CN116976202B - 基于深度神经网络的固定复杂源项分布反演方法及装置 - Google Patents

基于深度神经网络的固定复杂源项分布反演方法及装置 Download PDF

Info

Publication number
CN116976202B
CN116976202B CN202310855524.8A CN202310855524A CN116976202B CN 116976202 B CN116976202 B CN 116976202B CN 202310855524 A CN202310855524 A CN 202310855524A CN 116976202 B CN116976202 B CN 116976202B
Authority
CN
China
Prior art keywords
neural network
source item
training
deep neural
model
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
CN202310855524.8A
Other languages
English (en)
Other versions
CN116976202A (zh
Inventor
李君利
武祯
郝以昇
浦彦恒
曾志
邱睿
张辉
马豪
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202310855524.8A priority Critical patent/CN116976202B/zh
Publication of CN116976202A publication Critical patent/CN116976202A/zh
Application granted granted Critical
Publication of CN116976202B publication Critical patent/CN116976202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Measurement Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于深度神经网络的固定复杂源项分布反演方法及装置，该方法包括：基于辐射装置空间内的几何分布得到空间中的采样点通量测量值；将采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征；通过基于固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果；基于模型测试结果得到训练好的深度神经网络模型，并利用训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数。本发明能够有效反演得到复杂源项的分布信息，提高实际工作效率。

Description

基于深度神经网络的固定复杂源项分布反演方法及装置
技术领域
本发明涉及辐射源项反演技术领域，特别是涉及基于深度神经网络的固定复杂源项分布反演方法及装置。
背景技术
现代核技术已得到广泛应用，核设施的建设、运行和退役已成为各国关注的重点。在核设施的建设、检修和退役期间，职业照射剂量评估与控制技术是辐射防护研究的重要问题，以达到保护群众生命财产安全的目的。
评估辐射剂量水平需要反演出辐射场中的源项信息，以实现降低辐射剂量和危险水平的目的。根据需要反演的源项类型不同，源项反演算法通常可以分为核事故工况下的源项反演和非核事故工况下的源项反演。
在核事故应急情况下，需要反演出释放到环境中的放射性物质的种类和数量。对源项信息的了解程度直接影响到核事故辐射后果的评价以及采取的应急措施。目前已有大量研究工作致力于研究如何确定释放到大气中的放射性物质总量及其成分。通常可以根据核设施的运行数据以及核设施周围的监测数据来估计事故源项。
在非事故状态下的实际应用中，按照源项重建的信息类型可分为源项位置重建和源项分布重建两种。源项位置重建的主要目的是对未知源项的位置进行精确定位，对源项丢失、设备维护和核设施退役等工作有重要作用，目前已经较为成熟；源项分布重建主要应用于已知源项位置但源项分布未知的场景。目前的主流方法有最小二乘法、网格插值函数等方法，这些方法虽然有一定的源项分布还原功能，但所需输入的数据较多，效果并不理想。
在实际工作中，核设施现场的操作人员对所关心区域的热点或源项位置及数量是很清楚的。同时，沉积源项所含有的核素种类基本不变，可通过探测器测量其特征能量获得源项的核素种类，这就使得利用辐射场剂量率的测量值来计算源项的分布成为了可能。然后再利用计算出的源项分布进一步计算其他位置处的剂量率，要比利用简单的插值和外推法得到的数据更加准确可靠。
利用辐射场剂量率的实测值反演源项的分布实际上是一个解方程的问题。方程建立的准确性直接决定了其解的准确性。对于除了源项分布外的其他参数，了解的信息越多，建立的方程就会越准确，计算得到的源项分布也就越准确。目前，关于复杂源项的分布重建的相关研究较少，复杂源项的分布重建也存在对空间剂量数据要求较高或重建精度较差的缺陷，无法满足工程应用时的便携性和准确性的要求。因此，开发一个通用、高效、准确的复杂源项重建计算模型具有重要的实际工程意义。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明提出了一种基于深度神经网络的固定复杂源项分布反演方法，研究了通过辐射场剂量率的实测值反演复杂源项的分布信息，提出了适用于固定复杂源项反演的特定方法和神经网络结构。本发明参考实际操作场景建立了验证算例，通过蒙卡模拟得到训练所需的数据集，以及对神经网络方法进行训练和验证，实现了通过辐射场剂量率的实测值进行复杂源项反演的功能。
本发明的另一个目的在于提出一种基于深度神经网络的固定复杂源项分布反演装置。
为达上述目的，本发明一方面提出一种基于深度神经网络的固定复杂源项分布反演方法，包括：
基于辐射装置空间内的几何分布得到空间中的采样点通量测量值；
将所述采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征；
通过基于所述固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果；
基于模型测试结果得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数。
本发明实施例的基于深度神经网络的固定复杂源项分布反演方法还可以具有以下附加技术特征：
在本发明的一个实施例中，在所述将所述采样点通量测量值输入至深度神经网络模型之前，所述方法，还包括：
根据模型输入的采样点通量测量值和输出的固定复杂源项的空间分布特征，以及实际辐射装置空间内的复杂程度，确定深度神经网络模型的模型参数。
在本发明的一个实施例中，基于所述固定复杂源项的空间分布特征生成训练数据集，包括：
基于所述固定复杂源项的空间分布特征随机生成强度分布服从二维三角函数的源项参数；
通过蒙卡模拟得到所述源项参数对应的全局辐射场，并根据提取的所述全局辐射场中预设数量的测点值得到训练数据集。
在本发明的一个实施例中，所述深度神经网络模型，包括全连接神经网络和卷积神经网络；其中，所述全连接神经网络包含3个隐藏层以及输入层和输出层；所述卷积神经网络包括3层卷积层；所述方法，还包括：
将防止过拟合的神经网络训练方式dropout应用到所述全连接神经网络，在所述深度神经网络模型中，所述dropout的神经元丢弃比例为0.5。
在本发明的一个实施例中，在对深度神经网络模进行训练之前，所述方法，还包括对所述训练数据集进行预处理得到预处理训练数据集；
在进行网络训练时，利用所述预处理训练数据集对所述全连接神经网络进行训练得到第一网络训练结果；并利用所述第一网络训练结果对所述卷积神经网络进行训练以得到第二网络训练结果。
为达上述目的，本发明另一方面提出一种基于深度神经网络的固定复杂源项分布反演装置，包括：
输入特征获取模块，用于基于辐射装置空间内的几何分布得到空间中的采样点通量测量值；
目标信号确定模块，用于将所述采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征；
模型训练测试模块，用于通过基于所述固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果；
反演结果输出模块，用于基于模型测试结果得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数。
本发明实施例的基于深度神经网络的固定复杂源项分布反演方法和装置，克服现有技术在核设施建设、运行和退役等领域中存在的不足，本发明能够快速、准确地反演出固定复杂源项的分布参数，有效提高工作效率。
本发明的有益效果为：
1)在辐射防护场景中，各采样点的辐射参数测量值是固定复杂源项中各位置对采样点位置综合影响的结果，具有很强的非线性特征。本发明的网络模型基于深度神经网络建立，并利用不同源项算例组成的数据集进行训练，不需要考虑具体的非线性过程和复杂的几何结构，能够快速根据采样点的辐射参数测量值进行复杂源项反演。
2)本发明的神经网络分为全连接神经网络部分和卷积神经网络部分。全连接神经网络部分将输入转换为更高维度的特征表示；卷积神经网络部分进行卷积和反卷积操作，提取更多的空间信息和高层次特征，能够较好地解决源项反演问题，并具有一定的灵活性。
3)在深度神经网络的卷积层和反卷积层之间，每个卷积层后都有一个批量归一化层，对特征进行归一化处理，提高模型的稳定性和泛化能力。最后特征图经过激活函数，输出反演模型。
4)在训练前对数据集进行预处理，能够将源项参数和通量值从相差数个量级变换到同一个量级，对数据集中不同的特征进行标准化，使得本发明的网络模型更好地学习到两者的拟合关系，加快收敛速度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于深度神经网络的固定复杂源项分布反演方法的流程图；
图2为根据本发明实施例的固定复杂源项反演深度神经网络示意图；
图3为根据本发明实施例的生成的不同数据集中源项二维分布样例图；
图4为根据本发明实施例的神经网络预测得到的源项参数和真实源项参数对比图；
图5为根据本发明实施例的神经网络训练过程中的训练集平均误差图；
图6为根据本发明实施例的神经网络训练过程中的验证集平均误差图；
图7为根据本发明实施例的基于深度神经网络的固定复杂源项分布反演装置的结构示意图。
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。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于深度神经网络的固定复杂源项分布反演方法和装置。
图1是本发明实施例的基于深度神经网络的固定复杂源项分布反演方法的流程图。
如图1所示，该方法包括但不限于以下步骤：
S1，基于辐射装置空间内的几何分布得到空间中的采样点通量测量值。
S2，将采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征。
可以理解的是，本发明根据核装置空间内的几何分布，确定空间中采样点通量测量值作为神经网络的输入特征变量，同时将固定复杂源项的空间分布作为目标信号，即网络的输出。
其中，在实际操作中，需要根据实际情况选取适当的探测器数量和位置，将这些探测器作为辐射场中的采样点，作为本方法提出的神经网络的输入部分。
其中，针对所求的核设施表面复杂源项的分布，需要确定核设施表面源项分布的分辨率，将该分辨率下的二维图像作为本方法提出的神经网络的输入部分。
可以理解的是，神经网络的输入特征变量是采样点通量测量值，其数量和位置应根据实际问题确定。神经网络的输出目标信号是固定复杂源项的二维或三维空间分布，也应根据实际问题确定。
S3，通过基于固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果。
具体地，本发明根据固定复杂源项的空间分布特点，生成训练所需的数据集，然后进行数据预处理。神经网络需要一定量的数据集进行训练、测试和验证。因此，本方法需要构造不同源项分布情况的数据集。
具体地，生成训练数据集的方法是随机生成一系列强度分布服从二维三角函数的源项参数，并通过蒙卡模拟得到源项参数对应的全局辐射场，然后从全局辐射场中提取有限数量的测点值，以得到一系列数据集。这些数据集需要进行标准化的预处理，将各个不同的特征范围变换到均值为0、方差为1的分布。
在本发明的一个实施例中，将源项抽象为一个二维数组，两个维度分别为源项的周向离散角度数以及源项的轴向离散网格数，二维数组中的值就代表源项网格的强度。
在本发明的一个实施例中，源项强度分布函数采用二维三角函数的形式，在生成一组源项分布时对该函数中的参数进行随机抽样，包括对三角函数的级数、振幅、频率、相位等，接着再将源项的周向和轴向坐标代入抽样得到的二维分布函数即可生成一组源项参数。
在本发明的一个实施例中，得到源项参数后，通过蒙特卡罗模拟可以得到全空间的辐射场分布，从其中提取出有限点的辐射场通量即可作为测点数据。
在本发明的一个实施例中，对于源项参数和测点，本发明采用Z-Score标准化方法，将数据集中网络的输入和输出均变换到均值为0，方差为1的分布，可以显著加速神经网络的收敛速度和预测的准确性。
在本发明的一个实施例中，根据网络输入的特征变量数量和作为网络输出目标信号，结合实际辐射装置空间的复杂程度，确定该神经网络的隐藏层数、节点数等超参数设置。本方法中深度神经网络分为全连接神经网络部分和卷积神经网络部分。全连接神经网络部分含有3个隐藏层，加上输入层和输出层，共5层。得到全连接神经网络的结果后，将一维特征表示转换为二维特征表示，得到低分辨率的源项分布图像。卷积神经网络部分含有3层，各卷积层的超参数根据实际确定。
在本发明的一个实施例中，运用预处理后的数据集对神经网络进行训练。训练过程中，先对线性层进行训练，然后固定前面线性层的参数，再对卷积层和反卷积层进行训练。该神经网络还采用dropout技巧，将防止过拟合的神经网络训练方式应用到每个全连接层之后，以减少模型的过拟合。在该神经网络中，dropout的丢弃比例为0.5，即随机丢弃一半的神经元。避免模型过拟合，提高模型性能和准确性。
S4，基于模型测试结果得到训练好的深度神经网络模型，并利用训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数。
在本发明的一个实施例中，利用测试样本对固定复杂源项反演的深度神经网络模型进行源项反演测试。即利用训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数。
本发明的用于固定复杂源项分布反演的神经网络模型如图2所示，生成的测试数据样例如图3所示。将验证算例输入已经训练完成的用于固定复杂源项分布反演的神经网络模型中，进行源项反演测试，完成源项反演时问不超过20s。测试结果误差分析如下，图4为神经网络预测得到的源项参数和真实源项参数对比示意图，图5和图6为神经网络训练过程中的平均误差。由此可以看出，源项反演结果与实际输入源项符合较好，本发明提出的神经网络模型可以较好的解决固定复杂源项反演问题。
根据本发明的基于深度神经网络的固定复杂源项分布反演方法，研究了通过辐射场剂量率的实测值反演复杂源项的分布信息，本发明参考实际操作场景建立了验证算例，通过蒙卡模拟得到训练所需的数据集，对神经网络方法进行训练和验证，实现了通过辐射场剂量率的实测值进行复杂源项反演的功能。本发明能够有效反演得到复杂源项的分布信息，提高实际工作效率。
为了实现上述实施例，如图7所示，本实施例中还提供了基于深度神经网络的固定复杂源项分布反演装置10，该装置10包括，输入特征获取模块100、目标信号确定模块200、模型训练测试模块300和反演结果输出模块400。
输入特征获取模块100，用于基于辐射装置空间内的几何分布得到空间中的采样点通量测量值；
目标信号确定模块200，用于将采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征；
模型训练测试模块300，用于通过基于固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果；
反演结果输出模块400，用于基于模型测试结果得到训练好的深度神经网络模型，并利用训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数。
进一步地，在上述目标信号确定模块200之前，还包括：参数设置模块，用于，
根据模型输入的采样点通量测量值和输出的固定复杂源项的空间分布特征，以及实际辐射装置空间内的复杂程度，确定深度神经网络模型的模型参数。
进一步地，上述模型训练测试模块300，还用于：
基于固定复杂源项的空间分布特征随机生成强度分布服从二维三角函数的源项参数；
通过蒙卡模拟得到源项参数对应的全局辐射场，并根据提取的全局辐射场中预设数量的测点值得到训练数据集。
进一步地，深度神经网络模型，包括全连接神经网络和卷积神经网络；其中，全连接神经网络包含3个隐藏层以及输入层和输出层；卷积神经网络包括3层卷积层；装置10，还包括：
添加模块，用于将防止过拟合的神经网络训练方式dropout应用到所述全连接神经网络，在所述深度神经网络模型中，所述dropout的神经元丢弃比例为0.5。
进一步地，在模型训练测试模块300之前，还包括预处理模块，用于对训练数据集进行预处理得到预处理训练数据集；
模型训练测试模块300，还用于在进行网络训练时，利用预处理训练数据集对全连接神经网络进行训练得到第一网络训练结果；并利用第一网络训练结果对卷积神经网络进行训练以得到第二网络训练结果。
根据本发明的基于深度神经网络的固定复杂源项分布反演装置，研究了通过辐射场剂量率的实测值反演复杂源项的分布信息，参考实际操作场景建立了验证算例，通过蒙卡模拟得到训练所需的数据集，对神经网络方法进行训练和验证，实现了通过辐射场剂量率的实测值进行复杂源项反演的功能。本发明能够有效反演得到复杂源项的分布信息，提高实际工作效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

Claims (8)

1.一种基于深度神经网络的固定复杂源项分布反演方法，其特征在于，包括以下步骤：
基于辐射装置空间内的几何分布得到空间中的采样点通量测量值；
将所述采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征；
通过基于所述固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模型进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果；
基于模型测试结果得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数；
基于所述固定复杂源项的空间分布特征生成训练数据集，包括：
基于所述固定复杂源项的空间分布特征随机生成强度分布服从二维三角函数的源项参数；其中，生成的所述源项参数，包括将源项抽象为二维数组，两个维度分别为源项的周向离散角度数以及源项的轴向离散网格数，二维数组中的值代表源项网格的强度；以及源项强度分布函数采用二维三角函数的形式，在生成一组源项分布时对二维三角函数中的参数进行随机抽样，并将源项的周向和轴向坐标代入抽样得到的二维分布函数生成所述源项参数；
通过蒙卡模拟得到所述源项参数对应的全局辐射场，并根据提取的所述全局辐射场中预设数量的测点值得到训练数据集。
2.根据权利要求1所述的方法，其特征在于，在所述将所述采样点通量测量值输入至深度神经网络模型之前，所述方法，还包括：
根据模型输入的采样点通量测量值和输出的固定复杂源项的空间分布特征，以及实际辐射装置空间内的复杂程度，确定深度神经网络模型的模型参数。
3.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型，包括全连接神经网络和卷积神经网络；其中，所述全连接神经网络包含3个隐藏层以及输入层和输出层；所述卷积神经网络包括3层卷积层；所述方法，还包括：
将防止过拟合的神经网络训练方式dropout应用到所述全连接神经网络，在所述深度神经网络模型中，所述dropout的神经元丢弃比例为0.5。
4.根据权利要求3所述的方法，其特征在于，在对深度神经网络模进行训练之前，所述方法，还包括对所述训练数据集进行预处理得到预处理训练数据集；
在进行网络训练时，利用所述预处理训练数据集对所述全连接神经网络进行训练得到第一网络训练结果；并利用所述第一网络训练结果对所述卷积神经网络进行训练以得到第二网络训练结果。
5.一种基于深度神经网络的固定复杂源项分布反演装置，其特征在于，包括：
输入特征获取模块，用于基于辐射装置空间内的几何分布得到空间中的采样点通量测量值；
目标信号确定模块，用于将所述采样点通量测量值输入至深度神经网络模型输出得到固定复杂源项的空间分布特征；
模型训练测试模块，用于通过基于所述固定复杂源项的空间分布特征生成的训练数据集对深度神经网络模进行训练，并利用测试数据集对固定复杂源项反演的深度神经网络模型进行源项反演测试得到模型测试结果；
反演结果输出模块，用于基于模型测试结果得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型反演固定复杂源项以输出得到固定复杂源项的分布参数；
所述模型训练测试模块，还用于：
基于所述固定复杂源项的空间分布特征随机生成强度分布服从二维三角函数的源项参数；其中，生成的所述源项参数，包括将源项抽象为二维数组，两个维度分别为源项的周向离散角度数以及源项的轴向离散网格数，二维数组中的值代表源项网格的强度；以及源项强度分布函数采用二维三角函数的形式，在生成一组源项分布时对二维三角函数中的参数进行随机抽样，并将源项的周向和轴向坐标代入抽样得到的二维分布函数生成所述源项参数；
通过蒙卡模拟得到所述源项参数对应的全局辐射场，并根据提取的所述全局辐射场中预设数量的测点值得到训练数据集。
6.根据权利要求5所述的装置，其特征在于，在所述目标信号确定模块之前，还包括：参数设置模块，用于，
根据模型输入的采样点通量测量值和输出的固定复杂源项的空间分布特征，以及实际辐射装置空间内的复杂程度，确定深度神经网络模型的模型参数。
7.根据权利要求5所述的装置，其特征在于，所述深度神经网络模型，包括全连接神经网络和卷积神经网络；其中，所述全连接神经网络包含3个隐藏层以及输入层和输出层；所述卷积神经网络包括3层卷积层；所述装置，还包括：
添加模块，用于将防止过拟合的神经网络训练方式dropout应用到所述全连接神经网络，在所述深度神经网络模型中，所述dropout的神经元丢弃比例为0.5。
8.根据权利要求7所述的装置，其特征在于，在所述模型训练测试模块之前，还包括预处理模块，用于对所述训练数据集进行预处理得到预处理训练数据集；
所述模型训练测试模块，还用于在进行网络训练时，利用所述预处理训练数据集对所述全连接神经网络进行训练得到第一网络训练结果；并利用所述第一网络训练结果对所述卷积神经网络进行训练以得到第二网络训练结果。
CN202310855524.8A 2023-07-12 2023-07-12 基于深度神经网络的固定复杂源项分布反演方法及装置 Active CN116976202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310855524.8A CN116976202B (zh) 2023-07-12 2023-07-12 基于深度神经网络的固定复杂源项分布反演方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310855524.8A CN116976202B (zh) 2023-07-12 2023-07-12 基于深度神经网络的固定复杂源项分布反演方法及装置

Publications (2)

Publication Number Publication Date
CN116976202A CN116976202A (zh) 2023-10-31
CN116976202B true CN116976202B (zh) 2024-03-26

Family

ID=88470505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310855524.8A Active CN116976202B (zh) 2023-07-12 2023-07-12 基于深度神经网络的固定复杂源项分布反演方法及装置

Country Status (1)

Country Link
CN (1) CN116976202B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577910A (zh) * 2017-08-24 2018-01-12 中国科学技术大学 一种基于深层次神经网络的车辆尾气浓度反演方法
CN109743683A (zh) * 2018-12-03 2019-05-10 北京航空航天大学 一种采用深度学习融合网络模型确定手机用户位置的方法
CN111666718A (zh) * 2020-06-08 2020-09-15 南华大学 核设施源项活度智能反演方法、装置、设备及存储介质
CN111667571A (zh) * 2020-06-08 2020-09-15 南华大学 核设施源项三维分布快速重建方法、装置、设备及介质
CN114646814A (zh) * 2020-12-17 2022-06-21 华为技术有限公司 一种电磁波预测方法、装置及相关设备
CN115759324A (zh) * 2022-09-23 2023-03-07 中国辐射防护研究院 一种核事故后环境气溶胶监测位置优化方法
CN115983105A (zh) * 2022-12-12 2023-04-18 成都理工大学 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577910A (zh) * 2017-08-24 2018-01-12 中国科学技术大学 一种基于深层次神经网络的车辆尾气浓度反演方法
CN109743683A (zh) * 2018-12-03 2019-05-10 北京航空航天大学 一种采用深度学习融合网络模型确定手机用户位置的方法
CN111666718A (zh) * 2020-06-08 2020-09-15 南华大学 核设施源项活度智能反演方法、装置、设备及存储介质
CN111667571A (zh) * 2020-06-08 2020-09-15 南华大学 核设施源项三维分布快速重建方法、装置、设备及介质
CN114646814A (zh) * 2020-12-17 2022-06-21 华为技术有限公司 一种电磁波预测方法、装置及相关设备
CN115759324A (zh) * 2022-09-23 2023-03-07 中国辐射防护研究院 一种核事故后环境气溶胶监测位置优化方法
CN115983105A (zh) * 2022-12-12 2023-04-18 成都理工大学 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BP神经网络反演核事故源项中重要参数的研究;侯闻宇;凌永生;赵丹;单卿;黑大千;贾文宝;;南京航空航天大学学报;20151015(05);全文 *
k重覆盖设置算法的覆盖强度研究;费娟;周鹏杰;彭一航;刘桂英;;传感技术学报;20200515(05);全文 *
Validation of the neural network for 3D photon radiation field reconstruction under various source distributions;Hao Yisheng等;web of science;20230403;全文 *
基于EnMAP卫星和深度神经网络的LAI遥感反演方法;李雪玲;董莹莹;朱溢佞;黄文江;;红外与毫米波学报;20200215(01);全文 *

Also Published As

Publication number Publication date
CN116976202A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Hoppe et al. Deep learning for magnetic resonance fingerprinting: a new approach for predicting quantitative parameter values from time series
Zio A study of the bootstrap method for estimating the accuracy of artificial neural networks in predicting nuclear transient processes
CN108399248A (zh) 一种时序数据预测方法、装置及设备
CN110081923B (zh) 野外基线环境参数自动采集系统故障检测方法与装置
CN107633155A (zh) 用于组件故障树的基于计算机的生成的方法和设备
CN113943039B (zh) 一种有机污染地下水原位化学氧化工艺的修复效果预测建模方法
Bhaduri et al. Multiplicity fluctuation and phase transition in high-energy collision—A chaos-based study with complex network perspective
CN113449254B (zh) 任意网型变形监测稳定性分析方法及监控点位置确定方法
CN116976202B (zh) 基于深度神经网络的固定复杂源项分布反演方法及装置
CN114583767A (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN101639453B (zh) 一种针对多相流动系统中ct射线硬化的校正方法
Bucci et al. A novel approach to scatterers localization problem
Wan et al. Study of limited-view tomography algorithms for plasma diagnostics
Baraldi et al. Fatigue crack growth prognostics by particle filtering and ensemble neural networks
Kreinovich et al. Monte-Carlo-type techniques for processing interval uncertainty, and their engineering applications
CN114861538A (zh) 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
Luchnikov et al. Simulating quantum circuits using the multi-scale entanglement renormalization ansatz
Ferreira et al. Deep learning for plasma tomography in nuclear fusion
CN110221338B (zh) 一种重构屏蔽体周边区域辐射场的方法
RU2372677C1 (ru) Способ определения реактивности ядерной установки при выводе ее в критическое состояние
Druzhaev et al. Method of WWER active core power parameters evaluation by readings of ex-core neutron flux monitoring system using additional information
Cui et al. Data-driven load identification method of structures with uncertain parameters
Kos et al. Variance Reduction of Fusion and Fission Neutron Transport Problems Using the ADVANTG Hybrid Code
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
Mohammad-Djafari et al. Maximum entropy and Bayesian approach in tomographic image reconstruction and restoration

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