一种基于人工智能的核辐射场快速反演方法、反演设备技术

本发明专利技术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。本发明专利技术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。辐射剂量评估提供科学手段。辐射剂量评估提供科学手段。

【技术实现步骤摘要】
一种基于人工智能的核辐射场快速反演方法、反演设备


[0001]本专利技术涉及核辐射场反演
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]为了克服上述现有技术中的缺陷，本专利技术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。
[0006]为实现上述目的，本专利技术采用以下技术方案，包括：
[0007]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：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]S7，利用优化处理后的神经网络模型反演辐射场数据。
[0015]优选的，步骤S1中，场景建模所需的数据包括：
[0016]几何数据，包括场景中各个设施的尺寸、位置；
[0017]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；
[0018]源项数据，包括放射源的形状、粒子种类、能量、方向、源项强度。
[0019]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。
[0020]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：
[0021]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。
[0022]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。
[0023]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。
[0024]优选的，所述神经网络具体如下所示：
[0025]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；
[0026]输入层和隐含层的激活函数使用Relu函数；
[0027]优化算法使用随机梯度下降算法的扩展方法Adam；
[0028]采用均方误差MSE作为训练集的损失函数：
[0029][0030]其中，y
i
为训练集中第i个位置的中子/光子通量，为神经网络模型输出的第i个位置的预测中子/光子通量；n表示训练集中的数据量。
[0031]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：
[0032][0033]其中，y
j
为测试集中第j个位置的中子/光子通量，为神经网络模型输出的第j个位置的预测中子/光子通量；m表示测试集中的数据量。
[0034]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。
[0035]本专利技术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；
[0036]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。
[0037]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。
[0038]本专利技术的优点在于：
[0039](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。
[0040](2)本专利技术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
[0041]图1为本专利技术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
[0042]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0043]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，以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
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S...

【专利技术属性】
技术研发人员：李中阳，孙国民，陶桂花，杨子辉，李文艺，傅娟，霍前超，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：