LRAD敞开式测量管道内α污染特征及其BP网络预测

王孝强 庹先国 吴雪梅 李 哲

1（成都理工大学核技术与自动化工程学院 成都 610059）

2（中核四川环保工程有限公司 广元 610006）

3（西南科技大学核废物与环境安全国防重点学科实验室 绵阳 621010）

4（地质灾害防治与地质环境保护国家重点实验室 成都 610059）

核设施退役过程中涉及大量核素为α辐射体，同时α粒子受到射程短和穿透力弱限制，长距离α测量(Long range alpha detector，LRAD)技术被提出，并初步应用于现场污染管道的定性测量[1,2]。该技术采用间接探测由污染核素衰变α粒子产生的电离离子，实现对核素α活度的间接探测。相比传统测量方法，可有效克服α粒子本身射程和穿透力的限制，同时提高探测效率。

实际用该技术测量管道内α活度时，风速（风量）、测量距离及被测管道几何特征等参数变化会严重影响管道内离子的收集，从而影响分析准确度[3,4]。针对测量准确度问题，TUO Xianguo 等[5−7]分别开展以前性能优化研究，研制出多种基于LRAD技术的探测效率高、稳定性好的电流电离室，对系统测量准确度的提高有重要意义。针对外在影响因素，穆克亮等[8,9]开展了多参数影响研究，应用多种数学算法展开。

同时，针对封闭式测量应用于现场测量的不方便问题[10]，采用将标准源置于碳钢钢管内、自主研制的LRAD测量系统，将探测器直接对准测试管道，开展管道内LRAD测量多参数影响特征实验，分析并查明影响系统探测效率的特征因子。针对系统输入输出的非线性关系，采用BP网络对系统测得的电离电流值进行非线性预测。

1 装置及条件

实验采用自主研制的便携式α表面污染报警仪[7]，由探测部分和二次仪表构成，系统测量框图及探测部分如图1，探测部分主要为测试外管（5种不同管径的碳钢钢管）、引气内管(铝合金、f 40 mm、L 0.2 m)[11]、风扇(PMD2408PMB1-A(DC24V≈9.6 W))及电流电离室(偏压200 V)等，二次仪表主要包括风扇驱动单元、高压调节单元、信号检测单元和单片控制及处理系统，能在常温下工作[12]。

分别选取强度为523.33和3200 Bq的239Pu α面源，将探测器直接置于被测管道内壁底端，保持内外管同轴放置，管口相接测量，相较于封闭式测量更具便携性。

图1 系统框图(a)及探测部分(b)Fig.1 System block diagram (a) and detection part (b).

为便于对多种影响因素分析比较，需对结果进行归一化处理，计算公式为：

数据归一化后，再按不同特征进行相应处理。

2 原理与方法

2.1 LRAD技术测量管道内α活度原理

如图 2，LRAD系统通过测量由风扇驱动的 α粒子电离空气分子产生的离子对进而间接测量α粒子放射性活度[5−11]，其优点是被测离子对在数量和传输速度上均远优于α粒子本身。

图2 LRAD测量管道内α活度基本原理Fig.2 Basic principle of LRAD.

2.2 LRAD测量的神经网络预测模型

仪器测量结果与被测对象实际值之间保持一一对应关系对实现其使用价值至关重要。如图1、2，LRAD系统为通风装置，测量过程中易受多种条件干扰，使系统难以实现此对应关系。经前期研究，找出源强、管道中放射源与探测器距离、风速、流量、管径、管长等LRAD系统测量关键影响因子。但目前还无法通过人为操作或提高仪器性能以同时消除或减少这些因素的影响。

BP神经网络(Back Propagation Neural Networks)是由非线性变换单元组成的前馈网络，是非线性系统建模、仿真和预测的主要工具。针对LRAD系统测量中非线性参数影响，可将关键影响因子纳入放射源实际活度与仪器测量值关系模型中，根据已知数据应用BP网络建立关键影响因素与系统测量值的数学模型，可虚构为y = f(x1, x2, x3, x4, x5, x6)，(xi为前述包括活度的因变量，i=1…6)。其模型精度高、误差小，可实现LRAD系统测量的非线性校正。

图3 BP神经网络基本结构Fig.3 Structure of BP neural network.

如图3，BP网络是一种有三层或三层以上神经元的神经网络，包括输入层、中间层（隐层）和输出层[9,10,13,14]。BP网络映射测量系统中关键参数与测量结果之间的非线性关系，以影响系统输出的关键影响因子为输入样本，各样本条件下的电离电流作为输出样本，用梯度下降法等调整网络的连接权和阈值，选定网络训练模式，重复前向传播和误差反向传播过程，实现管道内α活度预测。

3 非线性影响分析

实验将6种关键影响因子作为研究对象，应用控制变量法（测量时间定为 2 min）单独观察每一个因素对系统测量造成的影响，每种条件重复 10次测量，求得平均值为该实验有效值。此处重点分析距离、风速、测试管管径和管长影响。为对比观察两种活度的放射源(523.33和3200 Bq)影响特征，分析时已作归一化处理。

3.1 距离对系统的影响特征

以58 mm管径的测试管为例，选定风速为0.91 m/s，分别将强度为523.33和3200 Bq的239Pu α源置于测试管内不同距离处，测量得到距离对系统的响应特征及其误差如图4。

图4 距离影响特征Fig.4 Distance influence characteristic.

由图4可见，整体结果均随距离增加而减小，用简单的线性拟合，拟合相关系数分别为−0.97807(523.33 Bq)和−0.96883 (3200 Bq)，认为距离对系统输出呈良好的线性影响关系。分析认为，当放射源置于测试管内不同位置，恒定气流驱动下，距离增大，增加了离子对传输时间和碰撞几率，超出复合时间即发生复合，从而导致系统探测效率降低。

3.2 风速对系统的影响特征

由于风速与流量影响特征一致，此处仅分析风速影响特征。选定风速变化范围为0−1.5 m/s，用两种不同强度的239Pu α源对58 mm测试管进行测量，距离选定为与电离室信号栅极相隔130 cm，测量得其特征及其误差如图5。

图5 风速影响特征Fig.5 Velocity influence characteristic.

分析图5可知，239Pu α源对系统响应随风速增加近似成指数规律增大，风速较低的部分，电流随风速近似线性增加，3200 Bq的α源表现更明显。原因在于：随风速增加，离子在管道中的运输时间减小，且逐渐接近离子复合时间，能在复合时间内到达极板的离子数增加，电离电流则越大，当大部分电离离子运动时间小于复合时间时，电离电流趋于最大值，并出现平台曲线。523.33 Bq α源平台曲线趋势较明显，3200 Bq α源发射的α粒子在测试管中有较大离子密度，随风速增大而缓慢增长。

3.3 测试管管径对系统的影响特征

为明确管径对系统测量造成的影响特征，选取5种管径范围为43−84 mm，管长170 cm，选定风速0.91 m/s（距离探测器30 cm处），得到管径对系统的响应特征及其误差如图6。

图6 测试管管径影响特征Fig.6 Pipe diameter influence characteristic.

图6显示，管径对系统测量影响表现出抛物线趋势。其中，58 mm管径对系统的输出响应值最大。分析认为，由于管道内有特定的弧形结构，放射面源与底端存在一定距离。经计算，58 mm管径下，放射源距底端~7 mm，测试管与内管(43 mm)同轴放置时，239Pu α源刚好置于内管底端平行处（有最佳气流）。因此，源发射的 α粒子能在空气中充分电离并快速迁移至电离室。因此，58 mm管径的测试管对系统有最佳响应，说明系统探测效率与放射源和引气内管截面的位置有关。

3.4 测试管管长对系统的影响特征

管长的多样性会导致在相同流速下管道内空气压力差异，进而影响电离离子在管中的输运。实验选定固定条件：风速0.91 m/s，管径58 mm，位置10 cm，以20 cm为单位改变管长，以查明管长对系统的响应情况，其影响特征及其误差如图7。

图7 测试管管长影响特征Fig.7 Pipe length influence characteristic.

图7 显示，其他因素不变情况下，管长在80−100 cm时，系统有最佳响应值。究其原因，管长较长时(>120 cm)，源发射的α粒子电离离子数与80−100 cm时相同，但因管内压力差异延长了气流到达放射源的时间，管壁复合效应明显，系统收集离子的数目减少。同时，管长过短，管内压力过大，携带离子的部分气流直接穿过信号栅极而不被探测器收集，80−100 cm管长呈现最佳探测效率。另外，此种条件下误差其他条件突出，可能由于管长变化频繁操作不能保持测量条件一致造成，可在操作程序上改进。

试验表明，LRAD敞开式测量管道内表面α污染活度有良好探测效率。影响特征为：距离对系统探测效率影响呈线性规律，管径和管长呈多项式规律变化，而风速和空气流量呈指数规律变化。可见，管道内LRAD测量系统的非线性因素确实存在且形式多样，如何校正这些影响因素成为后期工作难点。

4 LRAD的BP网络非线性校正

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。针对实验中多种影响因素对系统测量造成的多种非线性影响，首先找出各种影响因子并数值化，应用BP网络可进行输入输出映射（该映射类似黑匣子），建立影响因素下测量值与实际活度的一一对应关系。在此基础上，实现影响因素下的系统测量预测。

4.1 数据预处理

由分析知，影响系统测量值大小因素为测试管管径(mm)、测试管管长(cm)、源至电离室的距离(cm)、风速(m/s)、空气流量及放射源自身活度(Bq)。由此建立以6个因素为输入变量，系统测量的电离电压值(mV)为输出变量的BP神经网络。该BP网络的预测用matlab2010软件自带BP网络工具箱实现。

根据LRAD系统实际条件，建立三层BP网络，输入节点为6，输出节点为1，隐层节点个数为6。经反复调试和比较，确定隐层函数为 tansig，输出函数为 purelin，精度选为 1×10−5，训练步数为 1000。同时，网络采用梯度下降traingdx方式克服BP网络易陷入局部极小缺陷，并可加快收敛速率。

4.2 系统测量值预测

实验总共获取 352组包括影响因素的量化数据，确定训练样本总数为330个，预测样本总数22个，得到预测结果如表1。

网络是否可信，重要一点在于泛化能力，泛化能力又表现在预测结果的准确度上。由表1可知，模型拟合值与测量值之间误差最小值为0.129%，最大值为8.057%，平均值为2.85%，大部分数据预测相对百分误差在 5%以内。表明该网络有较强的泛化能力和容错能力，对LRAD分析结果预测有较好的准确度，基本克服了系统非线性的影响，实现了对管道内LRAD测量的综合非线性预测。

表1 BP网络预测结果Table 1 Results of BP neural network forecasting.

5 结语

以LRAD技术测量管道内表面污染的基础理论为出发点，研究了多个参数对管道内LRAD测量的影响特征，针对输入与输出的非线性关系，应用BP神经网络对管道内LRAD所测电离电压值进行非线性预测，成果如下：

(1) LRAD敞开式测量管道内表面α污染活度有较好探测效率，对现场测量有重要意义。

(2) 以两种强度的239Pu α源和6种管径的测试钢管为研究对象，重点开展管道内LRAD测量关键参数的影响特征实验，得出影响因素对系统的影响特征为：距离对系统探测效率呈线性趋势变化，管径和管长呈多项式规律变化，风速和空气流量呈指数规律变化。

(3) 被测管道几何特征和风速等参数变化影响管道内离子收集，给LRAD分析准确性带来难度，BP神经网络技术在解决实际LRAD分析问题中体现的特点逐渐凸显，可用于多参数影响下系统的非线性预测。然而针对参数表现出特定特征的数据，仍需对该方法提出改进，得到更有意义的结果。

1 MacArthur D W, Allander K S, Bounds J A, et al. Small long-range alpha detector (LRAD) with computer readout[J]. Los Alamos National Laboratory LA-12199-MS,1991: 10

2 Johnson J D, Allander K S, Bounds J A, et al. Long-range alpha detector sample monitoring[J]. Nucl Instr and Meth A, 1994, 353: 486−488

3 Rojas S P, Rawool-Sullivan M W, Williams K G, et al.Alpha characterization inside pipes using ion-transport technology[J]. Waste Management '95 Conference Tucson LA-UR-95-174. 1995: 03

4 Whitley C R, Adams J R, Bounds J A, et al. Airborne radioactive contamination monitoring[J]. New Mexico Conference on the Environment LA-UR-96-578, 1996. 03

5 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

6 韩景泉. 离子收集式 α探测器[J]. 原子能科学技术,1998, 32(6): 503−509 HAN Jingquan. Long-range Alpha Detector[J]. Atomic Energy Science and Technology, 1998, 32(6): 503−509

7 庹先国, 曾 旖, 杨雪梅, 等. 国家发明专利: α表面污染测量仪[P], ZL 2006 10020183.9, 2006. 08 TUO Xianguo, ZENG Yi, YANG Xuemei, et al. China Patent: α surface contamination detector[P], ZL 2006 10020183.9, 2006. 08

8 穆克亮. LRAD测量系统开发及关键因素特征研究[D].成都理工大学, 2010. 7 MU Keliang. Develop of LRAD Measure System and Influence Characteristic Research of Key Parameters[D].Chengdu University of Technology, 2010. 7

9 黄连美. 管道内LRAD测量关键参数试验与PLS-BP网络校正技术研究[D]. 成都理工大学, 2011. 7 HUANG Lianmei. Research on Key-parameter Experiments and PLS-BP Correction Approach: LRAD Measurements Inside Pipes[D]. Chengdu University of Technology, 2011. 7

10 吴雪梅, 庹先国, 李 哲, 等. LRAD测量管道内α污染活度的BP网络模拟[J]. 核技术, 2012, 35(5): 369−374 WU Xuemei, TUO Xianguo, LI Zhe, et al. Application of BP neural network for LRAD-based alpha contamination monitoring inside pipes[J]. Nuclear Techniques, 2012,35(5): 369−374

11 付军. 长距离 α污染测量仪的研制[D]. 成都理工大学,2008 FU Jun. Research on long rang alpha contamination instrument[D]. Chengdu University of Technology, 2008

12 杨翊方, 王月兴, 王海军, 等. 高湿度对表面 α活度测量影响的研究[J]. 核电子学与探测技术, 2009, (3):0658−0660 YANG Yifang, WANG Yuexing, WANG Haijun, et al.Research on the effect of high humidity on the measuring of surface α activity[J]. Nuclear Electronics & Detection Technology, 2009, (03): 0658−0660

13 焦李成. 神经网络系统理论[M]. 西安: 西安电子科技大学出版社, 1999. 125−186 JIAO Licheng. Neural network system theory[M]. Xi’an:Xi'an Electronic Science & Technology University Press,1999. 125−186

14 李哲, 庹先国, 穆克亮, 等. 矿样中钛铁 EDXRF分析的基体效应和神经网络校正研究[J]. 核技术, 2009,32(1): 35−40 LI Zhe, TUO Xianguo, MU Keliang, et al. Matrix effect and ANN correcting technique in EDXRF analysis of Ti and Fe in core samples[J]. Nuclear Techniques, 2009,32(1): 35−40