CN108508473A - 基于水下自主航行器的水体γ辐射立体监测系统及方法 - Google Patents
基于水下自主航行器的水体γ辐射立体监测系统及方法 Download PDFInfo
- Publication number
- CN108508473A CN108508473A CN201810541678.9A CN201810541678A CN108508473A CN 108508473 A CN108508473 A CN 108508473A CN 201810541678 A CN201810541678 A CN 201810541678A CN 108508473 A CN108508473 A CN 108508473A
- Authority
- CN
- China
- Prior art keywords
- module
- underwater vehicle
- navigation
- water body
- autonomous underwater
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005855 radiation Effects 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 35
- 239000000523 sample Substances 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000013016 learning Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000005183 dynamical system Methods 0.000 claims description 7
- 230000002285 radioactive effect Effects 0.000 claims description 7
- 230000008021 deposition Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004064 recycling Methods 0.000 claims description 4
- 239000003643 water by type Substances 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 238000003904 radioactive pollution Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 description 12
- RFVFQQWKPSOBED-PSXMRANNSA-N 1-myristoyl-2-palmitoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COC(=O)CCCCCCCCCCCCC RFVFQQWKPSOBED-PSXMRANNSA-N 0.000 description 6
- 229910052684 Cerium Inorganic materials 0.000 description 4
- 229910004755 Cerium(III) bromide Inorganic materials 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 230000031709 bromination Effects 0.000 description 4
- 238000005893 bromination reaction Methods 0.000 description 4
- GWXLDORMOJMVQZ-UHFFFAOYSA-N cerium Chemical compound [Ce] GWXLDORMOJMVQZ-UHFFFAOYSA-N 0.000 description 4
- MOOUSOJAOQPDEH-UHFFFAOYSA-K cerium(iii) bromide Chemical compound [Br-].[Br-].[Br-].[Ce+3] MOOUSOJAOQPDEH-UHFFFAOYSA-K 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000941 radioactive substance Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/167—Measuring radioactive content of objects, e.g. contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/003—Scintillation (flow) cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
- G01T1/362—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry with scintillation detectors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Abstract
本发明公开了一种基于水下自主航行器的水体γ辐射立体监测系统及方法,采用模块化设计,包括γ辐射探测模块、控制模块、能源模块和动力模块;所述γ辐射探测模块进行γ辐射的实施提取,通过深度学习网络系统快速判断是否存在人工放射性核素,并收集探测数据;所述控制模块根据γ辐射测量结果,采用高斯过程回归的智能路径规划系统控制水下自主航行器智能巡航;本发明能够实现水体中γ辐射核素活度浓度三维立体分布的高效精确测定。
Description
技术领域
本发明属于水体放射性监测领域,具体地说,涉及一种基于水下自主航行器的水体γ辐射立体监测系统及方法。
背景技术
随着我国新能源战略的逐步推进,核能作为高效、环保、持续供能强、技术成熟度高等优势,已逐步成为我国能源结构中的重要组成部分,而核电安全成为公众关注的焦点。当前,沿海核电站的数量大幅增加,未来二十年,亚洲地区仅中日韩三国的沿海核电站就将达到300座。核电站若发生事故,有可能引起放射性物质向环境释放,造成放射性物质直接或间接的途径进入海洋,对水体造成大范围的影响。如:切尔若贝利核电站爆炸事故,三里岛核电站失水事故和福岛核电站氢气爆炸事故。在核事故应急中对于污染海域人工放射性核素活度浓度的三维分布测定是制定应急方案的前提,但水体中放射性核素污染面积较大且具备高不确定性,大范围的取样测定效率很低,无法满足核应急快速反应的需要。因此开发一套具备自主高效的放射性核素测定能力的水体放射性监测系统,用于核事故应急的水体放射性监测系统对于事故应急和事故减缓措施的制定、核电站周边水域环境的风险评估具有重大意义。
发明内容
针对上述问题,本发明提供了一种基于水下自主航行器的水体γ辐射立体监测系统及方法,能够实现核事故情况下水体中放射性核素活度浓度三维立体分布的高效精确测定。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于水下自主航行器的水体γ辐射立体监测系统,采用模块化设计,包括γ辐射探测模块、控制模块、能源模块和动力模块;所述γ辐射探测模块进行γ辐射的实施提取,通过深度学习网络系统快速判断是否存在人工放射性核素,并收集探测数据;所述控制模块根据γ辐射测量结果,控制能源模块和动力模块进行智能巡航。
进一步的,所述控制模块还连接导航模块,所述导航模块根据地理信息进行航线规划,并接收控制模块发来的γ辐射测量数据,采用高斯过程回归的智能路径规划并将智能路径规划信息反馈给控制模块进行智能巡航。
更进一步的,所述控制模块还连接通信模块,所述通信模块与地面系统交互通信,接收目标坐标并作为地理信息输入至导航模块,导航模块根据地理信息进行航线规划;所述通信模块还用于采样点的γ辐射核素的活度浓度信息、深度和全球定位数据的备份储存。
进一步的,所述导航模块包括DVL速度仪、微型深度计、微型水流速度计、电子罗盘、IMU系统以及全球定位系统;所述电子罗盘、全球定位系统和IMU系统连接导航计算CPU,在导航计算CPU的控制下完成航行器的自主导航;
所述DVL速度仪、微型深度计、微型水流速度计连接模块单元计算机,通过DVL速度仪、微型深度计和微型水流速度计测量得到不同航行状态下航行速度、深度、水流速度,连同舵角信息和螺旋桨转速一起通过模块单元计算机处理,经过CAN总线传输引入导航计算CPU,用以校准系统的导航精度。
进一步的,所述γ辐射探测模块包括依次连接的CeBr3晶体+MPPC硅光电倍增器或其他高性能γ辐射探测器、前置放大器、主放大器、多道分析器、数据处理模块、储存模块,所述γ辐射探测器、前置放大器、主放大器、多道分析器将γ射线光子转换为多道沉积谱;所述数据处理模块对多道沉积谱的能谱数据逐点进行处理,得到采样点的γ辐射核素的活度浓度信息、深度和全球定位数据,一并存储至储存模块。
本发明另一方面还提供了一种基于水下自主航行器的水体γ辐射立体监测方法,包括:
(1)进行工作前,将基于水下自主航行器的水体放射性监测系统布放至与待测水域连通的航道中,同时调试各模块至预备状态;地面系统发送指令至通信模块设定待测水域的目标坐标,通信模块将目标坐标输入至导航模块,导航模块根据地理信息进行航线规划;航线规划完成后动力系统与避障模块进入工作状态,控制模块控制动力系统、导航模块、避障模块使自主航行器前往目标坐标;
(2)到达导航坐标点附近后,控制模块对自主航行器减速确认目标点坐标,并水体中预设深度,此时控制环境传感器与γ辐射探测器,探测并发送一组本底数据,准备开始水体γ辐射立体探测任务;所述环境传感器包括包括温度、盐度、深度等海洋环境传感器;
(3)采用预设的智能巡航模式,自动规划巡航边界与巡航路径,通过控制模块控制自主航行器的航行方向和深度,γ辐射探测模块开机,进行γ能谱的实时提取,并输入深度学习网络系统,快速判断是否存在人工放射性核素;
(4)判断结果若不存在人工放射性核素,则控制模块按照智能路径规划继续控制自主航行器维持原有路径规划巡航;若存在人工放射性核素,则对γ能谱进行数据处理,得到采样点特定γ辐射剂量率和核素的活度浓度信息,并与采样点的环境信息和全球定位数据一并存储至探测系统的储存模块,并备份至通信模块;
(5)继续智能巡航模式,通过多个采样点的探测,优化探测路径,到达污染海域的高放射性污染区域,在得到足够的探测数据后,上浮通过卫星通信系统将通信模块中存储的数据回传地面监测站,地面系统根据处理得到的数据绘制立体的放射性水平等高线图。
进一步的,步骤(3)中,所述深度学习网络基于深度神经网络、DBN、递归神经网络或SAE,在监测之前获取训练样本和测试样本并且进行深度学习网络训练,具体方法为:
(101)采用探测器测量天然本底和放射性核素能谱,对测得的能谱作小波平滑处理,以降低噪声干扰;将全谱进行归一化处理,消除能谱强度变化的影响,进而完成能谱的特征提取;最后将样本分为训练样本和测试样本;
(102)采用训练样本训练深度学习网络,即将训练样本的能谱进行特征提取,将特征参数值输入深度学习网络,输出一个0~1之间的参数,代表存在人工放射性核素的概率,通过比较深度学习网络输出与目标的差异,调整深度学习网络的结构参数;将测试样本输入深度学习网络中,通过比较深度学习网络输出与目标的差异调节判定人工放射性核素存在的阈值参数,最终确定深度学习网络结构参数,并完成深度学习网络训练;
(103)在执行人工放射性核素快速判别时,将已完成训练的深度学习网络搭载于数据处理模块中,探测器得到的实时γ射线能谱输入深度学习网络,得到存在人工放射性核素的概率,将概率与步骤(102)中得到的阈值参数进行比较,完成人工放射性核素的判别。
进一步的,所述智能巡航,采用高斯过程回归的智能路径规划,将连续的空间离散化,用立方体栅格将连续的搜索区域分割为离散化的搜索区域,在监测过程中,水下自主航行器γ辐射测量被认为在栅格的中心点处进行笛卡尔坐标的记录和辐射强度的检测;
具体方法为:
(201)控制循环开始前,给定水下自主航行器的初始位置坐标,水下自主航行器将其记录于三维数组M中;
(202)控制循环开始后,水下自主航行器检测其所在点的辐射强度值S,并将其记录于一维数组M中,由此得到训练集[M,S];该训练集被用来训练选定好的高斯过程,训练后使用高斯过程回归,分别计算邻域中每一个点的辐射强度均值和辐射强度方差,然后计算出u1;
(203)水下自主航行器通过遍历二维数组M得到邻域中各点在M中出现的次数,由此获得经过邻域中各个点的次数,然后计算出u2;
(204)计算目标函数U(xi)的值,采用枚举法解决最优化问题,获得下一步的目标点xk;
(205)水下自主航行器移动到xk点,检测该点处的辐射强度值Sk,获得新的训练集样本(xk,Sk);
(206)判断新检测到的辐射强度值Sk是否大于设定的阈值,若小于阈值则继续控制循环的执行,若大于阈值则停止循环,表示水下自主航行器已航行至放射源泄露区域。
进一步的,步骤(4)所述数据处理模块的处理过程包括:
(301)所述数据处理模块采用小波变换对γ能谱进行光滑处理;
(302)能量刻度采用线性或非线性方法刻度,效率刻度采用蒙特卡罗模拟和放置于活度浓度为1Bq/L的133Ba、137Cs、60Co标准液体源内实验刻度;
(303)采用导数法或对称零面积变换法进行寻峰判断;
(304)采用加权非线性最小二乘法得到γ射线全能峰面积。
更进一步的,所述数据处理模块的处理过程还包括:
a为水体γ辐射核素活度浓度,单位为Bq/L;
S为步骤(304)的全能峰面积;
ε为步骤(302)中各能量对应的效率刻度值;
T为测量时间。
与现有技术相比,本发明具有如下的有益效果:
本发明公开一种基于水下自主航行器平台的智能水体γ辐射立体监测系统及方法,所述水体γ辐射立体监测系统能够自主航行至事故海域并基于智能控制系统自主完成事故海域的γ辐射立体监测,规避了监测人员在放射性污染海域暴露的风险。该水体γ辐射立体监测系统基于高斯过程回归的智能路径规划系统控制水下自主航行器的能源模块和动力模块进行智能巡航,并配合γ辐射探测模块进行采样点γ能谱的实施提取,通过深度学习网络系统快速判断是否存在人工放射性核素,并收集探测收据。基于这些现有监测系统所不具备的功能,本发明能够实现核事故情况下水体中γ辐射立体核素活度浓度立体分布的快速精确测定,以满足核应急快速反应的需要。
附图说明
图1是本发明基于水下自主航行器的水体放射性监测系统示意图;
图2是本发明导航模块构成示意图;
图3是本发明探测模块构成示意图;
图4是本发明辐射探测流程图;
图5是本发明用于人工核素判定的深度学习网络的训练和使用流程图;
图6是本发明SAE深度学习网络结构示意图;
图7是本发明智能路径规划系统工作流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图对本发明的技术方案做进一步的详细说明:为了实现核事故情况下水体中γ辐射放射性核素活度浓度立体分布的高效精确测定,实施例提供了一种基于水下自主航行器的水体γ辐射立体监测系统。
如图1所示,所述基于水下自主航行器的水体放射性监测系统采用模块化设计,基础模块包括:导航/控制/通信模块、能源模块和动力模块,尾部推进模块采用带导流罩的磁耦合推进器和桨后舵的航行控制机构。能源模块采用锂离子二次电池,根据任务情况可选择安装多个能源模块。自主水下航行器动力模块基于螺旋桨推进器、喷水推进器或仿生推进器。采用螺旋桨推进器,具有理论成熟、推进效率高、结构简单等几个优点,特别适合微小型水下航行器采用。
如图2所示,所述导航模块包括DVL速度仪、微型深度计、微型水流速度计、电子罗盘、IMU系统以及全球定位系统;所述电子罗盘、全球定位系统和IMU系统连接导航计算CPU,在导航计算CPU的控制下完成航行器的自主导航;所述DVL速度仪、微型深度计、微型水流速度计连接模块单元计算机,通过DVL速度仪、微型深度计和微型水流速度计测量得到不同航行状态下航行速度、深度、水流速度,连同舵角信息和螺旋桨转速一起通过模块单元计算机处理,经过CAN总线传输引入导航计算CPU,用以校准系统的导航精度。
所述基于水下自主航行器的水体放射性监测系统的和探测功能由搭载在头部的γ辐射探测模块实现,如图3所示,该模块由基于溴化铈(CeBr3)闪烁体探头、MPPC硅光电倍增器、前置放大器、主放大器、多道分析器、数据处理模块组成。所述溴化铈(CeBr3)闪烁体探头,适用于快时间、低本底的核辐射探测领域,同时兼顾了时间响应性能及能量响应性能。所述MPPC硅光电倍增器是由多个工作在盖格模式的雪崩光电二极管像素组成,有着优秀的光子计数能力,适用于极弱光测量的场景。MPPC可在低电压下进行工作,其特点是高增益、高光子探测效率、高反应速度、优秀的时间分辨率、以及较宽的光谱响应范围。此外,MPPC对磁场不灵敏,并抗金属冲击。MPPC硅光电倍增器将溴化铈(CeBr3)闪烁体中产生的光信号经过光电转换和电子倍增转换成电信号。
经过前置放大器和主放大器处理后的信号进入具备全谱能谱测量能力的数字多道脉冲幅度分析器。由于脉冲信号的幅度与γ射线能量E成正比关系,在所述多道脉冲幅度分析器中,将脉冲信号幅度转换为多道沉积谱,道址正比于电压,所以可推算出多道沉积谱的道址与射线在探测器中损失的能量E成正比关系。
所述数据处理模块采用小波变换平滑降低统计涨落的影响其原理是在低本底测量室内,长时间测量溴化铈晶体的本底谱线,其测量时间远大于系统在周期性测量时的测量周期时间,将测量得到的本底谱线转换为单位时间的本底谱线,存储至本底谱线文件中,在系统实际测量时,只需将单位时间的本底谱线乘以测量时间,即为这段时间的本底谱线,用测得的仪器谱线减去这段时间的本底谱进行扣除即可,其算法表达式为:CHA=CH-T*BG,其中:CHA为扣除本底后的i道计数;CH为扣除本地前的i道计数;T为测量时间;BG为单位时间本地谱线的i道计数。
采用导数法或对称零面积变换法进行寻峰判断。以导数寻峰法为例,计算给定的经过光滑处理后的谱线一阶导数,一阶导数的数值由正变负、过零点对应的道址即为峰位。其中一阶导数公式为:Yi=1/12(Yi-2-8Yi-1+8Yi+1-Yi+2),由公式计算得到的导数数据中,根据其指由正转负、过零点的数对应的道址即为峰位。但是,由于谱光滑效果有限,往往会有一些小毛刺存在,道址误识别为峰位,所以系统中根据探测器自身的能量分辨率,估算所得谱线中峰位宽度范围,对峰位的峰形宽度进行判断,其中导数数据由负转正的点对应的道址为峰的边界。
采用最小二乘法或解线性方程组法或插值法对以上所得的仪器谱进行刻度。以最小二乘法为例:所在峰位所在道址与其对应的能量之间的关系可以用一个多项式来表示:E=A0+A1*CH+A2*CH2+……+An*CHn,其中:E为对应于道址数的能量;CH为要转换的能量的道址数;A0、A1、……、An为矫正系数。利用已知能量的放射源照射系统,根据测得谱线中各峰位的道址和对应的能量,求解出矫正系数。能量刻度后,所述数据处理模块将所有识别到的峰位将刻度转换为对应的能量,该能量即可用来进行与核素库中的核素能量进行比较识别,得到所探测的区域可能存在的核素人工。所述数据处理模块采用加权非线性最小二乘高斯拟合计算γ射线全能峰峰面积。
在进行水体人工放射性核素监测时,进行工作前,将基于水下自主航行器的水体放射性监测系统布放至与待测水域连通的航道中,同时调试监测装置各模块至预备状态。地面系统发送指令至通信模块设定待测水域的目标坐标,自主航行器通信模块将目标坐标输入至导航模块,导航模块根据地理信息进行航线规划,航线规划完成后动力模块与避障模块进入工作状态,控制模块控制动力模块、导航模块、避障模块使自主航行器前往目标坐标。
到达导航坐标点附近后,控制模块控制动力系统对自主航行器减速确认目标点坐标,并水体中预设深度,此时控制环境传感器(包括温度、盐度、深度等海洋环境传感器)与γ辐射探测器,探测并发送一组本底数据,准备开始水体γ辐射立体探测任务。
采用预设的智能巡航模式,自动规划巡航边界与巡航路径,通过导航控制模块智能控制自主航行器的航行方向和深度,自主航行器进入智能巡航模式后,智能监测流程如图4所示,γ辐射探测模块开机,进行γ能谱的实施提取,提取间隔时间1~2秒,将提取到的能谱信息输入深度学习神经网络系统,快速判断是否存在人工放射性核素,判断时间低于1s。判断结果若不存在人工放射性核素,则智能路径规划系统继续控制自主航行器维持原有巡航模式;判断结果若存在人工放射性核素,则自主航行器控制模块执行快速制动直至停止,提取1~2分钟的能谱经过数据处理模块的处理,处理过程包括(1)采用小波变换对γ能谱进行光滑处理;(2)能量刻度采用线性或非线性方法刻度,效率刻度采用蒙特卡罗模拟和放置于活度浓度为1Bq/L的133Ba、137Cs、60Co标准液体源内实验刻度;(3)采用导数法或对称零面积变换法进行寻峰判断;(4)采用加权非线性最小二乘法得到γ射线全能峰面积;然后计算水体γ辐射核素活度浓度a:
a为水体γ辐射核素活度浓度,单位为Bq/L;
S为γ射线全能峰面积;
ε为各能量对应的效率刻度值;
T为测量时间。
数据处理后得到采样点特定核素的活度浓度信息,并与采样点的全球定位数据一并存储至探测系统的储存模块,并备份至通信模块中,此时智能路径规划系统工作,通过多个采样点的探测,优化的探测路径,自主航行器到达污染海域的高放射性污染区域,在得到足够的探测数据后,自主航行器上浮,通过卫星通信系统将通信模块中存储的数据回传地面监测站,地面系统根据处理得到的数据绘制立体的放射性水平等高线图。在完成放射性检查任务后,自主航行器将投放坐标输入值定位导航模块,定位导航模块根据地理信息进行航线规划,航线规划完成后动力系统与避障模块进入工作状态,控制模块控制动力系统、导航模块、避障模块使自主航行器自主返航至投放坐标。人员对自主航行器完成回收、区域放射性水平评估后,任务执行完毕。
所述深度学习网络基于深度神经网络、DBN、递归神经网络或SAE,所述深度学习网络能够快速判断是否存在人工放射性核素,在放射性开展监测任务之前需要对获取训练样本和测试样本并且进行深度学习网络训练,才能在实际监测中利用完成训练的深度学习网络执行人工放射性核素判别任务。深度学习网络训练样本和测试样本获取、深度学习网络训练、人工放射性核素判别过程如图5所示。
第一步,采用探测器测量带有天然本底和放射性核素的能谱,对测得的能谱作小波平滑处理,以消除噪声的干扰;按顺序选取一定数量的变换系数并做归一化处理,以消除能谱强度变化的影响,进而完成能谱的特征提取;最后将样本分为训练样本和测试样本。第二步,采用训练样本训练深度学习网络,即将训练样本的能谱进行特征提取,将特征参数值输入特征输入深度学习网络,深度学习网络最终输出一个0~1之间的参数,代表存在人工放射性核素的概率,通过比较深度学习网络输出与目标输出的差异,调整深度学习网络的结构参数,如隐含层个数、各隐含层神经元个数、学习率、迭代次数等;将测试样本输入深度学习网络中,通过比较深度学习网络输出与目标输出的差异调节判定人工放射性核素存在的阈值参数,最终确定深度学习网络结构参数并完成深度学习网络的训练。第三步,在执行人工放射性核素快速判别时,将已完成训练的深度学习网络搭载于数据处理模块中,探测器得到的实时γ射线能谱经过平滑处理后进行特征提取,将能谱的特征值输入深度学习网络,得到存在人工放射性核素的概率,将概率与第二步中得到的阈值参数进行比较,完成人工放射性核素的判别。
以深度学习SAE为例,深度学习网络的结构如图6所示,所描述的网络由3个自编码器和1个前馈神经网络组成。值得注意的是,自编码器的数量及各隐含层神经元的数量由数据的特性决定。SAE采用逐层贪婪的训练方法,并且下一层训练时保持上一层的权值和偏置值不变。隐含层个数为3,各隐含层神经元个数由左至右分别为64、32和16,学习率为0.8。迭代次数的设置可基于训练样本数据特性,训练至收敛即可。由于在上节中选取128个变换系数作为栈式自编码神经网络的输入,因此输入层神经元个数为128,又由需要最终判定是否存在人工放射性核素,因此输出层神经元个数为1,用‘1’和‘0’表示存在和不存在。因此最终建立的神经网络模型为128×64×32×16×3,神经网络输出神经元输出值大于等于0.9表示相应核素存在,反之则反。
由于目标污染海域分布范围广、面积大、深度分布不均匀,因此采用基于高斯过程回归的智能路径规划系统控制水下自主航行器进行智能巡航。连续的搜索空间存在问题的无限多组解,为缩小问题解空间并加快探测流程,同时使每次辐射强度的测量能得出有价值的不同结果,有必要将连续的空间离散化。采用边长为l的立方体栅格将连续的搜索区域分割为离散化的搜索区域,在监测过程中,水下自主航行器在栅格的中心点处进行笛卡尔坐标的记录和辐射强度的检测。在智能路径上,需要水下自主航行器以最快的速度到达高浓度污染区域并找到污染源点。那么最优化问题定义为:
最优化目标函数为:
U(xi)=u1(xi)·u2(xi)
其中:
其中:
xi为邻域中的点的三维笛卡尔坐标。
ρ(xi)为均值的参数;
为方差的参数;
μ(xi)高斯过程回归所得xi点的均值;
n(xi)为机器人经过xi点所在栅格的次数。
水下自主航行器路径规划算法的流程图如图7所示,整个算法的流程如下:(1)控制循环开始前,给定水下自主航行器的初始位置坐标,水下自主航行器将其记录于三维数组M中;(2)控制循环开始后,水下自主航行器检测其所在点的辐射强度值S,并将其记录于一维数组M中,由此得到训练集[M,S]。该训练集被用来训练选定好的高斯过程,训练后使用高斯过程回归,分别计算邻域中每一个点的辐射强度均值和辐射强度方差,然后计算出u1。(3)水下自主航行器通过遍历二维数组M得到邻域中各点在M中出现的次数,由此获得经过邻域中各个点的次数,然后计算出u2。(4)计算目标函数U(xi)的值,采用枚举法解决最优化问题,获得下一步的目标点xk;(5)水下自主航行器移动到xk点,检测该点处的辐射强度值Sk,获得新的训练集样本(xk,Sk);(6)判断新检测到的辐射强度值Sk是否大于设定的阈值,若小于阈值则继续控制循环的执行,若大于阈值则停止循环,表示水下自主航行器已航行至放射源泄露区域。
完成放射性监测任务后,各采样点人工放射性浓度活度值和位置坐标存储与探测模块中,并备份至通信模块中,两份数据相互独立,降低自主航行器失事后数据丢失的风险。
所述水下自主航行器在返航途中上浮,并将数据发送回数据地面站,根据测得的数据修正放射性核素在海洋中的迁移扩散模型,绘制污染海域人工放射性核素三维活度浓度分布图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于水下自主航行器的水体γ辐射立体监测系统,其特征在于,采用模块化设计,包括γ辐射探测模块、控制模块、能源模块和动力模块;所述γ辐射探测模块进行γ辐射的实施提取,通过深度学习网络系统快速判断是否存在人工放射性核素,并收集探测数据;所述控制模块根据γ辐射测量结果,控制能源模块和动力模块进行智能巡航。
2.根据权利要求1所述的基于水下自主航行器的水体γ辐射立体监测系统,其特征在于,所述控制模块还连接导航模块,所述导航模块根据地理信息进行航线规划,并接收控制模块发来的γ辐射测量数据,采用高斯过程回归的智能路径规划并将智能路径规划信息反馈给控制模块进行智能巡航。
3.根据权利要求2所述的基于水下自主航行器的水体γ辐射立体监测系统,其特征在于,所述控制模块还连接通信模块,所述通信模块与地面系统交互通信,接收目标坐标并作为地理信息输入至导航模块,导航模块根据地理信息进行航线规划;所述通信模块还用于采样点的γ辐射核素的活度浓度信息、深度和全球定位数据的备份储存。
4.根据权利要求2所述的基于水下自主航行器的水体γ辐射立体监测系统,其特征在于,所述导航模块包括DVL速度仪、微型深度计、微型水流速度计、电子罗盘、IMU系统以及全球定位系统;所述电子罗盘、全球定位系统和IMU系统连接导航计算CPU,在导航计算CPU的控制下完成航行器的自主导航;
所述DVL速度仪、微型深度计、微型水流速度计连接模块单元计算机,通过DVL速度仪、微型深度计和微型水流速度计测量得到不同航行状态下航行速度、深度、水流速度,连同舵角信息和螺旋桨转速一起通过模块单元计算机处理,经过CAN总线传输引入导航计算CPU,用以校准系统的导航精度。
5.根据权利要求1所述的基于水下自主航行器的水体γ辐射立体监测系统,其特征在于,所述γ辐射探测模块包括依次连接的高性能γ辐射探测器、前置放大器、主放大器、多道分析器、数据处理模块、储存模块,所述γ辐射探测器、前置放大器、主放大器、多道分析器将γ射线光子转换为多道沉积谱;所述数据处理模块对多道沉积谱的能谱数据逐点进行处理,得到采样点的γ辐射核素的活度浓度信息、深度和全球定位数据,一并存储至储存模块。
6.一种基于水下自主航行器的水体γ辐射立体监测方法,其特征在于,包括:
(1)进行工作前,将基于水下自主航行器的水体放射性监测系统布放至与待测水域连通的航道中,同时调试各模块至预备状态;地面系统发送指令至通信模块设定待测水域的目标坐标,通信模块将目标坐标输入至导航模块,导航模块根据地理信息进行航线规划;航线规划完成后动力系统与避障模块进入工作状态,控制模块控制动力系统、导航模块、避障模块使自主航行器前往目标坐标;
(2)到达导航坐标点附近后,控制模块对自主航行器减速确认目标点坐标,并水体中预设深度,此时控制环境传感器与γ辐射探测器,探测并发送一组本底数据,准备开始水体γ辐射立体探测任务;
(3)采用预设的智能巡航模式,自动规划巡航边界与巡航路径,通过控制模块控制自主航行器的航行方向和深度,γ辐射探测模块开机,进行γ能谱的实时提取,并输入深度学习网络系统,快速判断是否存在人工放射性核素;
(4)判断结果若不存在人工放射性核素,则控制模块按照智能路径规划继续控制自主航行器维持原有路径规划巡航;若存在人工放射性核素,则对γ能谱进行数据处理,得到采样点特定γ辐射剂量率和核素的活度浓度信息,并与采样点的环境信息和全球定位数据一并存储至探测系统的储存模块,并备份至通信模块;
(5)继续智能巡航模式,通过多个采样点的探测,优化探测路径,到达污染海域的高放射性污染区域,在得到足够的探测数据后,上浮通过卫星通信系统将通信模块中存储的数据回传地面监测站,地面系统根据处理得到的数据绘制立体的放射性水平等高线图。
7.根据权利要求6所述的一种基于水下自主航行器的水体γ辐射立体监测方法,其特征在于,步骤(3)中,所述深度学习网络基于深度神经网络、DBN、递归神经网络或SAE,在监测之前获取训练样本和测试样本并且进行深度学习网络训练,具体方法为:
(101)采用探测器测量天然本底和放射性核素能谱,对测得的能谱作小波平滑处理,以降低噪声干扰;将全谱进行归一化处理,消除能谱强度变化的影响,进而完成能谱的特征提取;最后将样本分为训练样本和测试样本;
(102)采用训练样本训练深度学习网络,即将训练样本的能谱进行特征提取,将特征参数值输入深度学习网络,输出一个0~1之间的参数,代表存在人工放射性核素的概率,通过比较深度学习网络输出与目标的差异,调整深度学习网络的结构参数;将测试样本输入深度学习网络中,通过比较深度学习网络输出与目标的差异调节判定人工放射性核素存在的阈值参数,最终确定深度学习网络结构参数,并完成深度学习网络训练;
(103)在执行人工放射性核素快速判别时,将已完成训练的深度学习网络搭载于数据处理模块中,探测器得到的实时γ射线能谱输入深度学习网络,得到存在人工放射性核素的概率,将概率与步骤(102)中得到的阈值参数进行比较,完成人工放射性核素的判别。
8.根据权利要求6所述的一种基于水下自主航行器的水体γ辐射立体监测方法,其特征在于,所述航线规划与智能巡航,采用高斯过程回归的智能路径规划,将连续的空间离散化,用立方体栅格将连续的搜索区域分割为离散化的搜索区域,在监测过程中,水下自主航行器γ辐射测量被认为在栅格的中心点处进行笛卡尔坐标的记录和辐射强度的检测;
具体方法为:
(201)控制循环开始前,给定水下自主航行器的初始位置坐标,水下自主航行器将其记录于三维数组M中;
(202)控制循环开始后,水下自主航行器检测其所在点的辐射强度值S,并将其记录于一维数组M中,由此得到训练集[M,S];该训练集被用来训练选定好的高斯过程,训练后使用高斯过程回归,分别计算邻域中每一个点的辐射强度均值和辐射强度方差,然后计算出u1;
(203)水下自主航行器通过遍历二维数组M得到邻域中各点在M中出现的次数,由此获得经过邻域中各个点的次数,然后计算出u2;
(204)计算目标函数U(xi)的值,采用枚举法解决最优化问题,获得下一步的目标点xk;
(205)水下自主航行器移动到xk点,检测该点处的辐射强度值Sk,获得新的训练集样本(xk,Sk);
(206)判断新检测到的辐射强度值Sk是否大于设定的阈值,若小于阈值则继续控制循环的执行,若大于阈值则停止循环,表示水下自主航行器已航行至放射源泄露区域。
9.根据权利要求6所述的一种基于水下自主航行器的水体γ辐射立体监测方法,其特征在于,步骤(4)所述数据处理模块的处理过程包括:
(301)所述数据处理模块采用小波变换对γ能谱进行光滑处理;
(302)能量刻度采用线性或非线性方法刻度,效率刻度采用蒙特卡罗模拟和放置于活度浓度为1Bq/L的133Ba、137Cs、60Co标准液体源内实验刻度;
(303)采用导数法或对称零面积变换法进行寻峰判断;
(304)采用加权非线性最小二乘法得到γ射线全能峰面积。
10.根据权利要求9所述的一种基于水下自主航行器的水体γ辐射立体监测方法,其特征在于,所述数据处理模块的处理过程还包括:
a为水体γ辐射核素活度浓度,单位为Bq/L;
S为步骤(304)的全能峰面积;
ε为步骤(302)中各能量对应的效率刻度值;
T为测量时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541678.9A CN108508473A (zh) | 2018-05-30 | 2018-05-30 | 基于水下自主航行器的水体γ辐射立体监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541678.9A CN108508473A (zh) | 2018-05-30 | 2018-05-30 | 基于水下自主航行器的水体γ辐射立体监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108508473A true CN108508473A (zh) | 2018-09-07 |
Family
ID=63401988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810541678.9A Pending CN108508473A (zh) | 2018-05-30 | 2018-05-30 | 基于水下自主航行器的水体γ辐射立体监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508473A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062058A (zh) * | 2018-09-26 | 2018-12-21 | 大连海事大学 | 基于自适应模糊最优控制的船舶航向轨迹跟踪设计方法 |
CN109407142A (zh) * | 2018-11-29 | 2019-03-01 | 广西壮族自治区海洋研究院 | 一种海洋水体的放射性监测装置 |
CN109490939A (zh) * | 2018-11-23 | 2019-03-19 | 南京航空航天大学 | 一种应用于小型无人机的放射源定位方法 |
CN109856668A (zh) * | 2019-03-21 | 2019-06-07 | 西南科技大学 | 一种海洋放射性污染的多机协同监测方法 |
CN110068663A (zh) * | 2019-04-25 | 2019-07-30 | 西南科技大学 | 一种海洋核污染程度的评估方法 |
CN111413724A (zh) * | 2020-02-28 | 2020-07-14 | 广东工业大学 | 一种cr-39测量氡气辐射浓度的方法、系统及设备 |
CN111590576A (zh) * | 2020-05-15 | 2020-08-28 | 深圳国信泰富科技有限公司 | 一种核辐射环境的救灾机器人 |
CN111638542A (zh) * | 2020-06-02 | 2020-09-08 | 国家海洋技术中心 | 一种水面放射性无人艇监测装置及监测方法 |
CN112067042A (zh) * | 2020-08-13 | 2020-12-11 | 东南大学 | 一种海洋辐射与核素扩散监测系统及方法 |
CN113625331A (zh) * | 2021-07-09 | 2021-11-09 | 成都新核泰科科技有限公司 | 一种水体总α、总β比活度实时在线监测方法 |
GB2607315A (en) * | 2021-06-02 | 2022-12-07 | Bae Systems Plc | Method and apparatus |
WO2022254177A1 (en) * | 2021-06-02 | 2022-12-08 | Bae Systems Plc | Method and apparatus |
CN115508879A (zh) * | 2022-11-21 | 2022-12-23 | 山东省科学院海洋仪器仪表研究所 | 一种海水放射性检测的伽马能谱全谱分析方法 |
CN116009053B (zh) * | 2022-12-08 | 2023-07-18 | 成都新核泰科科技有限公司 | 一种分布式区域辐射剂量监测系统及监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09304542A (ja) * | 1996-05-20 | 1997-11-28 | Aloka Co Ltd | 放射線測定装置 |
JP2012007889A (ja) * | 2010-06-22 | 2012-01-12 | Hitachi-Ge Nuclear Energy Ltd | 放射線モニタ及び放射線モニタのゲイン補償方法 |
CN103197338A (zh) * | 2013-04-19 | 2013-07-10 | 清华大学 | 水下辐射监测方法及系统 |
CN106054233A (zh) * | 2016-05-20 | 2016-10-26 | 清华大学 | 水中放射性核素的监测方法 |
CN106405612A (zh) * | 2016-10-28 | 2017-02-15 | 国家海洋技术中心 | 一种海洋水体γ辐射原位探测器及探测数据处理方法 |
CN208621765U (zh) * | 2018-05-30 | 2019-03-19 | 国家海洋技术中心 | 基于水下自主航行器的水体γ辐射立体监测系统 |
-
2018
- 2018-05-30 CN CN201810541678.9A patent/CN108508473A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09304542A (ja) * | 1996-05-20 | 1997-11-28 | Aloka Co Ltd | 放射線測定装置 |
JP2012007889A (ja) * | 2010-06-22 | 2012-01-12 | Hitachi-Ge Nuclear Energy Ltd | 放射線モニタ及び放射線モニタのゲイン補償方法 |
CN103197338A (zh) * | 2013-04-19 | 2013-07-10 | 清华大学 | 水下辐射监测方法及系统 |
CN106054233A (zh) * | 2016-05-20 | 2016-10-26 | 清华大学 | 水中放射性核素的监测方法 |
CN106405612A (zh) * | 2016-10-28 | 2017-02-15 | 国家海洋技术中心 | 一种海洋水体γ辐射原位探测器及探测数据处理方法 |
CN208621765U (zh) * | 2018-05-30 | 2019-03-19 | 国家海洋技术中心 | 基于水下自主航行器的水体γ辐射立体监测系统 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062058B (zh) * | 2018-09-26 | 2021-03-19 | 大连海事大学 | 基于自适应模糊最优控制的船舶航向轨迹跟踪设计方法 |
CN109062058A (zh) * | 2018-09-26 | 2018-12-21 | 大连海事大学 | 基于自适应模糊最优控制的船舶航向轨迹跟踪设计方法 |
CN109490939A (zh) * | 2018-11-23 | 2019-03-19 | 南京航空航天大学 | 一种应用于小型无人机的放射源定位方法 |
CN109490939B (zh) * | 2018-11-23 | 2022-10-21 | 南京航空航天大学 | 一种应用于小型无人机的放射源定位方法 |
CN109407142A (zh) * | 2018-11-29 | 2019-03-01 | 广西壮族自治区海洋研究院 | 一种海洋水体的放射性监测装置 |
CN109856668A (zh) * | 2019-03-21 | 2019-06-07 | 西南科技大学 | 一种海洋放射性污染的多机协同监测方法 |
CN110068663A (zh) * | 2019-04-25 | 2019-07-30 | 西南科技大学 | 一种海洋核污染程度的评估方法 |
CN111413724B (zh) * | 2020-02-28 | 2022-03-25 | 广东工业大学 | 一种cr-39测量氡气辐射浓度的方法、系统及设备 |
CN111413724A (zh) * | 2020-02-28 | 2020-07-14 | 广东工业大学 | 一种cr-39测量氡气辐射浓度的方法、系统及设备 |
CN111590576B (zh) * | 2020-05-15 | 2022-03-04 | 深圳国信泰富科技有限公司 | 一种核辐射环境的救灾机器人 |
CN111590576A (zh) * | 2020-05-15 | 2020-08-28 | 深圳国信泰富科技有限公司 | 一种核辐射环境的救灾机器人 |
CN111638542A (zh) * | 2020-06-02 | 2020-09-08 | 国家海洋技术中心 | 一种水面放射性无人艇监测装置及监测方法 |
CN111638542B (zh) * | 2020-06-02 | 2022-04-19 | 国家海洋技术中心 | 一种水面放射性无人艇监测方法 |
CN112067042A (zh) * | 2020-08-13 | 2020-12-11 | 东南大学 | 一种海洋辐射与核素扩散监测系统及方法 |
GB2607315A (en) * | 2021-06-02 | 2022-12-07 | Bae Systems Plc | Method and apparatus |
WO2022254177A1 (en) * | 2021-06-02 | 2022-12-08 | Bae Systems Plc | Method and apparatus |
CN113625331A (zh) * | 2021-07-09 | 2021-11-09 | 成都新核泰科科技有限公司 | 一种水体总α、总β比活度实时在线监测方法 |
CN115508879A (zh) * | 2022-11-21 | 2022-12-23 | 山东省科学院海洋仪器仪表研究所 | 一种海水放射性检测的伽马能谱全谱分析方法 |
CN116009053B (zh) * | 2022-12-08 | 2023-07-18 | 成都新核泰科科技有限公司 | 一种分布式区域辐射剂量监测系统及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108508473A (zh) | 基于水下自主航行器的水体γ辐射立体监测系统及方法 | |
CN106405612B (zh) | 一种海洋水体γ辐射原位探测器及探测数据处理方法 | |
Oláh et al. | Cosmic muon detection for geophysical applications | |
Issartel et al. | Inverse transport for the verification of the Comprehensive Nuclear Test Ban Treaty | |
Rojas-Palma et al. | Data assimilation in the decision support system RODOS | |
Cortez et al. | Smart radiation sensor management | |
CN208621765U (zh) | 基于水下自主航行器的水体γ辐射立体监测系统 | |
Antares Collaboration | A deep sea telescope for high energy neutrinos | |
Avrorin et al. | Deep-underwater Cherenkov detector in lake Baikal | |
CN112067042A (zh) | 一种海洋辐射与核素扩散监测系统及方法 | |
Hartman et al. | Remote sensing of neutron and gamma radiation using aerial unmanned autonomous system | |
CN109856668B (zh) | 一种海洋放射性污染的多机协同监测方法 | |
CN205246888U (zh) | 一种水体环境放射性核素活度剖面测量系统 | |
CN109799525A (zh) | 多功能海洋放射性污染剂量率检测方法及装置 | |
CN105372694A (zh) | 水体环境放射性核素活度剖面测量系统 | |
Sanderson et al. | Validated Radiometric Mapping in 2012 of Areas in Japan Affected by the Fukushima-Daiichi Nuclear Accident. | |
CN106991511B (zh) | 核电厂点源线源面源组合的复合辐射源强逆推方法及系统 | |
CN106991621B (zh) | 核电厂点源面源组合的复合辐射源强逆推方法及系统 | |
CN107290769B (zh) | 核电厂点源体源组合的复合辐射源强逆推方法及系统 | |
KR101724396B1 (ko) | 침몰사고 시 방사성폐기물 영향 평가 시스템 및 방법 | |
CN107292762B (zh) | 核电厂点源线源体源组合的复合辐射源强逆推方法及系统 | |
Adams et al. | Depth determination of buried caesium-137 and cobalt-60 sources using scatter peak data | |
Davis | Extended-and Point-source Radiometric Program | |
CN218917651U (zh) | 一种海水放射性污染实时测量装置 | |
CN107292474B (zh) | 核电厂体源辐射源强逆推方法及体源辐射源强逆推系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |