基于深度学习模型的伽马能谱解析方法

• 作者: 赵日 刘娜
• 来源期刊: 原子能科学技术
• 关键词: 伽马能谱 深度学习模型 残差卷积 蒙特卡罗模拟 解析方法
• 年，卷（期）: 2023,（2）
• 所属期刊栏目: 技术及应用
• 页码范围: 379-388
• 页数: 9页
• 分类号: TL81
• 语种: 中文
• DOI: 10.7538/yzk.2022.youxian.0215

摘要

为提高伽马能谱解析精度，建立专用深度学习模型，含12个残差卷积模块、51个神经网络层、超107个参数；独特设计模型输出，使其直接预测核素出射谱，突破对预设核素库的依赖。选择自建全身计数器测量人体放射性作为实验场景，基于蒙特卡罗模拟构造了数据集，测试实验表明，深度学习模型核素识别率93.3%、活度计算平均误差8.6%，相较峰分析法的62.3%、28.3%，能谱重建法的78.2%、18.7%，浅层ANN模型的81.3%、14.8%，优势明显。实测实验进一步验证了上述结论。所建立方法借助深度学习的多层次特征提取能力与高数值稳定性，实现了全谱信息与伽马射线能量、数量间的复杂映射，具备高准确性、通用性，未来可为多种应用提供技术基础。