基于Python的HotSpot放射风险评估自动化框架开发及其在核应急响应中的应用

本文创新性地开发了基于Python的HotSpot（放射性物质扩散模拟软件）自动化框架，通过动态调整核素浓度、气象参数（如风速u）和地形特征（σy/σz），实现高斯烟羽模型（Gaussian plume model）的批量运算与实时可视化。该技术将传统人工操作转化为智能流程，显著提升RDD（放射性散布装置）事故场景下的剂量评估效率，为核应急决策提供精准数据支持。

　　

Highlight

本研究通过自动化HotSpot代码显著提升了放射风险评估的精度与效率，特别针对放射性散布装置（RDD）场景开发了创新性分析框架。

Methodology

采用Python构建自动化流程，实现关键参数（如核素释放率Q、有效高度H）的动态调节，通过高斯烟羽模型计算空间浓度分布C(x,y,z)，并自动生成剂量沉积图谱。系统支持实时调整大气稳定度等级（Pasquill分类）和风速u，克服了传统手动操作耗时且易错的缺陷。

Discussion

自动化系统将单次分析时间从数小时压缩至分钟级，同时实现不确定性量化（UQ）。案例显示，在10km范围内对¹³⁷Cs扩散模拟中，自动生成的等剂量线图能即时反映风速突变对烟羽轨迹σ_y的影响。

Conclusion

该框架为核事故应急响应提供了革命性工具，其动态参数调整和即时可视化功能，使决策者能快速评估防护措施有效性。未来可扩展至长期扩散模拟（＞24h）和复杂地形建模。

CRediT authorship contribution statement

Najeeb N.M. Maglas：负责数据验证与可视化；Merouane Najar：主导算法开发与文稿撰写；Zhao Qiang：提供学术指导。

Declaration of competing interest

作者声明无利益冲突。