基于融合深度学习的核事故源项反演方法研究
聂时伟, 林佳铖, 杨文栋, 贾文宝, 凌永生
2026, 46(2):
116-125.
摘要
(
4 )
PDF (5717KB)
(
0
)
参考文献 |
相关文章 |
多维度评价
在核事故中,放射性源项的准确估算是事故后果评估与应急响应的关键环节。然而,在事故的瞬态阶段,监测数据往往受高温、强辐射及设备损坏等因素影响而难以及时获取。为此,本研究提出两类基于深度学习的融合源项反演模型,以提升反演精度与鲁棒性。其一为 LSTM-Transformer模型,利用长短期记忆网络(LSTM)在处理时间序列长期依赖、非平稳性及梯度稳定性方面的优势,捕捉放射性核素扩散的动态演化特征,并引入Transformer 结构,通过自注意力机制建模序列中不同时间步的全局依赖关系,增强长距离信息感知能力。其二为双分支融合LSTM模型(dual-branch fusion LSTM,DBL-LSTM),通过并行 LSTM 网络分别提取γ剂量率与气象参数特征,再经融合LSTM综合建模,提高多源数据的联合分析能力,并增强对气象变化和噪声的适应性。引入Optuna自动化超参数优化算法,以进一步提升反演精度并减少人工调参的不确定性。基于国际放射性评价系统(InterRAS)生成的模拟数据,对Sr-91、Te-132和I-131三种短寿命核素的释放率进行估算,并以单一LSTM模型作为对照,采用平均相对误差(δ)作为评价指标。结果表明,单一LSTM模型在三种核素上的δ分别为15.10%、8.20%和27.33%;LSTM-Transformer模型分别为13.90%、5.63%和25.63%;DBL-LSTM模型分别为13.34%、4.93%和24.21%。源项反演计算中融合模型相较单一LSTM模型在精度与鲁棒性方面均表现出一定提升,凸显其在核事故应急场景中的应用潜力。
