Radionuclide classification based on gamma spectroscopy and artificial intelligence
DOI:
https://doi.org/10.15392/bjrs.v9i3.1653Palavras-chave:
Espectroscopia gama, Inteligência artificial, Redes Neurais ArtificiaisResumo
Currently, in almost all segments of the production chain, automation is a requirement for productivity improvement. With respect to nuclear facilities, active online monitoring is one of best practices for nuclear security and safety maintenance, to prevent incidents that could compromise a particular installation. In this context, spectral signature monitoring automation can be explored, aiming at the rapid identification of adverse events, such as radiological accidents. The main objective of this work was an automated radionuclides classification technique establishment, using an Artificial Neural Networks (ANN) architecture. The methodology used consisted basically of simulating the geometry of an established experimental apparatus, using the MCNP5 code, obtaining the simulated gamma spectral signature for the studied nuclides. The simulated spectra were used to compose the ANN training and testing data set, while the experimental spectra were subjected to the artificial intelligence model classification, in order to allow the neural network quality assessment. The final developed architecture of ANN was correct to recognize the experimental spectra of 60Co, 137Cs and 152Eu. Therefore, the results were satisfactory and proved automation technique development viable.
Downloads
Referências
X-5 Monte Carlo Team, MCNP - Version 5, Vol. I: Overview and Theory, LA-UR-03-1987 (2003).
ROSSUM, G. V., et al. Python Reference Manual. Python Software Foundation. 2020. Available at: < https://docs.python.org/3/download.html >. Last accessed: 31 Oct. 2020.
CHOLLET, F., et al. Keras. 2015. Available at: < https://github.com/fchollet/keras >. Last accessed: 31 Oct. 2020.
ABADI, M., et al. TensorFlow: Large-scale machine learning on heterogeneous systems. 2015. Available at: < https://www.tensorflow.org >. Last accessed: 31 Oct. 2020.
GOOGLE LLC. Colaboratory. Available at: <https://colab.research.google.com>. Last accessed: 31 Oct. 2020.
DAS R., CHAUDHURI S. On the Separability of Classes with the Cross-Entropy Loss Function. arXiv e-prints (Cornell University), 2019. Available at: <https://arxiv.org/pdf/1909.06930.pdf >. Last accessed: 02 Nov. 2020.
NUNES, W. V. Detecção de minas terrestres por radiação penetrante. Universidade Federal do Rio de Janeiro, 2005. 123p.
CURZIO, R. C., et al. Modelagem computacional da dispersão atmosférica aplicada a um reator modular de pequeno porte. Brazilian Journal of Radiation Sciences. 2020
PEREIRA, J.F. Explosão de bomba suja em local de grande evento público: uma metodologia para ações de emergência. CNEN/IRD, 2018. 124p.
HAYKIN, S. Neural Networks and Learning Machines, 3rd ed. New Jersey: Pearson Education Inc., 2009.
KINGMA, D. P., BA, J. L. Adam: A Method for Stochastic Optimization. In: International Conference on Learning Representations, 2015, San Diego. Annals… San Diego, 2015. Available at: < https://arxiv.org/pdf/1412.6980.pdf>. Last accessed: 02 Nov. 2020.
TSOULFANIDIS, N., LANDSBERGER, S. Measurement & Detection of Radiation, 4rd ed. Boca Raton: Taylor & Francis Group, 2015.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2021 Brazilian Journal of Radiation Sciences
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Declaro que o presente artigo é original, não tendo sido submetido à publicação em qualquer outro periódico nacional ou internacional, quer seja em parte ou em sua totalidade. Declaro, ainda, que uma vez publicado na revista Brazilian Journal of Radiation Sciences, editada pela Sociedade Brasileira de Proteção Radiológica, o mesmo jamais será submetido por mim ou por qualquer um dos demais co-autores a qualquer outro periódico. Através deste instrumento, em meu nome e em nome dos demais co-autores, porventura existentes, cedo os direitos autorais do referido artigo à Sociedade Brasileira de Proteção Radiológica, que está autorizada a publicá-lo em meio impresso, digital, ou outro existente, sem retribuição financeira para os autores.
Licença
Os artigos do BJRS são licenciados sob uma Creative Commons Atribuição 4.0 Licença Internacional, que permite o uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido crédito ao (s) autor (es) original (is) e à fonte, forneça um link para a licença Creative Commons, e indique se mudanças foram feitas. As imagens ou outro material de terceiros neste artigo estão incluídos na licença Creative Commons do artigo, a menos que indicado de outra forma em uma linha de crédito para o material. Se o material não estiver incluído no licença Creative Commons do artigo e seu uso pretendido não é permitido por regulamentação legal ou excede o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais. Para visualizar uma cópia desta licença, visite http://creativecommons.org/licenses/by/4.0/
