《Applied Radiation and Isotopes》:A multi-model comparative study on container parameters in the activity inversion of Kr-85 in a closed container
编辑推荐:
•建立了多参数剂量率系数映射,用于Kr-85活度反演。•将蒙特卡洛模拟、五种机器学习模型和敏感性分析整合到反演框架中。•SVR模型在全部三个检测点均实现了最低的RMSE和MAE以及最高的R2。引言核燃料厂和核电站在运行过程中会释放各种放射性惰性气体,其中就包括氪-85(Kr-
- •
建立了多参数剂量率系数映射,用于Kr-85活度反演。
- •
将蒙特卡洛模拟、五种机器学习模型和敏感性分析整合到反演框架中。
- •
SVR模型在全部三个检测点均实现了最低的RMSE和MAE以及最高的R2。
引言
核燃料厂和核电站在运行过程中会释放各种放射性惰性气体,其中就包括氪-85(Kr-85)(Zhang等,2021)。作为长寿命(半衰期约为10.756年(Wanless和Thode,1953))的裂变产物,Kr-85的释放水平可以直接反映核反应的程度。同时,由于其化学性质惰性且在大气中难以沉降(Phillips等,2010),它已成为监测核设施运行状态和全球核活动的关键示踪核素(Breier和Povinec,2010)。Kr-85的衰变特征主要表现为高能β粒子的发射(最大能量为687 keV,分支比>99.5%),仅伴随微量514 keV的γ射线(分支比约为0.434%)(Koch等,1949)。
目前,国内外标准实验室一般使用内充气长径比补偿比例计数管来测定Kr-85和3H等放射性气体的测量值(Liang等,2025)。该方法将气体直接引入探测器进行测量,具有很高的测量精度。一些研究机构采用具有长径比补偿方法的内充气比例计数管来标定放射性惰性气体Kr-85的活度浓度,然后利用标定后的高气态源来校准HPGe伽马能谱仪的效率(Wang等,2020)。此外,一些专业机构开发了采用PIPS探测器的惰性气体舱室检测系统,用于现场Kr-85分析(Lee等,2026)。
然而,密闭容器内部物质的活度通常无法直接探测。需要在容器外部安装高灵敏度探测器,检测总外照射剂量率以进行活度反演。这种非接触式测量不可避免地受到复杂辐射相互作用的影响。在实际制造中,容器壁厚、材料、源气压力和内径等参数都可能因加工误差或使用要求而产生偏差。对于Kr-85,这些容器偏差不仅会改变β粒子的能量沉积分布,还会影响韧致辐射的发射特征(Mori等,1998),使得难以量化活度反演的标准系数。
辐射场重构和源项反演是核技术领域中的经典问题。传统研究主要依赖于点核积分法(Cheng等,2025),该方法剂量率计算速度较快,但与蒙特卡洛方法相比,其对辐射输运采用了简化的表示方式,这可能限制其在复杂屏蔽配置中的适用性。人工智能技术的兴起为该领域带来了新的机遇。国内外学者已开始尝试利用神经网络(ANN)和支持向量机(SVM)等算法,通过大量计算来构建辐射场(Hu等,2025;Zhang等,2025)。目前,密闭容器中的活度反演主要关注内部源气体的非均匀分布(Hu等,2023;Liu等,2025;Dvornik等,2026)。Hu等将卷积神经网络应用于放射性活度的反演(Hu等,2023)。Liu等提出了一种基于贝叶斯信息准则的非均匀活度分布反演方法(Liu等,2025)。Dvornik等提出了一种贝叶斯方法用于放射源定位和活度估计,强调了概率推理在具有挑战性的测量条件下提高源-活度估计鲁棒性和效率的潜力(Dvornik等,2026)。然而,在容器参数动态变化条件下对体源(尤其是气源)进行反演的研究很少。
为了解决这些局限性,本研究开发了一种机器学习辅助框架,用于密封容器中Kr-85活度的快速反演。本研究的主要创新体现在三个方面:1. 理论上,通过系统地变化壁厚、材料、内径和内部压力等四个关键容器参数,建立了单位Kr-85活度的剂量率系数多参数映射,并研究了这些参数的变化如何影响剂量率响应。2. 方法上,建立了一个综合的多模型比较框架,涵盖线性方法、神经网络和核方法。该框架还通过利用SHAP和Sobol方法进行可解释性分析进行了增强。3. 在工程应用层面,以SVR模型为核心、采用三个外部检测点的该方法,为核设施中密封源项活度的无损检测提供了一种可行的方法。
章节摘要
理论与方法
本研究结合蒙特卡洛模型与多种机器学习算法,建立了一种多参数变化的反演方法,以评估不同机器学习算法在解决密闭容器中Kr-85活度反演问题中的适用性,旨在为高精度活度反演检测系统提供参考。本研究的流程图如图1所示。具体内容如下:
模型与方法
所有机器学习实现和数据分析均在Python 3.10.0环境中进行,使用配备NVIDIA GeForce GTX 1650显卡和主频为2.30 GHz的Intel Core i7-10875H八核处理器的计算机。本研究利用MCNP5基于实际情况建立了圆柱形密封容器模型。在模拟过程中,准确再现了容器壁厚、内径、材料和内部压力四个关键物理特性。
结果与分析
以下结果为五次重复的随机80%/20%训练-测试划分所得到的平均预测性能,采用不同的随机种子。相应地报告了标准偏差,以量化模型性能在重复随机划分中的变异性。
结论与总结
本研究提出了一种基于剂量率响应系数的理论方法,并结合机器学习对活度反演进行可解释性分析,以壁厚、容器内径、容器材料和内部压力作为输入。主要结论如下:
- 1.
不同模型的性能排名一致,训练结果稳定,表明机器学习模型在预测剂量率方面具有鲁棒性
CRediT作者贡献声明
高国安(Guohan Gao):撰写——初稿、方法论、调查研究、形式分析。雷引琪(Yingqi Lei):撰写——审阅与编辑、验证。严观超(Guanchao Yan):项目管理、资金获取。吕良良(Liangliang Lv):撰写——审阅与编辑、形式分析。方天宝(Tianbao Fang):撰写——审阅与编辑、方法论。李工平(Gongping Li):撰写——审阅与编辑、资金获取
未引用参考文献
Hoerl和Kennard,1970;Shultis和Faw,2000。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
数据可用性声明
支持本研究结果的数据可应合理请求向通讯作者索取。
利益冲突声明
? 作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
本工作得到了中国甘肃省科学技术计划项目(资助编号:22ZD6GB020)和甘肃省产研融合科技突破赋能计划(资助编号:25FNGA002)的资助。
高国安|雷引琪|严观超|吕良良|方天宝|李工平