基于蒙特卡罗模拟和人工神经算法的伽马射线能谱数据处理技术

  伽马射线能谱数据处理主要包括能谱数据光滑、寻峰、本底扣除、重峰分解和净峰面积求解等,它是伽马射线能谱仪（或测量系统）不可缺少的关键技术之一。随着伽马射线能谱仪在地质矿产勘查、疾病诊断与治疗、工业过程分析和辐射环境监测等领域的广泛采用,以及当代微电子技术和计算机技术的发展,一些较复杂的能谱数据处理方法和较大计算量的算法,在伽马射线能谱仪上应用和实现已成为可能,使伽马射线能谱仪的性能指标得到很大提升。尤其是以NaI（Tl）闪烁计数为伽马探测器的伽马射线能谱仪,具有伽马射线探测效率高、使用维护方便、仪器成本低、操作简便等显著优点,采用有效的射线能谱数据处理技术可弥补其能量分辨率（对于137Cs的0.661MeV一般为7.5%左右）的不足。本论文以NaI（Tl）伽马射线能谱仪为研究对象,采用蒙特卡罗数值模拟（MCNP5）方法建立能谱仪的单能光子能谱响应,并根据得到的单能光子能谱建立光子能谱响应矩阵;通过建立BP神经网络模型,实现任意能量的单能光子能谱响应矩阵的参数预测;将已知辐射体条件下NaI（Tl）伽马射线能谱仪实测伽马射线能谱数据、第一层BP网络能谱预测参数组合在一起,建立第二层BP神经网络模型,进行任意辐射体环境中NaI（Tl）伽马射线能谱仪实测谱的单能光子能谱预测,从而实现仪器谱的分解;在此基础上,开发基于蒙特卡罗模拟和BP神经网算法的能谱数据处理软件平台,实现以上功能。本文取得了以下的研究成果。1、本文利用MCNP5对不同能量的γ射线在给定仪器和测量条件下建立模型,得到能量范围在0.24MeV2.62MeV内43种不同能量的单能γ光子能谱数据,通过计算和统计,建立单能光子谱的响应矩阵。2、本文对BP神经网络进行输入向量重定义,提出了输入向量传导公式,以函数作为神经网络输入向量,取代单纯的数值数据;以43个单能光子谱响应矩阵参数为基础,建立BP神经网络进行训练,得到相关系数R2>0.95。通过BP神经网络可实现在一定的能量范围内,拟合任意入射γ射线能量的单能光子谱参数;结合响应矩阵,实现对任意能量单能γ射线的单能光子谱拟合。得到的每道能量箱计数比的最大相对误差为4.57%,平均相对误差为1.82%。3、本文以137组实测数据为基础,全谱各道计数率为输入向量,所有的单能光子谱响应参数和入射射线强度为输出向量,建立第二层BP神经网络并训练,得到相关系数R2>0.95,实现任意能谱的单能光子谱能量-强度分布预测。根据各单能光子谱的能量、强度及其他矩阵响应参数可计算出整条能谱数据,通过合成各个单能光子谱数据得到拟合全谱,并与实测谱进行对比。拟合谱和实测谱全谱计数率最大相对误差为4.58%,平均相对误差为1.76%;单道最大计数率最大相对误差为5%,平均相对误差为3.21%;单道平均计数率最大相对误差为5%,平均相对误差为3.58%。4、本文开发了基于蒙特卡罗方法和改进的神经网络算法为核心射线能谱数据处理与分析软件平台。该软件能自动计算给定仪器下的单能光子谱矩阵参数,可显示并简单操作分析能谱,对给定射线能谱仪实现射线能谱解析。

【学位授予单位】：成都理工大学
【学位级别】：博士
【学位授予年份】：2015

 

文章目录

摘要

Abstract

第1章 引言

    1.1 研究意义

    1.2 国内外研究现状

        1.2.1 射线能谱数据处理方法研究现状

        1.2.2 基于蒙特卡罗方法的能谱处理现状

        1.2.3 基于神经网络方法的能谱处理技术现状

    1.3 主要研究内容与创新

第2章 γ 能谱分析基础理论

    2.1 天然放射性核素和衰变系

        2.1.1 铀系

        2.1.2 钍系

        2.1.3 锕系

        2.1.4 40K

    2.2 γ 射线与物质相互作用

        2.2.1 光电效应

        2.2.2 康普顿效应

        2.2.3 形成电子对效应

    2.3 γ 能谱仪的结构及工作原理

    2.4 NaI（Tl）探测器的沉积谱特征

    2.5 天然 γ 射线谱

第3章 单光子能谱蒙特卡罗模拟

    3.1 MCNP程序简介

    3.2 探测器几何模型

        3.2.1 单光子能谱响应参数设置

        3.2.2 单光子响应谱与误差分析

第4章 单能光子谱响应矩阵

    4.1 全能峰信息提取

    4.2 康普顿坪信息提取

        4.2.1 康普顿边提取

        4.2.2 康普顿边计数比信息提取

        4.2.3 康普顿坪斜提取

        4.2.4 逃逸峰提取

        4.2.5 反散射峰和多次散射提取

第5章 伽马射线能谱响应的BP神经网络

    5.1 BP神经网络

    5.2 神经元重定义的BP神经网络学习算法[53,57]

    5.3 任意单能光子能谱响应的BP神经网络

    5.4 射线强度响应的BP神经网络

第6章 平台建立及应用

    6.1 操作平台界面设置

    6.2 应用及分析

        6.2.1 第一层应用：任意单能光子谱拟合

        6.2.2 第二层应用：任意实测谱的分解

        6.2.3 第二层应用的误差分析

结论

致谢

参考文献

博士期间取得的成果

附录MCNP5模拟 γ 谱程序