CN111666718B - 核设施源项活度智能反演方法、装置、设备及存储介质 - Google Patents

核设施源项活度智能反演方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111666718B
CN111666718B CN202010512779.0A CN202010512779A CN111666718B CN 111666718 B CN111666718 B CN 111666718B CN 202010512779 A CN202010512779 A CN 202010512779A CN 111666718 B CN111666718 B CN 111666718B
Authority
CN
China
Prior art keywords
activity
source
source item
neural network
training
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.)
Active
Application number
CN202010512779.0A
Other languages
English (en)
Other versions
CN111666718A (zh
Inventor
宋英明
张泽寰
刘跃东
胡湘
袁微微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of South China
Original Assignee
University of South China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of South China filed Critical University of South China
Priority to CN202010512779.0A priority Critical patent/CN111666718B/zh
Publication of CN111666718A publication Critical patent/CN111666718A/zh
Application granted granted Critical
Publication of CN111666718B publication Critical patent/CN111666718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种核设施源项活度智能反演方法、装置、设备及存储介质，包括：对源项进行分区，构建源项几何模型并进行辐射场计算；从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；将实际的辐射场剂量矩阵进行变换处理后输入至训练好的卷积神经网络模型，对源项活度进行预测；根据源项分区还原预测的源项活度的三维分布，输出反演的源项活度数据。本申请针对未知源项活度和体分布情况的核设施，通过构建卷积神经网络，采用提取的样本数据进行深度学习训练，得到不依赖于具体物理模型的泛化神经网络，可在现场测量手段所限情况下，通过智能化反演快速计算得到任意指定区域的源项活度值。

Description

核设施源项活度智能反演方法、装置、设备及存储介质
技术领域
本发明涉及辐射防护与核安全领域，特别是涉及一种核设施源项活度智能反演方法、装置、设备及存储介质。
背景技术
放射性源项特征是对核设施进行退役或处理的非常重要的前提依据，在实际核设施复杂源项的辐射场景中，由于源项的活度和分布情况往往是未知的且存在较大的不确定性，受测量手段的限制，直接测量放射性物质的组成和数量是十分困难的，且测量结果也只是源项在某个局部的表象。因此，一般需采用分析计算的方式得到源项数据。三维辐射场是反映一个核设施内真实外照射分布的数据库，可以通过测量获得所需的辐射场数据，利用辐射场剂量率的测量值来反向计算源项活度。通过分析三维辐射场，不仅可以确定辐射热点的位置，还可以估算出设备或管道中放射性物质的等效活度和分布情况，进而建立有效的屏蔽措施，实现现场精细化的辐射防护最优化分析。
目前，采用物理拟合或数值插值法进行源项反演，只能处理简单固定模型的放射性活度计算，且对输入输出之间的物理相关性要求较高，无法很好地反演核设施复杂源项、强各向异性分布情况下的源项数据。
因此，如何智能化反演得到源项数据，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种核设施源项活度智能反演方法、装置、设备及存储介质，可实现利用三维空间辐射场数据智能化反演得到三维体分布源项活度。其具体方案如下：
一种核设施源项活度智能反演方法，包括：
对源项进行分区，构建源项几何模型并进行辐射场计算；
从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；
将实际的辐射场剂量矩阵进行变换处理后输入至训练好的所述卷积神经网络模型，对源项活度进行预测；
根据源项分区还原预测的所述源项活度的三维分布，输出反演的源项活度数据。
优选地，在本发明实施例提供的上述核设施源项活度智能反演方法中，对源项进行分区，构建源项几何模型并进行辐射场计算，具体包括：
根据源项分布情况，对所述源项进行网格划分；
根据划分为多个区域后的所述源项，采用蒙特卡罗粒子输运计算程序构建源项几何模型；
对所述源项几何模型产生的多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件；
调用蒙特卡罗粒子输运计算程序进行辐射场计算。
优选地，在本发明实施例提供的上述核设施源项活度智能反演方法中，在构建卷积神经网络模型之前，还包括：
对所述训练样本的一维向量三维网格化；
对三维网格化后的样本进行粗化或细化处理；
对粗化或细化处理后的样本加入高斯白噪声。
优选地，在本发明实施例提供的上述核设施源项活度智能反演方法中，构建并训练卷积神经网络模型，具体包括：
构建卷积神经网络模型，选取合适的卷积层数，确定全连接网络部分的隐含层节点数；
设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数；
反复调整合适的超参数训练所述卷积神经网络模型，直到所述测试集的误差满足预期，达到终止训练条件。
优选地，在本发明实施例提供的上述核设施源项活度智能反演方法中，将实际的辐射场剂量矩阵进行变换处理，具体包括：
判断实际的辐射场剂量矩阵是否比所述卷积神经网络模型的输入矩阵分辨率高；
若是，则对所述剂量矩阵进行缩小变换；
若否，则对所述剂量矩阵进行放大变换。
优选地，在本发明实施例提供的上述核设施源项活度智能反演方法中，还包括：
验证反演结果与实际值之间的误差；当最大绝对误差的范围在30％以内时，确定所述反演结果可接受。
本发明实施例还提供了一种核设施源项活度智能反演装置，包括：
仿真计算模块，用于对源项进行分区，构建源项几何模型并进行辐射场计算；
模型训练模块，用于从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；
数据预测模块，用于将实际的辐射场剂量矩阵进行变换处理后输入至训练好的所述卷积神经网络模型，对源项活度进行预测；
数据还原模块，用于根据源项分区还原预测的所述源项活度的三维分布，输出反演的源项活度数据。
优选地，在本发明实施例提供的上述核设施源项活度智能反演方法中，还包括：
样本预处理模块，用于对所述训练样本的一维向量三维网格化；对三维网格化后的样本进行粗化或细化处理；对粗化或细化处理后的样本加入高斯白噪声。
本发明实施例还提供了一种核设施源项活度智能反演设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述核设施源项活度智能反演方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述核设施源项活度智能反演方法。
从上述技术方案可以看出，本发明所提供的一种核设施源项活度智能反演方法、装置、设备及存储介质，包括：对源项进行分区，构建源项几何模型并进行辐射场计算；从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；将实际的辐射场剂量矩阵进行变换处理后输入至训练好的卷积神经网络模型，对源项活度进行预测；根据源项分区还原预测的源项活度的三维分布，输出反演的源项活度数据。
本发明针对未知源项活度和体分布情况的核设施，通过构建合适的卷积神经网络来构造智能化源项反演算法，在不进行输入输出之间的复杂物理关系解耦的情况下，采用提取的样本数据进行深度学习训练，能够得到不依赖于具体物理模型的适用于源项反演的泛化神经网络，进而实现利用核设施周围三维空间辐射场数据反演得到核设施强各向异性三维体分布源项活度，可在现场测量手段所限情况下，通过智能化反演快速计算得到任意指定区域的源项活度值。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的核设施源项活度智能反演方法的流程图；
图2为本发明实施例提供的核设施源项活度智能反演方法的具体流程图；
图3为本发明实施例提供的圆柱形桶体放射性核设施源项模型的俯视图；
图4为本发明实施例提供的圆柱形桶体放射性核设施源项模型的主视图；
图5为本发明实施例提供的卷积神经网络训练误差图；
图6为本发明实施例提供的卷积神经网络预测结果误差统计图；
图7为本发明实施例提供的模型一中卷积神经网络反演源项活度与真实值对比图；
图8为本发明实施例提供的模型二中卷积神经网络反演源项活度与真实值对比图；
图9为本发明实施例提供的模型三中卷积神经网络反演源项活度与真实值对比图；
图10为本发明实施例提供的核设施源项活度智能反演装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种核设施源项活度智能反演方法，如图1所示，包括以下步骤：
S101、对源项进行分区，构建源项几何模型并进行辐射场计算；
S102、从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络(Convolutional Neural Networks,CNN)模型；具体地，以空间辐射场数据为输入，以源项分区活度数据为输出；
S103、将实际的辐射场剂量矩阵进行变换处理后输入至训练好的卷积神经网络模型，对源项活度进行预测；
S104、根据源项分区还原预测的源项活度的三维分布，输出反演的源项活度数据。
在本发明实施例提供的上述核设施源项活度智能反演方法中，针对未知源项活度和体分布情况的核设施，通过构建合适的卷积神经网络来构造智能化源项反演算法，在不进行输入输出之间的复杂物理关系解耦的情况下，采用提取的样本数据进行深度学习训练，能够得到不依赖于具体物理模型的适用于源项反演的泛化神经网络，进而实现利用核设施周围三维空间辐射场数据反演得到核设施强各向异性三维体分布源项活度，可在现场测量手段所限情况下，通过智能化反演快速计算得到任意指定区域的源项活度值。
在具体实施时，在本发明实施例提供的上述核设施源项活度智能反演方法中，步骤S101对源项进行分区，构建源项几何模型并进行辐射场计算，具体可以包括：首先，根据源项分布情况，对源项进行网格划分；然后，根据划分为多个区域后的源项，采用蒙特卡罗粒子输运计算程序(Monte Carlo N Particle Transport Code,MCNP)构建源项几何模型；之后，对源项几何模型产生的多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件；最后，调用蒙特卡罗粒子输运计算程序(MCNP)进行辐射场计算。
在实际应用中，如图2所示，确定反演场景、源项的分区后，随机产生N组不同的源项仿真参数，批量产生蒙特卡罗计算文件，调用蒙特卡罗粒子输运计算程序进行仿真计算，获得计算结果。需要了解的是，该计算结果包括源项分区活度、空间辐射场等数据。从计算结果中提取源项分区活度、空间辐射场数据，产生并输出神经网络学习训练样本。
进一步地，在具体实施时，在本发明实施例提供的上述核设施源项活度智能反演方法中，在执行步骤S102构建卷积神经网络模型之前，还需要对训练样本进行预处理，具体可以包括：对训练样本的一维向量三维网格化；对三维网格化后的样本进行粗化或细化处理；对粗化或细化处理后的样本加入高斯白噪声。其中，根据实际需要，对三维网格化后的样本进行粗化处理可以降低网格分辨率，对三维网格化后的样本进行细化处理可以提升网格分辨率；加入高斯白噪声可以提升网络的泛化能力。
在具体实施时，在本发明实施例提供的上述核设施源项活度智能反演方法中，步骤S102构建并训练卷积神经网络模型，具体可以包括：构建卷积神经网络模型，选取合适的卷积层数，确定全连接网络部分的隐含层节点数；设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数；反复调整合适的超参数训练卷积神经网络模型，直到测试集的误差满足预期，达到终止训练条件。
在实际应用中，如图2所示，使用适当的参数构建卷积神经网络，使用合适的超参数训练网络，以达到终止训练条件，使测试机误差达到期望后，保存神经网络结构与参数。具体地，卷积层数可以设置在五层及以上；在确定全连接网络部分的隐含层节点数时，需尽量保证隐含层神经元为其下一层神经元的1～2倍；训练集、验证集和测试集之间的比例可以设置为8:1:1；学习率不宜过大，可以小于0.01，传递函数可以对非输出层使用ReLU或ELU函数以获取更好的训练效果；训练函数可以选择SGD或Adam函数。
需要注意的是，针对核设施复杂源项强各向异性分布情况，构建并调参得到合适的卷积神经网络，由若干卷积层、池化层进行特征提取，将特征输入全连接网络层，经过一定数量样本数据的深度学习、训练、泛化，可实现由三维辐射场数据对三维源项活度数据的智能化反演计算。
在具体实施时，在本发明实施例提供的上述核设施源项活度智能反演方法中，步骤S103将实际的辐射场剂量矩阵进行变换处理，具体可以包括：判断实际的辐射场剂量矩阵是否比卷积神经网络模型的输入矩阵分辨率高；若是，则对剂量矩阵进行缩小变换；若否，则对剂量矩阵进行放大变换。
在具体实施时，在本发明实施例提供的上述核设施源项活度智能反演方法中，在执行完步骤S104之后，还可以包括：验证反演结果与实际值之间的误差；当最大绝对误差的范围在30％以内时，确定反演结果可接受。
下面以圆柱形桶体放射性核设施源项为例，对本发明实施例提供的上述核设施源项活度智能反演方法进行详细描述：
步骤一、构建圆柱形桶体放射性核设施源项模型，根据源项分布情况将桶体分为若干网格区域，本例中源项划分为28个区域，采用MCNP程序建模，如图3和图4所示，桶体上有盖、下有底，底、盖部分径向分3层，轴向分2层；中间桶体部分径向分2层，轴向分2层，角方向4等分；桶内物质假设为水，桶体材料假设为铁；桶外为以空气为介质的立方体空间，分为40×40×20个网格；
步骤二、采用MCNP程序通用源SDEF卡，在28个栅元中产生一定分布的源项数据；具体地，在桶体径向，源项活度从内到外递减，具体描述为内侧栅元产生粒子的概率大于外侧栅元；在桶体轴向，源项活度从下到上递减，具体描述为下侧栅元产生粒子的概率大于上侧栅元；而在每个栅元内，源项活度的分布为均匀分布，即径向上按照二次幂函数规律分布抽样，轴向按照均匀分布抽样。
步骤三、对源项几何参数进行抽样，随机抽取5000组样本，批量产生计算文件，采用MCNP程序进行辐射场计算；
步骤四、从计算输出结果中提取源项分区活度、空间辐射场等数据，产生神经网络学习训练样本，对样本进行预处理，将5000×32000大小的空间辐射场数据三维网格化为5000×40×40×20，并将三维网格缩放为20×20×20，得到大小为5000×20×20×20的输入样本，源项分区活度数据作为输出样本，其数据大小为5000×28，并加入高斯白噪声(噪声的σ参数为样本的0.0033％)；
步骤五、构建卷积神经网络模型，确定神经网络的隐含层节点数，设置训练集与测试集，选取最优学习率、传递函数、训练函数等参数；具体地，输入层，大小为(20,20,20)；卷积层1，包含8个卷积核，卷积核大小为(5,5,5)，卷积填补为“相似(same)”，激活函数为ELU；卷积层2，包含8个卷积核，卷积核大小为(5,5,5)，卷积填补为“相似(same)”，激活函数为ELU；池化层1，掩膜大小(5,5,5)，步长1；卷积层3，包含16个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；卷积层4，包含16个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；池化层2，掩膜大小(5,5,5)，步长1；卷积层5，包含8个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似
(same)”，激活函数为ELU；卷积层6，包含8个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；参数向量化层，将卷积层6输出的13824个参数转化为一维向量；全连接隐含层1，包含200个神经元，激活函数为ReLU；全连接隐含层2，包含60个神经元，激活函数为ReLU；输出层，大小为28，无激活函数；训练函数选取Adam算法(学习率为1E-4，β＝0.5)，损失函数选取均方误差函数(MSE)，批处理大小设为128，交叉验证集比例为8:1:1，训练迭代次数为2000；
步骤六、反复调整合适的超参数训练神经网络，直到测试集误差满足预期，训练集最终的平均绝对相对误差为1.1404％，验证集最终的平均绝对相对误差为1.7140％，达到终止训练条件。训练误差变化如图5所示，预测误差分布如图6所示；
步骤七、输入实际的辐射场剂量矩阵，将剂量场缩放转换为神经网络输入，加载训练完成的卷积神经网络，对源项活度进行预测；
步骤八、按源项分区还原源项活度三维分布，输出反演的源项活度数据，验证反演结果与实际值之间的误差。工程中，源项计算误差在30％以内即认为可接受。
下面选取三组模型进行验证：
模型一：桶体内径：95.6165cm，桶体外径：128.998cm，桶体内高：200cm，桶体外高：271.655cm，基于卷积神经网络的智能反演预测活度与真实值对比，活度单位：Bq，如表一和图7所示。平均绝对误差为2.23％，最大绝对误差为10.16％。
表一
Figure BDA0002529007580000091
模型二：桶体内径：98.1884cm，桶体外径：132.088cm，桶体内高：200cm，桶体外高：266.049cm，基于卷积神经网络的智能反演预测活度与真实值对比，活度单位：Bq，如表2和图8所示。平均绝对误差为2.80％，最大绝对误差为11.02％。
表二
Figure BDA0002529007580000092
Figure BDA0002529007580000101
模型三：桶体内径：92.1967cm，桶体外径：114.138cm，桶体内高：200cm，桶体外高：258.058cm，基于卷积神经网络的智能反演预测活度与真实值对比，活度单位：Bq，如表3和图9所示。平均绝对误差为2.12％，最大绝对误差为5.29％。
表三
Figure BDA0002529007580000102
Figure BDA0002529007580000111
由验证对比结果可以看出，以上三个模型的三维源项活度值反演的最大绝对误差均在30％以内，表示反演结果可以接受。
基于同一发明构思，本发明实施例还提供了一种核设施源项活度智能反演装置，由于该装置解决问题的原理与前述一种核设施源项活度智能反演方法相似，因此该装置的实施可以参见核设施源项活度智能反演方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的核设施源项活度智能反演装置，如图10所示，具体包括：
仿真计算模块11，用于对源项进行分区，构建源项几何模型并进行辐射场计算；
模型训练模块12，用于从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；
数据预测模块13，用于将实际的辐射场剂量矩阵进行变换处理后输入至训练好的卷积神经网络模型，对源项活度进行预测；
数据还原模块14，用于根据源项分区还原预测的源项活度的三维分布，输出反演的源项活度数据。
在本发明实施例提供的上述核设施源项活度智能反演装置中，可以通过上述四个模块的相互作用，构建合适的卷积神经网络，实现利用核设施周围三维辐射场反演核设施强各向异性三维体分布的源项活度，可在现场测量手段所限情况下，通过智能化反演快速计算得到任意指定区域的源项活度值。
在具体实施时，在本发明实施例提供的上述核设施源项活度智能反演装置中，为了根据需求改变网格分辨率以及为了提升网络的泛化能力，还可以包括：样本预处理模块，用于对训练样本的一维向量三维网格化；对三维网格化后的样本进行粗化或细化处理；对粗化或细化处理后的样本加入高斯白噪声。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应的，本发明实施例还公开了一种核设施源项活度智能反演设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现前述实施例公开的核设施源项活度智能反演方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步的，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的核设施源项活度智能反演方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种核设施源项活度智能反演方法、装置、设备及存储介质，包括：对源项进行分区，构建源项几何模型并进行辐射场计算；从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；将实际的辐射场剂量矩阵进行变换处理后输入至训练好的卷积神经网络模型，对源项活度进行预测；根据源项分区还原预测的源项活度的三维分布，输出反演的源项活度数据。本发明针对未知源项活度和体分布情况的核设施，通过构建合适的卷积神经网络来构造智能化源项反演算法，在不进行输入输出之间的复杂物理关系解耦的情况下，采用提取的样本数据进行深度学习训练，能够得到不依赖于具体物理模型的适用于源项反演的泛化神经网络，进而实现利用核设施周围三维空间辐射场数据反演得到核设施强各向异性三维体分布源项活度，可在现场测量手段所限情况下，通过智能化反演快速计算得到任意指定区域的源项活度值。
最后，还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的核设施源项活度智能反演方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种核设施源项活度智能反演方法，其特征在于，包括：
对源项进行分区，构建源项几何模型并进行辐射场计算；
从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；
判断实际的辐射场剂量矩阵是否比所述卷积神经网络模型的输入矩阵分辨率高；若是，则对所述剂量矩阵进行缩小变换；若否，则对所述剂量矩阵进行放大变换；
将进行变换处理后的所述剂量矩阵输入至训练好的所述卷积神经网络模型，对源项活度进行预测；
根据源项分区还原预测的所述源项活度的三维分布，输出反演的源项活度数据。
2.根据权利要求1所述的核设施源项活度智能反演方法，其特征在于，对源项进行分区，构建源项几何模型并进行辐射场计算，具体包括：
根据源项分布情况，对所述源项进行网格划分；
根据划分为多个区域后的所述源项，采用蒙特卡罗粒子输运计算程序构建源项几何模型；
对所述源项几何模型产生的多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件；
调用蒙特卡罗粒子输运计算程序进行辐射场计算。
3.根据权利要求2所述的核设施源项活度智能反演方法，其特征在于，在构建卷积神经网络模型之前，还包括：
对所述训练样本的一维向量三维网格化；
对三维网格化后的样本进行粗化或细化处理；
对粗化或细化处理后的样本加入高斯白噪声。
4.根据权利要求3所述的核设施源项活度智能反演方法，其特征在于，构建并训练卷积神经网络模型，具体包括：
构建卷积神经网络模型，选取合适的卷积层数，确定全连接网络部分的隐含层节点数；
设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数；
反复调整合适的超参数训练所述卷积神经网络模型，直到所述测试集的误差满足预期，达到终止训练条件。
5.根据权利要求4所述的核设施源项活度智能反演方法，其特征在于，还包括：
验证反演结果与实际值之间的误差；当最大绝对误差的范围在30％以内时，确定所述反演结果可接受。
6.一种核设施源项活度智能反演装置，其特征在于，包括：
仿真计算模块，用于对源项进行分区，构建源项几何模型并进行辐射场计算；
模型训练模块，用于从计算结果中提取空间辐射场数据和源项分区活度数据作为训练样本，构建并训练卷积神经网络模型；
数据预测模块，用于判断实际的辐射场剂量矩阵是否比所述卷积神经网络模型的输入矩阵分辨率高；若是，则对所述剂量矩阵进行缩小变换；若否，则对所述剂量矩阵进行放大变换；将进行变换处理后的所述剂量矩阵输入至训练好的所述卷积神经网络模型，对源项活度进行预测；
数据还原模块，用于根据源项分区还原预测的所述源项活度的三维分布，输出反演的源项活度数据。
7.根据权利要求6所述的核设施源项活度智能反演装置，其特征在于，还包括：
样本预处理模块，用于对所述训练样本的一维向量三维网格化；对三维网格化后的样本进行粗化或细化处理；对粗化或细化处理后的样本加入高斯白噪声。
8.一种核设施源项活度智能反演设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至5任一项所述的核设施源项活度智能反演方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的核设施源项活度智能反演方法。
CN202010512779.0A 2020-06-08 2020-06-08 核设施源项活度智能反演方法、装置、设备及存储介质 Active CN111666718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010512779.0A CN111666718B (zh) 2020-06-08 2020-06-08 核设施源项活度智能反演方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010512779.0A CN111666718B (zh) 2020-06-08 2020-06-08 核设施源项活度智能反演方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111666718A CN111666718A (zh) 2020-09-15
CN111666718B true CN111666718B (zh) 2021-10-22

Family

ID=72385819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010512779.0A Active CN111666718B (zh) 2020-06-08 2020-06-08 核设施源项活度智能反演方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111666718B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109521457B (zh) * 2018-09-25 2022-10-21 中国辐射防护研究院 一种基于信息准则的γ辐射源项划分方法及系统
CN114861538B (zh) * 2022-05-07 2024-05-07 中核四川环保工程有限责任公司 基于随机森林算法的后处理厂退役辐射场估算方法及系统
CN116976202B (zh) * 2023-07-12 2024-03-26 清华大学 基于深度神经网络的固定复杂源项分布反演方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480781A (zh) * 2017-03-02 2017-12-15 南京航空航天大学 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN110133703A (zh) * 2019-05-15 2019-08-16 中国辐射防护研究院 一种基于BP神经网络和蒙特卡洛算法的γ射线剂量测量方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8666711B2 (en) * 2006-03-17 2014-03-04 Canberra Industries, Inc. Radiation analysis system and method
JP6305696B2 (ja) * 2013-06-12 2018-04-04 株式会社Ｉｈｉ建材工業 原子炉の廃炉方法及び廃炉システム
CN104376361A (zh) * 2014-10-15 2015-02-25 南京航空航天大学 一种基于bp神经网络算法的核事故源项反演方法
CN104933245B (zh) * 2015-06-15 2017-11-24 南华大学 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法
CN107330187B (zh) * 2017-06-30 2020-11-03 哈尔滨工程大学 一种核设施退役辐射场剂量分布仿真方法
CN108804743A (zh) * 2018-04-09 2018-11-13 南京航空航天大学 一种核事故源项反演方法
CN109471999B (zh) * 2018-09-25 2023-05-16 中国辐射防护研究院 一种非均匀源项分布的γ辐射场数据修正计算方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480781A (zh) * 2017-03-02 2017-12-15 南京航空航天大学 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN110133703A (zh) * 2019-05-15 2019-08-16 中国辐射防护研究院 一种基于BP神经网络和蒙特卡洛算法的γ射线剂量测量方法

Also Published As

Publication number Publication date
CN111666718A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111667571B (zh) 核设施源项三维分布快速重建方法、装置、设备及介质
CN111666718B (zh) 核设施源项活度智能反演方法、装置、设备及存储介质
Creutz et al. Monte Carlo computations in lattice gauge theories
CN110377639B (zh) 一种最小化核反应堆物理不确定性分析抽样样本量的方法
Donà et al. Summing bulk quantum numbers with Monte Carlo in spin foam theories
Hoseyni et al. A Bayesian ensemble of sensitivity measures for severe accident modeling
Ilas et al. A Monte Carlo based nodal diffusion model for criticality analysis of spent fuel storage lattices
JP2014229283A (ja) 設計計算結果補正装置および設計計算結果補正方法
Rais Performance assessment of a 3-D steady-state and spatial kinetics model for the CROCUS reactor
Dabaghi et al. A hybrid parareal Monte Carlo algorithm for parabolic problems
Pan et al. Monte carlo fission matrix acceleration method with limited inner iteration
CN116595885A (zh) 小型反应堆轻量化屏蔽深度耦合优化方法
CN115907194A (zh) 一种光伏发电功率预测方法、系统及产品
Reinert et al. Investigation of stochastic radiation transport methods in binary random heterogeneous mixtures
JP2011258052A (ja) 誤差推定装置および誤差推定プログラム
Proctor Elements of high-order predictive model calibration algorithms with applications to large-scale reactor physics systems
Abrate et al. A non-intrusive reduced order model for the characterisation of the spatial power distribution in large thermal reactors
Figueroa et al. Nuclear archaeology based on measurements of reprocessing waste: first experimental results
Angelo Representing nuclear criticality excursion experiment data by an artificial neural network
KR20220105035A (ko) 인공 신경망 선량 예측 모델 기반 선량 평가 방법 및 장치
O'Rourke Modeling and Simulation of Stochastic Neutron and Cumulative Deposited Fission Energy Distributions
Forget A three dimensional heterogeneous coarse mesh transport method for reactor calculations
Krivtchik et al. Development of depletion code surrogate models for uncertainty propagation in scenario studies
Maiorov Estimates of the bias in the results of monte carlo calculations of reactors and storage sites for nuclear fuel
Pevey Multi-objective Optimization of the Fast Neutron Source by Machine Learning

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
GR01 Patent grant
GR01 Patent grant