más populares, y es conocido como el
método de la aguja de Buffón. [Glaister 1999]

Este método consiste en trazar en una superficie plana un conjunto de

líneas paralelas cuya distancia de separación es de la misma longitud que una
aguja. La aguja se lanza, en forma aleatoria sobre el plano y se contabilizan los

14
casos en los que la aguja cruza una de las líneas; la razón entre este número y
el total de lanzamientos es proporcional a .

La idea del experimento de Buffón se basa en la figura 6, donde hemos

trazado un conjunto de líneas horizontales paralelas, cuya distancia de
separación (L) tiene las mismas dimensiones que la longitud de la aguja.

Figura 6.- La aguja de Buffón

Como se puede observar en el primer par de líneas, la aguja, de longitud

L, puede caer con cierta orientación que varía de 0 a 180º. En un punto
cualquiera, donde la aguja toque una de las líneas, como en el último par de
líneas, el cateto opuesto es, (L/2) Sen ,  :[0, ], trazando esta función
inscrita en un rectángulo de lados L/2 y , como se muestra en la figura 7.

15
 Figura 7.- Trazo de la función (L/2) Sen  inscrita en el rectángulo (L/2) ()

La razón entre el área de la figura envuelta y la de la figura envolvente

es,


L
a f ( ) 2  Sen  d
L 2
 0
  (7)
ARECTÁNGULO L L  

2 2

Si sobre la figura 7 trazamos pocos puntos al azar, como se muestra en

la figura 8, no se observa ningún patrón.

16
 Figura 8.- Trazo de pocos puntos trazados al azar

Si trazamos un mayor número de puntos, como se muestra en la figura

9, notaremos que existe una relación entre el tamaño de las áreas y la cantidad
de puntos que cada área contiene.

Figura 9.- Trazo de un mayor número de puntos

17
 Si el número de puntos se hace muy grande y utilizamos colores
distintos para indicar aquellos puntos que se ubican dentro de f() y los que
yacen fuera, pero dentro del rectángulo obtendremos un patrón como se
muestra en la figura 10.

Figura 10.- Trazo de un número muy grande de puntos

En la figura 10 llamaremos n al total de puntos que cayeron dentro de

f(), mientras que llamaremos N a todos los puntos que fueron lanzados dentro
del rectángulo. Se puede observar que existe una relación entre el número de
puntos que al generarse en forma aleatoria yacen debajo de f() y el área bajo
la curva f(), así mismo existe una relación entre el total de puntos
aleatoriamente generados N y el área total del rectángulo.

A partir de la figura 10 podemos establecer que,

a f ( ) 2 n
  (8),
ARECTÁNGULO  N

18
por lo tanto, el valor de  se puede estimar mediante la ecuación 8,

N
2 (9),
n

donde N es el total de puntos y n es aquellos que cayeron dentro de f().

Experimento

Experimento 1: Con el material proporcionado por el instructor realice el

siguiente experimento.
a).- Trace líneas paralelas cuya distancia de separación sea igual a la
longitud que tienen las agujas proporcionadas. Lance las agujas sobre la zona
donde trazó las líneas paralelas.
b).- Ejecute el programa de cómputo proporcionado por el instructor para
calcular con Monte Carlo el valor de . En la ejecución procure reproducir las
condiciones usadas en el inciso anterior.
c).- Compare el valor de  calculado con el programa y el que se obtuvo
realizando el experimento de la aguja de Buffón.
d).- Discuta sus resultados.

3.1.2 Otro método para estimar el valor de 

El otro método consiste en dibujar un círculo de radio R, que como

sabemos su área es  R2. Si el círculo se inscribe dentro de un cuadrado de
lado 2 R y repetimos el procedimiento de lanzar objetos pequeños dentro del
cuadrado, observaremos que si todos caen dentro del cuadrado, algunos se

19
encontrarán dentro del círculo, como se observa en la figura 11. [Khalos and
Whitlock 1986]

Figura 11.- Círculo, de radio R, inscrito en el rectángulo de lado 2 R

Si el número de objetos es muy grande veremos que existe una relación

entre el total de objetos que cayeron dentro del cuadrado, N, y su área, así
como una relación entre los objetos que cayeron dentro del círculo, n, y el área
de éste; así pues se da una relación como la mostrada en la ecuación 10.

Área del Cuadrado 4 R 2 N

  (10)
Área del Círculo  R2 n

Por lo tanto, el valor de  se puede estimar mediante la ecuación 11.

20
 n
4 (11)
N

Problema

Problema 4: Demuestre que la ecuación 10 se mantiene si en lugar de

dibujar un círculo completo de radio R inscrito en un cuadrado de lado 2 R, se
utiliza una cuarta parte del círculo.

Experimento

Experimento 2: Con el material proporcionado trace un círculo de radio

R, inscríbalo en un cuadrado y realice el siguiente experimento
a),- Divida el cuadrado en cuatro secciones, selecciones el cuadrado
ubicado en la esquina superior de la derecha.
b).- Lance dentro del cuadrado generado los objetos proporcionados por
el instructor. Lleve un registro detallado de los objetos que al lanzarse cayeron
en el cuadrado; en una contabilización diferente registre aquellos objetos que
cayeron debajo de la cuarta del círculo.
c).- Repita varias veces el paso del inciso b, y al final obtenga un valor
de N y un solo valor para n. Use la ecuación 10 y obtenga un valor aproximado
de .
d).- Con el programa de cómputo proporcionado por el instructor
determine el valor de p, usando el valor N que obtuvo de los pasos anteriores.
e).- Compare el valore de  obtenido con el programa de cómputo con el
obtenido en su experimento.
f).- Discuta sus resultados y obtenga al menos dos conclusiones.

21
4. PRIMEROS USOS DEL MONTE CARLO EN LAS
CIENCIAS NUCLEARES

El método Monte Carlo aplicado en el transporte de partículas, en

particular neutrones, tuvo su aplicación más conocida en el desarrollo del
Proyecto Manhattan por parte de Stanislaw Ulam, John Von Neuman,
Metrópolis y Enrico Fermi. [Metropolis 1987]

Fue Enrico Fermi quien incluso diseño un juguete que seguía

trayectorias al azar dentro de círculos concéntricos para estimar la trayectoria
de los neutrones en materiales nucleares. Años antes, del desarrollo del
proyecto Maniatan, Fermi había utilizado el método Monte Carlo para estimar el
número de colisiones que un neutrón tenía que experimentar para moderarse.
[Metropolis 1987]

Cuando un neutrón de energía E colisiona con un medio, no absorbente

y que no sea hidrógeno, formado por núcleos cuyo número másico es A,
emerge en un cierto ángulo con una energía E’. La función de distribución de la
probabilidad de este proceso se muestra en la ecuación 12. [Lamarsh 1966]

 1
 1    E Si E  E'  E

f E  E'   (12)
0 Cualquier otra situación



En esta ecuación, el valor de  está dado por la ecuación 13.

2
 A  1
    (13)
 A  1 

22
 El uso de las ecuaciones 12 y 13 en Monte Carlo nos permite determinar
la energía que adquiere un neutrón E’ cuando es dispersado en un medio con
núcleos cuyo número másico es A y un número aleatorio, , mediante la
ecuación 14.

E'    E (14)

Con la ecuación 13 se puede estimar el número promedio de colisiones

que requiere un neutrón para reducir su energía de E a E’. Este número
promedio se puede calcular en forma exacta mediante la ecuación (15).

E
ln  
n   E'  (15)
1
A  1  A  1 
2
ln  
2A  A  1

En la simulación Monte Carlo las interacciones que experimenta una

partícula durante su transporte a través de un medio se simula mediante el uso
de números aleatorios y bajo la regla que dictan las distribuciones de
probabilidad que describen las interacciones de la partícula.

En Monte Carlo, la historia de una partícula se sigue desde su aparición

o nacimiento hasta su desaparición por absorción o fuga, la cantidad de interés
en un determinado punto es contabilizada (tally) y se obtiene a través del
promedio del número de eventos de interés y se expresa normalizada a la
cantidad de partículas usadas en la simulación. [Briesmeister 2000]

23
5. NÚMEROS ALEATORIOS

Existen varios factores que influyen en la calidad de los resultados de los

cálculos obtenidos mediante el Monte Carlo, entre los que están en número de
historias, N. El error asociado al cálculo Monte Carlo es inversamente
proporcional a la raíz cuadrada de N. En el caso del transporte de partículas
una historia inicia con la emisión de la partícula y termina cuando ésta es
absorbida en el medio o bien cuando se escapa de las fronteras del problema.
En el método Monte Carlo no análogo la historia se puede terminar si la
partícula alcanza una energía que ya no es importante para el fenómeno bajo
estudio o bien cuando ésta se transporta en una zona de poco interés y
consume demasiado tiempo de cómputo. [Lewis and Miller 1993]

Otro de los factores de importancia para asegurar la calidad de los

resultados es el grado de exactitud entre el modelo utilizado y la realidad que
se intenta modelar. En esta situación se incluye la geometría con sus
dimensiones y la composición elemental de los diversos elementos del modelo.

Un tercer factor que influye en la calidad del cálculo Monte Carlo es la

calidad de los números aleatorios. La función de distribución que describe la
probabilidad de selecciona los números aleatorios es una función constante f()
= 1, lo que significa que un número aleatorio es aquel, entre 0 y 1, cuya
probabilidad de ser seleccionado es la misma. En la figura 12 se muestra la
función de distribución de los números aleatorios para distribuciones continuas.
Cuando los eventos son discretos, la suma de las probabilidades de todos los
números es la unidad. Si tiramos un dado “honesto” cualquiera de los números
de 1 a 6 tiene la misma probabilidad de aparecer cuando el dado se tira;
entonces la distribución de probabilidades de esos números aleatorios es, i = 1
(1/6); 2 (1/6); 3 (1/6); 4 (1/6); 5 (1/6); 6 (1/6).

24
 Figura 12.- Distribución de la probabilidad de los números aleatorios

Números aleatorios cuya probabilidad de selección sea la función

constante f() = 1 solo se pueden obtener de fenómenos naturales como el
ruido térmico o ruido electrónico en un circuito, del intervalo de tiempo que
separa, en un detector de radiación, un pulso de otro proveniente de una fuente
de poca intensidad o del fondo o incluso de seleccionar uno de los dígitos de
los números telefónicos de un directorio telefónico cuyas páginas se abran al
azar, de un lanzamiento de varios dados, etc. Estos procedimientos son muy
ineficientes ya que un cálculo Monte Carlo puede requerir de hasta 1E(9)
números aleatorios. Para eliminar este inconveniente se utilizan números
pseudo aleatorios. [Lewis and Miller 1993]

Los números pseudo aleatorios se obtienen mediante algoritmos, éstos

se emplean en las calculadoras así como en las computadoras y también hay

25
algoritmos de buena y mala calidad. Uno de los requisitos que debe tener un
buen generador de números pseudo aleatorios es que tengan un periodo largo,
lo que implica que después de haber seleccionado un conjunto de números se
vuelve a repetir el conjunto, la otra es que dentro del periodo no se presenten
secuencias. Para determinar la calidad del generador de números pseudo
aleatorios se aplican diversas pruebas estadísticas, entre las que están el
determinar el promedio y la desviación estándar. [Lewis and Miller 1993]

Problemas

Problema 5: Utilizando el teorema de valor medio para distribuciones

continuas determine el valor promedio y la desviación estándar de un conjunto
de números aleatorios cuya función de distribución sea f() = 1.

Problema 6: Utilice su calculadora y genere 100 números aleatorios

entre 0 y 1.

a).- Calcule el valor promedio y la desviación estándar de los

números aleatorios obtenidos y aplique la prueba de t-student, , para  =
0.95 y 99 grados de libertad, para determinar si existe una diferencia
estadísticamente significativa entre el valor promedio de los 100
números aleatorios obtenidos y el promedio ideal obtenido en el
problema anterior.

b).- Aglutine sus 100 números aleatorios en 10 intervalos de clase ( [0,

0.1), [0.1, 0.2), [0.2, 0.3), [0.3, 0.4), [0.4, 0.5), [0.5, 0.6), [0.6, 0.7), [0.7,
0.8), [0.8, 0.9), [0.9, 1.0] ) y haga un histograma. Aplique la prueba de 2
y determine si existe una diferencia estadísticamente significativa, para 
= 0.95 y 99 grados de libertad, entre su histograma y f() = 1.

26
 c).- De sus resultados obtenidos en los incisos anteriores determine si su
calculadora genera buenos números pseudo aleatorios.

Problema 7: Escriba un programa de cómputo, donde utilizando el

comando que permite llamar al generador de números pseudo aleatorios,
genere una cantidad variable de números aleatorios y que le permita aplicar la
prueba de t-student y la 2, como lo hizo en el problema 5. Ejecute su programa
para 100, 1000, 10000 y 100000 números aleatorios y haga el análisis sobre la
calidad de los números aleatorios generados.

a).- Determine si la calidad de sus números depende de la cantidad de

números generados.

b).- ¿Cuál sería la conclusión sobre la calidad del generador de números

aleatorios que utiliza el lenguaje en que desarrolló su programa?

27
6. CARACTERÍSTICAS DEL CÓDIGO MCNP

El MCNP es un código que permite modelar y simular el transporte de

neutrones, fotones y electrones mediante métodos Monte Carlo. MCNP es el
acrónimo de Monte Carlo N-Particle Transport. Este código ha sido
desarrollado en el Laboratorio Nacional Los Alamos de los Estados Unidos. Es
un código que ha sido utilizado y probado exitosamente en diversas
aplicaciones. [Harmon et al., 1994; Briesmeister 2000]

El transporte se puede hacer para partículas de un solo tipo, esto es

neutrones, fotones o electrones o bien en forma acoplada neutrón/fotón,
fotón/electrón, o neutrón/fotón/electrón. [Briesmeister 2000]

Para el caso de los fotones y electrones el MCNP incluye fotones cuyas

energías varían de 1E(-3) hasta 1E(3) MeV, para el caso de neutrones las
energías varían entre 1E(-11) hasta 20 MeV. Los cálculos se pueden realizar
para distribuciones continua y discreta de energía. [Briesmeister 2000]

Se han desarrollado varias versiones del código, hoy día la versión más
reciente es MCNP 5, que contiene el código que trabaja con energías del
neutrón menores o iguales a 20 MeV, así como el código que trabaja para
energías superiores a este valor (MCNPX).

La diferencia entre ambos códigos radica principalmente en la forma en

que se determinan las secciones eficaces. En el código de baja energía las
secciones eficaces provienen de valores experimentales que se actualizan
constantemente, mientras para el caso del MCNPX las secciones eficaces
para neutrones, cuya energía varía en el intervalo de (20, 150 MeV, se
obtienen a través de modelos y de la biblioteca LA150.

28
 Si en el cálculo se requieren energías aún mayores el código
extrapola los valores de las secciones eficaces. Otra diferencia relevante en
el MCNP5 es que existe una variedad mayor en los objetos que permiten hacer
el modelado geométrico de una forma más sencilla.

El MCNP ha sido diseñado para trabajar bajo diversos sistemas

operativos y plataformas de cómputo. [Briesmeister 2000]

Durante los cálculos se pueden contabilizar diversas cantidades, debidas

a un solo tipo de partícula o varias, lo que permite determinar la dosis
absorbida. Si se requiere determinar algún tipo específico de dosis, como la
equivalente ambiental, la efectiva, la personal o el kerma, se puede programar
el código para lo haga o bien se puede determinar la distribución en energía de
las partículas transportadas en una cierta región de estudio en conjunción con
los respectivos coeficientes de conversión de fluencia a dosis.

6.1 Ejecución del MCNP

Para ejecutar el MCNP es necesario introducir los datos del caso bajo
estudio en un archivo, que se convierte en el archivo de entrada, éste se puede
construir con cualquier editor de textos. El archivo se debe incluir en el
directorio que contiene el programa ejecutable del MCNP (mcnp.exe), que
además debe incluir otro archivo denominado xsdir, donde se indican las
bibliotecas y la dirección donde se encuentran las secciones eficaces, que
normalmente se encuentran en un subdirectorio denominado xs que se ubica
en el mismo directorio donde está el mcnp.exe.

Para ejecutar el MCNP se debe habilitar el sistema operativo DOS y de

ahí se debe buscar el directorio donde se encuentra el MCNP (C:\mcnp4c>).

29
Suponiendo que el archivo se llama kaso1, se puede iniciar la simulación
mediante las siguientes instrucciones,

C:\mcnp4c>mcnp inp=kaso1 runtpe=kaso1t output=kaso1o

También se puede utilizar,

C:\mcnp4c>mcnp i=kaso1 ru=kaso1t o=kaso1o

En caso de que kaso1t o kaso1o ya hayan sido generados, el código

producirá ese par de archivos con nombre distinto en forma automática.

El código puede hacer un trazo del modelo de nuestro caso, para verlo y
revisar los posibles errores que hayamos tenido en la generación del archivo de
entrada se utiliza la siguiente instrucción,

C:\mcnp4c>mcnp ip inp=kaso1

El archivo de entrada contiene la siguiente información

 Nombre del problema

 Celdas
 Tarjeta en blanco
 Superficies
 Tarjeta en blanco
 Materiales y bibliotecas de secciones eficaces
 Término fuente (neutrones, fotones o electrones)
 Cantidad(es) que se quiere(n) contabilizar
 Tipo de partícula
 Número de historias

30
  Información sobre cada cuantas historias queremos almacenar los
resultados
 Instrucciones de impresión en el archivo de salida

Las unidades utilizadas en MCNP son centímetros para longitud, MeV para
energía, gramos/cm3 o normalizadas a 1 en o/a (fracción atómica) o o/w
(fracción en peso) para la densidad, átomos/b-cm para las secciones eficaces,
MeV para la temperatura, 10-8 segundos para el tiempo ( a esta unidad se le
llama Shake (sacudida)), la energía liberada en la fisión o calentamiento en
MeV/colisión.

6.2 Modelización con MCNP

Las características geométricas de un problema se pueden modelar

utilizando las capacidades geométricas del MCNP. Cuerpos en 3-D se modelan
utilizando superficies cuya relación genera celdas. Las superficies se
construyen con funciones de primer y segundo orden (planos, cilindros esferas,
conos, elipsoides y cuadráticas en general) o superficies de cuarto orden
(toros).

Superficies
Las celdas se definen mediante superficies cuya relación se establece
con los operadores boléanos de unión, intersección y complemento. Las
superficies se definen utilizando signos positivos y negativos para indicar su
orientación respecto al origen del sistema cartesiano tridimensional, un símbolo
que define el tipo de superficie y los coeficientes de la función que la describe.
En la tabla 1 se muestra los datos necesarios para definir un grupo de
superficies; el total de superficies y la explicación de todos los parámetros se
pueden ver en el manual del MCNP.

31
 Tabla 1.- Información para definir las superficies en el MCNP

Símbolo Tipo Ecuación Parámetros

P Plano – general Ax + By + Cz - D = 0 ABCD

Px Plano - normal al eje X x-D=0 D

Py Plano - normal al eje Y y-D=0 D

Pz Plano - normal al eje Z z-D=0 D

2 2 2 2
S Esfera - general (x - x') + (y - y') + (z - z') - R = 0 x' y' z' R
2 2 2 2
So Esfera – centro en el origen x +y +z -R =0 R

2 2 2 2
Sx Esfera – centrada en el eje X (x - x') + y + z - R x' R

2 2 2 2
Sy Esfera – centrada en el eje Y x + (y - y') + z - R = 0 y' R

2 2 2 2
Sz Esfera – centrada en el eje Z x + y + (z - z') - R = 0 z' R

2 2 2
c/x Cilindro – paralelo al eje X (y - y') + (z - z') - R = 0 y' z' R
2 2 2
c/y Cilindro – paralelo al eje Y (x - x') + (z - z') - R = 0 x' z' R
2 2 2
c/z Cilindro – paralelo al eje Z (x - x') + (y - y') - R = 0 x' y' R
2 2 2
Cx Cilindro – en el eje X y +z -R =0 R
2 2 2
Cy Cilindro – en el eje Y x +z -R =0 R
2 2 2
Cz Cilindro – en el eje Z x +y -R =0 R
2 2 1/2
k/x Cono – paralelo al eje X [(y-y’) + (z-z’) ] - t(x-x’)=0 x’, y’,z’ t2 ±1
2 2 1/2
k/y Cono- paralelo al eje Y [(x-x’) + (z-z’) ] - t(y-y’)=0 x’, y’,z’ t2 ±1
2 2 1/2
k/z Cono- paralelo al eje Z [(x-x’) + (y-y’) ] - t(z-z’)=0 x’, y’,z’ t2 ±1
2 2 1/2
Kx Cono- sobre el eje X [y + z ] - t(x-x’)=0 x’ t2 ±1
2 2 1/2
Ky Cono- sobre el eje Y [x + z ] - t(y-y’)=0 y’ t2 ±1
2 2 1/2
Kz Cono- sobre el eje Z [x + y ] - t(z-z’)=0 z’ t2 ±1

Cada superficie se especifica en una tarjeta que contiene los siguientes

elementos.

NS símbolo parámetros

donde NS es el número de superficie, símbolo y los parámetros, como los

mostrados en la tabla I, permiten definir y las características de la superficie. El

32
número de superficie debe ubicarse en las primeras 5 columnas, como se
muestra en el siguiente ejemplo,

7 so 20

indica que la superficie 7 es una esfera de 20 cm de radio. Si queremos definir

la superficie 8 como una esfera de 100 cm de radio y cuyo centro se localiza a
12 cm sobre el eje Z, la tarjeta es la siguiente,

8 sz 12 100

En la figura 12 se muestran algunas superficies, observadas en el plano

Y-Z, y la forma en que se definirían en el archivo de entrada al MCNP.

Figura 13.- Superficies

33
Celdas
Se utiliza una tarjeta para cada celda. A cada celda se le asigna un
número que le identifica. La celda se llena con un material que se identifica con
un número antecedido por la letra m, vg m1, m2, …, mj. En la misma tarjeta se
define al densidad del material de la celda. Si en esta posición se utiliza el 0
implica que la celda en cuestión contiene el vacío; si la densidad lleva un signo
positivo implica que está definida en átomos/b-cm y se es negativo, sus
unidades están en g/cm3.

Cada celda se define con un conjunto de superficies. En la tarjeta que

define la celda se incluye el número de las superficies que forma la celda, la
relación entre las superficies se expresa con los operadores boléanos de unión,
intersección y complemento. Para expresar la unión de dos superficies o
conjunto de superficies se establece utilizando dos puntos (:), mientras que la
intersección se establece dejando un espacio en blanco. El complemento se
define con el símbolo almohadilla (#). Por ejemplo,

7 2 0.0235 (1 -2 ):(-4 -5 9) imp:n 7 $ Celda de detectores

8 3 -2.7 (3 -6)#7 imp:n 1 $ Celda del soporte
9 0 100 imp:n 0 $ Vacío

En este ejemplo se están definiendo 3 celdas, la 7, 8 y 9. La celda 7 está

hecha con el material 2 cuya densidad es 0.0235 átomos/b-cm. La celda está
construida con la intersección entre la parte positiva de la superficie 1 y la parte
negativa de la superficie 2, que a su vez se unen con el resultado de intersectar
la parte negativa de la superficie 4 con la parte negativa de la superficie 5 y la
parte positiva de la superfice 9. En esta misma tarjeta se ha definido una
importancia de 7 para el caso de los neutrones y con el símbolo $ se ha
incluido un comentario.

34
 En la siguiente tarjeta se define la celda 8, hecha a base del material 3
cuya densidad es de 2.7 g/cm3 y está formada por la intersección de la parte
positiva de la superficie 3 y la parte negativa de la superficie 6 excepto lo que
defina la celda 7.

La celda 9 contiene el vacío y está formada por todo aquello que se

encuentre fuera de la superficie 100.

Materiales
Los materiales se especifican definiendo el número que les identifica,
indicando el elemento con el número atómico y el másico (ZAID). En la misma
tarjeta se debe especificar la fracción: si se define la fracción atómica se utiliza
un número positivo y negativo si la definición se da en fracción en peso. Para
un material se puede seleccionar un solo tipo de unidades. En forma general
los materiales se definen de la siguiente forma,

mn ZZZ.AAA fraccion ZZZ.AAA fraccion

Por ejemplo,

m1 95241.55c +0.07 $ Am/Be Am-241

4009 +0.93 $ Be-9
m2 82000 +1 $ Pb Plomo natural
m3 26000 +1 $ Fe Fierro natural
m4 6000 -1.24e-4 $ Aire Carbon natural
7014 -0.755267 $ N-14
8016 -0.231781 $ O-16
18000 -0.012827 $ Argón natural
m5 1001 1 $ Agua H-1
8016 2 $ O-16
mt5 lwrt.01 $ S(a,b)

35
 241 9
El material 1 está formado por dos isótopos Am y Be cuyas
concentraciones, en fracción atómica, son respectivamente 0.07 y 0.93 o/a. En
el caso del Am se utiliza una biblioteca específica para obtener los valores de
las secciones eficaces. En el caso del material 4 la densidad del material se
define en fracción en peso, o/w. El material 5, que define el agua, incluye un
dato extra que se identifica con mt5. Esto implica que durante la simulación
Monte Carlo se utilice el tratamiento S() en las secciones eficaces cuando
los neutrones con energías térmicas estén interactuando con este material.

Término Fuente
MCNP permite simular fuentes de electrones, fotones o neutrones. La
fuente se define especificando la posición, la dirección de emisión y la energía
de las partículas que puede ser monoenergéticas, con una distribución continua
o con una distribución discreta.

La tarjeta que define la fuente tiene la siguiente estructura,

sdef pos = x y z cel=NC sur=NS erg=E

donde, x y z son las coordenadas donde se ubica el punto de emisión de la

fuente, NC es el número de la celda donde se emiten las partículas (no es
indispensable definirla ya que la posición contiene esa información), NS es el
número de la superficie donde se emiten las partículas (tampoco es
indispensable definirla) E es la energía de las partículas. Si este término se
omite por definición el MCNP utiliza neutrones de 14 MeV. El MCNP contiene
algunas funciones que se pueden utilizar para definir, con una función
matemática, el término fuente. En la figura 14 se muestra el espectro de
Evaporación.

36
 Por ejemplo, una fuente puntual ubicada en el origen de coordenadas y
que emite isotrópicamente partículas del tipo 2 (fotones) cuya energía son 7
MeV se definiría como,

sdef pos = 0 0 0 erg = 7 par = 2

Figura 14.- Espectros de Evaporación para diferentes temperaturas

En el siguiente caso se define una fuente distribuida cuyo punto de

emisión está en el punto (2,2,2), tiene una distribución discreta de energía (d1),
las partículas emitidas tienen un peso unitario y salen de la celda 1.

37
 El tipo de partícula (1) son neutrones. La distribución discreta se define
con si1 que contiene las energías y sp1 contiene las respectivas
probabilidades. En este ejemplo se ha incluido una tarjeta sc1 que señala un
comentario que aparecerá en el archivo de salida.

sc1 Fuente de 241Am/Be obtenida del ISO

sdef pos = 2 2 2 erg = d1 wgt = 1 cel = 1 par = 1
si1 h 4.14e-07 1.10e-01 ................
.....................................
.....................................
1.02e+01 …………………………………… 1.10e+01
sp1 d 0.0 1.44e-02 ................
.....................................
.....................................
4.68e-03 ………………………….….. 3.63e-04

Modo de transporte
En MCNP es necesario indicar el modo de transporte de las partículas,
así si se desea que el código tenga en cuenta la generación de electrones pero
no su transporte, el modo es:

mode p

En caso de que se requiera simular el transporte de electrones (y

positrones) el modo sería:

mode p e

En caso de que se requiera simular el transporte de neutrones y fotones

el modo sería:

mode p n

38
Contabilizaciones
MCNP dispone de diferentes métodos de contabilización (tally o tallies),
para el caso de neutrones se tienen 7, para fotones 6 y 4 para electrones.

fn:partícula celdas

donde n es un número entero entre 1 y 8, cada uno define un tipo de

contabilización, partícula puede ser n, p, e y se debe especificar la celdas o
celdas. Las contabilizaciones útiles en dosimetría son la f4, f6 y la f8. En forma
general se puede contabilizar cualquier magnitud C del tipo,

 
C     (r , E, t ) f ( E ) dE dt dr (16)
r t E

El contabilizador f4 determina la fluencia (en cm-2) en la celda o celdas

consideradas, y se define como,

 dV
F 4   (r , E, t ) dt dE (17)
V

El contabilizador *f4 determina la fluencia de energía (en MeV-cm-2) en

la celda o celdas consideradas:

 dV
* F 4   E(r , E, t ) dt dE (18)
V

El contabilizador f6 solo se puede utilizar para fotones y

neutrones y es un estimador del KERMA (en MeV/g) en la celda o celdas
consideradas. En la Tabla 2 se muestran los contabilizadotes, estimadores o
tallies, suponiendo que la partícula de interés son fotones.

39
 Tabla 2.- Contabilizadores para fotones usados en el MCNP

Tally Descripción Unidades

f1:p Corriente en una superficie Fotones
f2:p Flujo de fotones en una superficie Fotones/cm2
f4:p Flujo de fotones en una celda Fotones/cm2
f5:p Flujo de fotones en un detector puntual Fotones/cm2
f6:p Energía depositada en una celda MeV/g
f7:n Energía depositada en una celda por fisión MeV/g

Número de partículas
La propiedad o magnitud física que se desea calcular, se hace
contabilizando las partículas que alcanzan un punto o celda de interés, como
estos eventos son aleatorios se obtiene un promedio que se expresa
normalizado a las partículas emitidas por la fuente que se definen mediante,

nps 1000

El siguiente archivo de entrada se señala un caso simple de cálculo,

Howitzer de Depto. de Ingenieria Nuclear de la UPM

1 1 -1.5974 -1 imp:n=1 $ Fuente de AmBe
2 2 -0.92 1 -2 -3 4 imp:n=1 $ Cuerpo del Howitzer
3 3 -0.001205 -5#1#2 imp:n=10 $Aire
4 0 5 imp:n=0 $ Vacio

1 so 5 $ Fuente AmBe
2 cz 30 $ Cuerpo
3 pz 40 $ Tapa superior
4 pz -40 $ Base
5 so 500 $ Laboratorio
c
m1 95241 0.07 $AmBe Am241
4009 0.93 $ Be

40
m2 6000 -0.85628 $Polietileno C
1001 -0.14372 $ H
mt2 poly.01
m3 6000 -0.000124 $Aire C
7014 -0.755267 $ N14
8016 -0.231781 $ O16
18000 -0.012827 $ Ar
c ******************************************************************
c * Distribucion de la fuente de Am241 - Be *
c ******************************************************************
c La distribucion la obtuve de ISO-8529, parte 3, 1998 (Gallego, E.
c et al. (2002) Informe de avance del proyecto de I+D sobre dosimetria
c neutronica en la UPM, CTN-04/02. Este espectro lo use como
c termino fuente y lo converti al BUNKI, el espectro resultante fue
c igual al producido por el espectro del AmBe de la IEAE (Tech. 318)
sc1 Fuente de 241Am - Be
sdef pos 0 0 0 erg=d1 wgt=1 cel=1
si1 h 4.14E-07 1.10E-01 3.30E-01 5.40E-01 7.50E-01 9.70E-01
1.18E+00 1.40E+00 1.61E+00 1.82E+00 2.04E+00 2.25E+00
2.47E+00 2.68E+00 2.90E+00 3.11E+00 3.32E+00 3.54E+00
3.75E+00 3.97E+00 4.18E+00 4.39E+00 4.61E+00 4.82E+00
5.04E+00 5.25E+00 5.47E+00 5.68E+00 5.89E+00 6.11E+00
6.32E+00 6.54E+00 6.75E+00 6.96E+00 7.18E+00 7.39E+00
7.61E+00 7.82E+00 8.03E+00 8.25E+00 8.46E+00 8.68E+00
8.89E+00 9.11E+00 9.32E+00 9.53E+00 9.75E+00 9.96E+00
1.02E+01 1.04E+01 1.06E+01 1.08E+01 1.10E+01
sp1 d 0.0 1.44E-02 3.34E-02 3.13E-02 2.81E-02 2.50E-02
2.14E-02 1.98E-02 1.75E-02 1.92E-02 2.23E-02 2.15E-02
2.25E-02 2.28E-02 2.95E-02 3.56E-02 3.69E-02 3.46E-02
3.07E-02 3.00E-02 2.69E-02 2.86E-02 3.18E-02 3.07E-02
3.33E-02 3.04E-02 2.74E-02 2.33E-02 2.06E-02 1.82E-02
1.77E-02 2.04E-02 1.83E-02 1.63E-02 1.68E-02 1.68E-02
1.88E-02 1.84E-02 1.69E-02 1.44E-02 9.68E-03 6.52E-03
4.26E-03 3.67E-03 3.81E-03 5.06E-03 6.25E-03 5.52E-03
4.68E-03 3.70E-03 2.78E-03 1.51E-03 3.63E-04
c
c ******************************************************
c * Tallies *
c ******************************************************
c Tally 5: Detector fuera del Howitzer
c La estructura de la energía es la del código BUNKIUAZ
fc5 Pegado a la superficie externa del embalaje

41
f5:n 0 31 0 1.0 $ Flujo en (0,31,0) cm
e5 4.140e-07 6.826e-07 1.445e-06 3.059e-06
6.476e-06 1.371e-05 2.902e-05 6.144e-05
1.301e-04 2.754e-04 5.929e-04 1.234e-03
2.613e-03 5.531e-03 1.171e-02 2.479e-02
5.247e-02 1.111e-01 2.237e-01 4.508e-01
9.072e-01 1.872e+00 3.679e+00 7.408e+00
1.492e+01 2.000e+01

fc15 A 1 metro
f15:n 0 100 0 1.0 $ Flujo en (0,100,0) cm
e15 4.140e-07 6.826e-07 1.445e-06 3.059e-06
6.476e-06 1.371e-05 2.902e-05 6.144e-05
1.301e-04 2.754e-04 5.929e-04 1.234e-03
2.613e-03 5.531e-03 1.171e-02 2.479e-02
5.247e-02 1.111e-01 2.237e-01 4.508e-01
9.072e-01 1.872e+00 3.679e+00 7.408e+00
1.492e+01 2.000e+01
c
c ************************************************
c * Calculo de la dosis por neutrones *
c ************************************************
c
c Los factores (pSv-cm2) de H*(10)/FLX se obtuvieron
c del ICRP 74, 1997 pag. 199 y 200
c
fc25 Dosis ambiental equivalente H*(10) [pSv-s-1/Q]
de25 log 1.00E-9 1.00E-8 2.53E-8 1.00E-7 2.00E-7 5.00E-7 1.00E-6 2.00E-6
5.00E-6 1.00E-5 2.00E-5 5.00E-5 1.00E-4 2.00E-4 5.00E-4 1.00E-3
2.00E-3 5.00E-3 1.00E-2 2.00E-2 3.00E-2 5.00E-2 7.00E-2 1.00E-1
1.50E-1 2.00E-1 3.00E-1 5.00E-1 7.00E-1 9.00E-1 1.00E+0 1.20E+0
2.00E+0 3.00E+0 4.00E+0 5.00E+0 6.00E+0 7.00E+0 8.00E+0 9.00E+0
1.00E+1 1.20E+1 1.40E+1 1.50E+1 1.60E+1 1.80E+1 2.00E+1 3.00E+1
5.00E+1 7.50E+1 1.00E+2 1.25E+2 1.50E+2 1.75E+2 2.01E+02
df25 log 6.60 9.00 10.6 12.9 13.5 13.6
13.3 12.90 12.00 11.3 10.6 9.90
9.40 8.90 8.30 7.90 7.70 8.00
10.50 16.60 23.70 41.10 60.00 88.00
132.00 170.00 233.00 322.00 375.00 400.00
416.00 425.00 420.00 412.00 408.00 405.00
400.00 405.00 409.00 420.00 440.00 480.00
520.00 540.00 555.00 570.00 600.00 515.00

42
 400.00 330.00 285.00 260.00 245.00 250.00
260.00
f25:n 0 31 0 1.0 $ H*(10) a 31 cm del centro
0 100 0 1.0 $ H*(10) a 100 cm del centro
nps 10000
prdmp 1e9 1e7 0 1
print

6.3 Visualización del modelo generado

El MCNP tiene una instrucción, C:\mcnp4c >mcnp inp=mio ip,

donde mio es el nombre del archivo de entrada, que permite ver el modelo
diseñado, en este modo de operación se presentan cortes del modelo que nos
muestran los planos del mismo y con diferentes colores se muestran los
diferentes componentes. Una vez ejecutada la instrucción el MCNP cambia a
plot>.

En la figura 14 se muestra la imagen, en el plano y - z, generada por el

MCNP de un problema de transporte de neutrones, donde cada color
caracteriza un material distinto.

Al ejecutar la instrucción para visualizar el modelo el MCNP aparecerá

en la pantalla del monitor la imagen del modelo con números ubicados en cada
superficie, estos números identifican las superficies.

Mediante la instrucción plot>label 0, las etiquetas de las celdas se

cancelan. Mediante la instrucción extent x, donde x es un número positivo,
se pueden obtener imágenes de todo el modelo, como la que se muestra en la
parte izquierda de la figura 15 (plot>extent 500) o amplificaciones de una
parte del modelo, como la mostrada al lado derecho de la figura 15
(plot>extent 40).

43
Figura 15.- Imágenes generada por el MCNP del modelo de un problema

En la figura 16 se muestra el trazo del modelo de un ciclotrón para PET.

Figura 16.- Modelo de un Ciclotrón

44
 Si en la construcción del archivo de entrada cometemos un error de
geometría, en el trazo del modelo este error aparece en color rojo y con líneas
punteadas, por lo tanto se recomienda usar la opción de visualización para
verificar la condición del modelo.

Mediante la instrucción plot>origin x y z, donde x y z son

coordenadas, el modelo se traza moviendo el centro del mismo a las
coordenadas indicadas. Mediante las instrucciones px n, py n o pz n (vg.
plot>px 8), donde n es un número entero, se muestra la imagen del modelo
en el plano normal a la coordenada deseada. En la figura 17 se muestran dos
vistas del mismo modelo.

Figura 17.- Dos vistas, frente y perfil, del mismo modelo trazadas con el MCNP

45
 Para salir del modo para el trazo del modelo se utiliza la instrucción
plot>end que al activarla nos regresa a C:\mcnp4c.

La calidad del modelo depende de que el usuario tenga la información

adecuada. La semejanza entre el modelo y la sección de la realidad que se
intenta modelar es un factor importante para obtener buenos resultados. En la
figura 18 se muestra un modelo de una plataforma de irradiación cuya imagen
real se muestra en la figura 19.

Figura 18.- Modelo de la plataforma de irradiación

46
 Figura 19.- Plataforma de irradiación de la Universidad Politécnica de Madrid

Experimentos Monte Carlo

Experimento 3: Mediante el código MCNP, construya un modelo de una

fuente puntual de Cs-137 (emite fotones de 0.662 MeV) localizada en el centro
de un recinto esférico de 10 metros de radio. A lo largo de eje y coloque 20
detectores puntuales de 1 cm de radio cada 50 cm medidos a partir de la fuente
y calcule el flujo de fotones.
a).- Corra el MCNP con su archivo generado.
b).- Calcule el flujo de fotones de una fuente puntual con una intensidad
Q = 1 fotón/segundo a diferentes distancias (las mismas usadas en su cálculo
Monte Carlo), mediante la ecuación: (r) = Q/(4  r2).

47
 c).- Trace en un gráfica los resultados obtenidos en a) y b). Discútalos y
establezca una conclusión.

Experimento 4: Modifique el modelo anterior para incluir un muro de 10

centímetros de espesor. Entre la fuente puntual y la cara del muro utilice 40
centímetros de distancia. A partir de la otra cara del muro coloque detectores
puntuales cada 50 cm. Mediante el MCNP corra los siguientes casos:
a).- Modele el muro con agua
b).- Modele el muro con aluminio
c).- Modele el muro con plomo
d).- Haga una gráfica del flujo de fotones en función de distancia; discuta
sus resultados y establezca conclusiones.

48
7. CONCLUSIONES

El método Monte Carlo es una herramienta poderosa en la solución del

transporte de neutrones, fotones y electrones en medios complejos.

Aunque existen varios códigos que usan este método el código MCNP
es uno de lo se usan con mayor frecuencia; su utilidad y confiabilidad ha sido
demostrada en forma extensiva.

El código es mejorado de manera constante, en particular las bibliotecas

de secciones eficaces.

La física incluida para el diseño del código cambia poco en cada nueva
edición, lo que mas se actualizan son las bibliotecas de secciones eficaces, en
particular de isótopos que tienen mas interés en problemas de reactores
nucleares. En problemas asociados con la dosimetría y la física médica las
secciones eficaces están bien caracterizadas, esto implica que para este tipo
de problemas no es necesario preocuparse por tener la versión mas reciente.

Cuando se usa por primera vez es recomendable resolver problemas

sencillos cuya solución se pueda determinar por otras vías para que el usuario
vaya ganando confianza en su ejecución. Ante cualquier duda recurra al
manual del código donde se encuentra información sobre los principios del
método, así como la lista de todos los comandos que se pueden utilizar.

En la aplicación del MCNP para resolver un problema es necesario

recordar lo siguiente,

 No utilice el MCNP como “caja negra”.

 Sea escéptico con los resultados obtenidos.

49
  La calidad de los resultados obtenidos depende de varios factores, tales
como,
o El número de historias
o La similitud del modelo con la realidad
 Antes de ejecutar el código revise cuidadosamente su archivo de
entrada.
 Después de ejecutar el código revise cuidadosamente su archivo de
salida.

Cuando se utilice en un problema nuevo se recomienda usar pocas

historias, 100 o 1000, esto además de verificar que no existen fallas, también
nos da la oportunidad de calcular el tiempo de cómputo necesario para resolver
el problema, ya que cuando termina la ejecución aparece el tiempo, en
minutos, que ha llevado correr las 100 o 1000 historias; con una simple división
se determina el tiempo necesario por historia.

Utilice la capacidad de trazo del modelo para verificar la calidad del

mismo.

50
 REFERENCIAS

Briesmeister, J.F. (editor). MCNPTM, A General Monte Carlo N-Particle

Transport Code, version 4C. Report LA-13709-M, Los Alamos National
Laboratory. (2000).

Capizzo, M.C.; Nuzzo, S.; Sperandeo Mineo, R.M. and Zarcone, M. (2005).
Diffusion of neutrons by a slab of moderating material: an application of
the Monte Carlo method. Eur. J. Phys. 26: 85-95.

Glaister, P. (1999). Buffon´s needle problem with a twist. Teach. Math. Appl.,
18(2): 85 – 88.

Harmon, Ch.D.; Busch, R.D.; Briesmeister, J.F.; Forster, R.A. Criticality

calculations with MCNPTM: A Primer, Report LA-12827-M, Los Alamos
National Laboratory. (1994).

Kalos, M.H. and Whitlock, P.A. MONTE CARLO METHODS. Wiley-

Interscience. (1986).

Lachish, U. (1978). Derivation of some basic properties of ideal gases and

solutions from processes of elastic collisions. J. Chem. Edu., 55(6): 369-
371.

Lamarsh, J.R. INTRODUCTION TO NUCLEAR REACTOR THEORY, Addison-

Wesley Publishing Company, Inc. (1966).

Lewis, E.E. and Miller, W.F. COMPUTATIONAL METHODS OF NEUTRON

TRANSPORT. Ameerican Nuclear Society. (1993).

51
Metropolis, N. and Ulam, S. (1949). The Monte Carlo Method. J. Am. Stat.
Assoc., 44(247): 335-341.

Metropolis, N. (1987). The beginning of the Monte Carlo Method. Los Alamos
Science. (Special Issue): 125 - 130.

Sangren, W.C. DIGITAL COMPUTERS AND NUCLEAR REACTORS

CALCULATIONS, John Wiley and Sons. (1960).

Schaeffer, N.M. REACTOR SHIELDING FOR NUCLEAR ENGINEERS, United

States Atomic Energy Commission. (1973).

52