KR102051576B1

KR102051576B1 - 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법

Info

Publication number: KR102051576B1
Application number: KR1020180026957A
Authority: KR
Inventors: 김진환; 조규성; 박경진; 김예원; 임경택
Original assignee: 한국과학기술원
Priority date: 2018-03-07
Filing date: 2018-03-07
Publication date: 2019-12-05
Also published as: KR20190106042A

Abstract

인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법이 개시된다. 본 발명은, 인공 신경망을 이용하여 플라스틱 섬광체를 기반으로 다중 핵종을 구분할 수 있다. 본 발명에 따르면, 단일 핵종뿐만 아니라 다중 핵종을 구분할 수 있고, 온도나 캘리브레이션 드리프트(calibration drift)에 의해 발생하는 게인 드리프트(gain drift)된 스펙트럼도 핵종을 구분할 수 있으며, 짧은 측정 시간으로도 핵종을 정확하게 구분할 수 있다.

Description

인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법{Apparatus and method for identifying multi-radioisotope based on plastic scintillator using Artificial Neural Network}

본 발명은 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법에 관한 것으로, 더욱 상세하게는 플라스틱 섬광체를 이용하여 핵종을 구분하는 장치 및 방법에 관한 것이다.

방사선을 검출하는 방식은 직접 전리 검출방식과 간접 전리 검출방식(광 전환 방식, 섬광형 검출기)으로 구분된다. 직접 전리 검출방식은 방사선이 기체 또는 반도체 물질을 전리시키고, 전기장에 의해 전자/이온이 전극으로 이동하게 되고 외부 회로의 유도전류 또는 전압을 통해 방사선을 검출하는 방식이다. 간접 전리 검출방식은 방사선이 물질을 전리 시키고 전자와 이온이 재결합시 발생하는 빛(optical photon)을 광측정 소자를 이용해 전류로 변환하고 외부 회로의 전류 또는 전압 측정을 통해 방사선을 검출한다. 간접 전리 검출방식에 사용되는 섬광체는 유기 섬광체와 무기 섬광체가 있는데, 무기 섬광체의 높은 검출 효율(intrinsic efficiency), 광 출력(scintillation efficiency), 절대 광전피크 효율(absolute photopeak efficiency) 등으로 핵종 구분에 많이 사용된다. 하지만 무기 섬광체인 플라스틱 섬광체의 대면적 제작 용이성 및 저렴한 가격으로 여전히 플라스틱으로 핵종 구분하려는 시도가 이루어 지고 있다.

플라스틱 섬광체는 무기 섬광체에 비해 낮은 밀도로 인해 검출 효율(intrinsic efficiency)이 떨어지고 낮은 광출력(scintillation efficiency)으로 에너지 분해능(energy resolution)이 좋지 않다. 계측기는 주로 입사된 에너지와 섬광체간의 광전효과를 통해 나타나는 광전피트(photopeak)로 핵종을 구분하고 있다. 플라스틱 섬광체는 에너지 브로드닝(energy broadening)이 심하고, 광전효과 비율이 현저하게 낮기 때문에 광전피크(photopeak)가 나타나지 않아 광전피크(photopeak)을 통해 핵종을 구분하기는 불가능하다. 따라서 컴프턴 반응(compton scattering)을 통해 발생하는 컴프턴 에지(compton edge)로 구분하는 연구가 진행되고 있다. 이런 플라스틱 섬광체의 단점에도 다른 섬광체에 비해 온도에 민감하지 않아 0~50도 사이에서 스펙트럼 채널 시프트(spectrum channel shift)가 0.5 이내이며 대면적으로 제작이 용이하고 가격이 저렴하다는 장점 때문에 플라스틱 섬광체를 통해 핵종 구분을 하기 위한 연구는 지속적으로 이루어지고 있다. 기존 연구를 보면 그로스 카운팅(gross counting) 방법으로 방사선의 총량을 측정하여 방사성 물질의 유무를 판단하거나 에너지 윈도우(energy window) 방식을 통해 관심영역을 나누어 비율을 통해 핵 물질(special nuclear materials)과 자연 발생 핵종(naturally occurring radioactive materials)을 구분하고 있다. 최근에는 에너치 채널을 각 채널의 값과 곱하여 컴프턴 에지(compton edge)에 가중치를 부여는 방법으로 핵종을 구분하는 에너지-가중치화(energy-weighted)가 있었다. 하지만 이러한 방법들은 단일 핵종에 한정되어 구분이 가능하거나 다중 핵종 영향 등에 의해 컴프턴 에지가 식별이 불가능하면 핵종 판별이 어렵다는 단점이 있다.

한국공개특허 제2016-0060208호 (한국원자력안전기술원) 2016. 5. 30. 특허문헌 1은 플라스틱 섬광체를 이용한 방사성 핵종 분별 방법 및 장치로서, 특허문헌 1에는 방사성 원소에서 발생하는 에너지를 입력 받고, 입력 받은 에너지의 스펙트럼에 채널마다 각 에너지를 가중치로 적용하며, 가중치를 적용한 에너지의 스펙트럼을 기초로 방사성 원소를 판별하고, 가중치를 적용한 에너지의 스펙트럼의 피크값에 해당하는 에너지 값을 컴프턴 엣지(Compton edge)의 에너지 값으로 갖는 방사성 원소를 방사성 원소로 판별하는 내용이 개시되어 있다.

본 발명이 이루고자 하는 기술적 과제는, 인공 신경망을 이용하여 플라스틱 섬광체를 기반으로 다중 핵종을 구분하는 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법을 제공하는 데 있다.

상기의 기술적 과제를 달성하기 위한 본 발명에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치는, 다중 핵종 구분을 위한 인공 신경망을 학습하는 학습부; 및 플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 상기 인공 신경망에 적용하여 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는 구분부;를 포함한다.

상기 구분부는, 상기 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출하고, 추출된 복수의 스펙트럼 각각을 상기 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득할 수 있다.

상기 학습부는, 복수의 가우시안 에너지 브로드닝(Gaussian Energy Broadening, GEB) 값을 적용하여 MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 복수의 클래스(class) 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함하는 트레이닝 세트(training set)를 상기 인공 신경망에 학습시킬 수 있다.

상기 미리 설정된 복수의 클래스는, 미리 설정된 복수의 방사선원을 기반으로 단일 핵종 또는 복합 핵종으로 이루어진 클래스들로 이루어질 수 있다.

상기 트레이닝 세트는, 상기 미리 설정된 복수의 클래스 별로 MCNP 시뮬레이션을 통해 생성된 상기 복수의 시뮬레이션 스펙트럼과 상기 미리 설정된 복수의 클래스 별로 실제 측정된 복수의 실제 스펙트럼을 포함할 수 있다.

상기 트레이닝 세트는, 상기 복수의 시뮬레이션 스펙트럼 및 상기 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼을 포함할 수 있다.

상기 인공 신경망은, 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어지고, 0.5의 드랍-아웃 비율(drop-out rate)을 가지며, 상기 히든 레이어의 뉴런(neuron) 개수는 각 1,024개일 수 있다.

상기의 기술적 과제를 달성하기 위한 본 발명에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법은, 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치의 다중 핵종 구분 방법으로서, 다중 핵종 구분을 위한 인공 신경망을 학습하는 단계; 및 플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 상기 인공 신경망에 적용하여 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는 단계;를 포함한다.

상기 다중 핵종 정보 획득 단계는, 상기 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출하고, 추출된 복수의 스펙트럼 각각을 상기 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는 것으로 이루어질 수 있다.

상기 학습 단계는, 복수의 가우시안 에너지 브로드닝(Gaussian Energy Broadening, GEB) 값을 적용하여 MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 복수의 클래스(class) 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함하는 트레이닝 세트(training set)를 상기 인공 신경망에 학습시키는 것으로 이루어질 수 있다.

상기의 기술적 과제를 달성하기 위한 본 발명에 따른 컴퓨터 프로그램은 컴퓨터로 읽을 수 있는 기록 매체에 저장되어 상기한 방법 중 어느 하나를 컴퓨터에서 실행시킨다.

본 발명에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법에 의하면, 인공 신경망을 이용하여 플라스틱 섬광체를 기반으로 단일 핵종뿐만 아니라 다중 핵종을 구분할 수 있다. 또한, 온도나 캘리브레이션 드리프트(calibration drift)에 의해 발생하는 게인 드리프트(gain drift)된 스펙트럼도 핵종을 구분할 수 있다. 그리고, 짧은 측정 시간으로도 핵종을 정확하게 구분할 수 있다.

도 1은 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 바람직한 실시예에 따른 실제 측정된 스펙트럼과 시뮬레이션된 스펙트럼을 비교하기 위한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 트레이닝 세트의 생성 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 바람직한 실시예에 따른 검증 세트와 테스트 세트의 생성 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 인공 신경망의 구조를 설명하기 위한 도면이다.
도 6은 본 발명의 바람직한 실시예에 따른 인공 신경망의 테스트 결과를 설명하기 위한 도면이다.
도 7은 본 발명의 바람직한 실시예에 따른 인공 신경망을 통해 예측된 스펙트럼의 예시를 설명하기 위한 도면이다.
도 8은 본 발명의 바람직한 실시예에 따른 핵종 구분 대상 스펙트럼의 결과 예측 과정을 설명하기 위한 도면이다.
도 9는 도 8에 도시된 투표 절차를 통한 결과를 비교하기 위한 도면이다.
도 10은 본 발명의 바람직한 실시예에 따른 트레이닝 세트에서 실제 측정된 스펙트럼을 제외하고 학습된 인공 신경망의 결과를 설명하기 위한 도면이다.
도 11은 본 발명의 바람직한 실시예에 따른 테스트 세트의 다른 예를 설명하기 위한 도면이다.
도 12는 도 11에 도시된 테스트 세트에 따른 결과를 설명하기 위한 도면이다.
도 13은 본 발명의 바람직한 실시예에 따른 측정 시간에 따른 에러 변화를 설명하기 위한 도면이다.
도 14는 본 발명의 바람직한 실시예에 따른 MIA(Minimum Identifiable Activity)에 해당하는 핵종에 대한 스펙트럼을 설명하기 위한 도면이다.
도 15는 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법을 설명하기 위한 흐름도이다.

이하에서 첨부한 도면을 참조하여 본 발명에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.

먼저, 도 1을 참조하여 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치에 대하여 설명한다.

도 1은 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치를 설명하기 위한 블록도이다.

도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치(이하 '다중 핵종 구분 장치'라 한다)(100)는 인공 신경망을 이용하여 플라스틱 섬광체를 기반으로 다중 핵종을 구분한다.

이를 위해, 다중 핵종 구분 장치(100)는 학습부(110) 및 구분부(130)를 포함할 수 있다.

학습부(110)는 다중 핵종 구분을 위한 인공 신경망을 학습한다.

여기서, 인공 신경망은 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어진 완전-연결 레이어(fully-connected layers)로 구성되고, 0.5의 드랍-아웃 비율(drop-out rate)을 가지며, 히든 레이어의 뉴런(neuron) 개수는 각 1,024개일 수 있다. 그리고, 활성화 함수(activation function)는 ReLUs를 사용하고, 최적화(optimizer)로 adam을 사용할 수 있다.

즉, 학습부(110)는 미리 설정된 복수의 클래스(class) 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함하는 트레이닝 세트(training set)를 인공 신경망에 학습시킨다.

여기서, 미리 설정된 복수의 클래스는 미리 설정된 복수의 방사선원을 기반으로 단일 핵종 또는 복합 핵종으로 이루어진 클래스들로 이루어질 수 있다.

예컨대, 방사선원이 Na-22, Cs-137, Co-60, Mn-54의 4개의 선원으로 이루어진 경우, 이를 기반으로 핵종들을 조합하여 아래의 [표 1]과 같은 클래스를 설정할 수 있다.

Class

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

Background

○

²²Na

○

¹³⁷Cs

○

⁶⁰Co

○

⁵⁴Mn

○

이때, 트레이닝 세트는 복수의 가우시안 에너지 브로드닝(Gaussian Energy Broadening, GEB) 값을 적용하여 MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 복수의 클래스 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함할 수 있다. 여기서, GEB는 입력되는 값에 따라 스펙트럼의 분해능(resolution)을 변경할 수 있다. 즉, 복수의 시뮬레이션 스펙트럼은 위의 클래스 2 ~ 클래스 16 각각에 대해 복수의 GEB 값을 적용한 MCNP 시뮬레이션을 통해 생성될 수 있다. 한편, 백그라운드(Background)는 시뮬레이션이 불가능하므로 실제로 측정하여 스펙트럼을 획득한다. 여기서, 복수의 GEB 값을 적용하여 시뮬레이션 스펙트럼을 생성하는 것은 오버피팅(overfitting) 문제를 최소화하기 위함이다. 예컨대, 스펙트럼의 분해능(resolution)을 다양하게 하기 위해, MCNP 시뮬레이션 시 3개의 GEB 값(GEB1 : 실제 측정된 스펙트럼과 유사한 분해능 / GEB2 : GEB1 보다 안좋은 분해능 / GEB3 : GEB2 보다 안좋은 분해능)을 적용하여 미리 설정된 복수의 클래스 별로 시뮬레이션 스펙트럼을 생성할 수 있다.

또한, 트레이닝 세트는 미리 설정된 복수의 클래스 별로 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼과 미리 설정된 복수의 클래스 별로 실제 측정된 복수의 실제 스펙트럼을 포함할 수 있다. 즉, 트레이닝 세트는 위의 클래스 2 ~ 클래스 16 각각에 대해 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼 뿐만 아니라, 위의 클래스 2 ~ 클래스 16 각각에 대해 실제 측정된 복수의 실제 스펙트럼을 포함할 수 있다. 실제 스펙트럼과 시뮬레이션 스펙트럼은 차이가 있게 되는데, 트레이닝 세트를 통한 인공 신경망 학습 시, 인공 신경망이 이러한 차이를 각 클래스의 특징으로 인식하는 것을 방지하기 위해, 트레이닝 세트는 각 클래스 별로 실제 측정된 스펙트럼을 포함하고 있다.

아울러, 트레이닝 세트는 복수의 시뮬레이션 스펙트럼 및 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼을 포함할 수 있다. 즉, 트레이닝 세트는 위의 클래스 1에 대해 실제 측정한 복수의 백그라운드 스펙트럼, 및 위의 클래스 2 ~ 클래스 16 각각에 대한 복수의 시뮬레이션 스펙트럼과 복수의 실제 스펙트럼으로 이루어진 복수의 트레이닝 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼을 포함할 수 있다. 다시 말하면, 미리 설정된 복수의 클래스에 대한 트레이닝 스펙트럼을 부풀려서(data augmentation), 트레이닝 세트를 획득할 수 있다. 예컨대, 트레이닝 스펙트럼을 구성하는 각각의 스펙트럼은 1,024 채널을 가지고 있는데, 1,024 채널을 가지는 하나의 스펙트럼에서 미리 설정된 채널 구간인 800 채널을 가지는 복수의 스펙트럼(40~840 채널을 갖는 스펙트럼, 60-860 채널을 갖는 스펙트럼, 80~860 채널을 갖는 스펙트럼, 100~900 채널을 갖는 스펙트럼, 120~920 채널을 갖는 스펙트럼, 140~940 채널을 갖는 스펙트럼, 160~960 채널을 갖는 스펙트럼, 180~980 채널을 갖는 스펙트럼, 200~1,000 채널을 갖는 스펙트럼)을 추출하는 과정을 트레이닝 스펙트럼을 구성하는 스펙트럼 각각에 대해 수행하여 트레이닝 데이터를 부풀릴 수 있다. 이와 같이, 트레이닝 데이터를 부풀림으로써, 오버피팅(overfitting) 문제를 방지할 수 있고, 핵종 구분 결과 예측 시 투표 절차를 통해 핵종 구분의 정확도와 결과 신뢰도를 향상시킬 수 있으며, 온도나 캘리브레이션 드리프트(calibration drift)에 의해 발생하는 게인 드리프트(gain drift)된 스펙트럼에 대한 핵종 구분 예측이 가능하다.

그리고, 학습부(110)는 트레이닝 세트를 통해 학습된 인공 신경망을 검증 세트(validation set)를 이용하여 검증하고, 테스트 세트(test set)를 통해 인공 신경망의 성능을 테스트할 수 있다.

여기서, 검증 세트는 미리 설정된 복수의 클래스 각각에 대해 복수의 실제 스펙트럼을 측정하고, 트레이닝 세트 생성 과정과 동일하게, 측정된 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼으로 이루어진다. 테스트 세트는 미리 설정된 복수의 클래스 각각에 대해 1cm, 5cm, 및 10cm 떨어져 있는 선원 각각에서 1~10초 동안 1초 간격으로 복수회(예컨대, 3회 등) 측정된 스펙트럼으로 이루어진다.

한편, 테스트 세트를 통해 학습된 인공 신경망을 테스트하는 경우, 테스트 세트를 구성하는 스펙트럼 각각에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출하고, 추출된 복수의 스펙트럼을 통해 학습된 인공 신경망을 테스트할 수 있다. 예컨대, 테스트 세트를 구성하는 측정 스펙트럼 각각은 1,024 채널을 가지고 있는데, 미리 설정된 채널 구간인 800 채널을 가지는 복수의 스펙트럼(40~840 채널을 갖는 스펙트럼, 60-860 채널을 갖는 스펙트럼, 80~860 채널을 갖는 스펙트럼, 100~900 채널을 갖는 스펙트럼, 120~920 채널을 갖는 스펙트럼, 140~940 채널을 갖는 스펙트럼, 160~960 채널을 갖는 스펙트럼, 180~980 채널을 갖는 스펙트럼, 200~1,000 채널을 갖는 스펙트럼)을 테스트 세트를 구성하는 측정 스펙트럼 각각에서 추출할 수 있다.

구분부(130)는 플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 학습부(110)에 의해 학습된 인공 신경망에 적용하여 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득한다. 예컨대, 구분부(130)는 핵종 구분 대상 스펙트럼을 학습부(110)에 의해 학습된 인공 신경망에 적용하여, 핵종 구분 대상 스펙트럼에 대응하는 클래스(위에서 설명한 미리 설정된 복수의 클래스 중 하나)를 예측하여 핵종 구분 대상 스펙트럼에 대한 핵종 정보를 획득할 수 있다.

이때, 구분부(130)는 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출할 수 있다. 예컨대, 핵종 구분 대상 스펙트럼은 1,024 채널을 가지고 있는데, 미리 설정된 채널 구간인 800 채널을 가지는 복수의 스펙트럼(40~840 채널을 갖는 스펙트럼, 60-860 채널을 갖는 스펙트럼, 80~860 채널을 갖는 스펙트럼, 100~900 채널을 갖는 스펙트럼, 120~920 채널을 갖는 스펙트럼, 140~940 채널을 갖는 스펙트럼, 160~960 채널을 갖는 스펙트럼, 180~980 채널을 갖는 스펙트럼, 200~1,000 채널을 갖는 스펙트럼)을 핵종 구분 대상 스펙트럼에서 추출할 수 있다.

그리고, 구분부(130)는 추출된 복수의 스펙트럼 각각을 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득할 수 있다. 예컨대, 복수의 스펙트럼 각각을 인공 신경망에 적용하면, 복수의 스펙트럼 각각에 대응하는 클래스를 예측하여 복수의 결과를 획득할 수 있고, 획득된 복수의 결과에서 가장 많이 예측된 클래스를 기초로 해당 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득할 수 있다.

그러면, 도 2 내지 도 14를 참조하여 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치에 대하여 보다 자세하게 설명한다.

도 2는 본 발명의 바람직한 실시예에 따른 실제 측정된 스펙트럼과 시뮬레이션된 스펙트럼을 비교하기 위한 도면이다.

인공 신경망을 훈련시키기 위해서는 많은 학습 데이터가 필요한데, 본 발명은 이를 MCNP 시뮬레이션을 통해 많은 양의 스펙트럼을 생성한다. 인공 신경망이 특정 스펙트럼에 대해서만 훈련을 하게 되면, 해당 스펙트럼에 대해서 오버피팅(overfitting)될 수 있어, 이를 방지하기 위해 본 발명은 MCNP 시뮬레이션에서 복수의 GEB 값(예컨대, 3개의 GEB 값)을 적용하여 도 2에 도시된 바와 같이 다양한 분해능(resolution)을 가지는 스펙트럼을 생성할 수 있다.

즉, 본 발명에 따른 트레이닝 세트는 복수의 GEB 값을 적용하여 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼을 포함할 수 있다. 예컨대, 도 2에 도시된 바와 같이, 스펙트럼의 분해능(resolution)을 다양하게 하기 위해, MCNP 시뮬레이션 시 3개의 GEB 값(GEB1 : 실제 측정된 스펙트럼과 유사한 분해능 / GEB2 : GEB1 보다 안좋은 분해능 / GEB3 : GEB2 보다 안좋은 분해능)을 적용하여 시뮬레이션 스펙트럼을 생성할 수 있다.

도 3은 본 발명의 바람직한 실시예에 따른 트레이닝 세트의 생성 과정을 설명하기 위한 도면이다.

트레이닝 세트는 도 2에 도시된 바와 같이 위의 클래스 2 ~ 클래스 16 각각에 대해 복수의 GEB 값을 적용한 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼을 포함할 수 있다. 한편, 백그라운드(Background)는 시뮬레이션이 불가능하므로 실제로 측정하여 스펙트럼을 획득할 수 있다. 그리고, 클래스별 핵종의 비율은 랜덤하게 결정하였다.

인공 신경망은 각 클래스의 특징을 인식해서 구분을 하게 되는데, 도 2에 도시된 바와 같이 실제 스펙트럼가 시뮬레이션 스펙트럼은 차이가 있다. 인공 신경망을 훈련할 때 이러한 차이를 각 클래스의 특징으로 인식하지 않게 하기 위해, 본 발명은 각 클래스에 대해 실제 측정된 스펙트럼을 트레이닝 세트에 포함시키게 된다.

즉, 트레이닝 세트는 도 3에 도시된 바와 같이 위의 클래스 2 ~ 클래스 16 각각에 대해 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼 뿐만 아니라, 위의 클래스 2 ~ 클래스 16 각각에 대해 실제 측정된 복수의 실제 스펙트럼을 포함할 수 있다. 예컨대, 트레이닝 세트는 도 3에 도시된 바와 같이 위의 클래스 1에 대해 실제 측정한 복수의 백그라운드 스펙트럼(총 300개), 위의 클래스 2 ~ 클래스 16 각각에 대해 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼(총 4,500개 = 클래스 2 ~ 클래스 16 각각에 대해 GEB 1 값을 가지는 총 1,500개의 시뮬레이션 스펙트럼 + 클래스 2 ~ 클래스 16 각각에 대해 GEB 2 값을 가지는 총 1,500개의 시뮬레이션 스펙트럼 + 클래스 2 ~ 클래스 16 각각에 대해 GEB 3 값을 가지는 총 1,500개의 시뮬레이션 스펙트럼), 및 위의 클래스 2 ~ 클래스 16 각각에 대해 실제 측정된 복수의 실제 스펙트럼(총 150개 / 클래스 2 ~ 클래스 16 별로 10개의 실제 스펙트럼을 측정)을 포함할 수 있다. 이에 따라, 트레이닝 세트는 총 4,950개의 스펙트럼으로 이루어지게 된다.

그런 다음, 도 3에 도시된 바와 같이 총 4,950개의 스펙트럼으로 이루어진 트레이닝 세트를 부풀릴 수 있다(data augmentation). 즉, 트레이닝 세트를 구성하는 각각의 스펙트럼은 1,024 채널을 가지고 있는데, 1,024 채널을 가지는 하나의 스펙트럼에서 미리 설정된 채널 구간인 800 채널을 가지는 복수의 스펙트럼(40~840 채널을 갖는 스펙트럼, 60-860 채널을 갖는 스펙트럼, 80~860 채널을 갖는 스펙트럼, 100~900 채널을 갖는 스펙트럼, 120~920 채널을 갖는 스펙트럼, 140~940 채널을 갖는 스펙트럼, 160~960 채널을 갖는 스펙트럼, 180~980 채널을 갖는 스펙트럼, 200~1,000 채널을 갖는 스펙트럼)을 추출하는 과정을 트레이닝 세트를 구성하는 총 4,950개의 스펙트럼 각각에 대해 수행하여 트레이닝 세트를 총 44,550개의 스펙트럼으로 부풀릴 수 있다. 그리고, 총 44,500개의 스펙트럼으로 이루어진 트레이닝 세트의 정규화 & 섞음(Normalized & shuffled) 과정을 거쳐, 인공 신경망 훈련에 사용될 최종 트레이닝 세트를 생성할 수 있다.

이와 같이, 트레이닝 세트에서 다른 구간의 복수의 채널을 추출함으로써, 오버피팅(overfitting) 문제를 방지할 수 있고, 핵종 구분 결과 예측 시 투표 절차를 통해 핵종 구분의 정확도와 결과 신뢰도를 향상시킬 수 있으며, 온도나 캘리브레이션 드리프트(calibration drift)에 의해 발생하는 게인 드리프트(gain drift)된 스펙트럼에 대한 핵종 구분 예측이 가능하다.

도 4는 본 발명의 바람직한 실시예에 따른 검증 세트와 테스트 세트의 생성 과정을 설명하기 위한 도면이다.

본 발명은 도 4에 도시된 바와 같이 트레이닝 세트를 통해 학습된 인공 신경망을 검증할 검증 세트(validation set)와 인공 신경망의 성능을 테스트할 테스트 세트(test set)를 생성할 수 있다.

예컨대, 검증 세트는 도 4에 도시된 바와 같이 미리 설정된 복수의 클래스 각각에 대해 복수의 실제 스펙트럼을 측정(총 160개 / 클래스 1 ~ 클래스 16 별로 10개의 실제 스펙트럼을 측정)하고, 트레이닝 세트 생성 과정과 동일하게, 측정된 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼(총 1,440개)으로 이루어진다. 즉, 측정된 실제 스펙트럼 각각은 1,024 채널을 가지고 있는데, 1,024 채널을 가지는 하나의 스펙트럼에서 미리 설정된 채널 구간인 800 채널을 가지는 복수의 스펙트럼(40~840 채널을 갖는 스펙트럼, 60-860 채널을 갖는 스펙트럼, 80~860 채널을 갖는 스펙트럼, 100~900 채널을 갖는 스펙트럼, 120~920 채널을 갖는 스펙트럼, 140~940 채널을 갖는 스펙트럼, 160~960 채널을 갖는 스펙트럼, 180~980 채널을 갖는 스펙트럼, 200~1,000 채널을 갖는 스펙트럼)을 추출하는 과정을 측정된 복수의 실제 스펙트럼(총 160개) 각각에 대해 수행하여 검증 세트를 총 1,440개의 스펙트럼으로 부풀릴 수 있다. 그리고, 총 1,440개의 스펙트럼으로 이루어진 검증 세트의 정규화 & 섞음(Normalized & shuffled) 과정을 거쳐, 인공 신경망 검증에 사용될 최종 검증 세트를 생성할 수 있다.

그리고, 테스트 세트는 도 4에 도시된 바와 같이 미리 설정된 복수의 클래스 각각에 대해 1cm, 5cm, 및 10cm 떨어져 있는 선원 각각에서 1~10초 동안 1초 간격으로 3회 측정된 스펙트럼(총 1,440개 / 클래스 1 ~ 클래스 16 별로 90개의 실제 스펙트럼을 측정)으로 이루어진다. 이때, 2인치 플라스틱 섬광체(EJ-200)을 이용하여 측정하였다.

도 5는 본 발명의 바람직한 실시예에 따른 인공 신경망의 구조를 설명하기 위한 도면이다.

본 발명에 따른 인공 신경망은 도 5에 도시된 바와 같이 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어진 완전-연결 레이어(fully-connected layers)로 구성된다.

또한, 본 발명에 따른 인공 신경망은 0.5의 드랍-아웃 비율(drop-out rate)을 가지며, 히든 레이어의 뉴런(neuron) 개수는 각 1,024개일 수 있다.

그리고, 활성화 함수(activation function)는 ReLUs를 사용하고, 최적화(optimizer)로 adam을 사용할 수 있다.

도 6은 본 발명의 바람직한 실시예에 따른 인공 신경망의 테스트 결과를 설명하기 위한 도면이고, 도 7은 본 발명의 바람직한 실시예에 따른 인공 신경망을 통해 예측된 스펙트럼의 예시를 설명하기 위한 도면이다.

본 발명에 따른 핵종 구분의 정확도는 도 6에 도시된 바와 같이 99%를 나타내고 있다. 단일 핵종 구분의 정확도는 98.9%를 나타내고, 복합 핵종 구분의 정확도는 99.1%를 나타내고 있다. 그리고, 도 6을 참조하면, 검출기와 선원 사이의 거리인 1cm, 5cm, 및 10cm에 따른 핵종 구분의 정확도는 각각 99%, 99.4%, 및 97.9%를 나타내고 있다. 본 발명에 따른 인공 신경망을 통해 정확하게 예측된 스펙트럼의 예시는 도 7과 같다. 도 7에 도시된 그래프들은 검출기와 선원 사이의 거리가 10cm이고 측정 시간이 1초인 스펙트럼이다.

도 8은 본 발명의 바람직한 실시예에 따른 핵종 구분 대상 스펙트럼의 결과 예측 과정을 설명하기 위한 도면이고, 도 9는 도 8에 도시된 투표 절차를 통한 결과를 비교하기 위한 도면이다.

본 발명은 플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 학습된 인공 신경망에 적용하여 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득한다. 예컨대, 본 발명은 핵종 구분 대상 스펙트럼을 학습된 인공 신경망에 적용하여, 핵종 구분 대상 스펙트럼에 대응하는 클래스(위에서 설명한 미리 설정된 복수의 클래스 중 하나)를 예측하여 핵종 구분 대상 스펙트럼에 대한 핵종 정보를 획득할 수 있다.

즉, 본 발명은 도 8에 도시된 바와 같이 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출할 수 있다. 예컨대, 핵종 구분 대상 스펙트럼은 1,024 채널을 가지고 있는데, 미리 설정된 채널 구간인 800 채널을 가지는 복수의 스펙트럼(40~840 채널을 갖는 스펙트럼, 60-860 채널을 갖는 스펙트럼, 80~860 채널을 갖는 스펙트럼, 100~900 채널을 갖는 스펙트럼, 120~920 채널을 갖는 스펙트럼, 140~940 채널을 갖는 스펙트럼, 160~960 채널을 갖는 스펙트럼, 180~980 채널을 갖는 스펙트럼, 200~1,000 채널을 갖는 스펙트럼)을 핵종 구분 대상 스펙트럼에서 추출할 수 있다.

그리고, 본 발명은 도 8에 도시된 바와 같이 추출된 복수의 스펙트럼 각각을 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득할 수 있다. 예컨대, 복수의 스펙트럼 각각을 인공 신경망에 적용하면, 복수의 스펙트럼 각각에 대응하는 클래스를 예측하여 복수의 결과를 획득할 수 있고, 획득된 복수의 결과에서 가장 많이 예측된 클래스(투표 절차)를 기초로 해당 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득할 수 있다.

이와 같은 투표 절차(획득된 복수의 결과에서 가장 많이 예측된 클래스)를 통해 도 9에 도시된 바와 같이 핵종 구분의 정확도를 0.1% 정도 향상 시킬 수 있다. 또한, 추출한 채널 구간에 따라 핵종 구분의 정확도 편차가 심해지는 것을 고려할 때, 이와 같은 투표 절차(획득된 복수의 결과에서 가장 많이 예측된 클래스)를 통해 신뢰할 수 있는 결과를 도출할 수 있다.

도 10은 본 발명의 바람직한 실시예에 따른 트레이닝 세트에서 실제 측정된 스펙트럼을 제외하고 학습된 인공 신경망의 결과를 설명하기 위한 도면이다.

본 발명은 인공 신경망 학습 시 실제 스펙트럼과 시뮬레이션 스펙트럼의 차이를 각 클래스의 특징으로 인식하지 않게 하기 위해, 각 클래스에 대해 실제 측정된 스펙트럼을 트레이닝 세트에 포함시켜 훈련시키고 있다.

이에 반면, 각 클래스에 대해 실제 측정된 스펙트럼을 트레이닝 세트에 포함시키지 않고 인공 신경망을 학습하고, 학습된 인공 신경망을 통해 테스트한 결과는 도 10과 같다. 도 10에 도시된 바와 같이, 각 클래스에 대해 실제 측정된 스펙트럼을 트레이닝 세트에 포함시키지 않는 경우, 본 발명에 비해 핵종 구분의 정확도가 17.5% 낮아짐을 확인할 수 있다. 다시 말하면, 클래스 별로 실제 측정된 스펙트럼을 포함하는 트레이닝 세트를 통해 학습된 본 발명에 따른 인공 신경망은 실제 측정된 스펙트럼을 포함하지 않는 트레이닝 세트를 통해 학습된 인공 신경망 대비 17.%의 핵종 구분 정확도를 향상시킬 수 있다(도 6 참조).

도 11은 본 발명의 바람직한 실시예에 따른 테스트 세트의 다른 예를 설명하기 위한 도면이고, 도 12는 도 11에 도시된 테스트 세트에 따른 결과를 설명하기 위한 도면이다.

온도나 캘리브레이션 드리프트(calibration drift)에 의해 바이어스(bias)된 상황에서 핵종 구분의 정확도를 평가하기 위해 게인(gain)을 조정하여 도 11에 도시된 바와 같이 Cs-137 에너지인 0.662MeV에서 플라스틱 섬광체의 반응 함수(response function)를 기준으로 고에너지/저에너지 방향으로 각 36keV씩 이동시켜 추가적으로 테스트 세트를 생성한다. 고에너지로 이동된 스펙트럼과 저에너지로 이동된 스펙트럼의 개수는 각각 1,440개이다.

도 12에서 확인할 수 있듯이, 저에너지로 이동 시에도 97.8%의 높은 핵종 구분 정확도를 나타내고 있다. 고에너지로 이동 시에는 85%로 감소하긴 하지만 여전히 높은 핵종 구분 정확도를 나타내고 있다.

도 13은 본 발명의 바람직한 실시예에 따른 측정 시간에 따른 에러 변화를 설명하기 위한 도면이고, 도 14는 본 발명의 바람직한 실시예에 따른 MIA(Minimum Identifiable Activity)에 해당하는 핵종에 대한 스펙트럼을 설명하기 위한 도면이다.

단일 핵종에서 어느 정도의 낮은 액티비티(activity)까지 핵종 구분이 가능한지 평가하기 위해 아래의 [수학식 1]과 같이 카운트 퀄리티 팩터(count quality factor)를 정의한다. 이때의 액티비티(activity)를 MIA(Minimum Identifiable Activity)로 정의한다.

여기서, G는 그로스 카운트(gross counts)이고, B는 동일한 조건에서의 백그라운드(background)이며,

는 2개의 편차의 차이다.

그리고, 선원이 10cm 떨어진 거리에서 4개의 핵종에 대해 도 13에 도시된 바와 같이 측정 시간을 줄이면서 1종 에러와 2종 에러가 5% 이하를 만족하는 핵종별 액티비티(activity)를 도출한다. 1종 에러/2종 에러가 5% 이하를 만족하는 C 값에서 각 핵종의 액티비티(activity)는 아래의 [표 2]와 같다.

Class	MIA (μCi)	Total net counts (#)
Class 2 (²²Na)	6.4	1,538±40
Class 3 (¹³⁷Cs)	6.7	508±22
Class 4 (⁶⁰Co)	46.2	8,247±85
Class 5 (⁵⁴Mn)	12.4	1,054±33

도 14에서 확인할 수 있듯이, 낮은 액티비티(activity)에 의해 생성된 스펙트럼에서도 1종 에러/2종 에러가 5% 이내로 구분이 가능하다.

그러면, 도 15를 참조하여 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법에 대하여 설명한다.

도 15는 본 발명의 바람직한 실시예에 따른 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법을 설명하기 위한 흐름도이다.

도 15를 참조하면, 다중 핵종 구분 장치(100)는 다중 핵종 구분을 위한 인공 신경망을 학습한다(S110). 여기서, 인공 신경망은 입력 레이어, 히든 레이어 및 출력 레이어로 이루어진 완전-연결 레이어(fully-connected layers)로 구성되고, 0.5의 드랍-아웃 비율을 가지며, 히든 레이어의 뉴런 개수는 각 1,024개일 수 있다.

즉, 다중 핵종 구분 장치(100)는 미리 설정된 복수의 클래스 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함하는 트레이닝 세트를 인공 신경망에 학습시킨다. 여기서, 미리 설정된 복수의 클래스는 미리 설정된 복수의 방사선원을 기반으로 단일 핵종 또는 복합 핵종으로 이루어진 클래스들로 이루어질 수 있다.

이때, 트레이닝 세트는 복수의 GEB 값을 적용하여 MCNP 시뮬레이션을 통해 미리 설정된 복수의 클래스 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함할 수 있다. 또한, 트레이닝 세트는 미리 설정된 복수의 클래스 별로 MCNP 시뮬레이션을 통해 생성된 복수의 시뮬레이션 스펙트럼과 미리 설정된 복수의 클래스 별로 실제 측정된 복수의 실제 스펙트럼을 포함할 수 있다. 아울러, 트레이닝 세트는 복수의 시뮬레이션 스펙트럼 및 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼을 포함할 수 있다.

그런 다음, 다중 핵종 구분 장치(100)는 트레이닝 세트를 통해 학습된 인공 신경망을 검증 세트를 이용하여 검증하고, 테스트 세트를 통해 인공 신경망의 성능을 테스트할 수 있다.

이후, 다중 핵종 구분 장치(100)는 플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 인공 신경망에 적용하여 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득한다(S130).

이때, 다중 핵종 구분 장치(100)는 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출할 수 있다. 그리고, 다중 핵종 구분 장치(100)는 추출된 복수의 스펙트럼 각각을 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득할 수 있다.

본 발명은 또한 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터로 읽을 수 있는 기록 매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 롬(ROM), 램(RAM), 씨디-롬(CD-ROM), 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 유무선 통신망으로 연결된 컴퓨터 장치에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 다음의 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.

100 : 다중 핵종 구분 장치,
110 : 학습부,
130 : 구분부

Claims

다중 핵종 구분을 위한 인공 신경망을 학습하는 학습부; 및
플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 상기 인공 신경망에 적용하여 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는 구분부;
를 포함하며,
상기 학습부는, 복수의 가우시안 에너지 브로드닝(Gaussian Energy Broadening, GEB) 값을 적용하여 MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 복수의 클래스(class) 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함하는 트레이닝 세트(training set)를 상기 인공 신경망에 학습시키는 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치.
제1항에서,
상기 구분부는, 상기 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출하고, 추출된 복수의 스펙트럼 각각을 상기 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치.
삭제
제1항에서,
상기 미리 설정된 복수의 클래스는, 미리 설정된 복수의 방사선원을 기반으로 단일 핵종 또는 복합 핵종으로 이루어진 클래스들로 이루어진,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치.
제1항에서,
상기 트레이닝 세트는, 상기 미리 설정된 복수의 클래스 별로 MCNP 시뮬레이션을 통해 생성된 상기 복수의 시뮬레이션 스펙트럼과 상기 미리 설정된 복수의 클래스 별로 실제 측정된 복수의 실제 스펙트럼을 포함하는,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치.
제5항에서,
상기 트레이닝 세트는, 상기 복수의 시뮬레이션 스펙트럼 및 상기 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼을 포함하는,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치.
제1항에서,
상기 인공 신경망은, 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어지고, 0.5의 드랍-아웃 비율(drop-out rate)을 가지며,
상기 히든 레이어의 뉴런(neuron) 개수는 각 1,024개인,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치.
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 장치의 다중 핵종 구분 방법으로서,
다중 핵종 구분을 위한 인공 신경망을 학습하는 단계; 및
플라스틱 섬광체를 통해 획득한 핵종 구분 대상 스펙트럼을 상기 인공 신경망에 적용하여 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는 단계;
를 포함하며,
상기 학습 단계는, 복수의 가우시안 에너지 브로드닝(Gaussian Energy Broadening, GEB) 값을 적용하여 MCNP(Monte Carlo N-Paricle transport code) 시뮬레이션을 통해 미리 설정된 복수의 클래스(class) 각각에 대해 생성된 복수의 시뮬레이션 스펙트럼을 포함하는 트레이닝 세트(training set)를 상기 인공 신경망에 학습시키는 것으로 이루어지는 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법.
제8항에서,
상기 다중 핵종 정보 획득 단계는, 상기 핵종 구분 대상 스펙트럼에서 미리 설정된 채널 구간을 가지는 복수의 스펙트럼을 추출하고, 추출된 복수의 스펙트럼 각각을 상기 인공 신경망에 적용하여 획득한 복수의 결과를 기반으로 상기 핵종 구분 대상 스펙트럼에 대한 다중 핵종 정보를 획득하는 것으로 이루어진,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법.
삭제
제8항에서,
상기 미리 설정된 복수의 클래스는, 미리 설정된 복수의 방사선원을 기반으로 단일 핵종 또는 복합 핵종으로 이루어진 클래스들로 이루어진,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법.
제8항에서,
상기 트레이닝 세트는, 상기 미리 설정된 복수의 클래스 별로 MCNP 시뮬레이션을 통해 생성된 상기 복수의 시뮬레이션 스펙트럼과 상기 미리 설정된 복수의 클래스 별로 실제 측정된 복수의 실제 스펙트럼을 포함하는,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법.
제12항에서,
상기 트레이닝 세트는, 상기 복수의 시뮬레이션 스펙트럼 및 상기 복수의 실제 스펙트럼 각각에서 미리 설정된 채널 구간 별로 추출된 복수의 스펙트럼을 포함하는,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법.
제8항에서,
상기 인공 신경망은, 입력 레이어(input layers), 히든 레이어(hidden layers) 및 출력 레이어(output layers)로 이루어지고, 0.5의 드랍-아웃 비율(drop-out rate)을 가지며,
상기 히든 레이어의 뉴런(neuron) 개수는 각 1,024개인,
인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법.
제8항, 제9항, 제11항 내지 제14항 중 어느 한 항에 기재된 인공 신경망을 이용한 플라스틱 섬광체 기반 다중 핵종 구분 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된 컴퓨터 프로그램.