基于多层感知神经网络(MLP)的筛网扩散电池法在放射性气溶胶粒径分布测量中的应用研究

针对放射性气溶胶粒径分布传统反演算法存在计算复杂、抗噪性差等问题，中国科学院研究人员提出基于多层感知神经网络(MLP)的筛网扩散电池(SDB)测量新方法。该模型在10%噪声水平下对单峰分布的AMD（活性中值直径）和GSD（几何标准偏差）预测误差分别低于1.5%和3.4%，与SMPS测量的CMD（计数中值直径）线性相关R2达0.888，实现了毫秒级实时预测，为核设施辐射防护提供新技术支撑。

　　

放射性气溶胶作为含有放射性核素的颗粒物，其粒径分布直接决定人体吸入后的辐射剂量沉积位置——小于0.5 μm的颗粒可深入肺泡区造成更大危害。当前主流的筛网扩散电池(Screen Diffusion Battery, SDB)测量法虽能检测0.3 nm-0.5 μm范围的颗粒，但传统反演算法存在三大痛点：非线性迭代法耗时且依赖初始参数、最大熵方法易产生振荡解、最小二乘法抗噪性差，这些问题严重制约核事故应急响应和日常辐射监测效率。

中国科学院研究团队在《Journal of Aerosol Science》发表的研究中，创新性地将多层感知神经网络(Multi-Layer Perceptron, MLP)引入SDB系统。通过构建包含输入层（8个节点对应8级筛网穿透率）、隐藏层（128-256个神经元）和输出层（粒径分布参数）的网络架构，结合模拟生成的10⁵组单/双峰分布训练数据，开发出可实时反演粒径分布的智能算法。关键技术包括：1）基于PIPS探测器（Passivated Implanted Planar Silicon）的α能谱测量系统；2）采用ReLU激活函数和Adam优化器的MLP模型；3）引入SMPS（Scanning Mobility Particle Sizer）作为验证基准。

主要研究结果

1. 峰值分类性能：在10%噪声水平下，模型对单/双峰分布的识别准确率保持89%以上，F1分数达0.91，显著优于传统算法65%的识别率。
2. 单峰分布反演：对AMD（Activity Median Diameter）和GSD（Geometric Standard Deviation）的预测，在10%噪声时平均绝对百分比误差(MAPE)分别稳定在1.5%和3.4%以内，较最小二乘法误差降低3-5倍。
3. 双峰分布解析：对双峰分布的四个特征参数（两个AMD和两个GSD），10%噪声下MAPE均控制在10.5%以内，解决了传统方法双峰分辨率不足的缺陷。
4. 实际验证：氡室实验中，MLP反演的AMD与SMPS测量的CMD（Count Median Diameter）呈现强线性相关（R²=0.888），证实方法在真实场景的适用性。

研究意义
该成果突破传统反演算法需人工设定初始值、计算耗时（分钟级）的技术瓶颈，实现毫秒级实时预测，使SDB系统首次具备核事故现场快速评估能力。相较于EM（Expectation-Maximization）算法可能陷入局部最优解的问题，MLP模型通过端到端训练确保全局最优性。未来可扩展应用于核电站废气排放监测、医用放射性气溶胶治疗剂量优化等领域，为ICRP（国际辐射防护委员会）推荐的肺泡沉积剂量模型提供更精准的输入参数。研究团队特别指出，该方法无需依赖进口SMPS设备即可获得等效结果，对提升发展中国家核应急能力建设具有特殊价值。