Оценка эффективности искусственных нейронных сетей для количественной обработки спектра гамма-излучения 137Cs
Аннотация
Развитие методов машинного обучения для обработки спектрограмм является одним из наиболее перспективных направлений автоматизации и повышения точности γ-спектрометрических измерений. В работе оценена эффективность использования полносвязных и сверточных нейронных сетей для количественного γ-спектрометрического анализа при выполнении измерений с использованием сцинтилляционного NaI(Tl) детектора и свинцовой защиты. Для обучения моделей применялись полусинтетические спектры, представляющие собой поканальную сумму случайно отобранных реальных спектров с короткой продолжительностью измерений. Выполненный анализ показал преимущества искусственных нейронных сетей по сравнению со стандартным аналитическим методом обработки спектра. В зависимости от активности источника, среднеквадратичная ошибка измерения с использованием полносвязной нейронной сети оказалась в 2–4 раза ниже по сравнению со стандартным методом при времени измерения 100 с. В сильно стандартизированных условиях преимущества сверточных нейронных сетей проявляются с увеличением активности источника излучения. Валидация при помощи источников, не использованных при обучении нейронных сетей, показала, что нейронные сети могут иметь преимущества по сравнению со стандартным методом при относительно высокой активности.
Литература
2. Vega-Carrillo HR, Hernández-Dávila VM, Manzanares-Acuña E, Sánchez GAM, Torre MPI de la, Barquero R, et al. Neutron spectrometry using artificial neural networks. Radiation Measurements. 2006;41(4):425-431. DOI: 10.1016/j.radmeas.2005.10.003.
3. Pilato V, Tola F, Martinez J, Huver M. Application of neural networks to quantitative spectrometry analysis. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 1999;422(1–3):423–427. DOI: 10.1016/s0168-9002(98)01110-3.
4. Yoshida E, Shizuma K, Endo S, Oka T. Application of neural networks for the analysis of gamma-ray spectra measured with a Gespectrometer. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 2002;484(1–3):557–563. DOI: 10.1016/s0168-9002(01)01962-3.
5. Dragović S, Onjia A, Stanković S, Aničin I, Bačić G. Artificial neural network modelling of uncertainty in gamma-ray spectrometry. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 2005;540(2–3):455–463. DOI: 10.1016/j.nima.2004.11.045.
6. Mace EK, Ward JD, Aalseth CE. Use of neural networks to analyze pulse shape data in low-background detectors. Journal of Radioanalytical and Nuclear Chemistry. 2018;318:117–24. DOI: 10.1007/s10967-018-5983-1.
7. Kim J, Lim KT, Kim J, Kim C-j, Jeon B, Park K, et al. Quantitative analysis of NaI(Tl) gamma-ray spectrometry using an artificial neural network. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 2019;944:162549. DOI: 10.1016/j.nima.2019.162549.
8. Shi R, Tuo X, Zheng H, Yao X, Liu Y, Shi F, et al. Step-approximation SNIP background-elimination algorithm for HPGE gamma spectra. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 2018;885:60–66. DOI: 10.1016/j.nima.2017.12.064.
9. Gilmore GR. Practical gamma-ray spectrometry. 2nd edition. John Wiley & Sons; 2008. DOI: 10.1002/9780470861981.
10. Gallagher M, Deacon P. Neural networks and the classification of mineralogical samples using x-ray spectra. In:. Proceedings of the 9th international conference on neural information processing, 2002. ICONIP ’02. 2002;5:2683–2687. DOI: 10.1109/iconip.2002.1201983.
11. Vigneron V, Morel J, Lépy M, Martinez J. Statistical modelling of neural networks in -spectrometry. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 1996;369(2–3):642–647. DOI: 10.1016/s0168-9002(96)80068-4.
12. Abdel-Aal R, Al-Haddad M. Determination of radioisotopes in gamma-ray spectroscopy using abductive machine learning. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 1997;391(2):275–288. DOI: 10.1016/s0168-9002(97)00391-4.
13. Kamuda M, Sullivan CJ. An automated isotope identification and quantification algorithm for isotope mixtures in low-resolution gamma-ray spectra. Radiation Physics and Chemistry. 2019;155:281–286. DOI: 10.1016/j.radphyschem.2018.06.017. 14. Kamuda M, Stinnett J, Sullivan CJ. Automated isotope identification algorithm using artificial neural networks. IEEE Transactions on Nuclear Science. 2017;64(7):1858–1864. DOI: 10.1109/tns.2017.2693152.
15. Varley A, Tyler A, Smith L, Dale P, Davies M. Remediating radium contaminated legacy sites: Advances made through machine learning in routine monitoring of “hot” particles. Science of the Total Environment. 2015;521–522:270–279. DOI: 10.1016/j. scitotenv.2015.03.131.
16. Kamuda M, Zhao J, Huff K. A comparison of machine learning methods for automated gamma-ray spectroscopy. Nuclear Instruments and Methods in Physics Research. Section A. Accelerators, Spectrometers, Detectors and Associated Equipment. 2020;954:161385. DOI: 10.1016/j.nima.2018.10.063.