CN105607111A - 一种γ核素识别方法 - Google Patents

Abstract

本发明提供了一种对复杂辐射场γ核素快速识别方法，包括：测量辐射场获得γ能谱；对γ能谱进行扣除综合本底及降噪处理，获得净能谱；根据净能谱中的峰位确定潜在核素；计算每个潜在核素的总净峰面积；对每个潜在核素的总净峰面积进行标准化处理，获得该潜在核素的标准化总净峰面积；对每个潜在核素的标准化总净峰面积扣除康普顿散射本底，获得每个潜在核素的纯峰面积值；计算每个潜在核素在所述辐射场的全概率值及概率标准阈值；计算每个潜在核素的存在概率。该方法对测量的能谱数据进行多重扣本底计算和标准化处理，结合由概率统计原理计算得到的全概率值和由标准源计算出的标准阈值，即可实现对核素及其存在概率的快速识别和计算。

Description

一种γ核素识别方法

技术领域

本发明涉及一种γ核素识别方法，特别涉及一种在复杂辐射场中快速识别γ核素的方法。

背景技术

在核电站乏燃料或者放射性废物储存库、处理室中，存在着种类和强度未知的γ放射性核素，为了把握这些环境中潜在的核素信息，需要利用γ能谱探测器对辐射场中γ放射源放出的标识性γ射线进行能谱测量，通过核素识别方法对测量能谱进行分析，实现对辐射场中所存在核素的定性判断与定量分析。

核素识别方法实现过程中关键的一点是对能谱的有效分析，而在对复杂辐射场所的γ放射性进行测量时，本底(包括天然本底、仪器本底等)是影响γ能谱分析的主要因素。目前降本底的方法有反符合法、物质屏蔽法、自然本底扣除法和SNIP法等。反符合法是在主探测器周围再装配大体积的主动防护探测器，只有主探测器探测到而主动防护探测器未探测到的事件，才被认为是来自样品的事件，以此达到降低干扰因素的影响，一般反符合硬件结构及电子学部分结构非常复杂，不适应复杂辐射场；物质屏蔽法多采用Pb室屏蔽，主要是屏蔽掉宇宙射线和环境放射性，适用于实验室分析的场所，对本身需要开放式测量的辐射场γ能谱探测无法使用。以上降本底方法在复杂辐射场γ能谱测量中均受到了限制，且均未考虑康普顿散射作用在感兴趣区能谱范围中造成的散射本底。自然本底扣除法是将待测样品γ能谱扣除同样条件下测量的天然本底，适用于任何场所；

SNIP(sensitivenonlineariterativepeakclipping)法是采用对数运算和平方根运算的方法抑制噪声、增强弱峰的数学降本底方法，应用很广泛。但是，以上去本底方法都是对全谱本底的统一扣除，而均未考虑感兴趣区(RangeofInterest,ROI)中由高能γ射线造成的康普顿散射本底。

核素识别方法实现过程中的另一个关键步骤是查找潜在核素并计算出潜在核素的存在概率。已有的方法有峰相关法、剥谱法、神经网络法。峰相关法使用峰的能量和峰的形状，通过将核素库中核素的特征γ峰能量与寻找到的峰能量直接进行相关分析，查找出潜在核素，并计算出核素对应的峰面积。该方法多采用最小二乘拟合的解谱方法，容易造成潜在核素的丢失分析，比较适用于能量分辨率较好的NaI(Tl)、半导体等类型γ探测器，在复杂辐射场中γ能谱分析中受到局限。去卷积法(有的也称剥谱法)是从测量的能谱中先找出一种容易识别的核素，把它的谱形求出来，并从混合谱中扣除掉，然后从剩余谱中再找出第二种核素并按同样的方法处理，直到求出所有的核素为止，通常从能量最高的特征峰开始对混合谱进行层层剥析。剥谱法中由于对单个核素的逐次迭代剥离，使得统计误差在迭代中累加，导致具有低能γ特征峰的同位素成份难以被精确分析。用于核素识别的人工神经网络模型有贝叶斯网络、最优线性联想记忆(OLAM)神经网络、BP人工神经网络，这些神经网络方法一定程度上克服了传统方法速度慢、不能准确分析含有重峰的复杂γ射线谱的缺点，但是它们均需要一批已知γ核素成分的样本作为学习样本，以对级联神经网络进行训练，然后再用训练好的网络对所有样本进行实时识别，具有不稳定性，而对稳定性要求很高的复杂辐射场核素分析而言，不能达到要求。

发明内容

针对现有技术中存在的问题，本发明的一个目的在于提供一种在复杂辐射场中快速识别γ核素的方法。该方法对测量的能谱数据进行多重扣本底计算和标准化处理，结合由概率统计原理计算得到的全概率值和由标准源计算出的标准阈值，即可实现对核素及其存在概率的快速识别和计算。

为实现上述目的，本发明提供一种γ核素识别方法，包括以下步骤：

测量辐射场获得γ能谱；

对所述γ能谱进行扣除综合本底及降噪处理，获得净能谱；

根据所述净能谱中的峰位确定潜在核素；

计算每个所述潜在核素的总净峰面积；

对每个所述潜在核素的总净峰面积进行标准化处理，获得该潜在核素的标准化总净峰面积；

对每个所述潜在核素的标准化总净峰面积扣除康普顿散射本底，获得每个所述潜在核素的纯峰面积值；

计算每个该潜在核素在所述辐射场的全概率值及概率标准阈值；

计算每个所述潜在核素的存在概率。

根据本发明的构思，在对每个所述潜在核素的标准化总净峰面积扣除康普顿散射本底，获得每个所述潜在核素的纯峰面积值时，采用方式为设所述潜在核素的γ射线全能峰的左右边界能量分别为E_L和E_R，则二者也分别是能量为E_γL和能量为E_γR的γ射线所产生的康普顿边能量，则有：

$E_{\mathrm{\γL}}=\frac{E_L+\sqrt{E_L^2+1.022E_L}}{2}$

$E_{\mathrm{\γR}}=\frac{E_R+\sqrt{E_R^2+1.022E_R}}{2}$

设所述γ能谱中每一道上的计数率为CRT[ch](ch＝1,2,…1024或2048)，最大计数率值为CRT_max，则标准处理化后的γ能谱中每一道上的计数率CRT_norm[ch]＝CRT[ch]/CRT_max，所述潜在核素的γ射线的峰康比系数为PCR_γ，E_γL的感兴趣区左边界能量为E_γLL，即E_γLL＝E_γL-1.5×FWHM(E_γL)，E_γR的感兴趣区右边界能量为E_γRR，即E_γRR＝E_γR+1.5×FWHM(E_γR)，则所述潜在核素的γ射线全能峰扣除康普顿散射后的面积计算过程如下：

$\mathrm{Area}\left(N\right)=\underset{\mathrm{ch}=E_L}{\overset{E_R}{\mathrm{\Σ}}}{\mathrm{CRT}}_{\mathrm{norm}}\left(\mathrm{ch}\right)-{\mathrm{PCR}}_{\mathrm{\γ}}\underset{\mathrm{ch}=E_{\mathrm{\γLL}}}{\overset{E_{\mathrm{\γRR}}}{\mathrm{\Σ}}}{\mathrm{CRT}}_{\mathrm{norm}}\left(\mathrm{ch}\right)$

其中，Area(N)称为所述潜在核素的纯峰面积，半高宽参数FWHM(E_γL)和峰康比系数PCR_γ是探测器固有物理特性参数。

根据本发明的构思，计算每个所述潜在核素的存在概率的方式为将所述每个潜在核素的纯峰面积除以该核素在所述辐射场的概率标准阈值，再乘以该核素在所述辐射场的全概率值。

根据本发明的构思，在计算每个该潜在核素在所述辐射场的概率标准阈值时，将每个该潜在核素单独放置于所述辐射场中测量并计算获得该潜在核素的纯峰面积值，即为该潜在核素的概率标准阈值。

根据本发明的构思，还包括：校准所述辐射场的半高宽刻度系数，且采用MonteCarlo模拟方法计算每个该潜在核素在所述辐射场的概率标准阈值。

根据本发明的构思，在根据所述净能谱中的峰位及确定潜在核素时，先设定判断参数ΔE，再将所述净能谱中的峰位能量与核素库中核素的特征峰能量进行比对，取能量误差在±ΔE以内的特征峰所对应的核素作为潜在核素。

根据本发明的构思，在计算每个该潜在核素在所述辐射场的全概率值时，包括采用公式

$P\left(N\right)=\underset{a=1}{\overset{3}{\mathrm{\Σ}}}P\left(N\right|E_a)P\left(E_a\right)$

其中，P(N)表示判断为所述潜在核素在所述辐射场的全概率，P(E_a)(a＝1,2,3)表示所述潜在核素中能量为E_a的γ射线出现的概率，P(N|E_a)(a＝1,2,3)表示所测得能量为E_a的γ射线来自所述潜在核素的概率。

根据本发明的构思，在对所述γ能谱进行扣除自然本底及降噪处理，获得净能谱时，步骤包括：

用γ能谱探测器测量所述辐射场的天然本底和仪器本底，获得所述辐射场的综合本底能谱；

用所述辐射场的γ能谱减去综合本底能谱；

用灵敏非线性迭代谱峰去噪算法，对扣除综合本底后的能谱再次进行降噪处理，获得净能谱；

用5点或7点光滑法，对所述净能谱进行光滑处理。

根据本发明的构思，在计算每个所述潜在核素的总净峰面积时，步骤包括：

用积分法或累加法计算每个所述潜在核素特征γ射线峰的净峰面积；

将所述净峰面积乘以分支比参数，获得每个所述潜在核素的净总峰面积。

根据本发明的构思，在对每个所述潜在核素的总净峰面积进行标准化处理时，包括采用公式

StdC(ch)＝C(ch)/C_max

其中，C_max为能谱中射线的最大计数值，C(ch)为每一个道址对应的计数，StdC(ch)为每道上的计数。

根据本发明的构思，在根据所述净能谱中的峰位确定潜在核素中，采用三阶导数法确定被测辐射场γ能谱的峰个数及峰位。

根据本发明的构思，测量辐射场获得γ能谱时使用γ能谱探测器为CsI(Tl)探测器。

根据本发明的构思，还包括：校准所述辐射场的能量刻度系数。

本发明提供的γ核素识别方法基于精细去本底计算和概率统计计算的复杂辐射场中γ核素快速识别方法，可以对上述领域中的能谱进行潜在γ核素识别，该方法与已有的核素识别方法有着本质的区别，该方法在扣除自然本底和SNIP降噪算法基础上，提出了感兴趣区康普顿散射本底扣除算法，使计算用核素的特征峰得到最大程度的纯净化；同时该方法提出了核素判断的统计概率计算方法，结合标准阈值，便可计算得到所识别出核素的存在概率，该方法依据了统计数学中的全概率计算原理，原理简单明了，易于实现，可为复杂辐射场中γ核素识别工作提供有效参考数据。

附图说明

图1为本发明中核素快速识别方法分析流程图。

图2为本发明中²²Na、⁶⁰Co、¹³⁷Cs混合源的测量能谱。

图3为本发明中综合本底能谱。

图4为本发明中经光滑降噪处理后的净能谱。

图5为本发明中查找核素实现流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。但本发明并不限于以下的实施例。

核素识别方法是通过对探测到的γ射线能谱进行分析，反演得到发射特征γ射线能量与能谱中γ能量一致的核素。本发明中所实施的核素识别方法可用于各种类型的γ射线能谱探测装置，例如易于维护、环境适应性强、不会潮解的CsI(Tl)晶体阵列探测器，在此不再特别说明γ射线能谱探测装置的具体结构。图1为本发明的核素快速识别方法分析流程图，现结合实例对本发明的具体实施步骤做详细说明。

第1步：被测辐射场的能量刻度和FWHM刻度。用基于CsI(Tl)探测器的γ射线能谱探测系统测量待测标准源的γ射线能谱，进行能量刻度和半高宽刻度，得到二者的刻度系数。

能谱数据组的长度为1024，能谱数据组由道址ch，ch＝1,2,…,1024或2048或4096，射线能量E，射线计数率C构成，E＝a+b×ch，a,b为常数，称为能量刻度系数。刻度系数的求解方法为：利用两组或两组以上已知的能量和道址，建立超定线性方程组，采用最小二乘法求解得到，设有n个能量的峰用于刻度，计算过程如下：

$\mathrm{ch}=\left(\begin{array}{cc}1& {\mathrm{ch}}_1\\ 1& {\mathrm{ch}}_2\\ ...& ...\\ 1& {\mathrm{ch}}_n\end{array}\right),E=\left(\begin{array}{c}{E}_1\\ E_2\\ ...\\ E_n\end{array}\right)$

则，

$\left(\begin{array}{c}a\\ b\end{array}\right)={\left({\mathrm{ch}}^T\mathrm{ch}\right)}^{-1}{\mathrm{ch}}^{T}E$

以上公式中道址ch与能量E一一对应，道址为测量能谱中读出的数值，能量为各核素自身放出的特征γ射线能量。

采用最小二乘法对各特征峰进行拟合，计算出各特征γ能峰的半高宽值，即FWHM(FullWidthatHalfMaximum)值，利用以下刻度公式，得到半高宽刻度系数f₁,f₂,f₃。

$\mathrm{FWHM}=f_1+f_2\sqrt{E+f_3{E}^2}$

第2步：被测辐射场的γ能谱测量及去综合本底。在同等条件下测量该混合源的γ能谱数据和本底能谱数据。扣除天然本底的计数率的做法是，将混合源能谱减去本底能谱中每道能量对应的计数率，获得净能谱，然后用常规的5点或7点或重心光滑法，对净能谱进行光滑处理；最后用已公开发表的灵敏非线性迭代谱峰(SensitiveNonlinearIterativePeak,SNIP)降噪算法对光滑后的能谱进行降噪处理，经以上过程处理后的能谱称为净能谱，

第3步：寻峰。三阶导数法找峰灵敏，甚至微小的统计涨落峰也能识别，对重叠峰的分辨能力强，利用三阶导数寻峰得到峰个数(记为peakNums)和峰位，利用前面计算到的能量刻度系数，计算每个峰位对应的能量记为Peaks[i]，(i＝1,2,…peakNums)。

第4步：查找核素。利用寻峰得到的能量与核素库中核素特征γ射线能量匹配法查找核素，核素库中共有m个核素，记为Nuclide[m]，核素库中每个核素拥有1-3条特征γ射线峰能量，且每个核素的能量按从低到高顺序排序，由用户输入判断窗参数ΔE，与核素库中给出的判断核素的特征峰能量误差在±ΔE以内的能量，均认为与该核素的特征峰匹配，只有峰位能量与核素库中的全部γ射线峰能量都匹配成功，才可判断为潜在核素,将判断出的潜在核素共有k个，记为N[k]。

第5步：计算总净峰面积。对第4步查找出的潜在核素N[k]利用积分法计算净峰面积，设核素特征γ射线峰位能量为E₀，则净峰面积的计算范围为[E₀-1.5FWHM,E₀+1.5FWHM]，该特征峰净峰面积S₀再乘以它所占的该核素全部特征峰强度的分支比系数(为一物理常数，可查询得到)，即可计算出第k个潜在核素的总净峰面积S_k；

第6步：对能谱进行标准化处理。设能谱中射线的最大计数值为C_max,每一个道址对应的计数为C(ch)，则对能谱进行标准化处理后，每道上的计数StdC(ch)计算过程为：

StdC(ch)＝C(ch)/C_max

对标准化后的谱峰进行峰面积计算，过程如第5步。例如，对第k个潜在核素得到的总纯峰面积为StdS(k)。

第7步：康普顿散射本底扣除。γ能谱的组成较复杂，对某个核素的特征γ射线全能峰而言，其中一个重要的干扰成分便是其它核素特征γ射线对它造成的康普顿散射，使本底抬高，引起核素判断概率的误判。此处计算峰康比(PCR_atio)是为了进一步扣除γ峰的散射本底，提高核素判断概率的准确度。

设查找的第k个核素N(k)的第i条γ射线全能峰的左右边界能量分别为E_kL和E_kR，二者也分别是能量为E_γL和能量为E_γR的γ射线所产生的康普顿边能量，则有

$E_{\mathrm{\γL}}=\frac{E_L+\sqrt{E_L^2+1.022E_L}}{2}$

$E_{\mathrm{\γR}}=\frac{E_R+\sqrt{E_R^2+1.022E_R}}{2}$

设N[k]核素γ射线的峰康比系数为PCR(k)，E_γL的感兴趣区左边界能量为E_γLL，即E_γLL＝E_γL-1.5×FWHM(E_γL)，E_γR的感兴趣区右边界能量为E_γRR，即E_γRR＝E_γR+1.5×FWHM(E_γR)，则N[k]核素标准化后的γ射线全能峰扣除康普顿散射计数率的计算过程如下：

$\mathrm{Area}\left(k\right)=\mathrm{StdS}\left(k\right)-\mathrm{PCR}\left(k\right)\underset{\mathrm{ch}=E_{\mathrm{\γLL}}}{\overset{E_{\mathrm{\γRR}}}{\mathrm{\Σ}}}\mathrm{StdC}\left(\mathrm{ch}\right)$

其中Area(k)为第k个潜在核素的纯峰面积。

第8步：计算潜在核素的全概率值P(k)。全概率计算参考了贝叶斯概率(BayesProbability)的一种信任度概念，即采用将概率定义为某人对一个命题信任的程度的概念，可以用作根据新的信息导出或者更新现有的置信度的规则。

设P(k)表示判断为核素N[k]的概率，P(E_i)(i＝1,2,3)表示N[k]核素中能量为E_i的γ射线出现的概率，P(k|E_i)(i＝1,2,3)表示所测得能量为E_i的γ射线来自N[k]核素的概率。

P(k)＝ΣP(k|E_i)P(E_i)

P(E_i)为核数据库中核素N[k]发射能量为E_iγ射线几率(Possibility)归一化值。由于对核素特征能量γ射线的判断误差允许值为±0.01MeV，所以有可能会造成多个核素的特征γ射线判断能量区间产生交叉，也就是同一能量值下可能会对应不同的核素，此时就需要由P(k|E_i)值给出某一能量值对应的某一核素可能性是多少。此步计算出的全概率值放入核素库，作为核素识别的计算参数。

第9步：计算潜在核素的标准阈值。该标准阈值是单核素放射源γ能谱对能谱中最大计数率进行归一化后，核素的净计数率。也是用于计算核素判断概率，采用的是核素净峰面积比较方法，作为判断概率的值。

由于是计算标准阈值，所以需要实验测量纯核素放射源，即该放射源只有一种核素，在同等条件下对其测量，按照第1-7步的步骤计算得到该核素的纯峰面积，例如，某一核素N(x)的标准阈值StdThr(x)就等于只有该单一核素放射源的核素N(x)的纯峰面积值Area(x)，即StdThr(x)＝Area(x)。此值一般由实验计算得到，但是由于实验中可以测量的核素数量和种类有限，所以对一部分核素需要进行MonteCarlo模拟，以获得该核素的标准阈值。利用MonteCarlo模拟软件时需要对模拟能谱展宽，即需要用到第1步计算的f₁，f₂，f₃值。此步计算出的标准阈值放入核素库，作为核素识别的计算参数。

第10步：计算潜在核素存在概率Possibility(k)。将计算得到的核素纯峰面积除以核素的标准阈值，再乘以该核素的全概率值，即为核素的存在概率，对于识别出的潜在核素N(k)而言，其存在概率计算过程如下：

$\mathrm{Possibility}\left(k\right)=P\left(k\right)\×\frac{\mathrm{Area}\left(k\right)}{\mathrm{StdThr}\left(k\right)}\×100\%$

到此，核素识别过程结束。

实验例

按照上述步骤，本实验例中以²²Na、¹³⁷Cs、⁶⁰Co、¹⁵²Eu、²⁴¹Am、⁶⁸Ge六个标准源为检测样品进行作业。

第1步：能量刻度和FWHM刻度。

采用高能物理研究所自行研制的CsI(Tl)探头高分辨核素识别仪测量²²Na、¹³⁷Cs、⁶⁰Co、¹⁵²Eu、²⁴¹Am、⁶⁸Ge六个标准源的γ射线能谱，进行能量刻度和半高宽刻度，得到二者的刻度系数。

能谱数据组的长度为1024，能谱数据组由道址ch，ch＝1,2,…,1024或2048或4096，射线能量E，射线计数率C构成，E＝a+b×ch，a,b为常数，称为能量刻度系数。刻度系数的求解方法为：利用两组或两组以上已知的能量和道址，建立超定线性方程组，采用最小二乘法求解得到，设有n个能量的峰用于刻度，计算过程如下：

$\mathrm{ch}=\left(\begin{array}{cc}1& {\mathrm{ch}}_1\\ 1& {\mathrm{ch}}_2\\ ...& ...\\ 1& {\mathrm{ch}}_n\end{array}\right),E=\left(\begin{array}{c}{E}_1\\ E_2\\ ...\\ E_n\end{array}\right)$

则，

$\left(\begin{array}{c}a\\ b\end{array}\right)={\left({\mathrm{ch}}^T\mathrm{ch}\right)}^{-1}{\mathrm{ch}}^{T}E$

以上公式中道址ch与能量E一一对应，其中本次实例中所用的各核素特征γ射线能量为：²²Na(0.511MeV,1.2745MeV)、¹³⁷Cs(0.611MeV)、⁶⁰Co(1.173MeV,1.332MeV)、¹⁵²Eu(0.779MeV,1.112MeV,1.408MeV)、²⁴¹Am(0.059MeV)、⁶⁸Ge(0.511MeV,1.077MeV)，道址为测量能谱中读出的数值，能量为各核素自身放出的特征γ射线能量。经刻度，得到的能量刻度系数结果为：a＝-0.0241395MeV,b＝0.00211941MeV。

采用最小二乘法对各特征峰进行拟合，计算出各特征γ能峰的半高宽值，即FWHM(FullWidthatHalfMaximum)值，利用以下刻度公式，得到半高宽刻度系数f₁,f₂,f₃。

$\mathrm{FWHM}=f_1+f_2\sqrt{E+f_3{E}^2}$

本次实例中得到的半高宽刻度系数结果为：f₁＝0.0312、f₂＝0.0103、f₃＝25.953。

第2步：能谱测量及去本底。

以²²Na、⁶⁰Co、¹³⁷Cs的混合源分析为例，在同等条件下测量该混合源的γ能谱数据和本底能谱数据，测得的能谱分别如图2和图3所示，横坐标为能量，纵坐标为计数。由于二者均采用了相同的能量刻度系数，因此两组能谱数据中横坐标能量值一致，扣除天然本底的计数率的做法是，将混合源能谱减去本底能谱中每道能量对应的计数率，获得净能谱，然后用常规的5点或7点或重心光滑法，对净能谱进行光滑处理；最后用已公开发表的灵敏非线性迭代谱峰(SensitiveNonlinearIterativePeak,SNIP)降噪算法对光滑后的能谱进行降噪处理，经以上过程处理后的能谱称为净能谱，如图4所示。

第3步：寻峰。

三阶导数法找峰灵敏，甚至微小的统计涨落峰也能识别，对重叠峰的分辨能力强，利用三阶导数寻峰得到峰个数(记为peakNums)和峰位，利用前面计算到的能量刻度系数，计算每个峰位对应的能量记为Peaks[i]，(i＝1,2,…peakNums)。本次实例中，对²²Na、⁶⁰Co、¹³⁷Cs的混合源能谱寻峰结果如表1所示。

表1利用三阶导数寻峰法对混合源能谱的寻峰结果

第4步：查找核素。

利用寻峰得到的能量与核素库中核素特征γ射线能量匹配法查找核素，本次实施例中核素库中共有7个核素，记为Nuclide[m](m＝1,2,…,7)，核素库中每个核素拥有1-3条特征γ射线峰能量，且每个核素的能量按从低到高顺序排序，由用户输入判断窗参数ΔE＝0.00635723MeV，与核素库中给出的判断核素的特征峰能量误差在±ΔE以内的能量，均认为与该核素的特征峰匹配，只有峰位能量与核素库中的全部γ射线峰能量都匹配成功，才可判断为潜在核素，以拥有2条能量的特征γ射线峰判断核素为例，查找核素流程图如图5所示，将判断出的潜在核素共有5个，记为N[k](k＝1,2,…,5)。对表1中寻峰结果与核素库中核素能量进行匹配，本次实例中查找出潜在核素有¹³⁷Cs、²²Na、⁶⁰Co、⁶⁸Ge、¹⁵²Eu共计五种。

第5步：计算总净峰面积。

对第4步查找出的潜在核素N[k]利用积分法计算净峰面积，设核素特征γ射线峰位能量为E₀，则净峰面积的计算范围为[E₀-1.5FWHM,E₀+1.5FWHM]，该特征峰净峰面积S₀再乘以它所占的该核素全部特征峰强度的分支比系数(为一物理常数，可自所使用的数据库中查询得到)，即可计算出第k个潜在核素的总净峰面积S_k。本次实例中各潜在核素的特征峰净峰面积、分支比系数及总净峰面积计算结果如表2所示。

表2对潜在核素净峰面积的计算数据

*表中的分支比系数来自于Raddecay数据库。

第6步：对能谱进行标准化处理。

设能谱中射线的最大计数值为C_max(此实例中C_max＝60928),每一个道址对应的计数为C(ch)(见图2)，则对能谱进行标准化处理后，每道上的计数StdC(ch)计算过程为：

StdC(ch)＝C(ch)/C_max

对标准化后的谱峰进行峰面积计算，过程如第5步，对第k个潜在核素得到的总纯峰面积为StdS(k)。本实例中，混合源能谱的最大计数率C_max值为60928，由此计算得到的总纯峰面积示于表3。

表3各潜在核素的总纯峰面积和康普顿散射本底

*表中的峰康比系数为已知值。

第7步：康普顿散射本底扣除。

γ能谱的组成较复杂，对某个核素的特征γ射线全能峰而言，其中一个重要的干扰成分便是其它核素特征γ射线对它造成的康普顿散射，例如，¹³⁷Cs核素0.661MeV的γ射线峰便会对⁶⁸Ge核素或²²Na核素0.511MeVγ射线产生干扰，使本底抬高，造成0.511MeV峰的计数率增加，引起核素判断概率的误判。此处计算峰康比(PCRatio)是为了进一步扣除γ峰的散射本底，提高核素判断概率的准确度。

设查找的第k个核素N(k)的第i条γ射线全能峰的左右边界能量分别为E_kL和E_kR，二者也分别是能量为E_γL和能量为E_γR的γ射线所产生的康普顿边能量，则有

$E_{\mathrm{\γL}}=\frac{E_L+\sqrt{E_L^2+1.022E_L}}{2}$

$E_{\mathrm{\γR}}=\frac{E_R+\sqrt{E_R^2+1.022E_R}}{2}$

设N[k]核素γ射线的峰康比系数为PCR(k)，E_γL的感兴趣区左边界能量为E_γLL，即E_γLL＝E_γL-1.5×FWHM(E_γL)，E_γR的感兴趣区右边界能量为E_γRR，即E_γRR＝E_γR+1.5×FWHM(E_γR)，则N[k]核素标准化后的γ射线全能峰扣除康普顿散射计数率的计算过程如下：

$\mathrm{Area}\left(k\right)=\mathrm{StdS}\left(k\right)-\mathrm{PCR}\left(k\right)\underset{\mathrm{ch}=E_{\mathrm{\γLL}}}{\overset{E_{\mathrm{\γRR}}}{\mathrm{\Σ}}}\mathrm{StdC}\left(\mathrm{ch}\right)$

其中Area(k)为第k个潜在核素的纯峰面积。本实例中的计算结果示于表3。

第8步：计算全概率值P(k)。

全概率计算参考了贝叶斯概率(BayesProbability)的一种信任度概念，即采用将概率定义为某人对一个命题信任的程度的概念，可以用作根据新的信息导出或者更新现有的置信度的规则。

设P(k)表示判断为核素N[k]的概率，P(E_i)(i＝1,2,3)表示N[k]核素中能量为E_i的γ射线出现的概率，P(k|E_i)(i＝1,2,3)表示所测得能量为E_i的γ射线来自N[k]核素的概率。

P(k)＝ΣP(k|E_i)P(E_i)

P(E_i)为核数据库中核素N[k]发射能量为E_iγ射线几率(Possibility)归一化值。例如，²²Na发射0.511MeVγ射线的几率为1.798，发射1.274MeVγ射线的几率为0.9994，则²²Na发射两条γ射线的概率分别为

P(0.511)＝1.798/(1.798+0.9994)＝0.64274

P(1.274)＝0.9994/(1.798+0.9994)＝0.35726

由于本次实例中对核素特征能量γ射线的判断误差允许值为±0.01MeV，所以有可能会造成多个核素的特征γ射线判断能量区间产生交叉，也就是同一能量值下可能会对应不同的核素，此时就需要由P(k|E_i)值给出某一能量值对应的某一核素可能性是多少。例如，²³⁸Pu的一条γ射线能量为0.099MeV，它的判断误差范围为[0.088403,0.109597]与¹³³Ba、²⁴¹Pu、²³⁷Np核素中γ射线能量判断范围重叠，所以，P(²³⁸Pu|0.099)＝1/4＝0.25。又如，²²Na的一条γ射线能量为0.511MeV,与⁶⁸Ge核素的能量判断范围重叠，所以，P(²²Na|0.511)＝1/2＝0.5。

此步计算出的全概率值放入核素库，作为核素识别的计算参数。本实例中潜在核素的全概率值计算结果如表4所示。

表4各潜在核素的全概率值、标准阈值和存在概率

第9步：计算标准阈值。

该标准阈值是单核素放射源γ能谱对能谱中最大计数率进行归一化后，核素的净计数率。也是用于计算核素判断概率，采用的是核素净峰面积比较方法，作为判断概率的值。

由于是计算标准阈值，所以需要实验测量纯核素放射源，即该放射源只有一种核素，在同等条件下对其测量，按照第1-7步的步骤计算得到该核素的纯峰面积，例如，某一核素N(x)的标准阈值StdThr(x)就等于只有该单一核素放射源的核素N(x)的纯峰面积值Area(x)，即StdThr(x)＝Area(x)。此值一般由实验计算得到，但是由于实验中可以测量的核素数量和种类有限，所以对一部分核素需要进行MonteCarlo模拟，以获得该核素的标准阈值。利用MonteCarlo模拟软件时需要对模拟能谱展宽，即需要用到第1步计算的f₁，f₂，f₃值。此步计算出的标准阈值放入核素库，作为核素识别的计算参数。本实例中潜在核素的标准阈值如表4所示。

第10步：计算潜在核素存在概率Possibility(k)。

将计算得到的核素纯峰面积除以核素的标准阈值，再乘以该核素的全概率值，即为核素的存在概率，对于识别出的潜在核素N(k)而言，其存在概率计算过程如下：

$\mathrm{Possibility}\left(k\right)=P\left(k\right)\×\frac{\mathrm{Area}\left(k\right)}{\mathrm{StdThr}\left(k\right)}\×100\%$

到此，核素识别过程结束。本实例中对潜在核素的存在概率计算结果如表4所示。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。

Claims (10)

1.一种γ核素识别方法，包括以下步骤：

测量辐射场获得γ能谱；

对所述γ能谱进行扣除综合本底及降噪处理，获得净能谱；

根据所述净能谱中的峰位确定潜在核素；

计算每个所述潜在核素的总净峰面积；

对每个所述潜在核素的总净峰面积进行标准化处理，获得该潜在核素的标准化总净峰面积；

对每个所述潜在核素的标准化总净峰面积扣除康普顿散射本底，获得每个所述潜在核素的纯峰面积值；

计算每个该潜在核素在所述辐射场的全概率值及概率标准阈值；

计算每个所述潜在核素的存在概率。

2.如权利要求3所述的一种γ核素识别方法，其特征在于，在对每个所述潜在核素的标准化总净峰面积扣除康普顿散射本底，获得每个所述潜在核素的纯峰面积值时，采用方式为设所述潜在核素的γ射线全能峰的左右边界能量分别为E_L和E_R，则二者也分别是能量为E_γL和能量为E_γR的γ射线所产生的康普顿边能量，则有：

$E_{\mathrm{\γL}}=\frac{E_L+\sqrt{E_L^2+1.022E_L}}{2}$

$E_{\mathrm{\γR}}=\frac{E_R+\sqrt{E_R^2+1.022E_R}}{2}$

设所述γ能谱中每一道上的计数率为CRT[ch](ch＝1,2,…1024或2048)，最大计数率值为CRT_max，则标准处理化后的γ能谱中每一道上的计数率CRT_norm[ch]＝CRT[ch]/CRT_max，所述潜在核素的γ射线的峰康比系数为PCR_γ，E_γL的感兴趣区左边界能量为E_γLL，即E_γLL＝E_γL-1.5×FWHM(E_γL)，E_γR的感兴趣区右边界能量为E_γRR，即E_γRR＝E_γR+1.5×FWHM(E_γR)，则所述潜在核素的γ射线全能峰扣除康普顿散射后的面积计算过程如下：

$\mathrm{Area}\left(N\right)=\underset{\mathrm{ch}=E_L}{\overset{E_R}{\mathrm{\Σ}}}{\mathrm{CRT}}_{\mathrm{norm}}\left(\mathrm{ch}\right)-{\mathrm{PCR}}_{\mathrm{\γ}}\underset{\mathrm{ch}=E_{\mathrm{\γLL}}}{\overset{E_{\mathrm{\γRR}}}{\mathrm{\Σ}}}{\mathrm{CRT}}_{\mathrm{norm}}\left(\mathrm{ch}\right)$

其中，Area(N)称为所述潜在核素的纯峰面积。

3.如权利要求2所述的一种γ核素识别方法，其特征在于，计算每个所述潜在核素的存在概率的方式为将所述每个潜在核素的纯峰面积除以该核素在所述辐射场的概率标准阈值，再乘以该核素在所述辐射场的全概率值。

4.如权利要求3所述的一种γ核素识别方法，其特征在于，在计算每个该潜在核素在所述辐射场的概率标准阈值时，将每个该潜在核素单独放置于所述辐射场中测量并计算获得该潜在核素的纯峰面积值，即为该潜在核素的概率标准阈值；或通过计算所述辐射场的半高宽刻度系数且采用MonteCarlo模拟方法计算每个该潜在核素在所述辐射场的概率标准阈值。

5.如权利要求1-4中任一项所述的一种γ核素识别方法，其特征在于，在根据所述净能谱中的峰位及确定潜在核素时，先设定判断参数ΔE，再将所述净能谱中的峰位能量与核素库中核素的特征峰能量进行比对，取能量误差在±ΔE以内的特征峰所对应的核素作为潜在核素。

6.如权利要求5所述的一种γ核素识别方法，其特征在于，在计算每个该潜在核素在所述辐射场的全概率值时，包括采用公式

$P\left(N\right)=\underset{a=1}{\overset{3}{\mathrm{\Σ}}}P\left(N\right|E_a)P\left(E_a\right)$

其中，P(N)表示判断为所述潜在核素在所述辐射场的全概率，P(E_a)(a＝1,2,3)表示所述潜在核素中能量为E_a的γ射线出现的概率，P(N|E_a)(a＝1,2,3)表示所测得能量为E_a的γ射线来自所述潜在核素的概率。

7.如权利要求6所述的一种γ核素识别方法，其特征在于，在对所述γ能谱进行扣除自然本底及降噪处理，获得净能谱时，步骤包括：

用γ能谱探测器测量所述辐射场的天然本底和仪器本底，获得所述辐射场的综合本底能谱；

用所述辐射场的γ能谱减去综合本底能谱；

用灵敏非线性迭代谱峰去噪算法，对扣除综合本底后的能谱再次进行降噪处理，获得净能谱；

用5点或7点光滑法，对所述净能谱进行光滑处理。

8.如权利要求7所述的一种γ核素识别方法，其特征在于，在计算每个所述潜在核素的总净峰面积时，步骤包括：

用积分法或累加法计算每个所述潜在核素特征γ射线峰的净峰面积；

将所述净峰面积乘以分支比参数，获得每个所述潜在核素的净总峰面积。

9.如权利要求8所述的一种γ核素识别方法，其特征在于，在对每个所述潜在核素的总净峰面积进行标准化处理时，包括采用公式

StdC(ch)＝C(ch)/C_max

其中，C_max为能谱中射线的最大计数值，C(ch)为每一个道址对应的计数，StdC(ch)为每道上的计数。

10.如权利要求9所述的一种γ核素识别方法，其特征在于，在根据所述净能谱中的峰位确定潜在核素中，采用三阶导数法确定被测辐射场γ能谱的峰个数及峰位。