深度学习在非典型大气条件下空气α放射性监测中的应用研究

针对核设施中气溶胶监测仪(CAM)因气溶胶粒径和浓度变化导致误报率高的问题，研究人员采用深度学习技术开发了α能谱分类器。通过构建仿真能谱数据集训练卷积神经网络(CNN)，实现了对人工α放射体的精准识别，在含尘条件下将误报率从30.11%降至0.67%，为核设施退役作业提供了更可靠的辐射监测方案。

　　

在核设施运行和退役过程中，空气中α放射性污染的实时监测直接关系到工作人员辐射安全。当前广泛使用的连续空气监测仪(CAM)通过滤膜收集气溶胶并测量沉积的放射性，但其采用的4-ROI(四感兴趣区域)算法在非标准大气条件下表现不佳。特别是在核设施退役作业中，混凝土刮削、钢材切割等操作产生的粗颗粒气溶胶(0.5-500 μm)会导致α粒子能量沉积(measured energy)测量偏差，引发大量误报，严重影响作业进度。传统算法无法适应这种含尘环境，亟需开发新型智能监测方法。

法国核安全与辐射防护研究院(IRSN)的研究团队在《Journal of Aerosol Science》发表研究，创新性地将深度学习技术应用于α能谱分析。为解决实验数据不足的难题，团队首先开发了基于蒙特卡洛方法的能谱仿真系统，通过拟合天然放射性核素²¹⁴
Po和²¹⁸
Po峰形(采用高斯函数与三个左指数卷积)，模拟不同气溶胶质量(0-8 mg)和活性中值空气动力学直径(AMAD 9.0-56.9 μm)条件下的能谱畸变。基于10万组仿真数据，研究人员对比测试了多层感知器(MLP)、循环神经网络(RNN)和卷积神经网络(CNN)三种架构，最终确定包含5个一维卷积层(核宽3-7)、80个滤波器的CNN模型表现最优。

研究结果显示，在标准大气条件下，CNN的检测准确率达97.99%，较传统4-ROI算法提升7.4个百分点；在含尘条件下优势更显著，准确率从70.89%跃升至95.85%。特别值得注意的是，对于危害阈值(0.2 Bq/m^3
239
Pu)以上的污染，CNN的召回率(recall)达92.31%，优于传统方法的79.08%。通过梯度可视化分析发现，CNN通过识别ROI1区域(3.0-4.4 MeV)的峰值特征进行判断，而非简单统计区域总计数，这种智能化的谱形解析使其对能谱畸变具有更强适应性。

该研究的创新价值主要体现在三方面：首先，建立的能谱仿真系统可精确模拟不同气溶胶负载下的监测数据；其次，验证了CNN在放射性监测领域的优越性，在保持年误报率<1次的同时显著提升检测灵敏度；最后，开发的决策可视化工具增强了模型透明度。研究人员也指出后续需改进之处：现有峰值拟合方法对8 mg以上小粒径气溶胶的适用性有限，需开发新的拟合算法；此外需通过等张回归(isotonic regression)等技术进一步控制假阴性率，确保符合辐射防护最优化(ALARA)原则。这项研究为智能核辐射监测设备的研发提供了重要技术支撑，对保障核设施退役作业安全具有重要实践意义。