CN115270602A - 一种基于人工智能的核辐射场快速反演方法、反演设备 - Google Patents
一种基于人工智能的核辐射场快速反演方法、反演设备 Download PDFInfo
- Publication number
- CN115270602A CN115270602A CN202210749391.1A CN202210749391A CN115270602A CN 115270602 A CN115270602 A CN 115270602A CN 202210749391 A CN202210749391 A CN 202210749391A CN 115270602 A CN115270602 A CN 115270602A
- Authority
- CN
- China
- Prior art keywords
- radiation field
- neural network
- data
- neutron
- photon flux
- 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
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于人工智能的核辐射场快速反演方法、反演设备,该方法针对可能的作业环境及屏蔽结构进行三维建模;使用蒙特卡罗粒子输运程序或确定论粒子输运程序进行计算得到辐射场分布数据;利用辐射场数据构建训练集和测试集,训练神经网络,并在测试集上进行测试;使用辐射测量仪现场探测,并将现场探测数据处理后进一步训练神经网络模型,利用优化的神经网络模型快速反演整个区域辐射分布。本发明方法结合少量现场辐射探测数据,在源项信息不全的条件下进行快速反演整个作业区域的辐射场分布,为核活动中作业方案优化,人员辐射剂量评估提供科学手段。
Description
技术领域
本发明涉及核辐射场反演技术领域,尤其是一种基于人工智能的核辐射场快速反演方法、反演设备。
背景技术
随着核能与核技术利用的快速发展,辐射防护愈发重要。为降低辐射场中作业人员的受照剂量,可通过预先模拟计算、辐射剂量仪探测等方法,评估作业过程中人员累积剂量,为优化作业方案提供参考。
辐射场的计算主要有蒙特卡罗法和确定论方法,各有优缺点。蒙卡方法通过随机模拟粒子输运的过程得到整个辐射场分布,但需要知晓源信息且耗时较长。确定论方法有点核积分法和离散纵标法。点核积分法是基于积累因子的解析计算方法,离散纵标法通过将中子输运方程中的变量离散的方法近似地求解中子输运方程。确定论方法计算速度快,但是处理复杂场景能力不足,并且需要对放射源系统的结构信息较为清楚,对于放射源内部结构和源信息未知的情况不适用且偏差较大。
针对快速构建辐射场场景需求,为精确快速评估人员作业方案合理性,保障人员辐射安全,亟需进一步研究辐射分布快速反演方法,为人员作业方案的设计与优化提供快速的科学手段。
发明内容
为了克服上述现有技术中的缺陷,本发明提供一种基于人工智能的核辐射场快速反演方法,将人工智能与核模拟计算程序结合,通过前期模拟计算建立神经网络模型,后期可根据现场检测的少量数据优化神经网络模型,从而实现快速反演辐射场数据。
为实现上述目的,本发明采用以下技术方案,包括:
一种基于人工智能的核辐射场快速反演方法,包括以下步骤:
S1,场景建模,对待反演核辐射场的应用场景建立模型,包括场景中各个设施的模型、已知的源项;
S2,模拟计算,对源项进行设置,利用蒙特卡罗粒子输运方法或确定论粒子输运方法计算辐射场数据;
S3,对辐射场数据进行预处理,并将辐射场数据分为训练集和测试集;
S4,建立神经网络并利用训练集对神经网络进行训练;神经网络的输入数据为测点的位置信息,输出数据为该测点的预测中子/光子通量;
S5,利用测试集对神经网络进行测试,检验模型准确性,若准确性不满足要求,则修改神经网络的超参数,重复步骤S4,直至准确性满足要求或迭代次数达到设定次数,生成并保存神经网络模型;
S6,对步骤S5所生成神经网络模型进行优化处理,现场利用探测设备进行探测,得到探测位置的探测中子/光子通量数据,将该位置的探测中子/光子通量数据与神经网络模型输出的该位置的预测中子/光子通量进行对比,若该位置的预测中子/光子通量和探测中子/光子通量的误差在允许范围内,则直接使用该神经网络模型;若误差超过允许范围,则将该位置的探测中子/光子通量进行预处理后添加至训练集,利用该训练集在步骤S5所生成的神经网络模型的基础上进一步进行训练,更新并保存神经网络模型;
S7,利用优化处理后的神经网络模型反演辐射场数据。
优选的,步骤S1中,场景建模所需的数据包括:
几何数据,包括场景中各个设施的尺寸、位置;
材料数据,包括场景中各个设施的材料组成、材料密度、核素份额、核素截面数据库;
源项数据,包括放射源的形状、粒子种类、能量、方向、源项强度。
优选的,步骤S2的具体方式如下:对源项强度进行设置,对整个辐射场画网格,统计每个网格的中子/光子通量,利用蒙特卡罗粒子输运程序或者确定论粒子输运软件计算辐射场分布数据。
优选的,步骤S3中,对辐射场数据进行预处理,具体方式如下所示:
先对辐射场数据取以10为底的对数,再对取对数后的辐射场数据进行归一化处理。
优选的,步骤S6中,预测中子/光子通量和探测中子/光子通量二者误差的允许范围在1%以内。
优选的,步骤S5中,神经网络超参数包括:隐含层层数、节点数量、激活函数。
优选的,所述神经网络具体如下所示:
所述神经网络内建立有a个隐藏层,每个隐藏层有b个节点,通过优化算法,寻找最优的神经网络拓扑结构,使训练集的损失函数最小化;
输入层和隐含层的激活函数使用Relu函数;
优化算法使用随机梯度下降算法的扩展方法Adam;
采用均方误差MSE作为训练集的损失函数:
采用平均百分比误差MAPE作为测试集的最终评价指标,用于检验模型准确性:
优选的,神经网络内建立有2个隐藏层,每个隐藏层有50个节点。
本发明还提供了一种反演设备,反演设备包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S1~S7的核辐射场快速反演方法;
步骤S6中,现场探测设备的数据信息、位置信息发送到反演设备中。
优选的,反演设备包括显示器,所述显示器用于对反演的辐射场数据进行展示。
本发明的优点在于:
(1)将人工智能与核模拟计算程序结合,利用核模拟计算精确和人工智能学习能力强的优势特点,通过前期模拟训练建立神经网络模型,后期可以根据现场检测的少量数据,快速反演辐射场。能够为辐射作业方案设计与优化提供参考,做到“知剂量”作业,培训作业人员熟悉辐射分布,合理安排作业时间,对保障人员辐射安全具有重要意义。
(2)本发明方法结合少量现场辐射探测数据,在源项信息不全的条件下进行快速反演整个作业区域的辐射场分布,为核活动中作业方案优化,人员辐射剂量评估提供科学手段。
附图说明
图1为本发明的一种基于人工智能的核辐射场快速反演方法的流程图。
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。
在辐射场的计算中,源项的信息作为输入量,是计算的前提,但在实际应用中,源项信息往往是不全的。然而其他信息往往是被现场辐射技术人员所熟知的。比如辐射场剂量率的测量值,包括剂量率的读数,以及每个测量位置的坐标。可能的源的位置,包括源项的能量,形状,数量及位置坐标信息。屏蔽体的位置及参数,即关心区域的屏蔽体的位置,方向,厚度和材料结构等信息。给予这些信息可以反演整个区域的辐射场。
实施例一
由图1所示,本发明的一种基于人工智能的核辐射场快速反演方法,具体包括以下步骤:
S1,场景建模,对待反演核辐射场的应用场景建立模型,包括场景中各个设施的模型、已知的源项。
步骤S1中,场景建模所需的数据包括:
几何数据,包括场景中所有设施的尺寸、位置等;
材料数据,包括每个设施的材料组成,材料密度、核素份额、核素截面数据库等;
源项数据,包括可能放射源的形状、粒子种类、能量、方向、源强等。
本实施例中,步骤S1所述的场景建模,具体需要的数据包括:
整个辐射场大小为10m×10m×3m,在中心有一个中子源,能量为2Mev,飞行方向为各向同性,外围由一个混凝土圆柱体围住,外径为2m、内径为1.9m、高3m。
S2,模拟计算,对源项强度进行设置,对整个辐射场画网格,尺度为0.1m×0.1m×0.1m,总共分为了3000个立方体网格,统计每个网格的中子通量。利用蒙特卡罗粒子输运软件或者确定论粒子输运软件计算辐射场数据。
S3,对辐射场分布数据进行预处理,并分割辐射场分布数据,将数据按照8:2分为训练集和测试集。
步骤S3中,所述预处理的方式为:
由于整个辐射场中辐射剂量分布差距极大,最大值与最小值相差几个量级。这样的数据分布给神经网络的学习带来巨大的困难。因此,首先对辐射场分布数据取以10为底的对数,将数据分布收缩在-20到0之间,同时使得相邻点之间的剂量变化更平缓。再对取对数后的辐射场分布数据进行归一化处理,归一化处理使得不同点随着源强变化而变化的数据统一缩放在[0,1]之间,这样可以加快网络的收敛。
S4,建立并训练神经网络,神经网络的输入数据为待测点的位置信息,输出数据为待测点的预测中子通量,选取神经网络的超参数,包括隐含层层数、节点数量、激活函数等,并在训练集上训练神经网络。
步骤S4中,神经网络的建立如下所示:
神经网络的输入包括训练集中某位置的空间坐标,输出为该位置的预测通量。通过穷举优化算法,在2个隐藏层内建立神经网络,每个隐藏层有50个节点,寻找最优的神经网络拓扑结果,使训练集的损失函数最小化,并确保其容易收敛。
输入层和隐含层激活函数使用Relu(Rectified linear unit),g(z)={0,z}。非线性的激活函数使得神经网络具有拟合非线性函数的能力。
优化算法使用随机梯度下降算法的扩展方法Adam,优化步长lr=0.001。
采用均方误差MSE作为训练集的损失函数:
采用平均百分比误差MAPE作为测试集的最终评价指标,检验模型准确性:
由于神经网络的预测结果具有一定随机性,因此对每个实验数据重复10次取平均值,作为神经网络的最终预测结果。
本实施例中,选取的超参数具体如下所示:
隐含层层数为2层,每个隐含层所包含的节点数量为50个,输入层和隐含层激活函数使用Relu函数。
S5,测试并调整神经网络,利用测试集对神经网络进行测试,检验模型准确性,若准确性不满足要求,则修改超参数,重复步骤S4,直至准确性满足要求或迭代次数达到设定次数,生成并保存神经网络模型;
S6,对步骤S5所生成的神经网络模型进行优化处理,
利用中子、伽马探测设备进行探测,将现场探测的数据信息、位置信息发送到智能辐射场反演设备,与神经网络反演数据场进行对比,若误差在允许范围内,本实施例,若误差小于1%,则使用该神经网络模型,若误差较大,超过允许范围,即误差大于等于1%,则利用探测数据进一步训练神经网络,更新并保存神经网络模型。
S7,智能反演与展示,利用优化处理后的神经网络模型反演辐射场数据,并在智能辐射场反演设备上展示。
本发明方法结合少量现场辐射探测数据,在源项信息不全的条件下进行快速反演整个作业区域的辐射场分布,为核活动中作业方案优化,人员辐射剂量评估提供科学手段。
实施例二
一种反演设备,包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S1~S7的核辐射场快速反演方法。步骤S6中,现场探测设备的数据信息、位置信息发送到反演设备中。反演设备还包括显示器,用于对反演的辐射场数据进行展示。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于人工智能的核辐射场快速反演方法,其特征在于,包括以下步骤:
S1,场景建模,对待反演核辐射场的应用场景建立模型,包括场景中各个设施的模型、已知的源项;
S2,模拟计算,对源项进行设置,利用蒙特卡罗粒子输运方法或确定论粒子输运方法计算辐射场数据;
S3,对辐射场数据进行预处理,并将辐射场数据分为训练集和测试集;
S4,建立神经网络并利用训练集对神经网络进行训练;神经网络的输入数据为测点的位置信息,输出数据为该测点的预测中子/光子通量;
S5,利用测试集对神经网络进行测试,检验模型准确性,若准确性不满足要求,则修改神经网络的超参数,重复步骤S4,直至准确性满足要求或迭代次数达到设定次数,生成并保存神经网络模型;
S6,对步骤S5所生成神经网络模型进行优化处理,现场利用探测设备进行探测,得到探测位置的探测中子/光子通量数据,将该位置的探测中子/光子通量数据与神经网络模型输出的该位置的预测中子/光子通量进行对比,若该位置的预测中子/光子通量和探测中子/光子通量的误差在允许范围内,则直接使用该神经网络模型;若误差超过允许范围,则将该位置的探测中子/光子通量进行预处理后添加至训练集,利用该训练集在步骤S5所生成的神经网络模型的基础上进一步进行训练,更新并保存神经网络模型;
S7,利用优化处理后的神经网络模型反演辐射场数据。
2.根据权利要求1所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,步骤S1中,场景建模所需的数据包括:
几何数据,包括场景中各个设施的尺寸、位置;
材料数据,包括场景中各个设施的材料组成、材料密度、核素份额、核素截面数据库;
源项数据,包括放射源的形状、粒子种类、能量、方向、源项强度。
3.根据权利要求1所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,步骤S2的具体方式如下:对源项强度进行设置,对整个辐射场画网格,统计每个网格的中子/光子通量,利用蒙特卡罗粒子输运程序或者确定论粒子输运软件计算辐射场分布数据。
4.根据权利要求1所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,步骤S3中,对辐射场数据进行预处理,具体方式如下所示:
先对辐射场数据取以10为底的对数,再对取对数后的辐射场数据进行归一化处理。
5.根据权利要求1所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,步骤S6中,预测中子/光子通量和探测中子/光子通量二者误差的允许范围在1%以内。
6.根据权利要求1所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,步骤S5中,神经网络超参数包括:隐含层层数、节点数量、激活函数。
7.根据权利要求1或6所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,所述神经网络具体如下所示:
所述神经网络内建立有a个隐藏层,每个隐藏层有b个节点,通过优化算法,寻找最优的神经网络拓扑结构,使训练集的损失函数最小化;
输入层和隐含层的激活函数使用Relu函数;
优化算法使用随机梯度下降算法的扩展方法Adam;
采用均方误差MSE作为训练集的损失函数:
采用平均百分比误差MAPE作为测试集的最终评价指标,用于检验模型准确性:
8.根据权利要求7所述的一种基于人工智能的核辐射场快速反演方法,其特征在于,神经网络内建立有2个隐藏层,每个隐藏层有50个节点。
9.适用于权利要求1~8任意一项所述的一种基于人工智能的核辐射场快速反演方法的反演设备,其特征在于,反演设备包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S1~S7的核辐射场快速反演方法;
步骤S6中,现场探测设备的数据信息、位置信息发送到反演设备中。
10.根据权利要求9所述的反演设备,其特征在于,反演设备包括显示器,所述显示器用于对反演的辐射场数据进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749391.1A CN115270602A (zh) | 2022-06-28 | 2022-06-28 | 一种基于人工智能的核辐射场快速反演方法、反演设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210749391.1A CN115270602A (zh) | 2022-06-28 | 2022-06-28 | 一种基于人工智能的核辐射场快速反演方法、反演设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270602A true CN115270602A (zh) | 2022-11-01 |
Family
ID=83763927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210749391.1A Pending CN115270602A (zh) | 2022-06-28 | 2022-06-28 | 一种基于人工智能的核辐射场快速反演方法、反演设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270602A (zh) |
-
2022
- 2022-06-28 CN CN202210749391.1A patent/CN115270602A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harrison | Introduction to monte carlo simulation | |
Ling et al. | Nuclear accident source term estimation using kernel principal component analysis, particle swarm optimization, and backpropagation neural networks | |
Macdonald et al. | Assessing uncertainty in building simulation | |
Kotnik et al. | Validation and evaluation of the ADVANTG hybrid code on the ICSBEP labyrinth benchmark experiment | |
Holland et al. | Multi-objective genetic algorithm optimization of a directionally sensitive radiation detection system using a surrogate transport model | |
Ling et al. | Improving the estimation accuracy of multi-nuclide source term estimation method for severe nuclear accidents using temporal convolutional network optimized by Bayesian optimization and hyperband | |
Pan et al. | Pointing probability driven semi-analytic Monte Carlo method (PDMC)–Part I: global variance reduction for large-scale radiation transport analysis | |
Li et al. | A simple data assimilation method to improve atmospheric dispersion based on Lagrangian puff model | |
Yang et al. | On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem | |
Kotnik et al. | Validation and evaluation of the ADVANTG code on the ICSBEP skyshine benchmark experiment | |
Kardan et al. | Fast neutron spectra determination by threshold activation detectors using neural networks | |
JP7399030B2 (ja) | 線量推定装置、線量推定方法および線量推定プログラム | |
Clement et al. | Bayesian approach for multigamma radionuclide quantification applied on weakly attenuating nuclear waste drums | |
CN115270602A (zh) | 一种基于人工智能的核辐射场快速反演方法、反演设备 | |
Cook et al. | Particle filtering convergence results for radiation source detection | |
Rana et al. | Diffusion theory-based analog Monte Carlo for simulating noise experiments in subcritical systems | |
JP2013020386A (ja) | 品質評価装置および品質評価方法 | |
CN114139431A (zh) | 一种基于粒子抽样位置实时优化的屏蔽快速计算方法 | |
Zhang et al. | A comparative study of different radial basis function interpolation algorithms in the reconstruction and path planning of γ radiation fields | |
CN105373665B (zh) | 获取用于核电站辐射仿真系统的多核素等效参数的方法 | |
CN115166811A (zh) | 一种模拟工作现场中子谱快速构建方法 | |
Liu et al. | Source term estimation in nuclear accidents using 4d variational data assimilation for heterologous atmospheric condition | |
Neuscamman et al. | National atmospheric release advisory center dispersion modeling of the Full-Scale Radiological Dispersal Device (FSRDD) Field Trials | |
Singh et al. | Transport theory–based analog Monte Carlo for simulating noise experiments in subcritical systems | |
Wang et al. | Explainable neural network algorithm for rapid radionuclide identification under low count gamma-ray spectrum data |
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 |