KR20220161805A - Measurement of uranium enrichment in radiowastes by using a deep learning algorithm and a low resolution detector - Google Patents
Measurement of uranium enrichment in radiowastes by using a deep learning algorithm and a low resolution detector Download PDFInfo
- Publication number
- KR20220161805A KR20220161805A KR1020210070012A KR20210070012A KR20220161805A KR 20220161805 A KR20220161805 A KR 20220161805A KR 1020210070012 A KR1020210070012 A KR 1020210070012A KR 20210070012 A KR20210070012 A KR 20210070012A KR 20220161805 A KR20220161805 A KR 20220161805A
- Authority
- KR
- South Korea
- Prior art keywords
- uranium enrichment
- uranium
- deep learning
- input
- low
- Prior art date
Links
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 73
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000002901 radioactive waste Substances 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000000084 gamma-ray spectrum Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000002925 low-level radioactive waste Substances 0.000 abstract description 2
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010201 enrichment analysis Methods 0.000 description 4
- 239000003758 nuclear fuel Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 238000013502 data validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002926 intermediate level radioactive waste Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011824 nuclear material Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01T1/16—Measuring radiation intensity
- G01T1/167—Measuring radioactive content of objects, e.g. contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
Description
본 발명은 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법에 관한 것으로, 보다 상세하게는 긴 측정시간을 요구하는 기존 알고리즘과 달리 딥러닝 알고리즘과 저분해능 검출기를 이용하여 짧은 시간동안 측정한 감마선 스펙트럼으로 우라늄 농축도를 효과적으로 분석할 수 있는 방법에 관한 것이다.The present invention relates to a method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low-resolution detector. It relates to a method for effectively analyzing uranium enrichment with a gamma-ray spectrum measured during
종래, 공개특허 제2020-0055409호(2020.05.21)에 의하면, 재변환 공정에서 발생되는 불산 용액 전량에 대해 우라늄이 탐지되는지가 실시간으로 검출될 수 있고, 종래의 우라늄 검출장비를 이용하면서도 우라늄 탐지의 정확도를 향상시켜 공정의 불필요한 중단을 발생시키지 않으며, 우라늄이 불산 용액에서 탐지될 경우, 즉각적으로 우라늄이 탐지된 불산 용액을 별도로 포집시킬 수 있도록 한다.According to prior art, Patent Publication No. 2020-0055409 (May 21, 2020), whether or not uranium is detected for the entire amount of hydrofluoric acid solution generated in the reconversion process can be detected in real time, and uranium detection using conventional uranium detection equipment. It improves the accuracy of the process so that it does not cause unnecessary interruption of the process, and when uranium is detected in the hydrofluoric acid solution, the hydrofluoric acid solution in which uranium is detected can be immediately collected separately.
핵물질 가공시설에서 발생하는 방사성 폐기물에는 우라늄이 포함되어 있다. 방사성 폐기물은 중저준위 폐기물 처분장으로 처분되거나 자체처분 절차를 거쳐 외부로 반출된다. 이때 방사성 폐기물의 방사능을 정확히 규명하는 것이 중요한데 우라늄에 오염된 폐기물의 경우 우라늄에서 방출되는 감마선을 측정하여 방사능을 계산한다. 우라늄은 천연상태에서 235U이 약 0.7%, 238U이 약 99.294%, 234U이 약 0.006%의 질량비율로 존재한다. Radioactive waste from nuclear material processing facilities contains uranium. Radioactive waste is disposed of at an intermediate level waste disposal site or taken out through self-disposal procedures. At this time, it is important to accurately identify the radioactivity of radioactive waste. In the case of waste contaminated with uranium, the radioactivity is calculated by measuring gamma rays emitted from uranium. In the natural state, uranium exists in a mass ratio of about 0.7% of 235U, about 99.294% of 238U, and about 0.006% of 234U.
여기서 우라늄 농축도란 전체 우라늄 핵종 중 235U이 차지하는 질량비율을 의미한다. 원자력발전소에서 핵연료로 사용하기 위해서 우라늄을 인위적으로 농축하는데, 한전원자력연료에서 사용하는 우라늄은 천연우라늄에서부터 235U이 4.65%까지 농축된 우라늄이 있다. 우라늄의 방사능은 235U에서 방출되는 감마선에 의해 정의되는데 한전원자력연료에서 사용되는 우라늄은 다양한 농축도를 가지고 있기 때문에 우라늄 농축도를 정확히 규정해야만 방사능을 구할 수 있다. Here, the uranium enrichment means the mass ratio occupied by 235U out of all uranium nuclides. Uranium is artificially enriched for use as nuclear fuel in nuclear power plants, and uranium used in KEPCO Nuclear Fuel ranges from natural uranium to 235U enriched uranium up to 4.65%. The radioactivity of uranium is defined by the gamma rays emitted from 235U. Since the uranium used in KEPCO Nuclear Fuel has various concentrations, the radioactivity can be obtained only when the uranium concentration is accurately defined.
기존에 사용되는 우라늄 농축도 분석 프로그램은 고분해능 검출기가 반드시 필요하며 최소 20분 이상의 측정시간이 요구된다. 특히 우라늄의 방사능이 낮은 경우에는 최소 측정시간이 더 길어진다. 다량의 우라늄 폐기물이 발생하는 한전원자력연료에서는 빠른 시간 안에 폐기물의 방사능을 측정하고 처리하는 프로세스가 필요한데 현재 사용되는 기술로는 실시간 측정에 가까운 짧은 시간 측정상황에서는 우라늄 농축도를 분석하기 매우 어려운 상황이다.Existing uranium enrichment analysis programs require a high-resolution detector and a measurement time of at least 20 minutes. In particular, when the radioactivity of uranium is low, the minimum measurement time becomes longer. KEPCO Nuclear Fuel, where a large amount of uranium waste is generated, requires a process to measure and treat the radioactivity of the waste in a short time, but with the currently used technology, it is very difficult to analyze the uranium enrichment in a short time measurement situation close to real-time measurement.
전술한 문제점을 해결하기 위하여 실시간 측정상황에서도 우라늄 농축도를 계산할 수 있는 알고리즘의 개발이 요구되고 있다.In order to solve the above problems, it is required to develop an algorithm capable of calculating uranium enrichment even in a real-time measurement situation.
본 발명은 상술한 문제를 해결하고자 고안한 것으로, 우라늄에 오염된 방사성폐기물의 방사능을 측정하는 과정에서 우라늄 농축도를 ??은 시간동안의 측정한 감마선 스펙트럼으로 신뢰있는 우라늄 농축도 분석결과를 제공하는데 목적이 있다.The present invention was conceived to solve the above problems, and in the process of measuring the radioactivity of radioactive waste contaminated with uranium, it provides reliable uranium enrichment analysis results with gamma ray spectra measured for a period of time during which the uranium enrichment was measured. There is a purpose.
본 발명의 일측면에 따른 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법은 (a) 신경망 네트워크를 구성하여 감마선 스펙트럼을 입력으로 받는 단계; 및 (b) 우라늄 농축도를 분석하기 위해 여러 노드(nodes)로 구성된 층(layer)을 지나면서 상기 감마선 스펙트럼에서 우라늄 농축도 정보를 추출하는 단계;를 포함한다. A method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low-resolution detector according to an aspect of the present invention includes the steps of (a) constructing a neural network and receiving a gamma ray spectrum as an input; and (b) extracting uranium enrichment information from the gamma ray spectrum while passing through a layer composed of several nodes to analyze uranium enrichment.
바람직하게 (b) 단계는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치 형태로 저장한다. 또한 (b) 단계는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치 형태로 저장하며, 임의의 입력이 들어왔을 때 입력의 패턴(pattern)을 인식하여 결과를 출력한다. Preferably, in step (b), the neural network stores the data conversion function between input and output in the form of a weight. In step (b), the neural network stores the data conversion function between input and output in the form of weights, and when an arbitrary input is received, a pattern of the input is recognized and the result is output.
신경망 네트워크의 학습은 역전파 알고리즘(backpropagation)을 기반으로 한 딥러닝 방법을 사용하며, 본 네트워크의 입력은 우라늄 측정 감마 스펙트럼이고, 출력은 우라늄 농축도 단일 값이다.Learning of the neural network uses a deep learning method based on a backpropagation algorithm, and the input of this network is the uranium measurement gamma spectrum, and the output is a single value of uranium enrichment.
본 발명에 따르면, 저준위 또는 극저준위 수준의 방사성폐기물 내의 우라늄 농축도를 실시간 측정스펙트럼으로 얻을 수 있는 알고리즘을 제공한다.According to the present invention, an algorithm capable of obtaining a real-time measurement spectrum of uranium enrichment in low-level or ultra-low-level radioactive waste is provided.
도 1은 신경망 네트워크 구조를 나타낸 도면이다.
도 2와 3은 본 발명에서 제안한 모델의 개략적인 구조를 나타낸다.
도 4는 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법의 훈련 데이터 검증 데이터 출력(validation data)을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법의 흐름도를 나타낸 도면이다.1 is a diagram showing the structure of a neural network network.
2 and 3 show the schematic structure of the model proposed in the present invention.
4 is a diagram showing training data validation data output (validation data) of a method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low-resolution detector.
5 is a flowchart illustrating a method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low-resolution detector according to an embodiment of the present invention.
본 발명의 실시예에서 제시되는 특정한 구조 내지 기능적 설명들은 단지 본 발명의 개념에 따른 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있다. 또한, 본 명세서에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 되며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경물, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Specific structural or functional descriptions presented in the embodiments of the present invention are merely exemplified for the purpose of explaining embodiments according to the concept of the present invention, and embodiments according to the concept of the present invention may be implemented in various forms. In addition, it should not be construed as being limited to the embodiments described in this specification, but should be understood to include all modifications, equivalents, or substitutes included in the spirit and scope of the present invention.
한편, 본 발명에서 제1 및/또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소들과 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않는 범위 내에서, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Meanwhile, in the present invention, terms such as first and/or second may be used to describe various elements, but the elements are not limited to the above terms. The above terms are used only for the purpose of distinguishing one component from other components, for example, within a range not departing from the scope of rights according to the concept of the present invention, a first component may be referred to as a second component, Similarly, the second component may also be referred to as the first component.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 설명한다. 본 발명의 실시예를 설명함에 있어서, 관련된 공지기능 혹은 구성에 대한 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 설명을 생략하였다.Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings. In describing the embodiments of the present invention, if it is determined that a description of a related known function or configuration may unnecessarily obscure the subject matter of the present invention, the description is omitted.
본 발명의 일 실시예에 따른 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법에 의하면, 입력부는 신경망 네트워크를 구성하여 감마선 스펙트럼을 입력으로 받고, 추출부는 우라늄 농축도를 분석하기 위해 여러 노드(nodes)로 구성된 층(layer)을 지나면서 스펙트럼에서 우라늄 농축도 정보를 추출한다. 이는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치(두 개 이상의 수치가 있을 때 그 수치에 곱해져 각 값들의 상대적 중요도를 나타내는 수치) 형태로 저장하고 있기 때문에, 임의의 입력이 들어왔을 때 입력의 패턴(pattern)을 인식하여 결과를 출력해주는 원리이다. 신경망 네트워크의 학습은 역전파 알고리즘(backpropagation)을 기반으로 한 딥러닝 방법을 사용하며 본 네트워크의 입력은 우라늄 측정 감마 스펙트럼이고, 출력은 우라늄 농축도 단일 값이다. According to the method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low-resolution detector according to an embodiment of the present invention, the input unit configures a neural network to receive a gamma ray spectrum as an input, and the extraction unit analyzes the uranium enrichment. Uranium enrichment information is extracted from the spectrum by passing through a layer composed of several nodes. This is because the neural network stores the data conversion function between input and output in the form of a weight (a number representing the relative importance of each value multiplied by the value when there are two or more values), so when an arbitrary input comes in, the input This is the principle of recognizing the pattern of and outputting the result. The learning of the neural network uses a deep learning method based on the backpropagation algorithm, and the input of this network is the uranium measurement gamma spectrum, and the output is a single value of uranium enrichment.
여기서 역전파 알고리즘(backpropagation algorithm)은 다층(multilayer)이고, 순행 공급(feedforward) 신경망에서 사용되는 학습 알고리즘이며, 학습 방법은 지도 학습(supervised learning)이다. 즉, 학습을 하기 위해서는 입력 데이터와 원하는 출력(o) 데이터가 있어야 한다. 입력이 신경망의 가중치(weights)와 곱하고 더하는 과정을 몇 번 반복하면 입력의 결과 값인 출력(y)이 나온다. 이때 출력(y)은 학습 데이터에서 주어진 원하는 출력(o)과 다르다. 결국, 신경망에서는 (y - o)만큼의 오차(e = y - o)가 발생하며, 오차에 비례하여 출력층의 가중치를 갱신하고, 그다음 은닉층의 가중치를 갱신한다. 가중치를 갱신하는 방향은 신경망의 처리 방향과는 반대이다. 이런 이유로 역전파 알고리즘이라고 한다.Here, the backpropagation algorithm is multilayer, it is a learning algorithm used in a feedforward neural network, and the learning method is supervised learning. That is, in order to learn, there must be input data and desired output (o) data. After repeating the process of multiplying and adding the input to the weights of the neural network several times, the output (y), which is the result of the input, comes out. At this time, the output (y) is different from the desired output (o) given in the training data. As a result, in the neural network, an error (e = y - o) as much as (y - o) occurs, and the weight of the output layer is updated in proportion to the error, and then the weight of the hidden layer is updated. The direction of updating the weights is opposite to the processing direction of the neural network. For this reason, it is called the backpropagation algorithm.
구체적으로 설명하면 다음과 같다.Specifically, it is as follows.
도 1은 신경망 네트워크 구조를 나타낸 도면이다. 1 is a diagram showing the structure of a neural network.
입력데이터로 감마선 스펙트럼의 채널 당 계수치(count)를 사용하고 신경망 네트워크를 통해 유용한 변환을 거쳐 우라늄 농축도로 매칭시키는 모델이다. 일반적으로 알려진 신경망 네트워크는 도 1과 같이 구성된다. It is a model that uses the counts per channel of the gamma ray spectrum as input data and matches them with uranium enrichment through a useful transformation through a neural network. A generally known neural network is configured as shown in FIG. 1 .
본 발명에서는 감마 스펙트럼에서 우라늄 농축도를 추정하는 최적화된 신경망 네트워크를 개발하였다. 감마 스펙트럼 획득에는 저분해능 검출기(NaI(Tl))를 사용하였고, 방사성폐기물은 1 L 마리넬리 비커에 담겨 측정된다. 측정된 스펙트럼을 최대값으로 정규화하고 50채널부터 200채널까지의 계수치를 추출한다. 추출된 계수치를 신경망 네트워크에 넣으면 우라늄 농축도를 출력한다. 도 2와 3은 본 발명에서 제안한 모델의 개략적인 구조를 나타낸다. 표 1에는 모델의 구체적인 구조(우라늄 농축도 분석 모델의 구성요소)를 나타내었다. 입력데이터의 특성을 추출하는 합성곱 층(Convolutional layer)이 8개 사용되고, 이 구간에서 스펙트럼의 유용한 정보들이 추출된다. 이어 완전연결층(Fully connected layer, also known as Dense layer)이 전단에서 추출된 정보를 바탕으로 우라늄 농축도를 예측한다. 본 모델의 완전 연결층은 4개로 구성된다. 이후, 우라늄 농축도를 단일 값으로 얻기 위해 출력 부분에 하나의 노드만을 두고 예측을 수행한다. In the present invention, an optimized neural network for estimating uranium enrichment in gamma spectrum was developed. A low-resolution detector (NaI(Tl)) was used to acquire the gamma spectrum, and radioactive waste was measured in a 1 L Marinelli beaker. The measured spectrum is normalized to the maximum value, and coefficient values from 50 channels to 200 channels are extracted. If the extracted coefficients are put into the neural network, the uranium enrichment is output. 2 and 3 show the schematic structure of the model proposed in the present invention. Table 1 shows the detailed structure of the model (components of the uranium enrichment analysis model). Eight convolutional layers are used to extract the characteristics of the input data, and useful information of the spectrum is extracted in this section. Then, a fully connected layer (also known as dense layer) predicts uranium enrichment based on the information extracted from the front end. The fully connected layer of this model consists of four layers. Then, prediction is performed with only one node in the output part to obtain the uranium enrichment as a single value.
(표 1)(Table 1)
신경망 네트워크에서 중요한 부분인 학습에는 데이터 증강기술을 이용한다. 측정된 스펙트럼을 바탕으로 누적밀도함수(Cumulative Density Function)를 만들고, 이를 바탕으로 랜덤변수 생성 후 가상스펙트럼(Pseudo spectrum)으로 재생성하는 방법(Inverse transform sampling)을 통해 실제 측정된 스펙트럼 기반의 가상스펙트럼을 만든다. Data augmentation technology is used for learning, which is an important part of neural networks. Create a cumulative density function based on the measured spectrum, create a random variable based on this, and regenerate it as a pseudo spectrum (inverse transform sampling) to obtain a virtual spectrum based on the actually measured spectrum. make
검출기는 다양한 환경에서 운영되는데 섬광검출기의 경우 온도 및 습도에 영향을 받아 스펙트럼의 채널이 변하는 채널이동(channel shift) 현상이 발생한다. 교정기간 내에 채널이동이 생길 경우 각 채널이 의미하는 바가 변하기 때문에 이를 매번 교정해주어야 하는 문제가 있다. Detectors are operated in various environments, and in the case of scintillation detectors, a channel shift phenomenon occurs in which the channels of the spectrum change under the influence of temperature and humidity. If a channel shift occurs within the calibration period, the meaning of each channel changes, so there is a problem in that it must be calibrated every time.
도 4는 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법의 훈련 데이터 검증 데이터 출력(validation data)을 나타낸 도면이다.4 is a diagram showing training data validation data output (validation data) of a method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low-resolution detector.
본 모델에서는 이러한 채널이동에 대한 문제를 신경망 네트워크에 포함시켜 훈련시킴으로써 채널이 변하더라도 우라늄 농축도를 정확하게 측정할 수 있도록 한다. 이를 위해 임의로 채널을 이동시킨 스펙트럼(2, 4, 6, 8, 10 채널 우측방향 이동)을 학습데이터로 사용하여 도 4에 도시된 바와 같이, 채널이동에 강건한 모델을 만들었다.In this model, the problem of channel movement is included in the neural network and trained so that the uranium enrichment can be accurately measured even if the channel changes. To this end, as shown in FIG. 4, a model robust to channel movement was created by using the spectrum (rightward movement of 2, 4, 6, 8, and 10 channels) with randomly shifted channels as training data.
기존 알고리즘(FRAM)이 짧은 시간 측정(10초 이하)한 스펙트럼에서 우라늄 농축도를 제대로 분석하지 못하는데 비해 상술한 방법을 통해 개발한 우라늄 농축도 분석용 신경망 모델은 10초 이하로 측정한 감마선 스펙트럼에서도 우라늄 농축도 정보를 추출할 수 있다. 이를 통해 우라늄에 오염된 방사성폐기물을 다량으로 처리할 경우 실시간으로 분석할 수 있는 기반을 마련할 수 있다.While the existing algorithm (FRAM) does not properly analyze uranium enrichment in a spectrum measured in a short time (less than 10 seconds), the neural network model for uranium enrichment analysis developed through the method described above does not analyze uranium enrichment in a gamma-ray spectrum measured in less than 10 seconds. Enrichment information can be extracted. Through this, when a large amount of radioactive waste contaminated with uranium is processed, a basis for real-time analysis can be prepared.
한편, 도 5는 본 발명의 일 실시예에 따른 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법의 흐름도를 나타낸 도면이다. 도 5에 도시된 바와 같이, (a) 신경망 네트워크를 구성하여 감마선 스펙트럼을 입력으로 받는 단계; 및 (b) 우라늄 농축도를 분석하기 위해 여러 노드(nodes)로 구성된 층(layer)을 지나면서 상기 감마선 스펙트럼에서 우라늄 농축도 정보를 추출하는 단계;를 포함한다. Meanwhile, FIG. 5 is a flowchart illustrating a method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low resolution detector according to an embodiment of the present invention. As shown in FIG. 5, (a) constructing a neural network and receiving a gamma ray spectrum as an input; and (b) extracting uranium enrichment information from the gamma ray spectrum while passing through a layer composed of several nodes to analyze uranium enrichment.
(b) 단계는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치 형태로 저장한다. 또한 (b) 단계는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치 형태로 저장하며, 임의의 입력이 들어왔을 때 입력의 패턴(pattern)을 인식하여 결과를 출력한다. 신경망 네트워크의 학습은 역전파 알고리즘(backpropagation)을 기반으로 한 딥러닝 방법을 사용하며, 본 네트워크의 입력은 우라늄 측정 감마 스펙트럼이고, 출력은 우라늄 농축도 단일 값이다.In step (b), the neural network stores the data conversion function between input and output in the form of weights. In step (b), the neural network stores the data conversion function between input and output in the form of weights, and when an arbitrary input is received, a pattern of the input is recognized and the result is output. Learning of the neural network uses a deep learning method based on a backpropagation algorithm, and the input of this network is the uranium measurement gamma spectrum, and the output is a single value of uranium enrichment.
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능함은 당업자에게 명백할 것이다.The present invention described above is not limited by the above-described embodiments and the accompanying drawings, and various substitutions, modifications, and changes are possible without departing from the technical spirit of the present invention will be apparent to those skilled in the art.
Claims (4)
(b) 우라늄 농축도를 분석하기 위해 여러 노드(nodes)로 구성된 층(layer)을 지나면서 상기 감마선 스펙트럼에서 우라늄 농축도 정보를 추출하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법.(a) constructing a neural network and receiving a gamma ray spectrum as an input; and
(b) extracting uranium enrichment information from the gamma ray spectrum while passing through a layer composed of several nodes to analyze uranium enrichment; a deep learning algorithm and a low resolution detector comprising A method for measuring uranium enrichment in radioactive waste using
상기 (b) 단계는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치 형태로 저장하는 것을 특징으로 하는 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법.According to claim 1,
Step (b) is a method for measuring uranium enrichment in radioactive waste using a deep learning algorithm and a low resolution detector, characterized in that the neural network stores the data conversion function between input and output in the form of weights.
상기 (b) 단계는 신경망 네트워크가 입력과 출력 간의 데이터 변환함수를 가중치 형태로 저장하며, 임의의 입력이 들어왔을 때 입력의 패턴(pattern)을 인식하여 결과를 출력하는 것을 특징으로 하는 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법.According to claim 1,
In the step (b), the neural network stores the data conversion function between input and output in the form of weights, and when an arbitrary input is received, a deep learning algorithm that recognizes the pattern of the input and outputs the result. A method for measuring uranium enrichment in radioactive waste using a low-resolution detector.
상기 신경망 네트워크의 학습은 역전파 알고리즘(backpropagation)을 기반으로 한 딥러닝 방법을 사용하며 본 네트워크의 입력은 우라늄 측정 감마 스펙트럼이고, 출력은 우라늄 농축도 단일 값인 것을 특징으로 하는 딥러닝 알고리즘과 저분해능 검출기를 이용한 방사성폐기물 내의 우라늄 농축도 측정 방법.According to claim 1,
The learning of the neural network uses a deep learning method based on a backpropagation algorithm, and the input of this network is a uranium measurement gamma spectrum and the output is a single value of uranium enrichment. A method for measuring uranium enrichment in radioactive waste using a detector.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210070012A KR20220161805A (en) | 2021-05-31 | 2021-05-31 | Measurement of uranium enrichment in radiowastes by using a deep learning algorithm and a low resolution detector |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210070012A KR20220161805A (en) | 2021-05-31 | 2021-05-31 | Measurement of uranium enrichment in radiowastes by using a deep learning algorithm and a low resolution detector |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220161805A true KR20220161805A (en) | 2022-12-07 |
Family
ID=84441021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210070012A KR20220161805A (en) | 2021-05-31 | 2021-05-31 | Measurement of uranium enrichment in radiowastes by using a deep learning algorithm and a low resolution detector |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220161805A (en) |
-
2021
- 2021-05-31 KR KR1020210070012A patent/KR20220161805A/en unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101632011A (en) | The advanced pattern recognition systems that is used for spectral analysis | |
| Grape et al. | Determination of spent nuclear fuel parameters using modelled signatures from non-destructive assay and Random Forest regression | |
| Gilad et al. | Dead time corrections using the backward extrapolation method | |
| Mishra et al. | Comparison of different supervised machine learning algorithms to predict PWR spent fuel parameters | |
| US9726766B2 (en) | Methods and databases for identifying nuclides | |
| Verbeke | Neutron multiplicity counting: credible regions for reconstruction parameters | |
| Kim et al. | Time evolving fission chain theory and fast neutron and gamma-ray counting distributions | |
| KR20220161805A (en) | Measurement of uranium enrichment in radiowastes by using a deep learning algorithm and a low resolution detector | |
| CN108646285B (en) | Gamma ray energy spectrum measuring method, device and system | |
| CN110121663B (en) | Radioactivity measuring method and radioactivity measuring system | |
| Luo et al. | Sequential probability ratio test using scaled time-intervals for environmental radiation monitoring | |
| Kreinovich et al. | Monte-Carlo-type techniques for processing interval uncertainty, and their engineering applications | |
| CN111695501B (en) | Equipment soft fault detection method based on operating system kernel calling data | |
| Schneider | Precision measurements of the astrophysical neutrino flux | |
| Draper | Model uncertainty in stochastic and deterministic systems | |
| Radaideh et al. | Sensitivity and uncertainty analysis of the fundamental delayed neutron data in lwrs | |
| McKenzie | Modern rossi alpha measurements | |
| US5550382A (en) | Process and apparatus for compacting informations to be stored and processing said compacted informations | |
| Rezaei et al. | Numerical evaluation of gamma radiation monitoring | |
| Calmet et al. | Characteristic limits in radioactivity measurement: From Currie’s definition to the international standard ISO-11929 publication | |
| Ogren et al. | Demonstration of INCC6 for advanced list-mode data acquisition and analysis using ALMM | |
| CN110687584A (en) | Fast nuclide identification method based on LSTM | |
| Rohmer et al. | Non-stationary extreme value analysis applied to seismic fragility assessment for nuclear safety analysis | |
| CN113536679B (en) | Point source dose rate correction method based on artificial neural network | |
| CN113917517B (en) | Energy spectrum data processing method, device, computer equipment and storage medium |