LRAD測量管道內(nèi)α污染活度的BP網(wǎng)絡模擬

吳雪梅 庹先國,2 李 哲 劉明哲,2 張金釗 李平川 宿吉龍

1（成都理工大學核技術(shù)與自動化工程學院 成都 610059）

2（成都理工大學地質(zhì)災害防治與地質(zhì)環(huán)境保護國家重點實驗室 成都 610059）

長距離 α測量法(Long range alpha detector,LRAD)能克服α粒子射程短和穿透力弱的缺陷[1]，實現(xiàn)不規(guī)則表面或空腔內(nèi)α污染的無損監(jiān)測[2]，成為大型或不規(guī)則形狀核設(shè)施的重要分級手段[3]，對核廢物處理、個人劑量監(jiān)測和環(huán)境α污染監(jiān)測等具有重要意義。目前，LRAD制造商提供放射源活度，但不提供測量方法。我們進行了敞開式LRAD管道內(nèi)表面α測量多參數(shù)影響分析，建立了多參數(shù)與測量值的映射關(guān)系[4–6]，但放射源活度測量還是難題。

核設(shè)施管道內(nèi) (面源)活度測量，受探源距(cm)、風速(m/s)、流量(m3/h)、測試管管長(cm)和管徑(mm)等因素影響，而難以測得α源的真實活度。本文在模擬裝置下用控制變量法開展多參數(shù)影響分析，并引入以解決非線性問題為優(yōu)點的BP神經(jīng)網(wǎng)絡方法，從而實現(xiàn)LRAD系統(tǒng)通過獲得外界影響因子數(shù)值即可模擬放射源活度大小的目的。

1 裝置與原理

1.1 模擬裝置

我們研發(fā)的LRAD裝置由樣品探測、空氣驅(qū)動、電源供電、信號采集和處理控制單元組成。圖1為模擬核設(shè)施退役異型管道現(xiàn)場239Pu α測量探測部分。其中，電流電離室偏壓為200 V，風扇型號為PMD2408PMB1-A (DC24V, ～9.6 W)，導氣管為內(nèi)徑40 mm、長10 cm的鋁管，測量室為內(nèi)徑81.00 mm、外徑97.86 mm、長167 cm的碳鋼管，被測管道是內(nèi)徑分別為43、48和58 mm、長度為20–152 cm(以20 cm為單位，可調(diào)可旋接)的碳鋼管，模擬污染源活度分別為 24.05、182.50、523.33和 3,200.00 Bq的239Pu α放射源。

圖1 LRAD裝置示意圖Fig.1 Analog device of LRAD.

1.2 測量原理

由圖1，系統(tǒng)通過風扇驅(qū)動氣流，帶動測試管內(nèi)放射源α衰變電離的離子對從測量室一端流至導氣管，進入電離室，電離室內(nèi)兩極板搜集來自放射源衰變放出的α粒子電離出的離子對，轉(zhuǎn)化為微電流，經(jīng)后續(xù)電路放大和處理得到測量值(fA)。測量過程中，將被測管道置于測量室內(nèi)，并保持導管、測量室和被測管道同軸。

1.3 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡，即誤差反向傳播(Back Propagation)神經(jīng)網(wǎng)絡，是按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。針對LRAD裝置管道多參數(shù)影響中的非線性和非單一關(guān)系等復雜問題，BP網(wǎng)絡具有歸納、容錯性、非線性處理等特點，能學習和存貯大量的輸入-輸出模式映射關(guān)系[7,8]。BP網(wǎng)絡對LRAD管道內(nèi)表面α污染的多參數(shù)非線性影響分析具有重要意義。

圖2為BP網(wǎng)絡的基本結(jié)構(gòu)，分為輸入層、隱含層和輸出層，由信息的正向傳遞和誤差的反向傳播組成。通過對神經(jīng)計算得到的輸出和樣本值進行誤差分析，反復修正神經(jīng)網(wǎng)絡中各權(quán)重系數(shù)和偏置量，從而使網(wǎng)絡的輸出接近期望輸出，最終誤差滿足要求即確定學習結(jié)束。

圖2 BP網(wǎng)絡基本結(jié)構(gòu)Fig.2 Basic structure of BP neural network.

2 多參數(shù)影響研究

2.1 參數(shù)影響分析

風速、流量、管徑、管長及探源距等因素對測量結(jié)果造成不同程度的影響，故采用控制變量法，即改變某一影響因素，其它變量則保持不變，并觀察其它因素與測量值的作用規(guī)律。為便于綜合分析，按影響因素歸納的多種情況下該單獨變量的作用規(guī)律如圖3所示。

由圖3(a)，在不受外界因素影響下，測量值與活度成線性關(guān)系。圖3(b)中隨著距離的增加，系統(tǒng)測量值減小，即同一放射源，探源距不同則測量值不同。同時，圖中還呈現(xiàn)了風速、流量、管徑、管長變化的復合影響。因此，不能單憑儀器測得的測量值大小即得出管道內(nèi)放射源活度，需綜合考慮各種影響因素的作用。

從參數(shù)影響特征可見，各種因素的自身特征分別為：探源距和管徑對測量值影響呈近對數(shù)關(guān)系，風速和流量呈近指數(shù)關(guān)系，而管長變化呈雙峰規(guī)律。可見，各因素與系統(tǒng)測量值關(guān)系并非為統(tǒng)一形式，LRAD系統(tǒng)多參數(shù)影響非常復雜。

2.2 相關(guān)性分析

為直觀觀察和比較影響因素對測量值的影響程度，實驗測得結(jié)果的相關(guān)性分析見表1[9]。影響因素與測量值的相關(guān)系數(shù)由大到小依次為放射源活度、風速、流量、管徑、管長和探源距。其中，放射源活度與測量值的相關(guān)系數(shù)為0.968，而管長、管徑和探源距變化對系統(tǒng)測量值的影響呈不同程度的負相關(guān)關(guān)系。同時，風速與流量呈完全相關(guān)關(guān)系，管長和探源距間的相關(guān)關(guān)系也較為明顯，大小為0.361。

表1 各變量間的相關(guān)分析Table 1 Correlation between vectors of values.

圖3 各參數(shù)的影響特征 (a) 源活度，(b)探源距，(c) 風速，(d)風量，(e)管徑，(f)管長Fig.3 Impact by the factors of (a) source activity, (b) source-detector distance, (c) air speed,(d) air flux,(e) pipe diameter, and (f) pipe length.

可見，系統(tǒng)影響因素間在形式上非一致關(guān)系，難以統(tǒng)一；在相關(guān)關(guān)系上，程度有大有小、有正有負，且各因素間存在一定的相關(guān)性，增加了系統(tǒng)的復雜性，需用能處理非線性、非單一關(guān)系的方法，建立包括多參數(shù)的測量值與活度間的映射關(guān)系。

3 BP網(wǎng)絡模擬LRAD管道內(nèi)放射性活度

BP網(wǎng)絡可實現(xiàn)輸入-輸出映射功能，能以任意精度逼近任何非線性連續(xù)函數(shù)，且無需事前描述映射關(guān)系的數(shù)學方程，適于解決LRAD多參數(shù)影響研究中內(nèi)部機制復雜的問題。

3.1 網(wǎng)絡結(jié)構(gòu)

獲取風速、流量、探源距、管長、管徑、測量值和活度的量值，將風速、流量、探源距、管長、管徑和系統(tǒng)測量值作為BP網(wǎng)絡輸入，活度為網(wǎng)絡輸出。輸入節(jié)點為6，輸出節(jié)點為1，隱層節(jié)點個數(shù)為6。經(jīng)反復調(diào)試和比較，確定隱層函數(shù)為tansig，輸出函數(shù)為purelin，精度選為1×10–7，訓練步數(shù)設(shè)定為5,000。

3.2 預測結(jié)果

將1,048組結(jié)果作為BP網(wǎng)絡預測數(shù)據(jù)，將BP網(wǎng)絡分析分為網(wǎng)絡建立和實例檢驗：其中948組用于建立神經(jīng)網(wǎng)絡模型(網(wǎng)絡訓練 848組和網(wǎng)絡預測100組)，形成該系統(tǒng)其它因素與放射性活度的數(shù)學關(guān)系；另100組數(shù)據(jù)輸入網(wǎng)絡，進行實例檢驗。

3.2.1 模型建立

首先進行數(shù)據(jù)選擇，隨機抽取100組數(shù)據(jù)作為預測樣本，剩余848組數(shù)據(jù)則為網(wǎng)絡訓練使用，網(wǎng)絡訓練結(jié)果如圖4所示。BP網(wǎng)絡建立的成功是否在于其泛化能力。由圖4(a)，測試結(jié)果與實際活度差別很小，最大相對誤差僅0.01左右，在可接受范圍內(nèi)。說明該BP網(wǎng)絡有較強泛化能力，能真實反映系統(tǒng)輸入輸出關(guān)系，可作為該管道放射源活度模擬的數(shù)學模型。

圖4 網(wǎng)絡預測結(jié)果Fig.4 Result of BP neural network forecasting.

3.2.2 實例檢驗

系統(tǒng)BP網(wǎng)絡建成后，若能獲得各輸入變量，代入建成的BP網(wǎng)絡運算即可得出接近真實活度的模擬值。為驗證網(wǎng)絡是否可靠，同時考慮實驗的方便，分別開展152 cm管長下不同條件的重復性實驗，得100組數(shù)據(jù)。為避免人為因素干擾，網(wǎng)絡從中隨機抽取20組進行實例檢驗，結(jié)果列于表2。

表2 BP網(wǎng)絡模擬準確度Table 2 BP neural network simulation accuracy.

由表2，活度與模擬結(jié)果基本相近。除活度為24.05 Bq的相對誤差較大外，均處于較低水平。可見，對于重復實驗采集的數(shù)據(jù)，BP網(wǎng)絡也能得到與實際活度符合效果較好的模擬值，其實例樣本平均相對誤差也僅2.217×10–2，說明該BP網(wǎng)絡具有較好的泛化能力。

數(shù)據(jù)同時顯示，在相同條件下，即使測量值差異較大，模擬值也能較好地逼近活度，說明BP網(wǎng)絡具有很好的容錯能力。

綜上分析，應用BP神經(jīng)網(wǎng)絡處理多參數(shù)影響下測量值與活度的關(guān)系能夠有效地模擬此裝置下的核退役管道內(nèi)表面α污染源(面源)活度。

4 結(jié)語

模擬獲得裝置下管道內(nèi)表面α污染影響因素的量化值，并分析了影響因素與系統(tǒng)測量間的關(guān)系?；谙到y(tǒng)的復雜性，建立了輸入節(jié)點為 6，輸出節(jié)點為1，隱層節(jié)點為6，隱層函數(shù)為tansig，輸出函數(shù)為purelin的BP神經(jīng)網(wǎng)絡，并選擇精度為1×10–7，以此對管道內(nèi)核污染物活度進行模擬并得到相應的模擬值。結(jié)果表明，對活度較強的 α放射源，BP網(wǎng)絡能夠有效地模擬LRAD系統(tǒng)管道內(nèi)表面α污染活度，達到了克服多參數(shù)影響的復雜性，突破原有單純測量α總電離電荷的技術(shù)束縛和實現(xiàn)表面α污染的無損監(jiān)測的目的；而對弱源的模擬，該方法還存在一定誤差；就準確度和精度而言，對于實現(xiàn)基于LRAD技術(shù)的測量系統(tǒng)儀器刻度還有一定距離，需對算法做進一步研究。

1 韓景泉. 離子收集式 α探測器[J]. 原子能科學技術(shù),1998, 32(6): 503–509 HAN Jingquan. Long-range alpha detector[J]. Atomic Energy Science and Technology, 1998, 32(6): 503–509

2 Rojas S P, Rawool-Sullivan M W, Williams K G,et al.Alpha characterization inside pipes using ion-transport technology[J]. LA-UR-95-174, 1995

3 MacArthur D W, Allander K S, Bounds J A,et al.Long-range alpha detection applied to soil contamination and waste monitoring[J]. LA-UR-92-198, 1992

4 黃連美. 管道內(nèi)LRAD測量關(guān)鍵參數(shù)試驗與PLS-BP網(wǎng)絡校正技術(shù)研究[D]. 成都理工大學, 2011 HUANG Lianmei. Research on key-parameter experiments and PLS-BP correction approach: LRAD measurements inside pipes[D]. Chengdu University of Technology, 2011

5 穆克亮. LRAD測量系統(tǒng)開發(fā)及關(guān)鍵因素特征研究[D].成都理工大學, 2010 MU Keliang. Develop of LRAD measure system and influence characteristic research of key parameters[D].Chengdu University of Technology, 2010

6 TUO Xianguo, LI Zhe, MU Keliang,et al. Alpha contamination monitoring instrument based on LRAD technique for complex surface monitoring[J]. Journal of Nuclear Science and Technology, 2008, (Supp): 282 –285

7 TUO Xianguo, CHENG Bo, MU Keliang,et al. Neural network-based matrix effect correction in EDXRF analysis. Journal of Nuclear Science and Techniques[J],2008, 19: 278–281

8 王振興. BP-RBF組合神經(jīng)網(wǎng)絡在股票預測中的應用研究[D]. 蘭州商學院, 2010 WANG Zhenxing. Research & application of BP-RBF combination neural network forecasting method on stock[D]. Lanzhou University of Finance and Economics,2010

9 張吉剛，梁娜. 基于多元統(tǒng)計-神經(jīng)網(wǎng)絡的教學質(zhì)量評估模型[J]. 海南大學學報(自然科學版), 2010, 28(2):188–192 ZHANG Jigang, Liang Na. Teaching quality appraisal model based on multivariate statistical neural network[J].Natural Science Journal of Hainan University (Natural Science), 2010, 28(2): 188–192