一种未知源项辐射场重构方法、存储介质及系统与流程

1.本发明属于辐射场重构领域，具体涉及一种未知源项辐射场重构方法、存储介质及系统。


背景技术：

2.核设施退役前期，需要对现场的辐射特性进行调查，完备的数据库对后续退役方案的制定与优化极为重要。然而受限于现场测量条件与现有测量手段的不足，退役场景中往往存在未知或不确定度较大的辐射源项，同时其位置信息、核素种类及占比、分布情况等数据是进行辐射场与剂量模拟计算的必要输入参数，对退役作业准确的辐射评估影响很大。
3.现有的源项测量手段，如基于高纯锗或nai探测器的测量方式，无法对非规则形状及非均匀分布的源项进行准确的测量。同时受限于现场条件的限制，有些源项或放射性污染并不具备测量的条件，导致相关数据缺失，而这些数据都是核设施退役前期进行辐射特性数据库调查的不可或缺的部分，例如核岛房间内的辐射源项往往多为复杂的非均匀分布，现有技术手段无法准确测量。
4.所以，需要一种能够在缺少精确的源项信息，传统方法无法计算三维剂量分布，现有测量手段及现场条件不支撑精确测量的情况下，能够实现γ辐射场精准重构的方法。


技术实现要素：

5.针对现有技术中存在的缺陷，本发明的目的是提供一种未知源项辐射场重构方法、存储介质及系统以实现未知源项场景下γ辐射场的精准构建。
6.为达到以上目的，本发明采用的技术方案是：一种未知源项辐射场重构方法，包括步骤：获取输入参数并生成不同源项假设下的辐射场数据；对生产的辐射场数据进行预处理及数据增广；构建变分自编码神经网络模型；构建损失函数对变分自编码神经网络模型进行调优，并根据调优后的变分自编码神经网络模型得到γ辐射场重构结果。
7.进一步，所述辐射场数据包括辐射源项三维坐标、不同核素占比、非点状源的形状与尺寸及源项分布的非均匀性。
8.进一步，获取所述输入参数后，通过点核积分及源项反演算法，模拟计算出不同组合下假设的辐射场数据。
9.进一步，对生成的辐射场数据进行预处理为归一化处理。
10.进一步，所述变分自编码神经网络模型包括采样层、编码层、解码层及隐藏层，所述采样层用于做特征选择、所述隐藏层用于对选择的特征进行抽象化，所述编码层用于将高维度输入编码成低维度的隐向量，所述解码层用于把隐向量还原为初始维度。
11.进一步，所述编码层的输出为两个变量，分别为：隐藏层编码的均值及方差向量，且从所述隐藏层编码的均值及方差向量定义的距离平方反比分布中进行采样，作为所述解码层的输入。
12.进一步，所述损失函数包括计算生成的数据与原始数据样本之间的差距及比较隐藏层编码向量的分布与距源项距离平方反比之间的损失值两个部分。
13.进一步，所述损失函数的计算公式为：
[0014][0015]
其中，x代表的是原始数据，y代表的是生成的数据，λ代表的是权重参数，代表的是由原始数据通过编码层的学习，生成隐藏层编码向量z的分布，从而建立z与x之间的关系；p(z)指的是隐藏层编码向量z分布的二次衰减分布；e
p(x)
是数学期望值。
[0016]
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-8中任一项中所述的未知源项辐射场重构方法。
[0017]
本发明还提供一种未知源项辐射场重构系统，包括：样本生成单元，用于根据输入的参数生成训练的初始样本；数据处理单元，用于将初始样本进行预处理及数据增广；模型训练单元，用于利用处理后的数据集进行训练，形成变分自编码神经网络模型；模型调优单元，用于构建损失函数，并通过损失函数对变分自编码神经网络模型进行调优。
[0018]
本发明的效果在于：可以在无法测量三维辐射场分布，且测量手段及现场条件不支持精确测量的前提下，充分利用已知源项信息的先验知识、实现γ辐射场的精准重构。
附图说明
[0019]
图1是本发明一种未知源项辐射场重构方法的步骤流程图；
[0020]
图2是本发明一种未知源项辐射场重构方法中初步辐射场数据生成模块示意图；
[0021]
图3是本发明一种未知源项辐射场重构方法中数据预处理后的增广流程示意图；
[0022]
图4是变分自编码神经网络模型的结构模块示意图；
[0023]
图5是本发明一种未知源项辐射场重构系统的模块示意图。
具体实施方式
[0024]
下面结合附图和具体实施方式对本发明作进一步描述。
[0025]
如图1-4所示，本发明提供的一种未知源项辐射场重构方法，其包括步骤：
[0026]
s1,获取输入参数并生成不同源项下的初步辐射场数据；
[0027]
具体的，生成不同源项下的初步辐射场数据，也即每个源项下假设的初步辐射场数据，需要基于现场的几何结构、源项调查设备及人员工作经验，分别从每个辐射源项的三维坐标、不同核素占比、非点状源的形状与尺寸、源项分布的非均匀性等方面进行系列评估，形成不同组合的输入参数。即，输入参数包括辐射源项三维坐标、不同核素占比、非点状源的形状与尺寸及源项分布的非均匀性。
[0028]
可以理解，受限于测量手段及现场条件，初步辐射场数据只能是不准确的、带有假设性的数据。
[0029]
在一种实施例中，辐射源项的三维坐标可对应现场的几何结构，即辐射源项位于现场的某个坐标点。不同核素占比、非点状源的形状与尺寸、源项分布的非均匀性，可对应源项调查设备和/或人员工作经验。
[0030]
可以理解，核设施现场辐射防护人员对所关心区域的辐射热点或源项的位置、分布及数量是相对清楚的，能够提供大致的参数范围。针对含有多个未知或不确定度较大辐射源项的退役场景，通过源项调查设备，配合工作人员的经验，可最大限度地利用已有信息。
[0031]
在获取到上述输入参数后，借助点核积分与源项反演算法，模拟计算出不同组合下假设的辐射场景数据，并形成数据集。
[0032]
可以理解，源项反演算法的原理是利用部分辐射场的测量数据，结合三维几何模型与源项的其他已知信息，先反向计算出源项活度，然后再将其作为输入，正向模拟计算出所在场所的三维辐射场数据。
[0033]
s2，对生成的初步辐射场数据进行预处理及数据增广；
[0034]
具体地，在生成初步辐射场数据并形成数据集后，需要先对辐射场景数据进行预处理，以为后续步骤做准备。
[0035]
在一种实施例中，对辐射场景数据进行归一化处理，拟采用z-score标准化方法对样本数据进行预处理，如：
[0036][0037]
其中，u代表原始辐射场景数据，x表示平均值，σ代表x的标准差。
[0038]
通过归一化处理，可以明显地使寻找最优解的过程变得平缓，从而能更容易地收敛到最优解，提高精确度。
[0039]
数据增广是一种增加训练数据的方案，以缓解机器学习算法缺乏数据的情况。对于数值模拟的数据集，投入神经网络训练的数据量是有限的。而更多的数据可以使神经网络获得更好的泛化性能，因此有必要通过数据增广来增加数据量。
[0040]
在一个具体实施例中，当数据批的大小为n，则从整个初始数据集中随机选择n个测试值。然后从每个选定的测试数据中随机分割n个自定义长度段，组成满足训练尺寸的batch。
[0041]
s3，构建变分自编码神经网络模型；
[0042]
具体的，利用上述步骤中形成的数据集进行训练，从而构建一个变分自编码神经网络模型，并对其中的采样层、编码层、解码层及隐藏层进行优化处理。
[0043]
在一个具体实施例中，本步骤基于变分自编码神经网络架构，分别设计采样层，编码层，解码层和隐藏层，采样层的功能是做特征选择，隐藏层的功能是对选择的特征进行抽象化，编码层将高维输入编码成低维的隐向量，解码层把隐向量还原为初始维度。
[0044]
其中，编码层的输出将被设计成了两个变量，分别为：隐藏层编码z的均值和方差向量。随后，从这两个变量定义的距离平方反比分布中采样，作为解码层的输入。
[0045]
s4，构建损失函数对变分自编码神经网络模型进行调优，并根据调优后的变分自编码神经网络模型得到γ辐射场重构结果；
[0046]
具体的，变分自编码神经网络有两个目标：一是恢复原始数据，二是使隐藏层的编码向量遵循特定的分布。从而需要将变分自编码神经网络的损失函数分为两部分：第一部分是计算生成的数据与原始数据样本之间的差距。本实施例采用均方误差(mean square error，mse)函数，它指的是两个变量之间平方差的期望值。mse可以评估原始数据和神经网
络还原出的数据之间的差异。mse的值越小，神经网络的恢复原始数据的性能越好。
[0047]
第二部分是比较隐藏层编码向量的分布与距源项距离平方反比之间的损失值，即两个分布之间的差异，这部分应用的是kl散度。为了使隐藏层编码向量z的分布接近于目标需要遵循的某一分布，关键就是如何衡量两个分布q和p之间的差异，所以引入kl散度来测量两个概率分布之间的差异。两个分布越接近，kl值越小，否则就越大。如果存在两个未知分布p(x)和q(x)，则可通过下列方程得到kl散度：
[0048][0049]
此称为相对熵，即kl散度，或p(x)和q(x)之间的kl散度。
[0050]
因此，变分自编码神经网络模型的最终损失函数如下：
[0051][0052]
其中，x代表的是原始数据，y代表的是生成的数据，λ代表的是权重参数，代表的是由原始数据通过编码器的学习，生成的隐藏层编码向量z的分布，从而建立z与x之间的关系。p(z)指的是z的分布，在上述情况下的二次衰减分布，e
p(x)
是数学期望值。
[0053]
通过构建好变分自编码神经网络的损失函数后，即可利用变分自编码神经网络模型得到γ辐射场的重构结果。
[0054]
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、dvd、硬盘、闪存、u盘、cf卡、sd卡、mmc卡、sm卡、记忆棒(memory stick)、xd卡等。
[0055]
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
[0056]
请参阅图5，本发明还提供一种未知源项辐射场重构系统，其包括样本生成单元10、数据处理单元20、模型训练单元30及模型调优单元40。
[0057]
其中，样本生成单元10根据输入的参数生成训练的初始样本。
[0058]
即，基于现场的几何结构、源项调查设备及人员工作经验，分别从辐射源项的三维坐标、不同核素占比、非点状源的形状与尺寸、源项分布的非均匀性等方面进行系列评估，形成不同组合的输入参数，然后将输入参数借助点核积分与源项反演算法，模拟计算出不同组合下假设的辐射场景数据，并形成数据集。
[0059]
数据处理单元20将初始样本进行预处理及数据增广。
[0060]
模型训练单元30利用处理后的数据集进行训练，形成变分自编码神经网络模型。
[0061]
模型调优单元40构建损失函数，并通过损失函数对变分自编码神经网络模型进行调优。
[0062]
通过上述实施例可以看出，本发明在未知的场景下，利用已知的大致信息的样本，形成变分自编码神经网络模型，在对模型进行优化，并构建损失函数进行调优后，即可对γ辐射场进行精准重构，获取的γ辐射场信息准确度高，且对现场条件和测量手段的要求相对降低，降低了核设施退役前期辐射源项调查的测量成本。
[0063]
本发明所述的装置并不限于具体实施方式中所述的实施例，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。