LRAD测量管道内α污染活度的BP网络模拟

吴雪梅 庹先国,2 李 哲 刘明哲,2 张金钊 李平川 宿吉龙

1（成都理工大学核技术与自动化工程学院 成都 610059）

2（成都理工大学地质灾害防治与地质环境保护国家重点实验室 成都 610059）

长距离 α测量法(Long range alpha detector,LRAD)能克服α粒子射程短和穿透力弱的缺陷[1]，实现不规则表面或空腔内α污染的无损监测[2]，成为大型或不规则形状核设施的重要分级手段[3]，对核废物处理、个人剂量监测和环境α污染监测等具有重要意义。目前，LRAD制造商提供放射源活度，但不提供测量方法。我们进行了敞开式LRAD管道内表面α测量多参数影响分析，建立了多参数与测量值的映射关系[4–6]，但放射源活度测量还是难题。

核设施管道内 (面源)活度测量，受探源距(cm)、风速(m/s)、流量(m3/h)、测试管管长(cm)和管径(mm)等因素影响，而难以测得α源的真实活度。本文在模拟装置下用控制变量法开展多参数影响分析，并引入以解决非线性问题为优点的BP神经网络方法，从而实现LRAD系统通过获得外界影响因子数值即可模拟放射源活度大小的目的。

1 装置与原理

1.1 模拟装置

我们研发的LRAD装置由样品探测、空气驱动、电源供电、信号采集和处理控制单元组成。图1为模拟核设施退役异型管道现场239Pu α测量探测部分。其中，电流电离室偏压为200 V，风扇型号为PMD2408PMB1-A (DC24V, ～9.6 W)，导气管为内径40 mm、长10 cm的铝管，测量室为内径81.00 mm、外径97.86 mm、长167 cm的碳钢管，被测管道是内径分别为43、48和58 mm、长度为20–152 cm(以20 cm为单位，可调可旋接)的碳钢管，模拟污染源活度分别为 24.05、182.50、523.33和 3,200.00 Bq的239Pu α放射源。

图1 LRAD装置示意图Fig.1 Analog device of LRAD.

1.2 测量原理

由图1，系统通过风扇驱动气流，带动测试管内放射源α衰变电离的离子对从测量室一端流至导气管，进入电离室，电离室内两极板搜集来自放射源衰变放出的α粒子电离出的离子对，转化为微电流，经后续电路放大和处理得到测量值(fA)。测量过程中，将被测管道置于测量室内，并保持导管、测量室和被测管道同轴。

1.3 BP神经网络

BP神经网络，即误差反向传播(Back Propagation)神经网络，是按误差逆传播算法训练的多层前馈网络。针对LRAD装置管道多参数影响中的非线性和非单一关系等复杂问题，BP网络具有归纳、容错性、非线性处理等特点，能学习和存贮大量的输入-输出模式映射关系[7,8]。BP网络对LRAD管道内表面α污染的多参数非线性影响分析具有重要意义。

图2为BP网络的基本结构，分为输入层、隐含层和输出层，由信息的正向传递和误差的反向传播组成。通过对神经计算得到的输出和样本值进行误差分析，反复修正神经网络中各权重系数和偏置量，从而使网络的输出接近期望输出，最终误差满足要求即确定学习结束。

图2 BP网络基本结构Fig.2 Basic structure of BP neural network.

2 多参数影响研究

2.1 参数影响分析

风速、流量、管径、管长及探源距等因素对测量结果造成不同程度的影响，故采用控制变量法，即改变某一影响因素，其它变量则保持不变，并观察其它因素与测量值的作用规律。为便于综合分析，按影响因素归纳的多种情况下该单独变量的作用规律如图3所示。

由图3(a)，在不受外界因素影响下，测量值与活度成线性关系。图3(b)中随着距离的增加，系统测量值减小，即同一放射源，探源距不同则测量值不同。同时，图中还呈现了风速、流量、管径、管长变化的复合影响。因此，不能单凭仪器测得的测量值大小即得出管道内放射源活度，需综合考虑各种影响因素的作用。

从参数影响特征可见，各种因素的自身特征分别为：探源距和管径对测量值影响呈近对数关系，风速和流量呈近指数关系，而管长变化呈双峰规律。可见，各因素与系统测量值关系并非为统一形式，LRAD系统多参数影响非常复杂。

2.2 相关性分析

为直观观察和比较影响因素对测量值的影响程度，实验测得结果的相关性分析见表1[9]。影响因素与测量值的相关系数由大到小依次为放射源活度、风速、流量、管径、管长和探源距。其中，放射源活度与测量值的相关系数为0.968，而管长、管径和探源距变化对系统测量值的影响呈不同程度的负相关关系。同时，风速与流量呈完全相关关系，管长和探源距间的相关关系也较为明显，大小为0.361。

表1 各变量间的相关分析Table 1 Correlation between vectors of values.

图3 各参数的影响特征 (a) 源活度，(b)探源距，(c) 风速，(d)风量，(e)管径，(f)管长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.

可见，系统影响因素间在形式上非一致关系，难以统一；在相关关系上，程度有大有小、有正有负，且各因素间存在一定的相关性，增加了系统的复杂性，需用能处理非线性、非单一关系的方法，建立包括多参数的测量值与活度间的映射关系。

3 BP网络模拟LRAD管道内放射性活度

BP网络可实现输入-输出映射功能，能以任意精度逼近任何非线性连续函数，且无需事前描述映射关系的数学方程，适于解决LRAD多参数影响研究中内部机制复杂的问题。

3.1 网络结构

获取风速、流量、探源距、管长、管径、测量值和活度的量值，将风速、流量、探源距、管长、管径和系统测量值作为BP网络输入，活度为网络输出。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1×10–7，训练步数设定为5,000。

3.2 预测结果

将1,048组结果作为BP网络预测数据，将BP网络分析分为网络建立和实例检验：其中948组用于建立神经网络模型(网络训练 848组和网络预测100组)，形成该系统其它因素与放射性活度的数学关系；另100组数据输入网络，进行实例检验。

3.2.1 模型建立

首先进行数据选择，随机抽取100组数据作为预测样本，剩余848组数据则为网络训练使用，网络训练结果如图4所示。BP网络建立的成功是否在于其泛化能力。由图4(a)，测试结果与实际活度差别很小，最大相对误差仅0.01左右，在可接受范围内。说明该BP网络有较强泛化能力，能真实反映系统输入输出关系，可作为该管道放射源活度模拟的数学模型。

图4 网络预测结果Fig.4 Result of BP neural network forecasting.

3.2.2 实例检验

系统BP网络建成后，若能获得各输入变量，代入建成的BP网络运算即可得出接近真实活度的模拟值。为验证网络是否可靠，同时考虑实验的方便，分别开展152 cm管长下不同条件的重复性实验，得100组数据。为避免人为因素干扰，网络从中随机抽取20组进行实例检验，结果列于表2。

表2 BP网络模拟准确度Table 2 BP neural network simulation accuracy.

由表2，活度与模拟结果基本相近。除活度为24.05 Bq的相对误差较大外，均处于较低水平。可见，对于重复实验采集的数据，BP网络也能得到与实际活度符合效果较好的模拟值，其实例样本平均相对误差也仅2.217×10–2，说明该BP网络具有较好的泛化能力。

数据同时显示，在相同条件下，即使测量值差异较大，模拟值也能较好地逼近活度，说明BP网络具有很好的容错能力。

综上分析，应用BP神经网络处理多参数影响下测量值与活度的关系能够有效地模拟此装置下的核退役管道内表面α污染源(面源)活度。

4 结语

模拟获得装置下管道内表面α污染影响因素的量化值，并分析了影响因素与系统测量间的关系。基于系统的复杂性，建立了输入节点为 6，输出节点为1，隐层节点为6，隐层函数为tansig，输出函数为purelin的BP神经网络，并选择精度为1×10–7，以此对管道内核污染物活度进行模拟并得到相应的模拟值。结果表明，对活度较强的 α放射源，BP网络能够有效地模拟LRAD系统管道内表面α污染活度，达到了克服多参数影响的复杂性，突破原有单纯测量α总电离电荷的技术束缚和实现表面α污染的无损监测的目的；而对弱源的模拟，该方法还存在一定误差；就准确度和精度而言，对于实现基于LRAD技术的测量系统仪器刻度还有一定距离，需对算法做进一步研究。

1 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

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 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 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测量系统开发及关键因素特征研究[D].成都理工大学, 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 王振兴. BP-RBF组合神经网络在股票预测中的应用研究[D]. 兰州商学院, 2010 WANG Zhenxing. Research & application of BP-RBF combination neural network forecasting method on stock[D]. Lanzhou University of Finance and Economics,2010

9 张吉刚，梁娜. 基于多元统计-神经网络的教学质量评估模型[J]. 海南大学学报(自然科学版), 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