Нейронная сеть для идентификации нуклидов по гамма-спектру

В статье представлен метод идентификации радионуклидов по реконструированному физическому спектру гамма-излучения с использованием трехслойной нейронной сети прямого распространения. Описана структура сети, способы формирования обучающей выборки и результаты экспериментальной проверки метода....

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2008
Hauptverfasser:	Кочергин, А.В., Пивоварцев, С.C.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Schlagworte:	Нейросетевые и нечеткие системы
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/7581
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Нейронная сеть для идентификации нуклидов по гамма-спектру / А.В. Кочергин, С.C. Пивоварцев // Штучний інтелект. — 2008. — № 4. — С. 600-604. — Бібліогр.: 3 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-7581
record_format	dspace
spelling	irk-123456789-75812010-04-06T12:01:40Z Нейронная сеть для идентификации нуклидов по гамма-спектру Кочергин, А.В. Пивоварцев, С.C. Нейросетевые и нечеткие системы В статье представлен метод идентификации радионуклидов по реконструированному физическому спектру гамма-излучения с использованием трехслойной нейронной сети прямого распространения. Описана структура сети, способы формирования обучающей выборки и результаты экспериментальной проверки метода. Method of radionuclide identification on the restored physical spectrum of the gamma radiation with aid of three-layer neuron network of the direct propagation is represented in the paper. The network structure, the methods of learning sample generation and the results of the method experimental verification are described. 2008 Article Нейронная сеть для идентификации нуклидов по гамма-спектру / А.В. Кочергин, С.C. Пивоварцев // Штучний інтелект. — 2008. — № 4. — С. 600-604. — Бібліогр.: 3 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/7581 621.039.55 ru Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Нейросетевые и нечеткие системы Нейросетевые и нечеткие системы
spellingShingle	Нейросетевые и нечеткие системы Нейросетевые и нечеткие системы Кочергин, А.В. Пивоварцев, С.C. Нейронная сеть для идентификации нуклидов по гамма-спектру
description	В статье представлен метод идентификации радионуклидов по реконструированному физическому спектру гамма-излучения с использованием трехслойной нейронной сети прямого распространения. Описана структура сети, способы формирования обучающей выборки и результаты экспериментальной проверки метода.
format	Article
author	Кочергин, А.В. Пивоварцев, С.C.
author_facet	Кочергин, А.В. Пивоварцев, С.C.
author_sort	Кочергин, А.В.
title	Нейронная сеть для идентификации нуклидов по гамма-спектру
title_short	Нейронная сеть для идентификации нуклидов по гамма-спектру
title_full	Нейронная сеть для идентификации нуклидов по гамма-спектру
title_fullStr	Нейронная сеть для идентификации нуклидов по гамма-спектру
title_full_unstemmed	Нейронная сеть для идентификации нуклидов по гамма-спектру
title_sort	нейронная сеть для идентификации нуклидов по гамма-спектру
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2008
topic_facet	Нейросетевые и нечеткие системы
url	http://dspace.nbuv.gov.ua/handle/123456789/7581
citation_txt	Нейронная сеть для идентификации нуклидов по гамма-спектру / А.В. Кочергин, С.C. Пивоварцев // Штучний інтелект. — 2008. — № 4. — С. 600-604. — Бібліогр.: 3 назв. — рос.
work_keys_str_mv	AT kočerginav nejronnaâsetʹdlâidentifikaciinuklidovpogammaspektru AT pivovarcevsc nejronnaâsetʹdlâidentifikaciinuklidovpogammaspektru
first_indexed	2025-07-02T10:24:21Z
last_indexed	2025-07-02T10:24:21Z
_version_	1836530387576160256
fulltext	«Искусственный интеллект» 4’2008 600 7С УДК 621.039.55 А.В. Кочергин, С.C. Пивоварцев Научно-исследовательский и проектно-конструкторский институт «Искра», г. Луганск, Украина kav@net.lg.ua Нейронная сеть для идентификации нуклидов по гамма-спектру В статье представлен метод идентификации радионуклидов по реконструированному физическому спектру гамма-излучения с использованием трехслойной нейронной сети прямого распространения. Описана структура сети, способы формирования обучающей выборки и результаты экспериментальной проверки метода. При оперативном контроле и анализе радиационной обстановки непосредствен- но на местности в режиме реального времени не достаточно измерить дозовые характеристики поля. Важно также определить потоковые характеристики поля, спектральный состав излучения и радионуклидный состав загрязнения с оценкой активности идентифицированных изотопов. Радиометрическая обработка полученных при экспериментах спектров гамма- излучения, как правило, заключается в извлечении информации о положении и интен- сивности спектральных линий и их идентификации по энергиям с радионуклидами каталога. Эта информация чаще всего может быть получена при изучении наиболее информативной части спектров – пиков полного поглощения (ППП). Положение ППП в спектре дает информацию об энергии данной линии, а его площадь – информацию об интенсивности. В последнее время наблюдается тенденция к применению для решения подобных задач нейроподобных структур [1]. В рамках данной работы представлена нейронная сеть для идентификации нуклидов по гамма-спектру, реализованная в портативном полевом приборе для обнаружения незаконного или непреднамеренного перемещения ядерных или радиоактивных материалов. Базовые требования к прибо- рам этого класса определены международным стандартом IEC 62327 [2]. Постановка задачи В общем виде задача выглядит следующим образом. Основываясь на данных аппаратурного спектра, необходимо определить качест- венный радионуклидный состав исследуемого радиоактивного вещества и приблизи- тельные массовые доли входящих в вещество нуклидов. Данная задача в терминологии нейронных сетей относится к классу классифика- ционных (pattern classification). Для решения этого класса задач с успехом применяются многослойные полносвязные сети прямого распространения. Стандартом определен следующий список основных радионуклидов, которые подлежат идентификации. Ядерные материалы: 233U, 235U, 239Pu, 241Pu. Медицинские радионуклиды: 18F, 67Ga, 99mTc, 111In, 192Ir, Iodine ( 123I, 125I, 131I), 201Tl, 133Xe; природные радионуклиды (NORM): 40K, 226Ra, 232Th, 238U; технические радионуклиды: 57Co, 60Co, 133Ba, 137Cs, 192Ir, 226Ra, 241Am, 238Pu. Нейронная сеть для идентификации нуклидов по гамма-спектру «Штучний інтелект» 4’2008 601 7К Лишь незначительная часть радионуклидов из указанного списка имеют относи- тельно простой спектр гамма-линий. Условия и временные ограничения процедуры измерения и идентификации приводят к тому, что в большинстве случаев резуль- тирующий гамма-спектр имеет сложный характер со значительным количеством мультиплетов, тяжелых для идентификации при реальных уровнях скорости счета, не намного превышающих фоновую загрузку детектора. На рис. 1 представлен суммарный линейчатый спектр энергий гамма-линий с учетом вероятности выхода для всех изотопов предложенной библиотеки радионуклидов. Рисунок 1 – Линейчатый гамма-спектр изотопов библиотеки нуклидов Учитывая этот факт и относительное энергетическое разрешение возможных по условиям эксплуатации детекторов, очевидно, что число одновременно иденти- фицированных изотопов не может быть велико. Основываясь на требованиях стандарта, а также учитывая тот факт, что в фоновом спектре всегда присутствует определенный набор природных радионуклидов из списка NORM, было принято решение ограничить число одновременно идентифицируемых нуклидов пятью. Для исследуемых образцов, которые представляют собой смесь элементарных источников, получаемый спектр S может быть аппроксимирован линейной суперпо- зицией его составляющих Si: S a Si i i   . Отсюда очевидно, что система идентифика- ции должна иметь линейную зависимость выхода от входа. И хотя обычно используют свойство нелинейности ИНС, преимущества такого подхода неоспоримы ввиду простоты, скорости и автоматизации принятия решения. Попытка построить и обучить одну общую нейронную сеть для одновременной однопроходной идентификации любого из нуклидов из определенной выше библио- теки столкнулась со значительными трудностями и не привела к удовлетворяющему нас результату. Путем последовательных приближений было принято решение перейти к многопроходной процедуре идентификации, когда для поиска каждого нуклида из библиотеки строится и тренируется отдельная нейронная сеть. Методика обучения сети Входными данными для нейронной сети являлся реконструированный физический 256 канальный спектр гамма-излучения в точке измерения. Под восстановленным физическим спектром понимается энергетическое распределение плотности потока гамма-квантов в данной точке, оцененное по аппаратному спектру. Кочергин А.В., Пивоварцев С.С. «Искусственный интеллект» 4’2008 602 7К Задача восстановления физического спектра в точке измерения по измеренному аппаратному спектру может быть сведена к решению матричного уравнения (1) fuA  , (1) где А – представляет собой матрицу аппаратной функции измерительного тракта, f – измеренный аппаратный спектр, u – физический гамма-спектр в точке измерения. Измеренный спектр f, как и аппаратная функция А, известны нам с некоторой погрешностью. При этом возникают трудности, связанные с некорректностью задачи по Адамару. Для решения уравнения (1) был применен итерационный метод Скоффилда Голда [3], суть которого заключается в следующем. Уравнение (1) преобразуется к виду WB  , (2) где AAB T  ; fAW T  . На каждом шаге n итерационной процедуры вычисляется вектор nn uBV  и строится диагональная матрица с элементами n i n in ii V ud , . Следующее приближение определяется по формуле WDu nn 1 . (3) Данная процедура позволяет существенно повысить разрешающую способ- ность и точность предлагаемого метода. Процедура реконструкции проводилась по модельному аппаратурному спектру. Применение модельных, а не реальных аппаратурных спектров определялось прак- тической невозможностью экспериментального получения спектров всех возможных комбинаций нуклидов и их относительных активностей. В связи с этим в основу получения входных данных были положены две методики. 1. Реализованная на базе программного комплекса GEANT 4, разработанного в Европейском центре ядерных исследований (CERN, Женева), программная модель для имитации взаимодействия частиц и излучения с веществом. Разработанная нами на базе GEANT программная модель взаимодействия поля излучения с произволь- ным детектором, позволяет оперативно изменять как количество и форму источни- ков излучения и их радионуклидный состав, так и параметры детекторов и среды измерения. 2. Спектры, полученные умножением вектора ожидаемого линейчатого спектра гамма-излучения в точке измерения с матрицей аппаратной функции спектрометри- ческого тракта размером 10111011 элементов сгенерированной методами Монте- Карло по схеме индивидуальных соударений программой «Transfer» разработки НИПКИ «Искра». Кроме этого в модельный спектр добавлялись фон, статистический шум и слу- чайный дрейф по шкале канал – энергия в диапазоне  1,5 %. Предложенная методика позволяет создать базу данных спектров гамма-излучения, охватывающую все типовые ситуации обнаружения радионуклидов, изложенные в требованиях действующих стандартов и дополняющую имеющиеся эксперименталь- ные данные. Проверка предложенных алгоритмов проводилась как на модельных спектрах, не входящих в обучающую выборку, так и на реальных спектрах, полученных на спектрометрической аппаратуре с детектором на базе сцинтилляционного кристалла NaI(Tl) 2530 мм + ФЭУ и CsI(Tl) 40  40 мм + ФЭУ. Нейронная сеть для идентификации нуклидов по гамма-спектру «Штучний інтелект» 4’2008 603 7К Результаты работы сети Построение и тренировка сети осуществлялась с помощью средств Neural Networks Toolbox MATLAB 7.6. Структура сети представлена на рис. 2. Рисунок 2 – Структура нейронной сети Для выбора числа нейронов в скрытом слое использовалась формула для оценки необходимого числа синаптических весов wN в многослойной сети с сигмоидальными передаточными функциями     2 1 1 1 log y p p w y x y y xp N N N N N N N N NN               , где Ny – размерность выходного сигнала, Np – число элементов обучающей выборки, Nx – размерность входного сигнала. Оценив необходимое число весов, можно рассчитать число (N) нейронов в скрытых слоях w x y NN N N   . В любом случае расчетная величина N является оценочным параметром, имею- щим существенный диапазон варьирования. Для обучения сети был применен метод сопряженных градиентов с адаптивной корректировкой длины шага (функция trainscg). На рис. 3 и в табл. 1 представлены результаты работы сети для тестовой комби- нации нуклидов и их относительных активностей в спектре. Рисунок 3 – Спектры гамма-излучения Кочергин А.В., Пивоварцев С.С. «Искусственный интеллект» 4’2008 604 7К Таблица 1 Изотоп Доля в спектре Превышение над фоном, % Результат работы сети Ba-133 0 0,0066 Co-60 0,15 0,9813 Cs-137 0,65 0,9760 Th-228 0,2 0,9983 U-238 0 75 0,0197 Оценка результатов Резюмируя проведенные исследования, можно сделать следующие выводы. Метод показал свою безусловную перспективность, в особенности в применении к сцинтилляционной гамма-спектрометрии, для которой характерно существенное количество мультиплетов, затрудненных к локализации и идентификации из-за естест- венных ограничений сцинтилляционных детекторов, связанных с относительно плохим энергетическим разрешением. Несомненным преимуществом метода является тот факт, что процедура идентификации выполняется за один проход, что безусловно важно, принимая во внимание ограниченные возможности вычислительного ядра полевого портативного прибора. Безусловно, метод достаточно трудоемок на предварительном этапе и весьма чувствителен к качеству и количеству информации в обучающей выборке. Подго- товка данных требует точного знания технических характеристик и особенностей спектрометрического тракта и априорной информации о предполагаемых условиях применения разрабатываемого прибора. Обученная нами нейронная сеть показала отличные (близкие к 100 %) резуль- таты для идентификации единичных нуклидов с простым линейчатым спектром. В то же время в случаях сложных спектров либо при идентификации нуклидов, обладающих сложным линейчатым спектром (таких как Th-232 либо U-238), результаты неодно- значны. Положительные результаты получены для не более чем трех нуклидов, одновременно присутствующих в спектре и не во всем диапазоне исследуемых относительных активностей. Безусловно, метод нуждается в дальнейшем развитии. Перспективным было бы ограничение входных данных обучающей выборки теми каналами, в которых гипо- тетически могут находиться пики полного поглощения искомого нуклида. Литература 1. Nuclear Spectral Analysis via Artificial Neural Networks for Waste Handling / Paul E. Keller, Lars J. Kangas, Gary L. Troyer, Sherif Hashem, Richard T. Kouzes // IEEE Transactions on Nuclear Science. – August, 1995. – Vol. 42, № 4. – P. 709-715. 2. IEC 62327 - Radiation protection instrumentation - Hand-held Instruments for the Detection and Identifi- cation of Radioactive Isotopes and for the Measurement of Dose Rate. 3. Кочергин А.В. Методы и алгоритмы повышения точности и разрешающей способности полевых гамма- спектрометров-радиометров // Сборник (Отчет) Второго Международного Форума «Физическая ядерная безопасность – меры противодействия актам ядерного терроризма». – Киев: Научно- исследовательский информационно-аналитический центр «ЛЕКС», 2007. – С.141-148. A.V. Kochergin, S.S. Pivovartsev Neural Network for Nuclide Identification on the Gamma Spectrum Method of radionuclide identification on the restored physical spectrum of the gamma radiation with aid of three-layer neuron network of the direct propagation is represented in the paper. The network structure, the methods of learning sample generation and the results of the method experimental verification are described. Статья поступила в редакцию 10.06.2008.

Нейронная сеть для идентификации нуклидов по гамма-спектру

Institution

Ähnliche Einträge