基于深度神经网络的固定复杂源项分布反演方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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。提高实际工作效率。提高实际工作效率。

【技术实现步骤摘要】
基于深度神经网络的固定复杂源项分布反演方法及装置


[0001]本专利技术涉及辐射源项反演
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。
[0007]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。

技术实现思路

[0008]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0009]为此，本专利技术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。本专利技术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。
[0010]本专利技术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。
[0011]为达上述目的，本专利技术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：
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]本专利技术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：
[0017]在本专利技术的一个实施例中，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：
[0018]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。
[0019]在本专利技术的一个实施例中，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：
[0020]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；
[0021]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。
[0022]在本专利技术的一个实施例中，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：
[0023]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。
[0024]在本专利技术的一个实施例中，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；
[0025]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。
[0026]为达上述目的，本专利技术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：
[0027]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；
[0028]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；
[0029]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；
[0030]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。
[0031]本专利技术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，本专利技术能够快速、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。
[0032]本专利技术的有益效果为：
[0033]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。本专利技术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，能够快速根据采样本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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，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。4.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。5.根据权利要求4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。6.一种基于深度神经网络的固定复杂源项分布反演装置，其...

【专利技术属性】
技术研发人员：李君利，武祯，郝以昇，浦彦恒，曾志，邱睿，张辉，马豪，
申请(专利权)人：清华大学，
类型：发明
国别省市：