基于频域数据注意力机制的核电厂水泵故障模式识别模型研究

针对核电厂水泵共性的异常振动、转子部件摩擦与磨损等故障模式,利用水泵最容易获取的泵壳加速度信号的频域数据为输入,提出了一种结合卷积神经网络和注意力网络的频域数据注意力机制方法,并建立了核电厂水泵故障模式识别模型。研究结果表明:相对于传统方法,利用频域数据作为输入、基于频域数据注意力网络算法建立的水泵故障模式识别模型输入的数据长度更短,能够有效提升模型训练的效率,该故障模式识别模型在测试集上的故障模式识别准确率达到100%,优于其他基于深度学习算法建立的故障诊断模型,证明了本文提出方法的优势。      

基于随机森林算法的塔然高勒地区测井数据岩性识别

塔然高勒地区是鄂尔多斯盆地北部重要铀矿勘查区,施工了大量的钻探工程,积累了丰富的钻井数据资料。如何利用钻孔数据的“二次开发”从而快速准确识别研究区内地层岩性,确定地层结构与砂体空间展布特征,对指导砂岩型铀矿勘查工作具有重要意义。因此,依据塔然高勒地区七口钻孔的测井数据,选取密度、电阻率、自然伽马、自然电位和井径等5个地球物理测井参数,运用随机森林算法构建了直罗组地层中泥岩、细砂岩、中砂岩、粗砂岩和砾岩5种岩性的分类模型。本次实验将前6个孔作为训练和验证样本,第7个孔作为测试样本。训练模型在验证集上的准确率达95.94%,在测试集上的准确率为82.85%,结果显示：基于随机森林算法利用测井数据进行岩性识别,快速划分地层岩性,进而分析研究地层结构与砂体空间展布特征是可行的,在砂岩型铀矿找矿中具有重要的推广应用价值。     

基于深度学习的LSTM模型在X荧光光谱中的应用

在X荧光光谱分析中，为了解决传统谱分析方法中存在的特征峰计数率损失以及影子峰的问题，本文拟采用一种基于深度学习的长短期记忆（Long and Short Term Memory,LSTM）神经网络模型，该模型对核脉冲幅度时间序列具有较好的适用性，通过对样本的学习能够对核脉冲信号的幅度进行准确估计。鉴于核脉冲信号样本较大，模型训练效率低，特引入卷积神经网络（Convolutional Neural Network,CNN），利用其特有的卷积核结构逐层提取样本特征，能够有效减少样本数量，降低模型训练复杂度。使用粉末铁矿样品测量得到的一系列离线核脉冲序列产生模型训练所需的数据集，该数据集的64 000个条目中，44 800个用作训练集，12 800个用作验证集，余下6 400个用作测试集。实验结果表明：训练好的CNN-LSTM模型能够极大地节省训练时间，克服传统方法局部收敛的缺陷，也能够对不同程度畸变的输入脉冲进行准确的参数估计，在训练集和验证集上得到的准确率都高于99%。进一步分析计数修复结果，得到三个影子峰校正比例的平均值为91.52%，表明训练的CNN-LSTM模型对畸变脉冲产生的计数...     

~(60)Co船只辐射成像嵌入式数据获取系统设计

介绍了~(60)Co辐射成像检查系统中嵌入式数据获取系统的设计,重点介绍了基于模块化驱动和网络传输的嵌入式数据获取系统的组成,采用分时复用方式简化了系统各部分接口设计。嵌入式系统作为数据采集系统的控制中心,通过以太网接收上位机的控制命令,产生采集控制时序,从前置放大器读取数据并缓存、传输至上位机。经过对系统性能的测试,验证了该嵌入式数据获取系统具有连接接口简洁、便于扩展、性能稳定可靠的特点。     

宇宙射线缪子核材料快速检测算法研究

根据宇宙射线缪子库伦散射角进行核材料快速检测具有重要意义。本文利用Geant4获取的U、Pb、Fe的缪子库伦散射角数据集，分析缪子散射探测数据的分布特征。使用支持向量机测试了缪子散射探测数据的概率分布函数参数和峭度对不同材料分类的性能，提出基于分布特征的宇宙射线缪子核材料快速检测算法。结果表明，该算法仅用数量为10 000的缪子散射探测数据，能实现对相同厚度的U、Pb、Fe的分类，分类准确率达到989%以上。     

基于XGBoost的高中子注量率区域堆内构件螺栓可靠性评估方法

堆内构件螺栓长期处于高温高压以及高辐射环境,连接围板与成形板的螺栓存在辐照促应力腐蚀开裂（IASCC）现象。为提前预测螺栓在应力腐蚀环境下的剩余寿命,减少核电厂的备件库存,本文采用 XGBoost预测堆内构件螺栓在高辐照环境下的剩余寿命。首先,对压水堆高中子注量率区域的全周期剩余寿命演化数据进行分析处理,获得相关性模型;然后,提出基于数据驱动的XGBoost预测螺栓剩余寿命,该方法具有较强的泛化性与较高的准确率,可以很好地评估高中子注量率区域螺栓的可靠性;最后,以35000个样本作为训练集、15000个样本作为测试集,与国际原子能机构（IAEA）经验公式计算值比较,结果表明,XGBoost 预测准确率高达99.93%,优于多元线性回归方法和AdaBoost（使用线性损失函数/使用平方损失函数/使用指数损失函数）方法。      

基于电偶极子辐射模型的三维成像算法

提出了一种基于电偶极子辐射模型的三维成像算法.在研究后向投影算法原理的基础上,利用散射模型分析了近、远场成像的关系,提出先采用电偶极子辐射模型对采样数据进行近场化处理,再将处理后的数据反向投影到成像区域,获得成像图像.利用FDTD数值仿真实现对目标的三维成像,验证了算法的有效性,分析了耦合对成像效果的影响.     

深度神经网络学习快中子截面

为探索利用机器学习方法辅助核反应数据评价的可行性,采用全连接深度神经网络算法学习中子截面数据,并考察预测能力。采用通用评价核数据库中快中子区的中子截面作为数据集,训练神经网络模型并进行验证和测试。提取ENDF/B-Ⅷ.0库中铀的12个同位素^230～241U的快中子区中子总截面和弹性散射截面,将²³⁰U的截面作为待预测的测试数据,将²³²U的截面作为验证数据,其余10个核素的截面作为训练数据。为获得具有预测能力的神经网络模型,利用训练数据训练系列神经网络模型,再利用验证数据挑选最优模型用于预测测试数据。验证和测试显示,通过训练,神经网络模型能够较好地反映评价库中截面数据随核素、入射中子能量的变化规律,对未知核素的中子截面数据表现出较强的预测能力。因此,神经网络算法有潜力成为核数据评价的新途径。     

基于卷积神经网络的μ子散射成像材料识别方法研究

本文采用卷积神经网络的机器学习方法进行了μ子成像的材料识别，通过迭代训练数据获得最优模型并测试样品在不同测量时间下的识别准确度。在中国原子能科学研究院的μ子散射成像装置上开展了不同材料的测试实验，根据实验测量数据进行径迹重建并计算μ子的入射和散射角，构建基于卷积神经网络结构的材料识别模型进行特征提取，实现对材料的分类识别，并进一步引入残差和特征矩阵提高了材料的识别准确度。实验结果表明，对于10 cm×10 cm×10 cm的钨块，材料识别准确度在测量5 min时达到99.1%,在测量10 min时达到100.0%。这种基于卷积神经网络的方法为μ子散射成像材料识别提供了一种新途径。     

阵列背散射成像中图像数据校正的仿真研究

阵列背散射成像是一种有发展潜力的辐射成像技术。与透射成像相比,阵列背散射图像数据校正较为复杂,涉及数据不一致性校正和系统响应曲线调整两个方面。基于阵列背散射成像系统的特点分析,应用蒙特卡罗仿真实验方法,归纳总结出1种增益归一化与斜率调整相结合的阵列背散射图像校正方法。利用该方法对仿真实验得到的数据进行校正,获得了较好的校正效果。     

高速可靠的工业CT数据传输系统研制

为满足工业CT数据传输的大容量、高速度和高可靠性要求,设计了基于USB2.0接口芯片的工业CT数据传输系统。在数据传输过程中,FPGA作为主控制器,USB2.0芯片CY7C68013A工作于Slave FIFO模式,将从数据采集系统获得的数据传输给上位机进行图像重建。测试结果表明,数据传输速度可达33 MB/s,传输准确率为100%,该系统能满足工业CT数据传输的要求。     

稀疏表示法提取γ能谱特征

针对γ能谱分析中重峰及强噪声背景下弱峰存在时特征提取困难的问题,提出了基于稀疏表示的γ能谱特征提取方法。采用匹配追踪算法提取能谱特征,获取能谱稀疏分解系数,然后使用所获特征训练模糊决策树,最后利用测试样本在所训练决策树中的识别准确率来验证特征提取效果。实验结果表明:该方法避免了传统的预处理过程,能有效地对γ能谱进行特征提取。     

基于概率神经网络的放射性核素快速识别方法研究

针对传统神经网络在核素识别中训练效果弱,易陷入局部极小、收敛速度慢等问题,提出了基于概率神经网络的核素识别方法,采用样本的先验概率和最优判定原则对新的样本进行分类。该方法利用能谱预处理过程获得的谱峰宽度、特征能量射线强度、峰面积等特征信息建立训练与测试样本,采用训练样本对概率神经网络模型进行训练,并进行了分类识别仿真实验。通过CZD探测器对3种核素不同组合的实测能谱进行测试,并与传统的神经网络算法进行对比表明:此方法具有较高的识别效率及准确率,可应用于安全监控、失控放射物探测等快速核素识别领域。     

基于支持向量机的环境γ剂量率模型

核电厂外围环境辐射连续监测系统获取地表γ剂量率,当剂量率超过预先规定的阈值时,系统会发出警告。但氡子体影响、系统噪声造成的数值不稳定、剂量率具有周期性的变化均会使数据出现波动从而造成无效的报警。为辨别剂量率上升的原因,建立了支持向量机模型对环境剂量率超过阈值的原因进行分类,考察了不同参数对模型精度的影响。通过2000组以上历史数据验证,结果表明,该模型能对环境γ剂量率超过阈值的原因进行准确分类,准确率达98%以上。     

一体化PET/MRI头部运动两种校正方法的对比

<正>电子发射断层成像(Position emission tomography,PET)/磁共振成像(Magnetic resonance imaging,MRI)问世以后,通过MRI获取扫描对象运动信息的准确度大为增加。为验证精确的运动信息条件下,基于响应线(Line of Response,LOR)的运动校正方法校正效果更为明显,我们对基于frame和基于LOR的两种头部运动校正方法的精度进行了对比研究。通过PET模拟数据完成两种校正算法的设计和结果比较,进而利用MRI成像速度快、图像质量高的特点,在上海联影医疗科技有限公司一体化PET/MRI上获取实验数据,通过配准MRI图像获取头部运动信息,并对PET数据进行运动补偿,实现对两种校正方法校正效果的验证和评估。通过对模拟和实验数据校正结果的定性定量分析,我们验证了PET/MRI环境中,基于LOR的方法,利用获取的高精度运动信息对于PET头部运动具有更好的补偿效果。     

基于KNN方法的熔盐堆系统瞬态识别模型开发及分析

熔盐堆作为第四代先进核能系统之一，在安全性、经济性、防核扩散和可持续性等方面具有独特的优势。为了保障熔盐堆运行安全，需要快速、准确地识别瞬态工况，目前的瞬态识别方法主要依赖于操作员人工识别，这会引入较大的人为因素，严重影响核电安全。为了减少熔盐堆系统瞬态识别过程中引入的人为因素，提高熔盐堆运行安全，使用RELAP5-TMSR程序对美国橡树岭国家实验室建造运行的熔盐实验堆（Molten Salt Reactor Experiment,MSRE）的瞬态工况进行建模与仿真，产生数据集，基于K近邻（K-Nearest Neighbor,KNN）机器学习方法，建立了熔盐堆系统瞬态识别模型，并对识别模型在噪声下的鲁棒性进行了分析和优化。结果显示：基于KNN方法建立的熔盐堆系统瞬态识别模型在测试集上的F1分数达到99.99%；在噪声下的识别F1分数达到94.32%，具有较高的鲁棒性；进一步优化后的熔盐堆系统瞬态识别模型在噪声下的F1分数达到99.73%，能较为准确地识别MSRE的瞬态工况，满足熔盐堆系统瞬态识别需求。基于KNN方法的熔盐堆系统瞬态识别模型能够有效识别系统瞬态工况，可应用于熔盐堆智能运...     

基于神经网络和决策树算法的裂变产物核(n,2n)反应截面研究

为了大规模预言缺少实验测量的裂变产物核反应截面数据，在整理现有(n, 2n)反应截面5 294个实验数据的基础上，分析相关的物理特征建立实验数据集，分别构建和训练反向传播神经网络和极致梯度提升树模型学习数据。神经网络的隐藏层包含两个子网络，分别由2层各128个神经元构成。极致梯度提升树模型集成了16棵决策树。结果表明，虽然(n, 2n)反应截面实验测量数据大多集中分布在中子入射能量14 MeV附近，且相互之间存在分歧，本工作机器学习模型均可较好描述反应截面的实验测量数据，具有较好的预言能力，对于缺少实验数据的情况同样与评价数据库基本符合。人工神经网络模型在测试集中预测结果与实验数据平均相对偏差小于10%的数据占比超过85%。机器学习方法能为核数据评价研究提供参考。     

OSEM算法在编码板成像中的应用

为提高γ辐射编码成像中MLEM算法在图像重建时的速度及质量,论文基于核医学ECT图像重建中的OSEM算法思想在图像重建时对编码成像所得投影数据进行分组,并采用精细采样平衡相关法的重建结果作为初值进行迭代。通过实验对该算法进行验证。实验表明:OSEM算法可以有效提高收敛速度,改善重建图像质量。在γ辐射编码成像中采用OSEM算法是有效且可行的。     

基于iForest-Adaboost的核电厂一回路故障诊断技术研究

传统的故障诊断方法如主元分析方法与BP神经网络等在复杂非线性系统中存在泛化能力较差、故障识别准确度较低的问题。而孤立森林（iForest）算法使用孤立树划分思想识别异常数据,可适用于非线性系统的状态监测;Adaboost算法是一种基于组合分类思想的提升算法,可通过多个弱分类器的叠加,使整体算法具有较好的泛化能力。因此采用iForest算法与Adaboost算法建立iForest-Adaboost核电厂一回路故障诊断系统,使用GSE实时仿真平台与福清核电站一号机组仿真数据测试。测试结果表明,iForest算法相比于主元分析与QTA阈值法可以更快识别出系统异常,Adaboost算法相比于BP神经网络与支持向量机方法具有更高的故障识别准确率。      

基于时间卷积胶囊网络的核动力装置事故诊断技术研究

核动力装置是复杂的系统工程且具有潜在的放射性危险，因此要及时发现并处理其事故问题，避免造成严重后果。为建立核动力装置事故诊断方法，对操纵员的安全分析提供新的辅助手段，提出了一种基于时间卷积胶囊网络的核动力装置事故诊断方法。首先通过时间卷积核提取数据的时序信息，并降低计算难度，然后通过胶囊网络挖掘数据的深度向量特征，能够最大化利用运行信息中的数据特征，在事故数据较少的情况下也能得到很好的收敛效果，最后通过核动力装置全范围仿真模拟机获取事故仿真数据对模型进行训练和测试。研究结果表明，在核动力模拟机事故数据较少的情况下，相比于传统的深度学习方法，时间卷积胶囊网络模型有更好的收敛效果和诊断准确性。