一种基于BP神经网络和蒙特卡洛算法的γ射线剂量测量方法与流程

本发明涉及核工程技术和辐射防护技术领域，具体涉及一种基于bp神经网络和蒙特卡洛算法的γ射线剂量测量方法。

背景技术：

核电等现场γ射线的监测和剂量评估是辐射防护工作的重要内容，准确地确定辐射场剂量能够帮助工作人员正确采取应对措施，保障人员的健康和安全。由于现场源项情况复杂，γ射线能量存在从低能到约7-8mev高能的较广范围，对于常规非组织等效或非空气等效的探测器，用于剂量测量时的能量响应补偿办法一直是研究的热点和挑战之一。

目前常用的能量响应补偿办法主要有两种：一种是通过探测器结构优化从硬件角度进行补偿，另一种是对探测器获得的脉冲幅度谱数值处理从计算角度进行软补偿。软补偿方法通常是在探测器测量能谱信息的基础上构造能谱和剂量的函数关系，常用的方法如g(e)函数加权积分法、解谱法等。

目前使用的软补偿方法一般会涉及到很多能谱学和剂量学中的数学方程和物理内涵，参数选择对人为经验和处理技巧的依赖性导致计算复杂和结果不确定性高等缺点。本发明基于bp神经网络和蒙特卡洛算法建立的γ射线剂量测量方法可以有效解决该问题。

技术实现要素：

针对现有技术中存在的缺陷，本发明的目的是提供一种基于bp神经网络和蒙特卡洛算法的γ射线剂量快速测量计算方法。

为达到以上目的，本发明采用的技术方案是：一种基于bp神经网络和蒙特卡洛算法的γ射线剂量测量方法，包括以下步骤：

s1.采用常规使用的便携式nai(tl)γ谱仪作为模拟计算和实测使用的探测系统，利用mcnp软件对便携式nai(tl)γ谱仪结构进行建模；

s2.通过mcnp软件模拟计算获得1～9mev不同入射能量单能光子ei的沉积能谱f(e，ei)，建立单能光子ei的沉积能谱f(e，ei)与周围剂量当量值的映射关系，并对单能光子ei的沉积能谱做可靠性验证；

s3.基于叠加原理利用单能光子ei的沉积能谱f(e，ei)构造多能量混合谱独立同分布样本，构造方法为随机抽样式，利用抽样个数的动态自适应调整建立值域分布均匀的样本；

s4.采用能谱叠加对应的处理过程计算多能量混合谱的剂量，即由组成混合谱的单能光子ei的沉积能谱的剂量当量值乘上对应的系数求得多能量混合谱的剂量；

s5.将模拟及叠加构造得到的能谱、剂量值作为训练样本，根据训练样本的输入参数、输出参数确定bp神经网络层数，设计bp神经网络结构；

s6.利用bp神经网络逼近任意非线性函数的能力对训练样本进行学习，建立能谱及对应剂量的计算模型，使预测剂量的输出值与目标值相对偏差在±3％以内；

s7.利用该探测器进行现场能谱的测量，并利用训练好的bp神经网络结构直接将测量谱换算为周围剂量当量，无需进行能响补偿。

进一步，步骤s2中建立单能光子ei的沉积能谱f(e，ei)与剂量映射关系的具体方法如下：对模拟的沉积能谱f(e，ei)做归一化处理，给出测量系统对单位注量光子在每道内的计数响应；根据icrp报告建议的转换系数插值计算单能响应谱对应的周围剂量当量值hi，从而建立单能射线的谱与剂量映射关系。

进一步，步骤s2中可靠性验证的具体方法如下：利用相同测量条件下探测器对⁶⁰coγ点源的实测谱与mcnp模拟响应展宽谱比对，进行样本的可靠性验证，确保全能峰实测效率与计算效率相对偏差在±10％以内。

进一步，bp神经网络为含有一个隐藏层的三层神经网络结构，所述神经网络结点个数为r^1/2个，其中，r为输入样本的神经元数目。

进一步，步骤s3中的随机抽样的具体方法为：在全体单能谱样本n中随机抽取m个能谱，并分别乘一个随机系数βi，叠加求和获得一个新的多能谱；其中m为小于a的随机数，a表示混合谱最大组合数量；βi为小于b的随机数，b代表系数上限，由实际情况确定；通过抽取个数m对数动态调整的办法优化样本值域范围，使抽样分布的方差变大。

进一步，bp神经网络的隐藏层及输出层的激活函数为purelin函数。

进一步，bp神经网络的训练函数为trainscg量化共轭梯度函数。

进一步，bp神经网络的学习函数为learngdm梯度下降动量函数。

进一步，bp神经网络的初始权阈值为正态分布的随机数，所述正态分布的均值为0，标准差为r^-1/2，其中，r为输入样本的神经元数目。

进一步，步骤s7中，现场剂量的测量的具体方法如下：将一个微型单片机系统和液晶显示器接入现场实测使用的便携式nai(tl)γ谱仪，植入训练好的bp神经网络结构和计算指令，即可根据现场实测谱迅速得出待测点的剂量值。

本发明的效果在于：1.本方法可以迅速测量核电等现场γ射线场单位时间的周围剂量当量值，从而获得剂量率值，实现在线实时测量剂量率；

2.利用神经网络算法的高效学习和建立映射能力处理能谱，避免了常规的能谱压缩、滤波、除噪等预处理过程；

3.直接映射剂量值避免了通常的能谱数据处理过程，无需对全能峰、康普顿坪等信息进行提取；

4.通过能谱构造，可以对多种能量的混合能谱实现剂量测量，不必局限于单能光子能谱；

5.利用神经网络极强的拟合能力简化了常规软补偿办法的解非线性方程计算过程，降低人因处理的影响。

6.将训练好的网络结构植入谱仪，剂量预测简单快速、准确直观。

附图说明

图1是本发明所述方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步描述。

如图1所示，一种基于bp神经网络和蒙特卡洛算法的γ射线剂量测量方法，包括以下步骤：

步骤1、采用nai(tl)γ谱仪作为模拟计算和实测使用的探测系统，

nai(tl)γ谱仪是具有维护简单、便携的优点，是广泛实用的伽马能谱仪，主要包括探测部分和收集部分，探测部分由nai(tl)闪烁晶体、光电倍增管、射极跟随器组成；收集部分由线性放大、多道脉冲幅度分析仪，记录仪、打印机等组成。γ射线通过探测器后会产生一个电脉冲信号，通过对该信号进行测量和分析，完成对入射γ射线的分析。

步骤2、利用mcnp软件对便携式nai(tl)γ谱仪结构进行建模，模拟计算系列单能光子的输运过程，统计沉积能量的几率。mcnp(montecarloneutronandphototransportcode)是由美国losalamo国家实验室以蒙特卡罗算法为基础，开发出来用于描述并解决光子、中子、电子的运输机理和物理计算的程序。

通过mcnp软件模拟计算获得1～9mev不同入射能量单能光子ei的沉积能谱f(e，ei)，对模拟谱做归一化处理，给出测量系统对单位注量光子在每道内的计数响应；根据icrp报告建议的转换系数插值计算单能响应谱对应的周围剂量当量值hi，从而建立单能射线的谱与剂量映射关系；利用相同测量条件下探测器对⁶⁰coγ点源的实测谱与mcnp模拟响应展宽谱比对进行样本的可靠性验证，确保全能峰实测效率与计算效率相对偏差在±10％以内。

步骤3、基于叠加原理利用单能光子ei的沉积能谱f(e，ei)构造多能量混合谱独立同分布样本，构造方法为随机抽样式，利用抽样个数的动态自适应调整建立值域分布均匀的样本。具体的抽样方法为：在全体单能谱样本n中随机抽取m个能谱，并分别乘一个随机系数βi，叠加求和获得一个新的多能谱；其中m为小于a的随机数，a表示混合谱最大组合数量；βi为小于b的随机数，b代表系数上限，由实际情况确定；通过抽取个数m对数动态调整的办法优化样本值域范围，使抽样分布的方差变大。

步骤4、多能量混合谱的剂量采用能谱叠加对应的处理过程进行计算，由组成混合谱的单能谱剂量当量值hi乘上对应的系数叠加求得混合谱的剂量。

步骤5、根据样本的输入参数、输出参数确定bp神经网络层数，bp神经网络结构设计如下：

(a)采用含一个隐藏层的三层神经网络结构；

(b)神经网络结点个数设置为输入样本神经元数目的1/2次方；

依据调试效果确定神经网络训练参数如下：

(a)隐藏层及输出层激活函数：purelin函数；

(b)bp神经网络训练函数：trainscg量化共轭梯度法；

(c)bp神经网络学习函数：learngdm梯度下降动量函数；

(d)初始权值阈值分布采用均值为0、标准差为输入样本神经元数目-1/2次方的正态分布随机数；

步骤6、利用bp神经网络逼近任意非线性函数的能力对训练样本进行学习，使其达到收敛，最终可以达到剂量预测输出值与目标值相对偏差在±3％以内。

步骤7、对用于现场实测的便携式nai(tl)γ谱仪接入一个微型单片机系统和液晶显示器，植入训练好的bp神经网络结构和计算指令，即可将测量谱换算为周围剂量当量，无需进行能响补偿。

本领域技术人员应该明白，本发明所述的方法和系统并不限于具体实施方式中所述的实施例，上面的具体描述只是为了解释本发明的目的，并非用于限制本发明。本领域技术人员根据本发明的技术方案得出其他的实施方式，同样属于本发明的技术创新范围，本发明的保护范围由权利要求及其等同物限定。