CN114113188B - 一种高效的氚分析方法、装置、设备和存储介质 - Google Patents

一种高效的氚分析方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114113188B
CN114113188B CN202111188910.3A CN202111188910A CN114113188B CN 114113188 B CN114113188 B CN 114113188B CN 202111188910 A CN202111188910 A CN 202111188910A CN 114113188 B CN114113188 B CN 114113188B
Authority
CN
China
Prior art keywords
tritium
matrix
energy spectrum
ray energy
ray
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
CN202111188910.3A
Other languages
English (en)
Other versions
CN114113188A (zh
Inventor
黄红
安竹
朱敬军
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202111188910.3A priority Critical patent/CN114113188B/zh
Publication of CN114113188A publication Critical patent/CN114113188A/zh
Application granted granted Critical
Publication of CN114113188B publication Critical patent/CN114113188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/227—Measuring photoelectric effect, e.g. photoelectron emission microscopy [PEEM]
    • G01N23/2273—Measuring photoelectron spectrum, e.g. electron spectroscopy for chemical analysis [ESCA] or X-ray photoelectron spectroscopy [XPS]

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明公开了一种高效的氚分析方法、装置、设备和存储介质，所述氚分析方法包括：获取待测含氚样品表面的总的X射线能谱；将所述X射线能谱转化为X射线能谱矩阵F；将所述X射线能谱矩阵F输入到氚分析计算模型；通过氚分析计算模型获取未知样品的单位氚矩阵f和深度分布矩阵A，得到待测样品的深度和氚分布信息。本发明的提出，能够对未知氚含量和厚度的含氚样品进行测量和分析，解决了现有的基于蒙特卡洛方法的BIXS分析方法必须提前知道含氚样品的氚含量范围和厚度的问题，同时节约了现有BIXS分析每次都必须进行蒙特卡洛程序仿真的大量仿真时间，大大的提高了BIXS分析方法的测量范围和氚分析效率。

Description

一种高效的氚分析方法、装置、设备和存储介质
技术领域
本发明涉及氚含量分析技术领域，具体涉及一种高效的氚分析方法、装置、设备和存储介质。
背景技术
精确测量氚的含量及深度分布对于能源研究、核技术应用和国防建设等领域都有着重要的意义。比如，氚处理设备的设计、建造和退役的时候都需要知道其中的氚含量及深度分布。在核聚变研究中，从反应堆堆芯的燃料平衡控制、氚安全以及经济适用的角度来看我们需要知道核聚变设备面对等离子体材料的表面以及体相内残留的氚含量。如何精确测量氚元素含量和深度分布成为氚研究课题的一个很重要的方向。
目前氚分析的方法有很多，它们可以分为有损分析和无损分析两类。有损分析方法可以对整个样品的氚含量和深度分布进行分析，但一般来讲，有损的氚分析方法劳动强度大，会产生放射性和化学有害废物，而且不能用于原位分析，因此有损的氚分析方法在实际应用方面有很大的限制。无损的氚分析方法通常是通过测量氚β衰变放出的β射线，其分析深度受到β射线能量(最大能量为18.6keV，平均能量为5.7keV)的限制，通常只能进行表面分析。离子束分析方法的分析深度也受到入射能量和深度分辨率的限制，一般仅为～10μm，而且这种方法也不能用于原位分析。
在相关技术中，氚衰变诱发X射线谱(BIXS)技术是一种无损分析方法，它通过探测氚衰变发出的β射线在材料中产生的轫致辐射及特征X射线来分析材料中氚的含量、氚的深度分布和样品厚度。与其他分析方法相比，BIXS方法具有较大的分析深度，其对高Z元素的分析深度为～0.1mm，对低Z元素可达1mm。现有的BIXS方法主要有两种，一种是Matsuyama提出的解析算法，但解析算法不能充分考虑到射线的散射等，会造成较大的误差，另外一种是基于蒙特卡罗程序的BIXS方法，蒙特卡洛程序可以更精确地考虑BIXS方法中所涉及的物理过程，并且由于蒙卡计算的灵活性，它可以应用于较复杂的实际情况。但是必须提前知道氚原子与含氚物质的原子比n和含氚样品的厚度，才能用蒙卡程序对样品进行样品分层建模处理，对于氚含量范围和厚度未知的样品，则无法实现该方法。另一方面：蒙特卡洛程序是基于数学统计和概率的一款软件，计算比较耗时，而现有的BIXS方法针对每一个样品均需要进行一次蒙特卡洛仿真计算，加长了含氚样品的总的分析时间。因此，亟需提出一种高效率的能够将BIXS方法用于未知氚含量范围和厚度的样品测量的方法。
发明内容
为解决现有技术中存在的问题，本发明提供了一种高效的氚分析方法、装置、设备和存储介质，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种高效的氚分析方法，包括如下步骤:
S1、获取待测固体含氚样品表面的总的X射线能谱；
S2、将所述X射线能谱转化为X射线能谱矩阵F；
S3、将所述X射线能谱矩阵F输入到氚分析计算模型；
S4、通过氚分析计算模型获取未知样品的单位氚矩阵f和深度分布矩阵A，得到待测样品的深度和氚分布信息。
优选的，所述步骤S1中获取的X射线能谱包括两部分，一部分为氚β衰变产生的β粒子与物质相互作用产生的轫致辐射X射线，另一部分为氚β衰变产生的β粒子与物质相互作用产生的特征X射线。
优选的，所述步骤S2中将所述X射线能谱转化为X射线能谱矩阵F具体是：将获得的X射线能谱分成m个子能谱区间，获取各个子能谱区间的计数平均值Fi1，作为X射线能谱矩阵F的第i个数值；所述X射线能谱矩阵F表达如下：
Figure BDA0003300411650000031
其中，m为X射线能谱中X射线能量点或能谱区间的个数，Fi1为含氚物质表面总的X射线能谱的第i个能量点或能谱区间的计数或计数率。
优选的，所述单位氚矩阵f表达如下：
Figure BDA0003300411650000032
其中，fij表示样品在第j层含单位活度氚时测得的X射线能谱第i个能量点或能量区间的计数或计数率，n为含氚样品的层数。
优选的，所述深度分布矩阵A表达如下：
Figure BDA0003300411650000033
其中，aj1表示在第j层的氚的活度。
优选的，所述氚分析计算模型为含氚样品表面的X射线能谱矩阵F与单位氚矩阵f和深度分布矩阵A的关系模型；所述X射线能谱矩阵F与单位氚矩阵f和深度分布矩阵A的关系如下：
Figure BDA0003300411650000041
优选的，所述氚分析计算模型的构建方法步骤如下：
S31、通过蒙特卡罗程序对已知厚度的含氚样品进行几何建模，将样品平均分成n层，模拟获取每一层单独含有单位活度的氚时，在物质表面获取的X射线能谱，从而得到含氚样品的单位氚矩阵f；
S32、根据已知的氚深度分布，获取氚的深度分布矩阵A；
S33、获取样品表面总的X射线能谱及总的X射线能谱矩阵F；
S34、针对不同厚度、不同氚分布的已知样品，重复步骤S31-S33的过程，获取大量的总的X射线谱矩阵F与氚深分布矩阵A、单位氚矩阵f的对应关系；
S35、将步骤S34中的部分X射线谱矩阵F作为输入，其对应的氚深分布矩阵A、单位氚矩阵f作为输出，训练得到X射线谱矩阵F与氚深度分布矩阵A、单位氚矩阵f的关系模型，即氚分析计算模型；
S36、设置网络关系模型允许的最大的标准差MAX，将剩下的X射线谱矩阵F作为氚分析计算模型的输入，得到由氚分析计算模型输出的氚深度分布矩阵A预测值、单位氚矩阵f预测值，并与实际值对比，得到氚分析计算模型的标准差，若标准差大于MAX，则对网络关系模型中的各项参数进行系统优化，并重新进行训练，直到标准差值小于MAX。
此外，为了实现上述目的，本发明还提出了一种高效的氚分析装置，包括：
X射线能谱矩阵转化模块(310)，用于将待分析X射线能谱转化成X射线能谱矩阵F；
氚含量和深度分布分析模块(320)，用于将输入到氚分析计算模型中的X射线能谱矩阵F进行计算分析，确定氚的含量、氚的深度分布及样品厚度。
此外，为了实现上述目的，本发明还提出了一种设备，所述设备包括：处理器(410)；和存储器(420)，用于存储一个或多个程序；
当所述一个或多个程序被处理器(410)执行时，使得所述处理器执行如权利要求1-7中任一项所述的氚分析方法。
此外，为了实现上述目的，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器(410)执行时实现如权利要求1-7中任一项所述的氚分析方法。
本发明的有益效果是：本发明能够对未知氚含量和厚度的含氚样品进行测量和分析，解决了现有的基于蒙特卡洛方法的BIXS分析方法必须提前知道含氚样品的氚含量范围和厚度的问题，同时，本发明只需要将待测样品的X射线能谱输入氚分析计算模块，就可以快速获取当前样品的厚度和氚深度分布，减少了蒙特卡洛程序计算的耗费的大量时间，弥补了现有BIXS方法对每一份样品都必须进行蒙特卡洛程序仿真的不足，大大的提高了BIXS分析方法的测量范围和氚分析效率。
附图说明
图1为本发明实施例中氚分析方法的流程图；
图2为本发明实施例中氚分析计算模型的构建流程图；
图3为本发明实施例中将5μm厚的含氚钛样品均匀分层5层，从上至下每一层单独含有单位活度氚时的X射线能谱；
图4为本发明实施例中均匀分布情况下样品表面总的X射线能谱；
图5为本发明实施例中氚分析装置的结构示意图；
图6为本发明实施例中设备的结构示意图；
图中，310-X射线能谱矩阵转化模块，320-氚含量和深度分布分析模块，410-处理器，420-存储器。
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。
现有技术中，基于蒙特卡洛方法的BIXS方法的主要方法为：1)通过别的方法获取大概的氚原子与含氚物质的原子比n；2)通过别的方法获取含氚样品的大致厚度d；3)通过蒙特卡洛程序构建氚原子与含氚物质的原子比为n的含氚材料；4)通过蒙卡软件将已知厚度d均匀分成m层，模拟获取当只有第j层含有单位活度(活度：放射性核素在单位时间内发生衰变的个数)氚时的X射线能谱fj(E)，aj表示第j层的氚活度，6)实验测得含氚物质表面总的X射线谱F(E)，则F(E)可以表示如下：
Figure BDA0003300411650000061
7)根据上述公式求得a的大小，从而获取含氚样品的氚含量和深度分布。
由以上内容知道，一方面：现有的基于蒙特卡洛方法的BIXS方法必须提前知道氚原子与含氚物质的原子比n，才能构建相应的材料，且必须知道含氚样品的厚度，才能用程序对样品进行样品分层建模处理，对于氚含量范围和厚度未知的样品，则无法实现该方法。另一方面：蒙特卡洛程序是基于数学统计和概率的一款软件，计算比较耗时，而现有的BIXS方法针对每一个样品均需要进行一次蒙特卡洛仿真计算，加长了单次含氚样品的总的分析时间。
因此，本发明实施例提供了一种高效的氚分析方法，流程如图1所示，步骤具体包括：
S1、获取待测固体含氚样品表面的总的X射线能谱
由于含氚样品通常具有一定的厚度(约2-5um)，因此在含氚样品获取的总的X射线能谱通常是样品不同深度处产生的X射线能谱的总和，在获取的X射线能谱中包含两部分，一部分为氚β衰变产生的β粒子与物质相互作用产生的轫致辐射X射线，另一部分为氚β衰变产生的β粒子与物质相互作用产生的特征X射线。
其中，氚β衰变产生的β射线与含氚物质相互作用时，损失的能量转化轫致辐射X射线，由于损失的能量从零到电子的最大能量之间具有一定的随机性分布，因此产生的X射线为连续能谱。
在本实施例中，测量获得的X射线能谱是对不同能量X射线的统计，例如可以是横坐标为X射线能量，纵坐标为X射线个数的曲线。
具体的，待测样品的X射线能谱可以通过放置在待测含氚样品表面附近的X射线探测器获得。需要说明的是，本实施例对待X射线能谱的获取不做限定。
S2、将所述X射线能谱转化为X射线能谱矩阵F
其中，X射线能谱矩阵F的格式表达如下：
Figure BDA0003300411650000071
m为X射线能谱中X射线能量点或能谱区间的个数，Fi1为含氚物质表面总的X射线能谱的第i个能量点或能谱区间的计数或计数率。
具体的，本实施例可以是在测量的X射线能谱中等距离获取多组单能X射线或随机获取多组单能X射线；
进一步的，本实施例还可以是将待分析X射线谱分为多个能谱区间，在各个能谱区间中至少一个或多个单能X射线的计数值，或者是计算各个能谱区间能量的平均值作为Fi1的数值。
S3、将所述X射线能谱矩阵F输入氚分析计算模型
氚分析计算模型为根据X射线能谱矩阵F与氚含量、氚深度分布之间的关系所训练得到的人工智能网络模型。通过将待测样品的X射线能谱矩阵F带入谱氚分析计算模型就能够获取待测样品的单位氚矩阵f和深度分布矩阵A。
S4、通过所述氚分析计算模型，获取未知样品的单位氚矩阵f和深度分布矩阵A，得到待测样品的深度和氚分布信息。
其中，单位氚矩阵f的格式表达如下：
Figure BDA0003300411650000081
其中，m为X射线能谱中X射线能量点或能谱区间的个数，fij表示样品在第j层含单位活度氚时测得的X射线能谱第i个能量点或能量区间的计数或计数率，n为含氚样品的层数。
其中，氚的深度分布可以是均匀分布、指数分布、粒子注入、高斯分布等多种形式。
进一步的，氚深度分布矩阵A格式表达如下：
Figure BDA0003300411650000091
具体的，n为含氚样品的层数，aj1表示在第j层的氚的活度，对于每一层厚度为固定值的矩阵A，根据n的大小就能获取样品的厚度。
进一步的，在本实施例中，测量的X射线能谱与氚含量及深度分布的关系式如下：
Figure BDA0003300411650000092
具体的，m为X射线能谱中X射线能量点或能谱区间的个数，n表示含氚样品的层数。Fi1为含氚物质表面总的X射线能谱的第i个能量点或能谱区间的计数或计数率，fij表示样品在第j层含单位活度氚时测得的X射线能谱第i个能量点或能量区间的计数或计数率，aj1表示在第j层的氚的活度。
本发明实施例获取待分析样品表面的X射线能谱，将所获得的X射线能谱转化为X射线能谱矩阵F，并将X射线能谱矩阵F代入氚分析计算模型，获取待测样品的单位氚矩阵f和深度分布矩阵A。解决了现有的基于蒙特卡洛方法的BIXS分析方法必须提前知道含氚样品的氚含量范围和厚度的问题，也弥补了现有BIXS方法对每一份样品都必须进行蒙特卡洛程序仿真的不足，大大的提高了BIXS分析方法的测量范围和氚分析效率。
进一步的，将所述X射线能谱转化为X射线能谱矩阵F输入氚分析计算模型，以获得待测样品的单位氚矩阵f和深度分布矩阵A，包括：将测量的X射线能谱分成多个子能谱区间；计算每个子能谱区间中的单能光子的计数平均值；分别将所述待分析X射线能谱中多个子能谱区间对应的计数平均值作为X射线能谱矩阵F的数值输入氚分析计算模型，以获得待测样品的单位氚矩阵f和深度分布矩阵A。
其中，待分析X射线能谱的能量值范围为0-18.6keV。例如可以是，将待测X射线能谱分成30个子能谱区间，计算30个子能谱区间包含单能X射线的计数平均值，并将待测X射线能谱中30个子能谱区间对应的计数平均值作为X射线能谱矩阵的数值输入氚分析计算模型，以获取待测样品的单位氚矩阵f和深度分布矩阵A。需要说明的是，本实施例提供的将待测X射线能谱分成30个子能谱区间仅仅是一种示例，本实施例对子能谱区间的个数不进行限定。
本发明实施例通过将待分析X射线能谱转化为X射线能谱矩阵F输入氚分析计算模型获得待测样品的单位氚矩阵f和深度分布矩阵A。
本发明实施例还提供了一种氚分析方法中氚分析计算模型的构建，具体步骤包括：
S31、通过蒙特卡罗程序对已知厚度的含氚样品进行几何建模，将样品平均分成n层，模拟获取每一层单独含有单位活度的氚时，在物质表面获取的X射线能谱，从而得到含氚样品的单位氚矩阵f。
具体的，由于氚β衰变产生的β粒子为连续能量的能谱，且最大能量为18.6keV，因此X射线的能谱区间为0-18.6keV。
具体的，单位氚矩阵的格式如下：
Figure BDA0003300411650000111
具体的，m为X射线能谱中X射线能量点或能谱区间的个数，fij表示样品在第j层含单位活度氚时测得的X射线能谱第i个能量点或能量区间的计数或计数率，n为含氚样品的层数。
其中，蒙特卡洛程序是基于蒙特卡罗方法的用于计算三维复杂几何结构中的中子、光子、电子或者耦合中子/光子/电子输运问题的通用软件包，可以包括MCNP(MonteCarlo N Particle Transport Code)、Geant4(Geometry And Tracking)，FLUKA(FLUktuierende KAsade)，EGS(Electron-Gamma Shower)、PENELOPE等程序。在本实施例中，可以采用上述任意一种蒙特卡洛程序模拟含氚物质产生的X射线，本实施例对此不作限定。
需要说明的是，本实施例可以利用MATLAB、Excel、Origin等能够实现数据处理的制图工具对蒙特卡洛程序(如PENELOPE)输出的数据文件进行数据处理，且本实施例不对制图工具的软件类型进行限定。如图3所示，是将5μm厚的含氚钛样品均匀分层5层，从上至下每一层单独含有单位活度氚时的X射线能谱。
S32、根据已知的氚深度分布，获取氚的深度分布矩阵A。
具体的，氚的深度分布可以是均匀分布、指数分布、粒子注入、高斯分布等多种形式。
具体的，氚深度分布矩阵格式如下：
Figure BDA0003300411650000121
具体的，n为含氚样品的层数，aj1表示在第j层的氚的活度。
S33、获取样品表面总的X射线能谱及总的X射线能谱矩阵F。
如图4所示，是均匀分布情况下样品表面总的X射线能谱。
具体的，总的X射线能谱矩阵F格式如下：
Figure BDA0003300411650000122
具体的，m为X射线能谱中X射线能量点或能谱区间的个数，Fi1为含氚物质表面总的X射线能谱的第i个能量点或能谱区间的计数或计数率。
S34、针对不同厚度、不同氚分布的已知样品，重复S31-S33的过程，获取大量的总的X射线谱矩阵F与氚深分布矩阵A、单位氚矩阵f的对应关系。
具体的，至少有100组总的X射线谱矩阵F与氚深分布矩阵A、单位氚矩阵f的对应关系。
S35、将步骤S34中的大部分X射线谱矩阵F作为输入，其对应的氚深分布矩阵A、单位氚矩阵f作为输出，选择训练的基本网络关系类型及相关参数如隐藏层的个数，并训练得到X射线谱矩阵F与氚深度分布矩阵A、单位氚矩阵f的具体关系模型，即氚分析计算模型。
进一步的，选择的基本网络关系类型可以是多层前馈神经网络关系模型，选择的隐藏层个数可以是2个。
具体的，可选择的基本网络关系类型可以是前馈神经网络、多层前馈神经网络、长短期记忆网络(LSTM)、生成对抗网络(GNA)、自动编码器(Auto-Encoder)、卷积神经网络(CNN)、循环神经网络(RNN)、递归神经网络(RNN)等可以实现复杂网络关系预测的关系类型，本实施例不对训练的基本关系类型做限定，亦不对训练过程中的具体参数做限定。
具体的，由于氚β衰变产生的β粒子为连续能量的能谱，且最大能量为18.6keV，因此X射线的能谱区间为0-18.6keV。
S36、设置网络关系模型允许的最大的标准差MAX，将剩下的X射线谱矩阵F作为氚分析计算模型的输入，得到由氚分析计算模型输出的氚深度分布矩阵A预测值、单位氚矩阵f预测值，并与实际值对比，得到氚分析计算模型的标准差，若标准差大于MAX，则对网络关系模型中的各项参数进行系统优化，并重新进行训练，直到标准差值小于MAX。
进一步的，氚分析计算模型的标准差包含两部分，一部分为氚深度分布矩阵A的标准差、另一部分为单位氚矩阵f的标准差。
氚深度分布矩阵A的标准差计算公式如下：
Figure BDA0003300411650000131
其中，n为含氚样品的层数，aaj1为通过氚分析计算模型得出的第j层的样品的氚含量，aj1为实际的第j层的样品含氚量。
单位氚矩阵f的标准差计算公式如下：
Figure BDA0003300411650000132
其中，n为含氚样品的层数，m为X射线能谱中X射线能量点或能谱区间的个数，ffij为氚分析计算模型得出的第j层第i个能量区间的计数或计数率，fij为实际的第j层第i个能量区间或能量点的计数或计数率。
需要说明的是，本实施例可以利用多种标准差计算方法，且本实施例只是举例说明，不对标准差计算方法进行限定。
本发明实施例还提供了一种氚分析装置，装置结构如图5所示，本实施例可适用于各种含氚物质氚分析的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供固态含氚物质氚分析功能的设备中，例如可以是电脑。如图5所示，具体包括：X射线能谱矩阵转化模块310和氚含量和深度分布分析模块320，X射线能谱矩阵转化模块310，用于将待分析X射线能谱转化成X射线能谱矩阵F；分析计算模块320，通过将X射线能谱矩阵F输入氚分析计算模型，确定氚的含量和深度分布。
本发明实施例还提供了一种设备，结构如图6所示，该设备包括：一个或多个处理器410；存储器420，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器410执行，使得所述一个或多个处理器410实现如本发明实施例提出的氚分析方法。
图6中以一个处理器410为例；处理器410和存储器420可以通过总线或其他方式连接，图6中通过总线连接为例。存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的氚分析方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而实现上述的氚分析方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据机顶盒的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至机顶盒。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提出的设备与本发明实施例提出的氚分析方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提出的氚分析方法。
本实施例提出的计算机可读存储介质与本发明实施例提出的氚分析方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台机顶盒(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,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 (9)

1.一种高效的氚分析方法，其特征在于，包括如下步骤:
S1、获取待测固体含氚样品表面的总的X射线能谱；
S2、将所述X射线能谱转化为X射线能谱矩阵F；
S3、将所述X射线能谱矩阵F输入到氚分析计算模型；
S4、通过氚分析计算模型获取未知样品的单位氚矩阵f和深度分布矩阵A，得到待测样品的深度和氚分布信息；
所述氚分析计算模型为含氚样品表面的X射线能谱矩阵F与单位氚矩阵f和深度分布矩阵A的关系模型；所述X射线能谱矩阵F与单位氚矩阵f和深度分布矩阵A的关系如下：
Figure FDA0004057643430000011
其中，m为X射线能谱中X射线能量点或能谱区间的个数，n表示含氚样品的层数，Fi1为含氚物质表面总的X射线能谱的第i个能量点或能谱区间的计数或计数率，fij表示样品在第j层含单位活度氚时测得的X射线能谱第i个能量点或能量区间的计数或计数率，aj1表示在第j层的氚的活度。
2.根据权利要求1所述的氚分析方法，其特征在于：所述步骤S1中获取的X射线能谱包括两部分，一部分为氚β衰变产生的β粒子与物质相互作用产生的轫致辐射X射线，另一部分为氚β衰变产生的β粒子与物质相互作用产生的特征X射线。
3.根据权利要求1所述的氚分析方法，其特征在于：所述步骤S2中将所述X射线能谱转化为X射线能谱矩阵F具体是：将获得的X射线能谱分成m个子能谱区间，获取各个子能谱区间的计数平均值Fi1，作为X射线能谱矩阵F的第i个数值；所述X射线能谱矩阵F表达如下：
Figure FDA0004057643430000021
其中，m为X射线能谱中X射线能量点或能谱区间的个数，Fi1为含氚物质表面总的X射线能谱的第i个能量点或能谱区间的计数或计数率。
4.根据权利要求1所述的氚分析方法，其特征在于：所述单位氚矩阵f表达如下：
Figure FDA0004057643430000022
其中，fij表示样品在第j层含单位活度氚时测得的X射线能谱第i个能量点或能量区间的计数或计数率，n为含氚样品的层数。
5.根据权利要求1所述的氚分析方法，其特征在于：所述深度分布矩阵A表达如下：
Figure FDA0004057643430000023
其中，aj1表示在第j层的氚的活度。
6.根据权利要求1所述的氚分析方法，其特征在于：所述氚分析计算模型的构建方法步骤如下：
S31、通过蒙特卡罗程序对已知厚度的含氚样品进行几何建模，将样品平均分成n层，模拟获取每一层单独含有单位活度的氚时，在物质表面获取的X射线能谱，从而得到含氚样品的单位氚矩阵f；
S32、根据已知的氚深度分布，获取氚的深度分布矩阵A；
S33、获取样品表面总的X射线能谱及总的X射线能谱矩阵F；
S34、针对不同厚度、不同氚分布的已知样品，重复步骤S31-S33的过程，获取大量的总的X射线谱矩阵F与氚深分布矩阵A、单位氚矩阵f的对应关系；
S35、将步骤S34中的部分X射线谱矩阵F作为输入，其对应的氚深分布矩阵A、单位氚矩阵f作为输出，训练得到X射线谱矩阵F与氚深度分布矩阵A、单位氚矩阵f的关系模型，即氚分析计算模型；
S36、设置网络关系模型允许的最大的标准差MAX，将剩下的X射线谱矩阵F作为氚分析计算模型的输入，得到由氚分析计算模型输出的氚深度分布矩阵A预测值、单位氚矩阵f预测值，并与实际值对比，得到氚分析计算模型的标准差，若标准差大于MAX，则对网络关系模型中的各项参数进行系统优化，并重新进行训练，直到标准差值小于MAX。
7.一种高效的氚分析装置，其特征在于：包括：
X射线能谱矩阵转化模块(310)，用于将待分析X射线能谱转化成X射线能谱矩阵F；
氚含量和深度分布分析模块(320)，用于将输入到氚分析计算模型中的X射线能谱矩阵F进行计算分析，确定氚的含量、氚的深度分布及样品厚度；
所述氚分析计算模型为含氚样品表面的X射线能谱矩阵F与单位氚矩阵f和深度分布矩阵A的关系模型。
8.一种设备，其特征在于：所述设备包括：处理器(410)；和存储器(420)，用于存储一个或多个程序；
当所述一个或多个程序被处理器(410)执行时，使得所述处理器执行如权利要求1-6中任一项所述的氚分析方法。
9.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器(410)执行时实现如权利要求1-6中任一项所述的氚分析方法。
CN202111188910.3A 2021-10-12 2021-10-12 一种高效的氚分析方法、装置、设备和存储介质 Active CN114113188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111188910.3A CN114113188B (zh) 2021-10-12 2021-10-12 一种高效的氚分析方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111188910.3A CN114113188B (zh) 2021-10-12 2021-10-12 一种高效的氚分析方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114113188A CN114113188A (zh) 2022-03-01
CN114113188B true CN114113188B (zh) 2023-03-03

Family

ID=80375650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111188910.3A Active CN114113188B (zh) 2021-10-12 2021-10-12 一种高效的氚分析方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114113188B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0151073A2 (en) * 1984-01-26 1985-08-07 Schlumberger Limited Quantitative determination by elemental logging of subsurface formation properties
WO1992016948A1 (de) * 1991-03-13 1992-10-01 Europäische Atomgemeinschaft (Euratom) Verfahren zum aufarbeiten von absorberstäben aus wassergekühlten kernreaktoren
CN110045411A (zh) * 2019-04-09 2019-07-23 中国科学院合肥物质科学研究院 一种测量固体物质中氘和氚深度分布的方法
CN110494388A (zh) * 2017-02-12 2019-11-22 辉光能源公司 磁流体动力电力产生器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101265603A (zh) * 2008-01-29 2008-09-17 四川大学 一种多层阻氢渗透复合膜的制备方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0151073A2 (en) * 1984-01-26 1985-08-07 Schlumberger Limited Quantitative determination by elemental logging of subsurface formation properties
WO1992016948A1 (de) * 1991-03-13 1992-10-01 Europäische Atomgemeinschaft (Euratom) Verfahren zum aufarbeiten von absorberstäben aus wassergekühlten kernreaktoren
CN110494388A (zh) * 2017-02-12 2019-11-22 辉光能源公司 磁流体动力电力产生器
CN110045411A (zh) * 2019-04-09 2019-07-23 中国科学院合肥物质科学研究院 一种测量固体物质中氘和氚深度分布的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EPBS对氚化钛薄膜中氚量及分布的初步分析;邬琦琦 等;《四川大学学报（自然科学版）》;20131231;第50卷(第04期);第797-801页 *
Identification of sorption processes and parameters for radionuclide transport in fractured rock;Zhenxue Dai 等;《Journal of Hydrology》;20111109;第414-415卷;第220-230页 *
多种β射线阻挡层的BIXS技术反演方法研究;何棠将 等;《四川大学学报（自然科学版）》;20161231;第53卷(第04期);第823-828页 *
用BIXS方法分析氚含量及深度分布中的反演方法研究;龙京晶;《第二届全国核技术及应用研究学术研讨会大会论文摘要集》;20090501;第859-866页 *

Also Published As

Publication number Publication date
CN114113188A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
Medhat Artificial intelligence methods applied for quantitative analysis of natural radioactive sources
JP7083421B2 (ja) 中性子同時計数に基づく、ウラン・プルトニウム溶液系プルトニウム濃度推算方法およびモニタリングシステム
WO2018219406A1 (de) Verfahren und vorrichtung zur multielementanalyse basierend auf neutronenaktivierung sowie verwendung
Kopeikin et al. Measurement of the Ratio of Cumulative Spectra of Beta Particles from U and Pu Fission Products for Solving Problems of Reactor-Antineutrino Physics
CN108804395B (zh) 一种氡钍子体固定能区比例系数扣除方法
Kirchknopf et al. Determining burnup, cooling time and operational history of VVER-440 spent fuel assemblies based on in-situ gamma spectrometry at Paks Nuclear Power Plant
Kardan et al. Fast neutron spectra determination by threshold activation detectors using neural networks
CN114113188B (zh) 一种高效的氚分析方法、装置、设备和存储介质
Shaban et al. Applying Monte Carlo and artificial intelligence techniques for 235U mass prediction in samples with different enrichments
Kilby et al. A source biasing and variance reduction technique for Monte Carlo radiation transport modeling of emission tomography problems
Borella et al. Signatures from the spent fuel: simulations and interpretation of the data with neural network analysis
CN113536679B (zh) 一种基于人工神经网络的点源剂量率修正方法
WO2011081566A1 (ru) Способ идентификации ядерного взрыва по изотопам криптона и ксенона
Kim et al. The method of characteristics for 2-D multigroup and pointwise transport calculations in SCALE/CENTRM
Mallick et al. PATMOC-1.0 (PArticle Transport with MOnte Carlo): A Multi-Region, Multi-Group, Isotropic, 1-Dimensional Neutron Criticality Code based on Monte Carlo Method
Saurel et al. Experimental and simulated assay of actinides in a real waste package
Panikkath et al. Estimation of neutron energy distributions from prompt gamma emissions
Panikkath et al. Improvement of the response of a rem-meter based on prompt gamma ray detection to high-energy neutrons up to 1 GeV
Lone et al. Neutron yields from proton-induced spallation reactions in thick targets of lead
Li et al. Research on gamma spectrum semi-quantitative analysis based on convolutional neural network
Saeidi et al. Utilizing artificial neural networks to convert gamma-ray spectra from NaI (Tl) detectors to HPGe detector gamma-ray spectra
EP0042099A2 (en) Self-regulating neutron coincidence counter
Abd El Gawad et al. Study on the performance of some non-destructive methods to estimate the uranium enrichment in nuclear materials
CN118625371A (zh) 一种高效、准确的bixs分析方法、装置和设备
Xu et al. A sequential least-squares algorithm for neutron spectrum unfolding from pulse-height distributions measured with liquid scintillators

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