Logo BSU

Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ: https://elib.bsu.by/handle/123456789/266610
Заглавие документа: Оценка эффективности искусственных нейронных сетей для количественной обработки спектра гамма-излучения 137Cs
Другое заглавие: Evaluation of artificial neural networks effectiveness for unfolding gamma-spectrum of 137Cs / A. N. Nikitin, E. V. Mischenko, O. F. Shurankova
Авторы: Никитин, А. Н.
Мищенко, Е. В.
Шуранкова, О. А.
Тема: ЭБ БГУ::МЕЖОТРАСЛЕВЫЕ ПРОБЛЕМЫ::Охрана окружающей среды. Экология человека
Дата публикации: 2021
Издатель: Минск : БГУ
Библиографическое описание источника: Журнал Белорусского государственного университета. Экология = Journal of the Belarusian State University. Ecology. - 2021. - № 2. - С. 44-54
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.
Аннотация (на другом языке): Development of machine learning methods for spectrum processing is one of the most promising ways for gamma-spectrometry automation and accuracy improvement. Effectiveness of fully connected and convolution neural networks for quantitative γ-spectrometry analysis using scintillation detector NaI(Tl) and lead shielding is presented in the article. Semi-synthetic spectrums were used for the models training; the semi-synthetic spectrums are in channels additions of random spectrums measured at a short duration. The analysis shows advantages of artificial neural networks compare to the common analytical method of spectrum unfolding. The mean square error of activity evaluation is 2–4 times lower than the common method if measuring time is equal to 100 s. In highly standardized conditions of measuring, the advantages of convolution neural networks appear with increasing radiation source activity. Validation with sources not used in training of neural networks has shown fully connected and convolution neural networks can have advantages over the standard method when activity of γ-radiation source is relatively high.
URI документа: https://elib.bsu.by/handle/123456789/266610
ISSN: 2521-683X
DOI документа: 10.46646/2521-683X/2021-2-44-54
Лицензия: info:eu-repo/semantics/openAccess
Располагается в коллекциях:2021, №2

Полный текст документа:
Файл Описание РазмерФормат 
44-54.pdf30,46 MBAdobe PDFОткрыть
Показать полное описание документа Статистика Google Scholar



Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.