基于三维空间辐射场重建模型的多源耦合辐射场构建方法

本发明属于空间辐射场构建，具体涉及基于三维空间辐射场重建模型的多源耦合辐射场构建方法。

背景技术：

1、随着核能发电、军用核动力装置以及辐照产业的广泛应用，以及伴随核设施退役和核废处理处置工作的推进，发生核泄漏、核素扩散以及强放射源丢失等核事故的风险也在逐渐增加。为了进行辐射安全监测并获取环境中的辐射强度分布情况，需要通过有效的三维辐射场重建模型构建空间辐射强度分布图，为机器人在核辐射场景中的高水平、智能化作业提供基础。

2、由于机器人上搭载核辐射探测器、激光雷达以及耐辐射相机等传感器都有累计剂量阈值，超过阈值会对元器件造成不可逆的损伤，因此在保证辐射场重建精度的前提下需要尽量减少辐射探测器的测量次数。此外，由于实际搜索时间限制，机器人上搭载的传感器通常也仅能采集有限的辐射数据。这意味着必须利用采集的稀疏辐射测量数据构建出空间辐射场。现有技术中提出的空间辐射场重建模型在多源耦合辐射场以及障碍物环境下无法有效地构建出空间辐射场，在重建精度及可靠性方面还存在明显不足。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的基于三维空间辐射场重建模型的多源耦合辐射场构建方法解决了现有的辐射场重建方法存在的精度及可靠性不足的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：基于三维空间辐射场重建模型的多源耦合辐射场构建方法，包括以下步骤：

3、s1、搭建仿真辐射环境，并采集辐射数据；

4、s2、利用深度神经网络对采集的辐射数据进行拟合回归，并利用遗传算法对深度神经网络的参数进行优化，构建得到三维空间辐射场重建模型；

5、s3、利用三维空间辐射场重建模型进行多源耦合辐射场构建。

6、进一步地，所述步骤s1具体为：

7、s11、构建辐射环境的几何体，并定义放射源的类型为γ放射源；

8、s12、针对放射源的类型，设置对应的源项参数；

9、s13、基于设置的源项参数，定义γ射线与几何体空间内介质发生的物理反应，进而计算γ射线传播过程中在几何体内的空气吸收剂量率分布，即空间参考辐射场；

10、s14、基于计算的空间参考辐射场，在空间内随机采集离散辐射数据。

11、进一步地，所述步骤s13中，空气吸收剂量率的计算公式为：

12、

13、式中，表示γ射线在空气中沉积的能量，表示空气密度，表示几何体栅格体积，表示转换系数。

14、进一步地，所述步骤s2具体为：

15、s21、确定深度神经网络的网络层数以及对应的神经元个数，进而确定深度神经网络的拓扑结构；

16、s22、初始化深度神经网络的权重和阈值，并利用遗传算法对其优化，得到最优权重和阈值；

17、s23、将采集辐射数据对应的采样点空间坐标作为深度神经网络的输入，采样点空间坐标对应的辐射值作为输出，并利用反向传播神经网络算法训练设计的深度神经网络，对深度神经网络的阈值和权重不断修正以得到最优权重和阈值，进而构建得到三维空间辐射场重建模型。

18、进一步地，所述步骤s21中，所述深度神经网络的拓扑结构包括依次连接的输入层d、第一隐藏层m、第二隐藏层n以及输出层t；

19、所述输入层d的节点数为d，其输入为采样点空间坐标，表示为()；

20、所述输出层t的节点数为t，其输出采样点空间坐标对应的辐射值，表示为()；

21、所述输入层d、第一隐藏层m、第二隐藏层n以及输出层t的神经元之间的权重分别用，以及表示，所述第一隐藏层m、第二隐藏层n以及输出层t中每个神经元的阈值分别用，以及表示；

22、其中，对于每个神经元，其输入表示为，激励输出表示为，且所述和的上标表示所在网络层，下标表示所在网络层的神经元序数。

23、进一步地，所述步骤s22，利用遗传算法对深度神经网络的权重和阈值优化的方法具体为：

24、s22-1、将深度神经网络中的权重和阈值表示为遗传算法中种群的个体，并采用实数编码方法对个体中的染色体进行编码；

25、s22-2、根据深度神经网络的实际输出值与期望输出值确定遗传算法的适应度函数；

26、s22-3、在种群中依次进行选择操作、交叉操作以及突变操作实现种群进化，并基于适应度函数计算对应的适应度值；

27、s22-4、当适应度值达到目标误差或进化次数达到最大值时，将最优适应度值对应个体的权重和阈值作为深度神经网络优化的参数。

28、进一步地，所述步骤s22-2中的适应度函数为：

29、

30、式中，表示深度神经网络的实际输出值，表示深度神经网络的期望输出值。

31、进一步地，所述步骤s23中，在训练所述深度神经网络过程中，对第一隐藏层m、第二隐藏层n和输出层t中神经元的阈值不断修正的公式为：

32、

33、式中，、和分别表示下一次迭代训练时第一隐藏层m、第二隐藏层n以及输出层t中神经元的阈值；、和分别表示第一隐藏层m、第二隐藏层n以及输出层t中神经元当前的阈值；、和分别表示下一次迭代训练时对、以及的修正量。

34、在训练所述深度神经网络过程中，对第一隐藏层m中任意节点与第二隐藏层n中任意节点之间，以及第二隐藏层n中任意节点与输出层t中任意节点之间的权重不断修正的公式为：

35、

36、式中，表示下一次迭代训练时第一隐藏层m中任意节点与第二隐藏层n中任意节点之间的权重，表示下一次迭代训练时第二隐藏层n中任意节点与输出层t中任意节点之间的权重；表示当前第一隐藏层m中任意节点与第二隐藏层n中任意节点之间的权重，表示当前第二隐藏层n中任意节点与输出层t中任意节点之间的权重；和分别表示下一次迭代训练时对权重和的修正量。

37、进一步地，所述步骤s23中，在训练所述深度神经网络的过程中，利用相对误差、平均相对误差以及最大相对误差评估所述深度神经网络输出的每个体素的重建值与实际值之间的差异。

38、本发明的有益效果为：

39、（1）为了重建出多源耦合且存在障碍物遮挡的空间辐射剂量场，本发明采用深度神经网络算法对采集的数据进行回归分析，使得能够通过空间中有限的辐射采样数据预测出空间中所有位置的辐射剂量值。

40、（2）为了解决深度神经网络中初始连接权重及阈值随机设定使得网络模型预测效果不佳的问题，利用遗传算法对深度神经网络进行优化，以获得最优的初始权重和阈值，进而提高辐射剂量场的重建精度。

41、（3）本发明提供的三维空间辐射场重建模型能够适用于多源耦合辐射场环境，具备在障碍物遮挡的室内场景中高精度重建空间辐射场的能力以及能够利用有限且稀疏的样本数据重建三维辐射剂量场。

42、（4）本发明提供的多源耦合辐射场构建方法在有或无障碍物屏蔽的场景中的重建效果均显著优于gpr模型。

技术特征：

1.基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s1具体为：

3.根据权利要求2所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s13中，空气吸收剂量率的计算公式为：

4.根据权利要求1所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s2具体为：

5.根据权利要求4所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s21中，所述深度神经网络的拓扑结构包括依次连接的输入层d、第一隐藏层m、第二隐藏层n以及输出层t；

6.根据权利要求4所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s22，利用遗传算法对深度神经网络的权重和阈值优化的方法具体为：

7.根据权利要求6所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s22-2中的适应度函数为：

8.根据权利要求5所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s23中，在训练所述深度神经网络过程中，对第一隐藏层m、第二隐藏层n和输出层t中神经元的阈值不断修正的公式为：

9.根据权利要求6所述的基于三维空间辐射场重建模型的多源耦合辐射场构建方法，其特征在于，所述步骤s23中，在训练所述深度神经网络的过程中，利用相对误差、平均相对误差以及最大相对误差评估所述深度神经网络输出的每个体素的重建值与实际值之间的差异。

技术总结本发明公开了一种基于三维空间辐射场重建模型的多源耦合辐射场构建方法（DNN‑GA），包括：S1、搭建仿真辐射环境，并采集辐射数据；S2、利用深度神经网络对采集的辐射数据进行拟合回归，并利用遗传算法对深度神经网络的参数进行优化，构建得到三维空间辐射场重建模型；S3、利用三维空间辐射场重建模型进行多源耦合辐射场构建。本发明提供的三维空间辐射场重建模型能够适用于多源耦合辐射场环境，具备在障碍物遮挡的室内场景中高精度重建空间辐射场的能力以及能够利用有限且稀疏的样本数据重建三维辐射剂量场。发明提供的多源耦合辐射场构建方法在无或有障碍物屏蔽的场景中的重建效果均显著优于GPR模型。技术研发人员：霍建文,胡旭林,王君玲,周中兵受保护的技术使用者：西南科技大学技术研发日：技术公布日：2024/9/12