用于放射性羽流源识别的快速参数推断及不确定性量化方法

《Environmental and Ecological Statistics》：Rapid parameter inference with uncertainty quantification for a radiological plume source identification problem

快速定位核事故或放射性散布装置爆炸的污染源对应急响应和去污至关重要。本研究利用神经网络结合传感器和风速数据，在两种不确定性量化方法（分类神经网络和贝叶斯神经网络）间进行对比，发现贝叶斯方法在计算效率上显著优于传统MCMC方法，因其依赖神经网络评估而非物理模型运算。

　　

摘要

在发生核事故或放射性散布装置爆炸的情况下，迅速确定事故或爆炸的源头对于应急响应和环境去污至关重要。在模拟放射性污染物瞬间释放后的指定时间点，从一组辐射传感器中记录下风向的测量数据。利用神经网络结合传感器数据和平均风速数据，可以准确且快速地推断出污染物的释放参数。我们研究了两种用于量化预测值不确定性的神经网络结构：一种是分类神经网络，另一种是贝叶斯神经网络。在分类神经网络中，我们将空间域划分为多个部分，并将每个部分视为一个独立的类别，估计该类别包含真实源位置的概率；而在贝叶斯神经网络中，权重和偏置具有分布特性，而非单一的最优值。每次评估时都会对这些分布进行采样，从而得到不同的预测结果。通过训练得到的贝叶斯神经网络可用于构建释放参数的后验密度。实验结果与使用延迟拒绝自适应Metropolis算法计算的马尔可夫链蒙特卡洛（MCMC）结果进行了比较。总体而言，贝叶斯神经网络在计算成本上远低于MCMC方法，因为它依赖于神经网络本身的计算成本来生成后验密度，而MCMC方法则依赖于传输模型和辐射检测模型的计算开销。