CN111667571A - 核设施源项三维分布快速重建方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种核设施源项三维分布快速重建方法、装置、设备及介质，包括：采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的深度神经网络模型，对源项活度的三维分布数据进行预测；对输出结果与实际值之间的误差进行验证。本申请通过构建并调参得到合适的深度神经网络，实现不局限于具体物理模型的源项活度三维分布的快速重构，可通过深度学习智能化反演重建，快速得到任意指定位置处的源项活度值。

Description

核设施源项三维分布快速重建方法、装置、设备及介质

技术领域

本发明涉及辐射防护与核安全领域，特别是涉及一种核设施源项三维分布快速重建方法、装置、设备及介质。

背景技术

放射性源项特征是对核设施进行退役或处理的非常重要的前提依据，在实际核设施复杂源项的辐射场景中，由于源项的活度和三维分布情况往往是未知的且存在较大的不确定性，受测量手段的限制，直接测量放射性物质的组成和数量是十分困难的，且测量结果也只是源项在某个局部的表象。因此，一般需采用分析计算的方式得到源项数据。三维辐射场是反映一个核设施内真实外照射分布的数据库，可以通过测量获得所需的辐射场数据，利用辐射场剂量率的测量值来反向计算源项活度。通过分析三维辐射场，不仅可以确定辐射热点的位置，还可以重构出设备或管道中放射性物质的等效活度三维分布情况，进而建立有效的屏蔽措施，实现现场精细化的辐射防护最优化分析。

目前，采用物理拟合或数值插值法进行源项反演，只能处理简单固定模型的放射性活度计算，且对输入输出之间的物理相关性要求较高，无法很好地对核设施复杂源项、强各向异性分布情况下的三维源项活度分布进行重构。

因此，如何对核设施复杂源项、强各向异性分布情况下的三维源项活度分布实现智能化快速重构，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种核设施源项三维分布快速重建方法、装置、设备及介质，可以通过深度学习智能化反演重建，快速得到任意指定位置处的源项活度值。其具体方案如下：

一种核设施源项三维分布快速重建方法，包括：

采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；

从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；

将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的所述深度神经网络模型，对源项活度的三维分布数据进行预测；

对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

优选地，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场和源项空间几何分布矩阵的计算，具体包括：

根据源项分布情况，对所述源项进行网格划分；

根据划分为多个区域后的所述源项，采用蒙特卡罗粒子输运程序构建源项几何模型；

采用蒙特卡罗粒子输运程序通用源SDEF卡，产生一定分布的源项数据；

将所述源项以外的区域设置为非感兴趣区域，在所述源项外部设置设定大小的立方体空间并进行网络划分，对划分后的所述立方体空间进行源项活度的三维分布的统计；

对多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件，调用蒙特卡罗粒子输运程序进行辐射场计算。

优选地，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，在构建深度神经网络模型之前，还包括：

对所述空间辐射场数据和所述源项活度的三维分布数据进行三维网格化；

对三维网格化后的所述空间辐射场数据和所述源项活度的三维分布数据进行粗化或细化处理；

将处理后的所述空间辐射场和构建的所述源项位置矩阵作为输入训练样本；

将处理后的所述源项活度的三维分布数据作为输出训练样本；

对所述输出训练样本添加高斯白噪声。

优选地，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，构建深度神经网络模型，具体包括：

按特征提取、高级特征学习和特征合并三部分构建深度神经网络模型；其中，所述特征提取的部分由多个卷积层和降采样层的组合、跨层、上采样层和卷积层的组合共同组成，所述高级特征学习的部分由多个全连接层构成，所述特征合并的部分由一个乘积计算核构成。

优选地，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，所述特征提取的部分在降采样过程中，卷积核大小逐渐缩小、数量逐渐增加；在上采样过程中，卷积核的大小逐渐增大、数量逐渐减少；

所述高级特征学习的部分中本层的隐含层的节点数不小于下一层的隐含层的节点数。

优选地，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，训练深度神经网络模型，具体包括：

设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数；

根据收敛情况，通过调整超参数训练所述深度神经网络模型，直到所述测试集的误差满足预期，达到终止训练条件。

优选地，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理，具体包括：

判断实际的辐射场剂量矩阵和源项位置矩阵是否比所述深度神经网络模型的输入矩阵分辨率高；

若是，则对所述剂量矩阵进行缩小变换；

若否，则对所述剂量矩阵进行放大变换。

本发明实施例还提供了一种核设施源项三维分布快速重建装置，包括：

仿真计算模块，用于采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；

模型训练模块，用于从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；

数据预测模块，用于将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的所述深度神经网络模型，对源项活度的三维分布数据进行预测；

数据验证模块，用于对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

本发明实施例还提供了一种核设施源项三维分布快速重建设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述核设施源项三维分布快速重建方法。

本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述核设施源项三维分布快速重建方法。

从上述技术方案可以看出，本发明所提供的一种核设施源项三维分布快速重建方法、装置、设备及介质，包括：采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的深度神经网络模型，对源项活度的三维分布数据进行预测；对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

本发明提出了基于深度学习的核设施源项三维分布快速重建方法，针对未知源项活度和体分布情况的核设施，通过构建并调参得到合适的深度神经网络，运用深度神经网络模式分析方法，在不进行输入输出之间的复杂物理关系解耦的情况下，通过已知样本数据的深度学习训练、泛化，进而实现不局限于具体物理模型的利用空间辐射场数据和源项位置矩阵对核设施复杂源项、强各向异性分布情况下的源项活度三维分布的快速重构，可在现场测量手段所限情况下，通过深度学习智能化反演重建，快速得到任意指定位置处的源项活度值。

附图说明

为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的核设施源项三维分布快速重建方法的流程图；

图2为本发明实施例提供的核设施源项三维分布快速重建方法的具体流程图；

图3为本发明实施例提供的圆柱形桶体放射性核设施源项模型的俯视图；

图4为本发明实施例提供的圆柱形桶体放射性核设施源项模型的主视图；

图5为本发明实施例提供的深度神经网络训练误差图；

图6为本发明实施例提供的深度神经网络预测结果误差统计图；

图7为本发明实施例提供的模型一中基于深度学习重建源项活度分布与真实值对比图；

图8为本发明实施例提供的模型二中基于深度学习重建源项活度分布与真实值对比图；

图9为本发明实施例提供的模型三中基于深度学习重建源项活度分布与真实值对比图；

图10为本发明实施例提供的核设施源项三维分布快速重建装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种核设施源项三维分布快速重建方法，如图1所示，包括以下步骤：

S101、采用蒙特卡罗粒子输运程序(Monte Carlo N Particle Transport Code,MCNP)构建源项几何模型，并进行辐射场的计算；

S102、从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习(Deep Learning,DL)训练样本，构建并训练深度神经网络(Deep Neural Networks,DNN)模型；

在实际应用中，以空间辐射场数据作为第一输入，以源项位置矩阵作为第二输入，以源项活度的三维分布数据作为输出。需要了解的是，深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径；深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构；深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示；

S103、将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的深度神经网络模型，对源项活度的三维分布数据进行预测；

在本发明中，针对核设施复杂源项强各向异性分布情况，在构建由不同类型网络组合而成的深度神经网络，经过一定数量样本数据的深度学习、训练、泛化后，预测时输入实际的三维辐射场剂量矩阵和三维源项位置向量，可实现由三维辐射场数据对三维源项活度分布的智能化快速反演重构；

S104、对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

在本发明实施例提供的上述核设施源项三维分布快速重建方法中，针对未知源项活度和体分布情况的核设施，通过构建并调参得到合适的深度神经网络，运用深度神经网络模式分析方法，在不进行输入输出之间的复杂物理关系解耦的情况下，通过已知样本数据的深度学习训练、泛化，进而实现不局限于具体物理模型的利用空间辐射场数据和源项位置矩阵对核设施复杂源项、强各向异性分布情况下的源项活度三维分布的快速重构，可在现场测量手段所限情况下，通过深度学习智能化反演计算与重建，快速得到任意指定位置处的源项活度值。

在具体实施时，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，步骤S101采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场和源项空间几何分布矩阵的计算，具体可以包括：首先，根据源项分布情况，对源项进行网格划分；然后，根据划分为多个区域后的源项，采用蒙特卡罗粒子输运程序构建源项几何模型；之后，采用MCNP程序通用源SDEF卡，产生一定分布的源项数据；随后，将源项以外的区域设置为非感兴趣区域，在源项外部设置设定大小的立方体空间并进行网络划分，对划分后的立方体空间进行源项活度的三维分布的统计；最后，对多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件，调用MCNP程序进行辐射场计算。

在实际应用中，如图2所示，确定需要计算的反演场景，判断该类型场景是否经过训练，若是，则直接输入实际探测的辐射场剂量矩阵，将剂量场转换为神经网络输入；若否，则随机产生N组不同的源项仿真参数，批量产生蒙特卡罗计算文件，调用蒙特卡罗粒子输运计算程序进行仿真计算，获得计算结果。需要了解的是，该计算结果包括源项分区活度、空间辐射场等数据。从计算结果中可提取源项空间分布、空间辐射场数据，产生并输出神经网络学习训练样本。

在具体实施时，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，在执行步骤S102构建深度神经网络模型之前，还可以对训练样本进行预处理，具体可以包括：对空间辐射场数据和源项活度的三维分布数据进行三维网格化；对三维网格化后的空间辐射场数据和源项活度的三维分布数据进行粗化或细化处理；将处理后的空间辐射场和构建的源项位置矩阵作为输入训练样本；将处理后的源项活度的三维分布数据作为输出训练样本；对输出训练样本添加高斯白噪声。

其中，对输入、输出样本的一维向量三维网格化，根据实际需要，对输入输出的三维网格化后的数据进行粗化处理可以降低网格分辨率，或，对三维网格化后的样本进行细化处理可以提升网格分辨率；加入高斯白噪声可以提升网络的泛化能力。

在具体实施时，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，步骤S102构建深度神经网络模型，具体可以包括：按特征提取、高级特征学习和特征合并三部分构建深度神经网络模型；其中，特征提取的部分由多个卷积层和降采样层的组合(即卷积层+降采样层)、跨层、上采样层和卷积层的组合(即上采样层+卷积层)共同组成，高级特征学习的部分由多个全连接层构成，特征合并的部分由一个乘积计算核构成。

进一步地，在具体实施时，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，特征提取的部分在降采样过程中，卷积核大小逐渐缩小、数量逐渐增加；在上采样过程中，卷积核的大小逐渐增大、数量逐渐减少；高级特征学习的部分中本层的隐含层的节点数不小于下一层的隐含层的节点数。需要注意的是，特征提取层数量不宜过小；高级特征学习部分，可尽量保证隐含层神经元为其下一层神经元的1～2倍。

在具体实施时，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，步骤S102训练深度神经网络模型，具体可以包括：设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数；根据收敛情况，通过调整超参数训练深度神经网络模型，直到测试集的误差满足预期，达到终止训练条件。

在实际应用中，训练集、验证集和测试集之间的比例可以设置为8:1:1；学习率不宜过大，可以小于0.01，传递函数可以对非输出层使用ReLU或ELU函数以获取更好的训练效果；训练函数可以选择SGD或Adam函数。

在具体实施时，在本发明实施例提供的上述核设施源项三维分布快速重建方法中，步骤S103将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理，具体可以包括：判断实际的辐射场剂量矩阵和源项位置矩阵是否比深度神经网络模型的输入矩阵分辨率高；若是，则对剂量矩阵进行缩小变换；若否，则对剂量矩阵进行放大变换。

在实际应用中，输入实际的辐射场剂量矩阵、源项位置矩阵(矩阵中，1表示对应位置存在放射源，0表示不存在放射源)，若上述矩阵比神经网络的固有输入矩阵分辨率高，则进行缩小变换，相反进行放大变换，该过程可根据实际情况选择是否进行抗锯齿变换，加载训练完成的深度神经网络参数，使用深度神经网络对源项活度分布进行预测。

下面以圆柱形桶体放射性核设施源项为例，对本发明实施例提供的上述核设施源项三维分布快速重建方法进行详细描述：

步骤一、构建圆柱形桶体放射性核设施源项模型，根据源项分布情况将桶体分为若干网格区域，本例中源项划分为28个区域，采用MCNP程序建模，如图3和图4所示：桶体上有盖、下有底，底、盖部分径向分3层，轴向分2层；中间桶体部分径向分2层，轴向分2层，角方向4等分；桶内物质假设为水，桶体材料假设为铁；桶外为以空气为介质的立方体空间，分为40×40×20个网格；

步骤二、采用MCNP程序通用源SDEF卡，在28个栅元中产生一定分布的源项数据，包括：在桶体径向，源项活度从内到外递减，具体描述为内侧栅元产生粒子的概率大于外侧栅元；在桶体轴向，源项活度从下到上递减，具体描述为下侧栅元产生粒子的概率大于上侧栅元；而在每个栅元内，源项活度的分布为均匀分布，即径向上按照二次幂函数规律分布抽样，轴向按照均匀分布抽样；

步骤三、构建与步骤一、步骤二相同大小的模型，桶以外的区域设置为非感兴趣区域，并在桶外部设置一固定大小的立方体空间，分为20×20×20个网格，用于统计源项活度的三维分布；

步骤四、对源项几何参数进行抽样，随机抽取5000组样本，批量产生计算文件，采用MCNP程序进行辐射场计算；

步骤五、从计算输出结果中提取源项活度的三维分布、空间辐射场等数据，根据源项的分布构建相同大小的源项位置矩阵，产生神经网络学习训练样本，对样本进行预处理，将5000×32000大小的空间辐射场数据三维网格化为5000×40×40×20，并将三维网格缩放为20×20×10，同时构建大小为10×10×10的源项位置矩阵，得到输入样本。源项分区活度数据大小为5000×8000，三维网格化为5000×20×20×20并缩放至10×10×10，作为输出样本，并加入高斯白噪声(噪声的σ参数为样本的0.0033％)；

步骤六、构建深度神经网络模型，确定超参数，设置训练集与测试集，选取最优学习率、传递函数、训练函数等参数：输入数据1为三维辐射场，大小为(20,20,10)，输入数据2为源项分布矩阵，大小为(10,10,10)；卷积层1，包含8个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；卷积层2，包含8个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；池化层1，最大池化方法，掩膜大小(5,5,1)，步长1；卷积层3，包含16个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；卷积层4，包含16个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；池化层2，最大池化方法，掩膜大小(5,5,1)，步长1；卷积层5，包含64个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；卷积层6，包含64个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；池化层3，最大池化方法，掩膜大小(5,5,1)，步长1；卷积层7，包含64个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；卷积层8，包含64个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；池化层4，最大池化方法，掩膜大小(5,5,1)，步长1；卷积层9，包含256个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；卷积层10，包含1024个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；卷积层11，包含256个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；上采样层1，对卷积层11上采样，上采样大小(2,2,1)；跨层1，连接卷积层8和上采样层1的输出；卷积层12，包含64个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；卷积层13，包含64个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；上采样层2，对卷积层13上采样，上采样大小(2,2,1)；跨层2，连接卷积层4和上采样层2的输出；卷积层14，包含32个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；卷积层15，包含32个卷积核，卷积核大小为(2,2,2)，卷积填补为“相似(same)”，激活函数为ELU；池化层5，最大池化方法，掩膜大小(4,4,1)，步长1；卷积层16，包含16个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；池化层6，最大池化方法，掩膜大小(4,4,1)，步长1；卷积层17，包含8个卷积核，卷积核大小为(3,3,3)，卷积填补为“相似(same)”，激活函数为ELU；参数向量化层，将卷积层17的输出转化为一维向量；全连接隐含层1，包含3000个神经元，激活函数为ReLU；全连接隐含层2，包含1500个神经元，激活函数为ReLU；输出层1，大小为1000，无激活函数；特征合并层，将输入数据2与输出1按元素逐个相乘，得到最终输出；训练函数选取Adam算法(学习率为1E-4，β＝0.5)，损失函数选取均方误差函数(MAPE)，批处理大小设为256，交叉验证集比例为9:0:1，训练迭代次数为1000；

步骤七、反复调整合适的超参数训练神经网络，直到测试集误差满足预期，训练集最终的平均绝对相对误差为0.60％，达到终止训练条件。训练误差变化如图5所示，预测误差分布如图6所示；

步骤八、输入实际的辐射场剂量矩阵、源项位置矩阵，通过缩放转换至神经网络要求的输入大小，加载训练完成的深度神经网络，对源项活度进行预测；

步骤九、验证三维源项分布重构结果与实际值之间的误差。工程中，源项计算误差在30％以内即认为可接受。

下面选取三组模型进行验证：

模型一：桶体内径：76.9183cm，桶体外径：98.9167cm，桶体内高：200cm，桶体外高：242.530cm，基于深度学***均绝对误差为5.11％，最大绝对误差为25.31％。

表一

模型二：桶体内径：75.0496cm，桶体外径：85.0952cm，桶体内高：200cm，桶体外高：239.742cm，基于深度学***均绝对误差为7.80％，最大绝对误差为25.34％。

表二

模型三：桶体内径：72.8702cm，桶体外径：84.4816cm，桶体内高：200cm，桶体外高：242.531cm，基于深度学***均绝对误差为4.39％，最大绝对误差为12.27％。

表三

由验证对比结果可以看出，以上三个模型的源项计算误差均在30％以内，表示输出的预测结果可以接受。

基于同一发明构思，本发明实施例还提供了一种核设施源项三维分布快速重建装置，由于该装置解决问题的原理与前述一种核设施源项三维分布快速重建方法相似，因此该装置的实施可以参见核设施源项三维分布快速重建方法的实施，重复之处不再赘述。

在具体实施时，本发明实施例提供的核设施源项三维分布快速重建装置，如图10所示，具体包括：

仿真计算模块11，用于采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；

模型训练模块12，用于从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；

数据预测模块13，用于将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的深度神经网络模型，对源项活度的三维分布数据进行预测；

数据验证模块14，用于对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

在本发明实施例提供的上述核设施源项三维分布快速重建装置中，可以通过上述四个模块的相互作用，采用深度神经网络构建核设施三维源项分布快速重建方法，采用已知的数据样本进行深度学习训练和神经网络泛化，可实现利用三维空间辐射场数据和源项位置矩阵对核设施三维源项活度分布进行快速反演计算与重建。

关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。

相应的，本发明实施例还公开了一种核设施源项三维分布快速重建设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现前述实施例公开的核设施源项三维分布快速重建方法。

关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的核设施源项三维分布快速重建方法。

关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

综上，本发明实施例提供的一种核设施源项三维分布快速重建方法、装置、设备及介质，包括：采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的深度神经网络模型，对源项活度的三维分布数据进行预测；对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。本发明针对未知源项活度和体分布情况的核设施，通过构建并调参得到合适的深度神经网络，运用深度神经网络模式分析方法，在不进行输入输出之间的复杂物理关系解耦的情况下，通过已知样本数据的深度学习训练、泛化，进而实现不局限于具体物理模型的利用空间辐射场数据和源项位置矩阵对核设施复杂源项、强各向异性分布情况下的源项活度三维分布的快速重构，可在现场测量手段所限情况下，通过深度学习智能化反演重建，快速得到任意指定位置处的源项活度值。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的核设施源项三维分布快速重建方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种核设施源项三维分布快速重建方法，其特征在于，包括：

采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；

从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；

将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的所述深度神经网络模型，对源项活度的三维分布数据进行预测；

对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

2.根据权利要求1所述的核设施源项三维分布快速重建方法，其特征在于，采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场和源项空间几何分布矩阵的计算，具体包括：

根据源项分布情况，对所述源项进行网格划分；

根据划分为多个区域后的所述源项，采用蒙特卡罗粒子输运程序构建源项几何模型；

采用蒙特卡罗粒子输运程序通用源SDEF卡，产生一定分布的源项数据；

将所述源项以外的区域设置为非感兴趣区域，在所述源项外部设置设定大小的立方体空间并进行网络划分，对划分后的所述立方体空间进行源项活度的三维分布的统计；

对多组不同源项几何参数进行随机抽样，批量产生蒙特卡罗计算文件，调用蒙特卡罗粒子输运程序进行辐射场计算。

3.根据权利要求2所述的核设施源项三维分布快速重建方法，其特征在于，在构建深度神经网络模型之前，还包括：

对所述空间辐射场数据和所述源项活度的三维分布数据进行三维网格化；

对三维网格化后的所述空间辐射场数据和所述源项活度的三维分布数据进行粗化或细化处理；

将处理后的所述空间辐射场和构建的所述源项位置矩阵作为输入训练样本；

将处理后的所述源项活度的三维分布数据作为输出训练样本；

对所述输出训练样本添加高斯白噪声。

4.根据权利要求3所述的核设施源项三维分布快速重建方法，其特征在于，构建深度神经网络模型，具体包括：

按特征提取、高级特征学习和特征合并三部分构建深度神经网络模型；其中，所述特征提取的部分由多个卷积层和降采样层的组合、跨层、上采样层和卷积层的组合共同组成，所述高级特征学习的部分由多个全连接层构成，所述特征合并的部分由一个乘积计算核构成。

5.根据权利要求4所述的核设施源项三维分布快速重建方法，其特征在于，所述特征提取的部分在降采样过程中，卷积核大小逐渐缩小、数量逐渐增加；在上采样过程中，卷积核的大小逐渐增大、数量逐渐减少；

所述高级特征学习的部分中本层的隐含层的节点数不小于下一层的隐含层的节点数。

6.根据权利要求5所述的核设施源项三维分布快速重建方法，其特征在于，训练深度神经网络模型，具体包括：

设置训练集、验证集和测试集之间的比例，选取最优学习率、传递函数和训练函数；

根据收敛情况，通过调整超参数训练所述深度神经网络模型，直到所述测试集的误差满足预期，达到终止训练条件。

7.根据权利要求6所述的核设施源项三维分布快速重建方法，其特征在于，将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理，具体包括：

判断实际的辐射场剂量矩阵和源项位置矩阵是否比所述深度神经网络模型的输入矩阵分辨率高；

若是，则对所述剂量矩阵进行缩小变换；

若否，则对所述剂量矩阵进行放大变换。

8.一种核设施源项三维分布快速重建装置，其特征在于，包括：

仿真计算模块，用于采用蒙特卡罗粒子输运程序构建源项几何模型，并进行辐射场的计算；

模型训练模块，用于从计算结果中提取空间辐射场数据和源项活度的三维分布数据，根据源项分布构建相同大小的源项位置矩阵，产生深度学习训练样本，构建并训练深度神经网络模型；

数据预测模块，用于将实际的辐射场剂量矩阵和源项位置矩阵进行变换处理后输入至训练好的所述深度神经网络模型，对源项活度的三维分布数据进行预测；

数据验证模块，用于对输出的源项活度的三维分布数据结果与实际值之间的误差进行验证。

9.一种核设施源项三维分布快速重建设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的核设施源项三维分布快速重建方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的核设施源项三维分布快速重建方法。

Images