LRAD測量管道內α污染活度的BP網絡模擬

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與自動化工程學院 成都 610059）

2（成都理工大學地質災害防治與地質環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]，實現不規則表面或空腔內α污染的無損監測[2]，成為大型或不規則形狀核設施的重要分級手段[3]，對核廢物處理、個人劑量監測和環境α污染監測等具有重要意義。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管道內表面α測量多參數影響分析，建立了多參數與測量值的映射關系[4–6]，但放射源活度測量還是難題。

核設施管道內 (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影響分析，并引入以解決非線性問題為優點的BP神經網絡方法，從而實現LRAD系統通過獲得外界影響因子數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

我們研發的LRAD裝置由樣品探測、空氣驅動、電源供電、信號采集和處理控制單元組成。圖1為模擬核設施退役異型管道現場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)，導氣管為內徑40 mm、長10 cm的鋁管，測量室為內徑81.00 mm、外徑97.86 mm、長167 cm的碳鋼管，被測管道是內徑分別為43、48和58 mm、長度為20–152 cm(以20 cm為單位，可調可旋接)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，系統通過風扇驅動氣流，帶動測試管內放射源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，轉化為微電流，經后續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，并保持導管、測量室和被測管道同軸。

1.3 BP神經網絡

BP神經網絡，即誤差反向傳播(Back Propagation)神經網絡，是按誤差逆傳播算法訓練的多層前饋網絡。針對LRAD裝置管道多參數影響中的非線性和非單一關系等復雜問題，BP網絡具有歸納、容錯性、非線性處理等特點，能學習和存貯大量的輸入-輸出模式映射關系[7,8]。BP網絡對LRAD管道內表面α污染的多參數非線性影響分析具有重要意義。

圖2為BP網絡的基本結構，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。通過對神經計算得到的輸出和樣本值進行誤差分析，反復修正神經網絡中各權重系數和偏置量，從而使網絡的輸出接近期望輸出，最終誤差滿足要求即確定學習結束。

圖2 BP網絡基本結構Fig.2 Basic structure of BP neural network.

2 多參數影響研究

2.1 參數影響分析

風速、流量、管徑、管長及探源距等因素對測量結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系。圖3(b)中隨著距離的增加，系統測量值減小，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放射源活度，需綜合考慮各種影響因素的作用。

從參數影響特征可見，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關系，風速和流量呈近指數關系，而管長變化呈雙峰規律。可見，各因素與系統測量值關系并非為統一形式，LRAD系統多參數影響非常復雜。

2.2 相關性分析

為直觀觀察和比較影響因素對測量值的影響程度，實驗測得結果的相關性分析見表1[9]。影響因素與測量值的相關系數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系數為0.968，而管長、管徑和探源距變化對系統測量值的影響呈不同程度的負相關關系。同時，風速與流量呈完全相關關系，管長和探源距間的相關關系也較為明顯，大小為0.361。

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

圖3 各參數的影響特征 (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，系統影響因素間在形式上非一致關系，難以統一；在相關關系上，程度有大有小、有正有負，且各因素間存在一定的相關性，增加了系統的復雜性，需用能處理非線性、非單一關系的方法，建立包括多參數的測量值與活度間的映射關系。

3 BP網絡模擬LRAD管道內放射性活度

BP網絡可實現輸入-輸出映射功能，能以任意精度逼近任何非線性連續函數，且無需事前描述映射關系的數學方程，適于解決LRAD多參數影響研究中內部機制復雜的問題。

3.1 網絡結構

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、管徑和系統測量值作為BP網絡輸入，活度為網絡輸出。輸入節點為6，輸出節點為1，隱層節點個數為6。經反復調試和比較，確定隱層函數為tansig，輸出函數為purelin，精度選為1×10–7，訓練步數設定為5,000。

3.2 預測結果

將1,048組結果作為BP網絡預測數據，將BP網絡分析分為網絡建立和實例檢驗：其中948組用于建立神經網絡模型(網絡訓練 848組和網絡預測100組)，形成該系統其它因素與放射性活度的數學關系；另100組數據輸入網絡，進行實例檢驗。

3.2.1 模型建立

首先進行數據選擇，隨機抽取100組數據作為預測樣本，剩余848組數據則為網絡訓練使用，網絡訓練結果如圖4所示。BP網絡建立的成功是否在于其泛化能力。由圖4(a)，測試結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。說明該BP網絡有較強泛化能力，能真實反映系統輸入輸出關系，可作為該管道放射源活度模擬的數學模型。

圖4 網絡預測結果Fig.4 Result of BP neural network forecasting.

3.2.2 實例檢驗

系統BP網絡建成后，若能獲得各輸入變量，代入建成的BP網絡運算即可得出接近真實活度的模擬值。為驗證網絡是否可靠，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組數據。為避免人為因素干擾，網絡從中隨機抽取20組進行實例檢驗，結果列于表2。

表2 BP網絡模擬準確度Table 2 BP neural network simulation accuracy.

由表2，活度與模擬結果基本相近。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據，BP網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網絡具有較好的泛化能力。

數據同時顯示，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網絡具有很好的容錯能力。

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

4 結語

模擬獲得裝置下管道內表面α污染影響因素的量化值，并分析了影響因素與系統測量間的關系。基于系統的復雜性，建立了輸入節點為 6，輸出節點為1，隱層節點為6，隱層函數為tansig，輸出函數為purelin的BP神經網絡，并選擇精度為1×10–7，以此對管道內核污染物活度進行模擬并得到相應的模擬值。結果表明，對活度較強的 α放射源，BP網絡能夠有效地模擬LRAD系統管道內表面α污染活度，達到了克服多參數影響的復雜性，突破原有單純測量α總電離電荷的技術束縛和實現表面α污染的無損監測的目的；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，對于實現基于LRAD技術的測量系統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,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LRAD測量關鍵參數試驗與PLS-BP網絡校正技術研究[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測量系統開發及關鍵因素特征研究[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組合神經網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. 基于多元統計-神經網絡的教學質量評估模型[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