-
神经网络搭建成功的关键在于其泛化效果,其结构的合理性在于对样本以外的其他输入也能进行较好反演。CNN属于回归模型[18],常采用均方误差(MSE)函数作为损失函数[19]判断神经网络的收敛精度及泛化效果,均方误差值越小,网络泛化效果越好。其函数表达式为
式中:分母n为样本数据个数;分子为预测值与真值误差平方的集合。
在神经元中,引入激活函数能增加神经网络模型的非线性。ReLU函数在输入负值时会导致神经元死亡和梯度消失[20],常选取ReLU的变体函数弥补其缺陷。ELU函数的梯度对于所有负值均为非零,避免了神经元死亡,在缩短训练时间和提高准确度方面优于其他变体函数。其函数表达式如下:
其中
$ \alpha $ 为根据模型实时变化的适宜常数。 -
在给定初始权值前提下,采用双隐含层对样本数据进行训练,当神经元数量分别为20, 40, 60, ..., 200时,记录迭代训练80次后的均方误差值。
收敛精度的均方误差值如图3所示,随着神经元数量的增加,均方误差值有降低趋势,神经元数低于140时,曲线降低幅度较大,均方误差最大值为45.90%,最小值为18.88%,说明神经元数量对收敛精度影响较大。若神经元太少,则网络无法转换正确输出;而神经元太多,则增加神经网络工作量。
-
在实际建模过程中发现:实验数据一定时,神经网络学习样本数量对泛化效果也存在影响。当数量取500~4 500时,检验样本数取500时,由图4曲线所示。训练样本过少,网络训练不充分不足以反映实际数据的特征;训练样本过多,在达到几乎相同的泛化效果条件下增加了神经网络训练负担。因此选取合适样本数能减少神经网络训练耗时。
-
结合3.1中的分析结果,选取如表1所列参数构建CNN模型,损失函数为均方误差函数(MSE),激活函数为ELU函数,批处理大小设为64,交叉验证集比例为9:1,使用Adam优化器(学习率为1×10−5,超参数β为0.5)进行训练,最大迭代次数为180次。网络性能目标误差设定为10%,当神经网络的训练误差低于目标设定值时,认为神经网络已达到下一步预测源项活度的基本条件,中止训练。
网络层名称 网络输入 参数说明 Conv1 Input_detectors 卷积核数量:32卷积核大小:(5, 5, 5) Conv2 Conv1 卷积核数量:32卷积核大小:(5, 5, 5) Maxpol1 Conv2 步长:1 掩膜大小:(2, 2, 2) Conv3 Maxpol1 卷积核数量:16卷积核大小:(3, 3, 3) Conv4 Conv3 卷积核数量:16卷积核大小:(3, 3, 3) Maxpol2 Conv4 步长:1 掩膜大小:(2, 2, 2) Conv5 Maxpol2 卷积核数量:8卷积核大小:(2, 2, 2) Conv6 Conv5 卷积核数量:8卷积核大小:(2, 2, 2) Cout Conv6 向量参数一维化 Dense1 Cout 神经元数目:120 Dense2 Dense1 神经元数目:80 Output Dense2 表1中Input_detectors层为三维剂量分布矩阵的输入层; Conv1~Conv6为卷积层;Maxpol1~Maxpol2为池化层;Dense1~Dense2为全连接层;Output为输出层。在CNN模型中通过卷积、池化的方法逐层提取通量和源项的分布特征,再通过全连接层映射到各源项活度输出。
-
为研究CNN对于反演算法的预测效果,表2实验结果对比了CNN与三类源项反演典型耦合优化算法[21]反演3 000次的平均耗时情况。整体来看,CNN的平均反演耗时与GA-NM算法、PSO-NM算法接近,明显快于GA-PSO算法。在源项反演的时效性上,CNN用时较短,效率较高。
实验方法 平均反演耗时/s 遗传与粒子群算法耦合(GA-PSO) 12.46 粒子群与单纯形算法耦合(PSO-NM) 1.65 遗传与粒子群耦合算法(GA-NM) 1.57 卷积神经网络(CNN) 1.55 -
目前核电厂主要将产生的中低放射性固体废物压缩后置于钢桶中,图5展示了废物钢桶模型剖面视图。废物钢桶[22]内部半径为56.0 cm,高89.0 cm,壁厚0.2 cm,桶内覆盖物材料主要为废个人防护用具[23],桶外为空气。建立如图5所示源项计算模型,使用蒙特卡罗批量产生程序、批量计算程序和结果批量提取程序,整合网格计数卡统计的通量值及各分区的比活度,归一化处理后作为CNN的特征学习样本。
选用均方误差函数评估模型训练效果。图6(a)展示了以训练迭代次数为横轴的算法误差值曲线波动,虚线和实线分别表示训练集、验证集误差曲线。从图中可以看出,训练初始阶段误差较大,废物钢桶模型误差值下降偏慢,迭代近150次后趋于稳定。训练完成后输入模拟实际通量矩阵,图6(b)为活度预测值与模拟实测值拟合结果,拟合优度为0.961 8,理论上拟合优度大于0.9时即认为数据相关性较高[24]。
由表3预测数据计算得到活度预测平均相对误差为9.45%,最大相对误差为17.68%,证实了该活度反演方法预测精度较高,具有优异的数据学习能力和准确的活度预测能力。该方法预测误差波动范围较小,预测性能较稳定。多点源活度反演算法对低活度点源的反演误差远高于高活度点源,预测性能不够稳定[5],而迭代计算辐射场剂量率实测值和源项活度的线性方程组时,点源活度的预测性能较稳定,但误差均大于10%,精度上仍需提高[8]。相较于这两种方法,基于CNN的源项活度反演方法在预测的准确性和预测性能的稳定性上都取得了更优越的效果。
源项位置/cm 模拟值/Bq 预测值/Bq 相对误差/% 源项位置/cm 模拟值/Bq 预测值/Bq 相对误差/% (12, 12, 30) 5.47×106 4.93×106 −9.84 (−4, −17, −3) 8.94×106 1.02×107 14.24 (−13, −13, 34) 8.06×106 9.16×106 13.74 (28, −13, −7) 4.52×106 3.96×106 −12.36 (−17, 17, 38) 7.94×106 6.66×106 −16.01 (11, 22, −30) 3.60×106 3.25×106 −9.77 (20, −20, 42) 2.77×106 3.01×106 8.78 (−25, 3, −34) 1.14×106 1.15×106 1.49 (23, 9, 11) 4.62×105 4.45×105 −3.67 (−21, −25, −38) 7.15×106 7.93×106 10.87 (−7, 21, 14) 2.99×106 2.54×106 −15.06 (25, −9, − 42) 8.87×105 9.81×105 10.58 (−27, −8, 17) 8.80×106 8.58×106 −2.53 (27, 15, −11) 7.21×106 6.22×106 −13.79 (6, −23, 25) 7.39×105 6.08×105 −17.68 (−10, 10, −14) 4.79×106 4.78×106 −0.19 (25, 16, 7) 3.99×106 4.18×106 4.66 (−26, −19, −17) 6.86×106 6.40×106 −6.73 (−23, 21, 3) 8.27×106 9.39×106 13.56 (21, 25, −25) 5.41×106 5.60×106 3.49 -
混凝土桶也常用于存放中低放射性固体废物,其中C4桶用于存放废过滤器芯子[25-26]。构建如图7所示的内置过滤器滤芯的C4型混凝土桶简化模型。模型桶体材料为C20混凝土,桶外高130.0 cm,侧面壁厚15.0 cm,内置过滤器滤芯高95.6 cm,过滤层依次设外衬纸层、滤材层、海绵层和活性炭层等。
分析图8和表4可知,该类模型的训练误差可降至9.4%,其预测的平均误差为8.28%,与废物钢桶模型的误差相比略低,数据误差在合理范围内,说明基于CNN的源项活度反演方法同样适用于该类模型,预测精度未因模型更换而降低,证明了该CNN模型具有较强适应性。
源项位置/cm 模拟值/Bq 预测值/Bq 平均误差/% 源项位置/cm 模拟值/Bq 预测值/Bq 平均误差/% (28, 35, 30) 3.58×106 3.56×106 −0.56% (−13, −57, −3) 1.96×106 1.79×106 −8.67% (−37, 39, 34) 7.56×106 8.51×106 12.57% (57, −12, −7) 2.68×106 2.40×106 −10.45% (−52, 42, 38) 9.56×106 8.05×106 −15.79% (19, −42, −30) 3.91×106 4.30×106 9.97% (45, 47, 42) 2.73×105 3.11×105 13.92% (−75, −33, −34) 3.07×105 2.89×105 −5.86% (51, 45, 11) 6.09×106 6.18×106 1.48% (−65, −37, −38) 1.77×106 1.95×106 10.17% (−21, 36, 14) 1.12×107 1.30×107 16.07% (71, −46, −42) 1.05×107 9.97×106 −5.05% (−77, 30, 17) 1.01×106 1.07×106 5.94% (72, −7, −11) 3.84×106 3.49×106 −9.11% (6, 22, 25) 9.05×105 9.91×105 9.50% (−44, −64, −14) 2.94×106 2.87×106 −2.38% (63, 7, 7) 7.90×106 6.65×106 −15.82% (−66, −30, −17) 6.71×106 6.30×106 −6.11% (−71, 17, 3) 2.36×106 2.30×106 −2.54% (37, −39, −25) 6.81×106 7.08×106 3.96% -
标准箱也常作为放射性废物处理容器。如图9所示构建不同放射性活度分布的废物方箱模型,内置空气过滤器尺寸为61.0 cm×61.0 cm×29.2 cm,外部为铁金属框架,内部为折叠空气过滤器滤纸,将空气过滤器置于100 cm×80 cm×80 cm的金属方箱内。
对该模型进行相同迭代训练,误差随迭代次数变化情况如图10(a)所示,模型误差值下降速度较快,迭代80次后误差曲线趋于平稳,训练集误差降至8.9%。图10(b)为模型活度预测拟合结果,拟合优度为0.963 31。由表5实验结果分析,对于内置空气过滤器废物的方箱模型,源项活度预测的最大误差为15.69%,平均误差为9.18%。
源项位置/cm 模拟值/Bq 预测值/Bq 相对误差/% 源项位置/cm 模拟值/Bq 预测值/Bq 相对误差/% (−27, 27, −4) 4.18×106 3.63×106 −13.17 (−27, 27, 12) 7.94×106 6.86×106 −13.58 (−22, −22, −12) 3.18×106 3.51×106 10.46 (−22, −22, 2) 3.54×106 3.73×106 5.32 (−18, 18, −4) 3.08×106 3.56×106 15.69 (−18, 18, 12) 4.14×106 4.11×106 −0.65 (−12, −12, −12) 4.87×106 5.28×106 8.35 (−12, −12, 2) 3.47×105 3.09×105 −10.89 (−6, 6, −4) 6.64×106 6.37×106 −4.01 (−6, 6, 12) 1.65×106 1.81×106 9.29 (2, −2, −12) 7.73×106 6.71×106 −13.19 (2, −2, 2) 7.27×106 7.39×106 1.72 (6, 6, −4) 1.33×106 1.16×106 −12.60 (6, 6, 12) 9.39×106 1.02×107 8.66 (13, −13, −12) 7.62×106 8.43×106 10.65 (13, −13, 2) 7.39×106 6.60×106 −10.67 (18, 18, −4) 2.02×106 1.76×106 −12.97 (18, 18, 12) 6.77×106 7.55×106 11.51 (23, −23, −12) 9.26×106 9.49×106 2.50 (23, −23, 2) 1.66×106 1.53×106 −7.64 该方法对多种放射性源项模型均能实现活度反演目标且预测精度较高,模型的通用性也得以验证。综合分析以上三种模型的预测情况,部分源项预测值误差相对偏高的可能原因如下:1) 源项模型简化时引起误差;2) 使用蒙特卡罗方法计算源项时引入误差;3) 神经网络训练过程中参数设置导致的误差。可通过优化辐射场数据分析方法、调整参数等来减小误差,实现更高精度的预测。
-
以上模型实现了对容器内的放射性源项活度反演,而在核设施退役过程中,同样可对空间内待拆除部件进行源项活度的反演。如图11构建退役反应堆一回路部分管道模型,管道材料为碳钢。对图中除入口管道外其他10根管道进行活度预测。源项位于管道中心,管道内活度均匀分布,管道中心活度代表该管道的平均活度。
反演数据如表6所列,反应堆一回路部分管道模型内活度预测的最大误差为24.95%,平均误差为13.88%,预测效果在可接受范围内。说明该方法能实现对空间内管道活度的模拟预测,再次证明该方法对高精度的源项反演预测的通用性。
源项位置/cm 模拟值/Bq 预测值/Bq 相对误差/% 源项位置/cm 模拟值/Bq 预测值/Bq 相对误差/% (710, 10, 90) 1.22×107 1.06×107 −13.43% (260, 145, −140) 1.15×107 1.25×107 9.46% (740, 240, 20) 1.49×107 1.37×107 −8.01% (630, 10, 185) 7.70×106 7.35×106 −4.60% (470, 240, −140) 1.83×107 1.54×107 −15.60% (800, 10, 65) 8.46×106 8.09×106 −4.35% (540, 50, −320) 6.88×106 5.59×106 −18.75% (680, 240, −80) 6.61×106 8.00×106 21.02% (800, 125, −20) 7.81×105 9.76×105 24.95% (260, 50, −230) 1.35×107 1.60×107 18.63%
Activity Inversion of Radioactive Source Term Based on Convolutional Neural Network
doi: 10.11804/NuclPhysRev.40.2022104
- Received Date: 2022-10-07
- Rev Recd Date: 2022-12-26
- Publish Date: 2023-09-20
Abstract: The radioactive source terms are often distributed inside the detection target, which are difficult to be located and measured directly. In order to monitor the dose level of radioactive source terms during the waste treatment and nuclear facilities decommissioning, in this research we propose an activity inversion method of radioactive source terms based on convolutional neural network(CNN), and establishes the correlation between the radiation field flux and the source term activity. In this method, source terms calculation models are established for waste steel barrel, concrete barrel with built-in filter, square box with built-in air filter and pippeline in primary circuit of reactor, and the samples are learned based on CNN for source term activity inversion. Compared the activity inversion results with the simulated measured values, the average error can be controlled at about 10%, which verifies the effectiveness of the proposed method. In addition, the accuracy of prediction and stability performance of this method are superior to other activity inversion methods. Which proves that the combination of CNN and source term activity inversion has high application value in the fields of waste disposal and nuclear facilities decommissioning.
Citation: | Xiang HU, Yingming SONG, Yue XIA, Gema ZHANG, Weiwei YUAN. Activity Inversion of Radioactive Source Term Based on Convolutional Neural Network[J]. Nuclear Physics Review, 2023, 40(3): 401-409. doi: 10.11804/NuclPhysRev.40.2022104 |