CN115201884A - 一种环境监测用的空气辐射测量方法及系统 - Google Patents
一种环境监测用的空气辐射测量方法及系统 Download PDFInfo
- Publication number
- CN115201884A CN115201884A CN202211112932.6A CN202211112932A CN115201884A CN 115201884 A CN115201884 A CN 115201884A CN 202211112932 A CN202211112932 A CN 202211112932A CN 115201884 A CN115201884 A CN 115201884A
- Authority
- CN
- China
- Prior art keywords
- radiation dose
- gamma radiation
- dose rate
- area
- environment
- 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.)
- Granted
Links
Images
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
- G01T1/02—Dosimeters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明提供了一种环境监测用的空气辐射测量方法及系统,涉及智能环境监测领域,包括:根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;构建γ辐射剂量率‑环境要素映射规则;根据γ辐射剂量率‑环境要素映射规则,遍历区域聚类结果,生成γ辐射剂量率预测值列表;遍历γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;判断γ辐射剂量比对差值是否满足预设比对差值区间;对γ辐射剂量比对差值满足预设比对差值区间的区域聚类结果进行特征标识,生成优先监测标签;根据优先监测标签对待监测区域进行γ辐射监测。解决了现有技术中γ辐射的检测方式为全局检测,导致存在危险γ辐射检出效率较低的技术问题。
Description
技术领域
本发明涉及智能环境监测相关技术领域,具体涉及一种环境监测用的空气辐射测量方法及系统。
背景技术
γ辐射是空气中分布较为广泛且危险性较高的辐射类型,因此对于空气中γ辐射的准确监测是尤为重要的,高效的识别出危险γ辐射区域是保障安全的必要需求。
目前的γ辐射检测方式通常采用的是全局检测,即对待监测区域内进行全方位监测,筛选出异常γ辐射,但是若是在面临较大范围的检测时,此种监测方式效率较低,因此如何提高危险γ辐射在大范围内的检出效率成为主要的研究趋势。
现有技术中由于γ辐射的检测方式为全局检测,导致存在危险γ辐射检出效率较低的技术问题。
发明内容
本申请通过提供了一种环境监测用的空气辐射测量方法及系统,解决了现有技术中由于γ辐射的检测方式为全局检测,导致存在危险γ辐射检出效率较低的技术问题。
鉴于上述问题,本申请实施例提供了一种环境监测用的空气辐射测量方法及系统。
第一方面,本申请提供了一种环境监测用的空气辐射测量方法,其中,包括:根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;构建γ辐射剂量率-环境要素映射规则;根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表;遍历所述γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;判断所述γ辐射剂量比对差值是否满足预设比对差值区间;对所述γ辐射剂量比对差值满足所述预设比对差值区间的所述区域聚类结果进行特征标识,生成优先监测标签;根据所述优先监测标签对所述待监测区域进行γ辐射监测。
另一方面,本申请提供了一种环境监测用的空气辐射测量系统,其中,包括:区域聚类模块,用于根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;映射规则构建模块,用于构建γ辐射剂量率-环境要素映射规则;辐射剂量率预测模块,用于根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表;辐射剂量比对模块,用于遍历所述γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;比对差值判断模块,用于判断所述γ辐射剂量比对差值是否满足预设比对差值区间;特征标识模块,用于对所述γ辐射剂量比对差值满足所述预设比对差值区间的所述区域聚类结果进行特征标识,生成优先监测标签;任务执行模块,用于根据所述优先监测标签对所述待监测区域进行γ辐射监测。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对待监测区域依据环境要素的不同进行区域聚类分割,得到区域聚类结果;构建γ辐射剂量率-环境要素映射规则;依据γ辐射剂量率-环境要素映射规则遍历区域聚类结果预测各个区域的γ辐射剂量率;将γ辐射剂量率预测值不符合γ辐射剂量率阈值的区域进行优先γ辐射监测的技术方案,通过环境要素对区域进行细致的划分,预测各个区域的γ辐射剂量率,进行差异化的优先级γ辐射监测,实现了针对性较强的γ辐射监测,达到了提高检出危险γ辐射效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种环境监测用的空气辐射测量方法流程示意图;
图2为本申请实施例提供了一种环境监测用的空气辐射测量方法中区域聚类结果确定流程示意图;
图3为本申请实施例提供了一种环境监测用的空气辐射测量方法中γ辐射剂量率-环境要素映射规则确定流程示意图;
图4为本申请实施例提供了一种环境监测用的空气辐射测量系统结构示意图。
附图标记说明:区域聚类模块11,映射规则构建模块12,辐射剂量率预测模块13,辐射剂量比对模块14,比对差值判断模块15,特征标识模块16,任务执行模块17。
具体实施方式
本申请实施例通过提供了一种环境监测用的空气辐射测量方法及系统,解决了现有技术中由于γ辐射的检测方式为全局检测,导致存在危险γ辐射检出效率较低的技术问题。通过环境要素对区域进行细致的划分,预测各个区域的γ辐射剂量率,进行差异化的优先级γ辐射监测,实现了针对性较强的γ辐射监测,达到了提高检出危险γ辐射效率的技术效果。
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种环境监测用的空气辐射测量方法及系统。由于采用了对待监测区域依据环境要素的不同进行区域聚类分割,得到区域聚类结果;构建γ辐射剂量率-环境要素映射规则;依据γ辐射剂量率-环境要素映射规则遍历区域聚类结果预测各个区域的γ辐射剂量率;将γ辐射剂量率预测值不符合γ辐射剂量率阈值的区域进行优先γ辐射监测的技术方案,通过环境要素对区域进行细致的划分,预测各个区域的γ辐射剂量率,进行差异化的优先级γ辐射监测,实现了针对性较强的γ辐射监测,达到了提高检出危险γ辐射效率的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种环境监测用的空气辐射测量方法,其中,包括步骤:
S100:根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;
进一步的,如图2所示,基于所述根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果,步骤S100包括步骤:
S110:从所述待监测区域,提取γ辐射敏感环境要素设为所述环境敏感要素;
S120:遍历所述环境敏感要素,匹配环境敏感要素分区阈值;
S130:根据所述环境敏感要素分区阈值,遍历所述环境敏感要素进行层级区域聚类,生成所述区域聚类结果。
进一步的,基于所述根据所述环境敏感要素分区阈值,遍历所述环境敏感要素进行层级区域聚类,生成所述区域聚类结果,步骤S130包括步骤:
S131:根据第N环境敏感要素对所述待监测区域进行特征值采集,生成第N环境敏感要素特征值,其中,所述第N环境敏感要素特征值包括属性值特征和位置特征;
S132:将任意两个所述位置特征的所述属性值特征比对,生成属性值比对结果;
S133:判断所述属性值比对结果是否满足所述环境敏感要素分区阈值;
S134:若不满足,将两个所述位置特征添加进相同聚类区域;若满足,将两个所述位置特征添加进不同聚类区域,生成第N区域聚类结果;
S135:将第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果融合,生成所述区域聚类结果。
进一步的,基于所述将第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果融合,生成所述区域聚类结果,步骤S135包括步骤:
S135-1:根据所述第一区域聚类结果,构建第一区域聚类数字仿真图;
S135-2:根据所述第N区域聚类结果,构建第N区域聚类数字仿真图;
S135-3:将所述第一区域聚类数字仿真图直到所述第N区域聚类数字仿真图重合,生成交集聚类区域;
S135-4:将所述交集聚类区域设为所述区域聚类结果。
具体而言,待监测区域指的是需要进行γ辐射监测的区域,优选待监测区域基于经纬度和海拔组合为三维空间坐标体系进行定位划分,即通过经纬度实现地球表面的定位,通过海拔实现离地高度的定位;环境敏感要素指的是对γ辐射剂量率会造成影响的γ辐射敏感环境要素,优选的为:地理位置参数、放射性核素浓度参数、降雨参数、温度参数、湿度参数、气压参数、风速参数和风向参数等,即都是在历史监测记录中统计的会对γ辐射剂量率造成影响的参数集合;区域聚类结果指的是根据不同位置环境敏感要素的差异度对待监测区域进行区域聚类分析之后的结果,在同一个聚类中的任意两个位置可能接壤或不接壤,但是具有相同的环境敏感要素。
聚类分析过程如下:
环境敏感要素分区阈值指的是用于进行区域聚类的任意两个位置环境敏感要素差值的最小值,大于环境敏感要素分区阈值则划分至不同的聚类区域,小于或等于环境敏感要素分区阈值则划分至相同的聚类区域;且环境敏感要素分区阈值和环境敏感要素是一一对应的,以地理位置参数、放射性核素浓度参数、降雨参数、温度参数、湿度参数、气压参数、风速参数和风向参数举不设限制的一例:地理位置参数的环境敏感要素分区阈值为地理位置距离预设值、放射性核素浓度参数的环境敏感要素分区阈值为放射性核素浓度预设差值、降雨参数的环境敏感要素分区阈值为降雨量预设差值、温度参数的环境敏感要素分区阈值为温度预设差值、湿度参数的环境敏感要素分区阈值为湿度预设差值、气压参数的环境敏感要素分区阈值为气压预设差值、风速参数的环境敏感要素分区阈值为风速预设差值、风向参数的环境敏感要素分区阈值为风向角度预设差值等。
根据上述的环境敏感要素分区阈值,遍历环境敏感要素进行区域聚类,N表示环境敏感要素类型数量,如以上述地理位置参数、放射性核素浓度参数、降雨参数、温度参数、湿度参数、气压参数、风速参数和风向参数为例,则N=8,根据地理位置参数、放射性核素浓度参数、降雨参数、温度参数、湿度参数、气压参数、风速参数和风向参数对应的环境敏感要素分区阈值,分别对待监测区域进行聚类,就得到第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果,详细过程以第N区域聚类结果举例说明:
第N环境敏感要素指的是第N类型的环境敏感要素;属性值特征指的是第N环境敏感要素的具体值,包括但不限于上述地理位置参数、放射性核素浓度参数、降雨参数、温度参数、湿度参数、气压参数、风速参数和风向参数等参数值的一种;位置特征指的是第N环境敏感要素属性值特征的采集位置;在待监测区域中,属性值特征可能重复,但是位置特征是唯一的,因此一一对应的属性值特征-位置特征也是唯一的;通过调取不同位置的属性值特征进行比对,得到属性值比对结果,即属性值差值的绝对值;再判断属性值比对结果是否满足环境敏感要素分区阈值,即属性值比对结果是否大于环境敏感要素分区阈值,若是大于则满足,将比对的两个位置特征添加进不同聚类区域;若是小于或等于则不满足,将比对的两个位置特征添加进相同聚类区域,并计算两个位置的属性值特征均值作为相同聚类区域的属性值特征。
综上,得到第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果进行融合,即得到区域聚类结果。N个聚类结果的融合过程如下:
第一区域聚类数字仿真图指的是表征第一区域聚类结果划线分割的虚拟数字仿真图,第一区域聚类数字仿真图构建过程如下:即将待监测区域视为一个整体,构建仿真模型,而第一区域聚类结果中的各个聚类区域的边界视为分割线对仿真模型分割,进而得到第一区域聚类数字仿真图,分割线内组成的区域,即为一个聚类结果,仿真模型的构建优选的使用三维建模技术即可实现。第N区域聚类数字仿真图和第一区域聚类数字仿真图的构建过程完全相同。第一区域聚类数字仿真图直到第N区域聚类数字仿真图的外轮廓完全相同,只需要将第一区域聚类数字仿真图直到第N区域聚类数字仿真图重合,即可得到各个分割线相交分割出的各个聚类区域的交集,记为交集聚类区域,即为区域聚类结果,如此,则保障任意一个区域聚类结果中的环境敏感要素皆可视为相同,即相同区域聚类结果中的各个位置的环境敏感要素对γ辐射的影响程度差异较小,便于统一处理,实现后步高效的γ辐射监测。
S200:构建γ辐射剂量率-环境要素映射规则;
进一步的,若图3所示,基于所述构建γ辐射剂量率-环境要素映射规则,步骤S200包括步骤:
S210:遍历所述环境敏感要素进行对照分析,生成多个敏感要素-γ辐射剂量率离散关系图;
S220:遍历所述多个敏感要素-γ辐射剂量率离散关系图,生成多条敏感要素-γ辐射剂量率平滑变化曲线;
S230:根据所述多条敏感要素-γ辐射剂量率平滑变化曲线,生成多个映射系数;
S240:根据所述映射系数,构建所述γ辐射剂量率-环境要素映射规则。
具体而言,γ辐射剂量率-环境要素映射规则指的是表征γ辐射剂量率和环境敏感要素之间影响关系的经验函数规则,γ辐射剂量率指的是表征γ辐射危险程度的数据,为单位时间内的照射剂量,,为辐射剂量率,dQ指的是γ射线在质量dm的空气中释放的全部电子完全被空气阻止时,在空气中所产生的带正(或负)电离子总电荷的绝对值,dm指的是单位空气质量,γ辐射剂量率-环境要素映射规则构建过程如下:
筛选环境敏感要素中的一个要素设为变量敏感要素,其它为定量,基于大数据采集多组符合要求的监测数据,任意一组监测数据都包括:变量敏感要素-γ辐射剂量率,进而根据多组符合要求的监测数据构建敏感要素-γ辐射剂量率离散关系图,表征γ辐射剂量率随变量敏感要素的变化分布图;使用相同的方式,遍历环境敏感要素,得到多个敏感要素-γ辐射剂量率离散关系图,由于随着变量敏感要素变化,γ辐射剂量率的变化不一定具备线性关系,多呈离散型分布,进而记为离散关系图。
敏感要素-γ辐射剂量率平滑变化曲线指的是从γ辐射剂量率随变量敏感要素的变化的离散分布图中找到的可以呈现γ辐射剂量率随变量敏感要素的变化的线性关系的结果,即γ辐射剂量率围绕着敏感要素-γ辐射剂量率平滑变化曲线进行离散分布,通过敏感要素-γ辐射剂量率平滑变化曲线实现了γ辐射剂量率-变量敏感要素关系的量化,便于后步的高效处理。
映射系数指的是表征多条敏感要素-γ辐射剂量率平滑变化曲线函数关系,针对平滑曲线而言,即可得到γ辐射剂量率-变量敏感要素的曲线函数关系,遍历全部的多条敏感要素-γ辐射剂量率平滑变化曲线,即得到多个映射系数,由于映射系数的具体形式依据分析数据的不同,会有变化,此处不做限制性说明,本领域人员在实施时可依据上述原理结合数学常识进行构建。
进一步,将多个映射系数设为γ辐射剂量率-环境要素映射规则,则根据γ辐射剂量率-环境要素映射规则可进行单个环境因素的对γ辐射剂量率的影响,实际的监测中,主要是多个环境要素的综合影响,但是由于多因素的综合影响较为复杂,现有技术难以实现通过数学模型直接模拟对多个环境要素下和γ辐射剂量率的影响关系,因此本申请实施例通过先将环境要素拆解,单个进行分析得到单个环境要素和γ辐射剂量率的量化关系,在后步进程再根据单个环境要素和γ辐射剂量率的量化关系,使用智能化模型进行多个环境要素的耦合,实现γ辐射剂量率在多个环境要素下的预测量,进而为监测区域的确定提供参考性数据,实现针对化的γ辐射监测。
S300:根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表;
进一步的,基于所述根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表,步骤S300包括步骤:
S310:遍历所述区域聚类结果,从第M区域聚类结果提取第M区域环境要素;
S320:根据所述第M区域环境要素遍历所述γ辐射剂量率-环境要素映射规则,生成第M区域γ辐射剂量率预测值集合;
S330:对所述第M区域γ辐射剂量率预测值集合进行耦合,生成第M区域γ辐射剂量率耦合值;
S340:将所述第M区域γ辐射剂量率耦合值添加进所述γ辐射剂量率预测值列表。
进一步的,基于所述对所述第M区域γ辐射剂量率预测值集合进行耦合,生成第M区域γ辐射剂量率耦合值,步骤S330包括步骤:
S331:获取辐射剂量率耦合模型构建数据集,其中,所述辐射剂量率耦合模型构建数据集包括:单要素γ辐射剂量率记录数据集、环境要素记录数据集和辐射剂量率耦合标注数据集;
S332:根据所述单要素γ辐射剂量率记录数据集、所述环境要素记录数据集和所述辐射剂量率耦合标注数据集,构建辐射剂量率耦合第一决策树;
S333:将所述辐射剂量率耦合第一决策树不满足预设准确率的所述单要素γ辐射剂量率记录数据集、所述环境要素记录数据集和所述辐射剂量率耦合标注数据集提取,构建辐射剂量率耦合第二决策树;
S334:将所述辐射剂量率耦合第一决策树和所述辐射剂量率耦合第二决策树合并,生成所述辐射剂量率耦合模型;
S335:将所述第M区域γ辐射剂量率预测值集合和所述第M区域环境要素输入所述辐射剂量率耦合模型,生成所述第M区域γ辐射剂量率耦合值。
具体而言,γ辐射剂量率预测值列表指的是依据γ辐射剂量率-环境要素映射规则,遍历区域聚类结果中的环境要素得到多个单环境要素的γ辐射剂量率预测值再进行耦合之后,得到的表征多个环境要素综合影响的结果,任意一个聚类区域对应于一个γ辐射剂量率预测值,将聚类区域和γ辐射剂量率预测值优选的以列表的形式一一对应进行存储,等待后步调用。
以下以区域聚类结果中第M区域聚类结果举例说明:第M区域环境要素指的是第M区域内的环境要素的具体值,示例性地如:地理位置参数、放射性核素浓度参数、降雨参数、温度参数、湿度参数、气压参数、风速参数和风向参数的具体值;将第M区域环境要素依次输入相对应的γ辐射剂量率-环境要素映射规则中,则可以匹配出对应的γ辐射剂量率,将γ辐射剂量率和环境要素一一对应存储,记为第M区域γ辐射剂量率预测值集合;再对第M区域γ辐射剂量率预测值集合进行耦合,耦合过程如下:
通过辐射剂量率耦合模型实现辐射剂量率的耦合,辐射剂量率耦合模型的构建过程如下:基于大数据采集辐射剂量率耦合模型构建数据集,包括多组单要素γ辐射剂量率记录数据集、环境要素记录数据集和辐射剂量率耦合标注数据集。单要素γ辐射剂量率记录数据集指的是根据γ辐射剂量率-环境要素映射规则确定的单个要素影响下的γ辐射剂量率,与环境要素的维度相对应,一个环境要素具体值,对应于一个单要素γ辐射剂量率记录数据;环境要素记录数据指的是多维度的环境要素,和单要素γ辐射剂量率记录数据集一一对应;辐射剂量率耦合标注数据集指的是通过专家基于理论知识标注的结果或者根据同类型环境要素下γ辐射剂量率监测数据标注的结果。
训练时,优选的将单要素γ辐射剂量率记录数据集、环境要素记录数据集和辐射剂量率耦合标注数据集划分为8:1:1等份,将其中8份作为训练数据,将其中1份作为迭代数据集,将剩余1份作为验证数据集,调取8比例的训练数据,以单要素γ辐射剂量率记录数据集和环境要素记录数据集作为训练输入数据,以辐射剂量率耦合标注数据集作为输出数据的准确度差异值标识数据,当模型准确率满足迭代预设准确率(工作人员设定值)时,使用迭代数据集进行训练,若是输出稳定,即输出准确率满足迭代预设准确率,则使用验证数据集进行验证,若是验证的输出准确率满足迭代预设准确率,则说明模型收敛完成构建。
进一步的,优选的模型框架为决策树,以上述训练方式,设定预设准确率,预设准确率大于迭代预设准确率;通过上述方式,基于决策树框架,训练辐射剂量率耦合第一决策树,再将辐射剂量率耦合第一决策树不满足预设准确率的单要素γ辐射剂量率记录数据集、环境要素记录数据集和辐射剂量率耦合标注数据集提取,以相同方式训练辐射剂量率耦合第二决策树,最后将辐射剂量率耦合第一决策树和辐射剂量率耦合第二决策树合并,即得到辐射剂量率耦合模型。
实际工作以第M区域聚类结果举不设限制的一例:将第M区域γ辐射剂量率预测值集合和第M区域环境要素输入辐射剂量率耦合模型后,就会同时并行辐射剂量率耦合第一决策树和辐射剂量率耦合第二决策树,最后将两棵决策树的输出结果求均值,即可得到最终的输出。使用辐射剂量率耦合模型遍历全部的聚类结果,则可以得到和区域聚类结果一一对应的γ辐射剂量率预测值列表,将区域聚类结果和γ辐射剂量率预测值一一对应,优选的以列表的形式存储后置为待响应状态,等待后步调用。
由于辐射剂量率耦合第二决策树用的是辐射剂量率耦合第一决策树输出准确率不满足预设准确率的数据构建而成,弥补了辐射剂量率耦合第一决策树的不足,因此将二者合并的最终输出结果,具有较高输出准确性。
S400:遍历所述γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;
S500:判断所述γ辐射剂量比对差值是否满足预设比对差值区间;
具体而言,γ辐射剂量率阈值指的是会造成危害的γ辐射剂量最低值;γ辐射剂量比对差值优选的根据:γ辐射剂量比对差值=γ辐射剂量率预测值-γ辐射剂量率阈值,进行计算。预设比对差值区间指的是预设的需要进行监测的比对差值区间;若是γ辐射剂量比对差值不属于预设比对差值区间,则说明不必要对相应的区域进行γ辐射监测。则对该区域的监测可由工作人员自定义决策。
S600:对所述γ辐射剂量比对差值满足所述预设比对差值区间的所述区域聚类结果进行特征标识,生成优先监测标签;
S700:根据所述优先监测标签对所述待监测区域进行γ辐射监测。
具体而言,若是γ辐射剂量比对差值部属于预设比对差值区间之内,则说明相应的区域具有危险γ辐射的概率较高,则对区域聚类结果中相应的区域进行特征标识,得到优先监测标签。根据优先监测标签对待监测区域进行γ辐射监测,可有效提高危险γ辐射的检出效率,及时排除危险γ辐射可能造成的隐患。
综上所述,本申请实施例所提供的一种环境监测用的空气辐射测量方法及系统具有如下技术效果:
1.由于采用了对待监测区域依据环境要素的不同进行区域聚类分割,得到区域聚类结果;构建γ辐射剂量率-环境要素映射规则;依据γ辐射剂量率-环境要素映射规则遍历区域聚类结果预测各个区域的γ辐射剂量率;将γ辐射剂量率预测值不符合γ辐射剂量率阈值的区域进行优先γ辐射监测的技术方案,通过环境要素对区域进行细致的划分,预测各个区域的γ辐射剂量率,进行优先级差异化的γ辐射监测,实现了针对性较强的γ辐射监测,达到了提高检出危险γ辐射效率的技术效果。
实施例二
基于与前述实施例中一种环境监测用的空气辐射测量方法相同的发明构思,如图4所示,本申请实施例提供了一种环境监测用的空气辐射测量系统,其中,包括:
区域聚类模块11,用于根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;
映射规则构建模块12,用于构建γ辐射剂量率-环境要素映射规则;
辐射剂量率预测模块13,用于根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表;
辐射剂量比对模块14,用于遍历所述γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;
比对差值判断模块15,用于判断所述γ辐射剂量比对差值是否满足预设比对差值区间;
特征标识模块16,用于对所述γ辐射剂量比对差值满足所述预设比对差值区间的所述区域聚类结果进行特征标识,生成优先监测标签;
任务执行模块17,用于根据所述优先监测标签对所述待监测区域进行γ辐射监测。
进一步的,所述区域聚类模块11执行步骤包括:
从所述待监测区域,提取γ辐射敏感环境要素设为所述环境敏感要素;
遍历所述环境敏感要素,匹配环境敏感要素分区阈值;
根据所述环境敏感要素分区阈值,遍历所述环境敏感要素进行层级区域聚类,生成所述区域聚类结果。
进一步的,所述区域聚类模块11执行步骤包括:
根据第N环境敏感要素对所述待监测区域进行特征值采集,生成第N环境敏感要素特征值,其中,所述第N环境敏感要素特征值包括属性值特征和位置特征;
将任意两个所述位置特征的所述属性值特征比对,生成属性值比对结果;
判断所述属性值比对结果是否满足所述环境敏感要素分区阈值;
若不满足,将两个所述位置特征添加进相同聚类区域;若满足,将两个所述位置特征添加进不同聚类区域,生成第N区域聚类结果;
将第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果融合,生成所述区域聚类结果。
进一步的,所述区域聚类模块11执行步骤包括:
根据所述第一区域聚类结果,构建第一区域聚类数字仿真图;
根据所述第N区域聚类结果,构建第N区域聚类数字仿真图;
将所述第一区域聚类数字仿真图直到所述第N区域聚类数字仿真图重合,生成交集聚类区域;
将所述交集聚类区域设为所述区域聚类结果。
进一步的,所述映射规则构建模块12执行步骤包括:
遍历所述环境敏感要素进行对照分析,生成多个敏感要素-γ辐射剂量率离散关系图;
遍历所述多个敏感要素-γ辐射剂量率离散关系图,生成多条敏感要素-γ辐射剂量率平滑变化曲线;
根据所述多条敏感要素-γ辐射剂量率平滑变化曲线,生成多个映射系数;
根据所述映射系数,构建所述γ辐射剂量率-环境要素映射规则。
进一步的,所述辐射剂量率预测模块13执行步骤包括:
遍历所述区域聚类结果,从第M区域聚类结果提取第M区域环境要素;
根据所述第M区域环境要素遍历所述γ辐射剂量率-环境要素映射规则,生成第M区域γ辐射剂量率预测值集合;
对所述第M区域γ辐射剂量率预测值集合进行耦合,生成第M区域γ辐射剂量率耦合值;
将所述第M区域γ辐射剂量率耦合值添加进所述γ辐射剂量率预测值列表。
进一步的,所述辐射剂量率预测模块13执行步骤包括:
获取辐射剂量率耦合模型构建数据集,其中,所述辐射剂量率耦合模型构建数据集包括:单要素γ辐射剂量率记录数据集、环境要素记录数据集和辐射剂量率耦合标注数据集;
根据所述单要素γ辐射剂量率记录数据集、所述环境要素记录数据集和所述辐射剂量率耦合标注数据集,构建辐射剂量率耦合第一决策树;
将所述辐射剂量率耦合第一决策树不满足预设准确率的所述单要素γ辐射剂量率记录数据集、所述环境要素记录数据集和所述辐射剂量率耦合标注数据集提取,构建辐射剂量率耦合第二决策树;
将所述辐射剂量率耦合第一决策树和所述辐射剂量率耦合第二决策树合并,生成所述辐射剂量率耦合模型;
将所述第M区域γ辐射剂量率预测值集合和所述第M区域环境要素输入所述辐射剂量率耦合模型,生成所述第M区域γ辐射剂量率耦合值。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种环境监测用的空气辐射测量方法,其特征在于,包括:
根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;
构建γ辐射剂量率-环境要素映射规则;
根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表;
遍历所述γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;
判断所述γ辐射剂量比对差值是否满足预设比对差值区间;
对所述γ辐射剂量比对差值满足所述预设比对差值区间的所述区域聚类结果进行特征标识,生成优先监测标签;
根据所述优先监测标签对所述待监测区域进行γ辐射监测。
2.如权利要求1所述的方法,其特征在于,所述根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果,包括:
从所述待监测区域,提取γ辐射敏感环境要素设为所述环境敏感要素;
遍历所述环境敏感要素,匹配环境敏感要素分区阈值;
根据所述环境敏感要素分区阈值,遍历所述环境敏感要素进行层级区域聚类,生成所述区域聚类结果。
3.如权利要求2所述的方法,其特征在于,所述根据所述环境敏感要素分区阈值,遍历所述环境敏感要素进行层级区域聚类,生成所述区域聚类结果,包括:
根据第N环境敏感要素对所述待监测区域进行特征值采集,生成第N环境敏感要素特征值,其中,所述第N环境敏感要素特征值包括属性值特征和位置特征;
将任意两个所述位置特征的所述属性值特征比对,生成属性值比对结果;
判断所述属性值比对结果是否满足所述环境敏感要素分区阈值;
若不满足,将两个所述位置特征添加进相同聚类区域;若满足,将两个所述位置特征添加进不同聚类区域,生成第N区域聚类结果;
将第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果融合,生成所述区域聚类结果。
4.如权利要求3所述的方法,其特征在于,所述将第一区域聚类结果、第二区域聚类结果直到所述第N区域聚类结果融合,生成所述区域聚类结果,包括:
根据所述第一区域聚类结果,构建第一区域聚类数字仿真图;
根据所述第N区域聚类结果,构建第N区域聚类数字仿真图;
将所述第一区域聚类数字仿真图直到所述第N区域聚类数字仿真图重合,生成交集聚类区域;
将所述交集聚类区域设为所述区域聚类结果。
5.如权利要求1所述的方法,其特征在于,所述构建γ辐射剂量率-环境要素映射规则,包括:
遍历所述环境敏感要素进行对照分析,生成多个敏感要素-γ辐射剂量率离散关系图;
遍历所述多个敏感要素-γ辐射剂量率离散关系图,生成多条敏感要素-γ辐射剂量率平滑变化曲线;
根据所述多条敏感要素-γ辐射剂量率平滑变化曲线,生成多个映射系数;
根据所述映射系数,构建所述γ辐射剂量率-环境要素映射规则。
6.如权利要求1所述的方法,其特征在于,所述根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表,包括:
遍历所述区域聚类结果,从第M区域聚类结果提取第M区域环境要素;
根据所述第M区域环境要素遍历所述γ辐射剂量率-环境要素映射规则,生成第M区域γ辐射剂量率预测值集合;
对所述第M区域γ辐射剂量率预测值集合进行耦合,生成第M区域γ辐射剂量率耦合值;
将所述第M区域γ辐射剂量率耦合值添加进所述γ辐射剂量率预测值列表。
7.如权利要求6所述的方法,其特征在于,所述对所述第M区域γ辐射剂量率预测值集合进行耦合,生成第M区域γ辐射剂量率耦合值,包括:
获取辐射剂量率耦合模型构建数据集,其中,所述辐射剂量率耦合模型构建数据集包括:单要素γ辐射剂量率记录数据集、环境要素记录数据集和辐射剂量率耦合标注数据集;
根据所述单要素γ辐射剂量率记录数据集、所述环境要素记录数据集和所述辐射剂量率耦合标注数据集,构建辐射剂量率耦合第一决策树;
将所述辐射剂量率耦合第一决策树不满足预设准确率的所述单要素γ辐射剂量率记录数据集、所述环境要素记录数据集和所述辐射剂量率耦合标注数据集提取,构建辐射剂量率耦合第二决策树;
将所述辐射剂量率耦合第一决策树和所述辐射剂量率耦合第二决策树合并,生成所述辐射剂量率耦合模型;
将所述第M区域γ辐射剂量率预测值集合和所述第M区域环境要素输入所述辐射剂量率耦合模型,生成所述第M区域γ辐射剂量率耦合值。
8.一种环境监测用的空气辐射测量系统,其特征在于,包括:
区域聚类模块,用于根据环境敏感要素进行对待监测区域聚类分析,生成区域聚类结果;
映射规则构建模块,用于构建γ辐射剂量率-环境要素映射规则;
辐射剂量率预测模块,用于根据所述γ辐射剂量率-环境要素映射规则,遍历所述区域聚类结果,生成γ辐射剂量率预测值列表;
辐射剂量比对模块,用于遍历所述γ辐射剂量率预测值列表和γ辐射剂量率阈值比较,获取γ辐射剂量比对差值;
比对差值判断模块,用于判断所述γ辐射剂量比对差值是否满足预设比对差值区间;
特征标识模块,用于对所述γ辐射剂量比对差值满足所述预设比对差值区间的所述区域聚类结果进行特征标识,生成优先监测标签;
任务执行模块,用于根据所述优先监测标签对所述待监测区域进行γ辐射监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211112932.6A CN115201884B (zh) | 2022-09-14 | 2022-09-14 | 一种环境监测用的空气辐射测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211112932.6A CN115201884B (zh) | 2022-09-14 | 2022-09-14 | 一种环境监测用的空气辐射测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115201884A true CN115201884A (zh) | 2022-10-18 |
CN115201884B CN115201884B (zh) | 2022-12-20 |
Family
ID=83573496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211112932.6A Active CN115201884B (zh) | 2022-09-14 | 2022-09-14 | 一种环境监测用的空气辐射测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201884B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993488A (zh) * | 2023-03-24 | 2023-04-21 | 天津安力信通讯科技有限公司 | 一种电磁环境的智能监测方法及系统 |
CN117763434A (zh) * | 2023-12-23 | 2024-03-26 | 中南兰信(南京)辐射技术研究院有限公司 | 一种快速响应的核辐射剂量率测量处理方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015184188A (ja) * | 2014-03-25 | 2015-10-22 | 国立大学法人京都大学 | γ線エネルギースペクトル測定方法 |
CN106682615A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN207008088U (zh) * | 2017-06-21 | 2018-02-13 | 杭州欣生科技有限公司 | 一种辐射环境监测管理系统 |
CN107918141A (zh) * | 2017-10-27 | 2018-04-17 | 江苏省计量科学研究院 | 一种空气比释动能标准剂量场蒙特卡罗模型的建立方法 |
CN109033016A (zh) * | 2018-05-24 | 2018-12-18 | 浙江工业大学 | 基于放射性元素沉降模型的降雨时地表γ辐射剂量率的计算方法 |
CN109521456A (zh) * | 2018-09-25 | 2019-03-26 | 中国辐射防护研究院 | 一种基于正则化最小二乘法的γ辐射源项反演方法及系统 |
CN109521457A (zh) * | 2018-09-25 | 2019-03-26 | 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 |
CN109633729A (zh) * | 2018-12-29 | 2019-04-16 | 哈尔滨工业大学 | 一种移动机器人核环境下的放射源定位及强度估计方法 |
RU2698499C1 (ru) * | 2019-01-17 | 2019-08-28 | Федеральное государственное бюджетное учреждение "33 Центральный научно-исследовательский испытательный институт" Министерства обороны Российской Федерации | Способ повышения достоверности воздушной радиационной разведки радиоактивно загрязненной местности |
CN110231642A (zh) * | 2019-06-27 | 2019-09-13 | 南华大学 | 一种构建辐射场地图的方法、装置以及机器人 |
CN110749918A (zh) * | 2019-12-19 | 2020-02-04 | 成都理工大学 | 一种无人机辐射测量稳谱方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN113408688A (zh) * | 2021-06-29 | 2021-09-17 | 哈尔滨工业大学 | 一种面向未知环境的多放射源在线探寻方法 |
CN114861538A (zh) * | 2022-05-07 | 2022-08-05 | 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 |
-
2022
- 2022-09-14 CN CN202211112932.6A patent/CN115201884B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015184188A (ja) * | 2014-03-25 | 2015-10-22 | 国立大学法人京都大学 | γ線エネルギースペクトル測定方法 |
CN106682615A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN207008088U (zh) * | 2017-06-21 | 2018-02-13 | 杭州欣生科技有限公司 | 一种辐射环境监测管理系统 |
CN107918141A (zh) * | 2017-10-27 | 2018-04-17 | 江苏省计量科学研究院 | 一种空气比释动能标准剂量场蒙特卡罗模型的建立方法 |
CN109033016A (zh) * | 2018-05-24 | 2018-12-18 | 浙江工业大学 | 基于放射性元素沉降模型的降雨时地表γ辐射剂量率的计算方法 |
CN109521457A (zh) * | 2018-09-25 | 2019-03-26 | 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 |
CN109521456A (zh) * | 2018-09-25 | 2019-03-26 | 中国辐射防护研究院 | 一种基于正则化最小二乘法的γ辐射源项反演方法及系统 |
CN109633729A (zh) * | 2018-12-29 | 2019-04-16 | 哈尔滨工业大学 | 一种移动机器人核环境下的放射源定位及强度估计方法 |
RU2698499C1 (ru) * | 2019-01-17 | 2019-08-28 | Федеральное государственное бюджетное учреждение "33 Центральный научно-исследовательский испытательный институт" Министерства обороны Российской Федерации | Способ повышения достоверности воздушной радиационной разведки радиоактивно загрязненной местности |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN110231642A (zh) * | 2019-06-27 | 2019-09-13 | 南华大学 | 一种构建辐射场地图的方法、装置以及机器人 |
CN110749918A (zh) * | 2019-12-19 | 2020-02-04 | 成都理工大学 | 一种无人机辐射测量稳谱方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN113408688A (zh) * | 2021-06-29 | 2021-09-17 | 哈尔滨工业大学 | 一种面向未知环境的多放射源在线探寻方法 |
CN114861538A (zh) * | 2022-05-07 | 2022-08-05 | 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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993488A (zh) * | 2023-03-24 | 2023-04-21 | 天津安力信通讯科技有限公司 | 一种电磁环境的智能监测方法及系统 |
CN117763434A (zh) * | 2023-12-23 | 2024-03-26 | 中南兰信(南京)辐射技术研究院有限公司 | 一种快速响应的核辐射剂量率测量处理方法 |
CN117763434B (zh) * | 2023-12-23 | 2024-05-28 | 中南兰信(南京)辐射技术研究院有限公司 | 一种快速响应的核辐射剂量率测量处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115201884B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115201884B (zh) | 一种环境监测用的空气辐射测量方法及系统 | |
CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN110766222B (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN111784044A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Meng et al. | Automatic classification of rural building characteristics using deep learning methods on oblique photography | |
CN113348471B (zh) | 一种大气污染预测中对区域边界优化的方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN112200354A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
CN115223063A (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN111179592A (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
CN113065223A (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN115578227A (zh) | 一种基于多源数据确定大气颗粒物污染重点区域的方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
Wang et al. | DFSP: A fast and automatic distance field-based stem-leaf segmentation pipeline for point cloud of maize shoot | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
Li et al. | A Multilevel Point Cloud Classification Method for Underground Tunnels Based on Three‐Dimensional Moving LiDAR Measurements | |
CN114386294B (zh) | 一种台风环境模型生成方法和装置 | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 |
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 |