[发明专利]一种基于人工神经网络的点源剂量率修正方法

说明书

本申请公开了一种基于人工神经网络的点源剂量率修正方法，包括：S1，获取无人机放射性监测系统在不同高度下的能谱数据和对应剂量率值，分别作为输入参数和输出参数；S2，将部分不同高度下能谱数据划分为训练数据，另一部分划分为测试数据，利用训练数据中的输入参数和输出参数构建人工神经网络模型，将训练数据导入人工神经网络模型中进行训练，获得训练后的人工神经网络模型；S3，将测试数据分别导入训练后的人工神经网络模型，得到理想输出结果，比较理想输出结果与对应的测试数据之间的误差；若误差大于或等于设定的精度期望值，重复S2、S3，若误差小于设定的精度期望值，则训练调试后的人工神经网络模型为点源剂量率修正算法。

技术领域

本申请涉及无人机放射性监测技术领域，特别地，涉及一种基于人工神经网络的点源剂量率修正方法。

背景技术

无人机放射性监测是指以固定翼或者旋翼无人机为平台，依托辐射探测器等机载放射性监测载荷设备，进行空中放射性测量，适用于核事故、环境放射性监测、矿产地质勘查等领域。无人机放射性监测系统搭载的常规探测器获取的是核素的能谱信息，在进行辐射评价时，仅能分辨出不同的放射性核素的种类，不能同时测量出核素的空气吸收剂量率，不具备多参数评价手段。若要直观测量剂量率则需要搭载剂量率仪，这大大提高了无人机作业的难度，降低了工作效率，不利于使用无人机平台进行辐射监测工作。同时，在无人机机载系统在作业时，为了直观的观测各环境的辐射水平以及核事故发生时的各点源的位置信息和周围的辐射水平，需要对探测获取的剂量率进行高度修正，将放射源的空气吸收剂量率转换到同一水平高度下，绘制剂量率热力图，即可直观的监测出各个位置的辐射水平。图1示出了实际应用中使用无人机辐射监测系统的示意图。如图1所示，无人机上搭载碘化钠探测器(铊激发)，形成无人机辐射监测系统。无人机飞行在不同高度时，探测地面上放射性点源在空气中的剂量率。但此时由于无人机飞行高度会变化，探测到的在同一高度下的剂量率往往不准确，因此需要进行修正。

为了解决上述问题，国内外研究人员做了相关研究工作。针对点源模式的航空辐射监测，当前已经有研究人员使用大型NaI(Tl)探测器(探测系统由18条4.2L的NaI(Tl)晶体组成，总探测体积为75.6L)装备在大型飞机上对地面点源产生的剂量率进行高度修正，目的是寻找点源模式下的高度衰减系数，修正使用的方法是根据IAEA提供的经验公式进行校准。此方法的缺点首先是装载的NaI(Tl)探测器的体积太大，无法适用于小型无人机，导致作业环境受限；其次使用的经验公式的条件较为理想化，未考虑实际应用场景，适用性较差；

其次也有研究人员采用能谱剂量率转换函数(GE函数)，实现探测获得的能谱计数与相对应的剂量率的转换。此方法工作较为繁琐，实现起来步骤繁多，对无人机辐射监测系统时进行实时在线的数据处理造成较大困难；所以，根据无人机放射性监测原理以及实际应用需求，设计一种可以实时在线监测的针对点源的放射性核素剂量率高度修正方案是十分必要的。

发明内容

针对现有技术的不足，本发明提供一种基于人工神经网络的的剂量率修正方法，通过采用基于人工神经网络的预测模型，对探测器获取的能谱中的关键数据进行训练，进而实现预测。

本发明提供了一种基于人工神经网络的点源剂量率修正方法，包括：S1，获取无人机放射性监测系统在不同高度下的能谱数据对应剂量率值，分别作为输入参数和输出参数；S2，将部分上述不同高度下能谱数据划分为训练数据，另一部分划分为测试数据，利用上述训练数据中的上述输入参数和输出参数构建人工神经网络模型，将上述训练数据导入上述人工神经网络模型中进行训练，获得训练后的人工神经网络模型；S3，将上述测试数据分别导入上述训练后的人工神经网络模型，得到理想输出结果，比较上述理想输出结果与对应的上述测试数据之间的误差；若上述误差大于或等于设定的精度期望值，重复S2、S3，若上述误差小于设定的精度期望值，则训练调试后的人工神经网络模型为点源剂量率修正算法。

进一步地，获取无人机放射性监测系统在不同高度下的能谱的方法为：使用蒙特卡洛软件模拟无人机放射性监测系统在不同高度下的能谱。