物理学と機械学習を用いたドローン展開型放射性物質拡散装置のリスク予測と軽減策

科学分野:

• 国土安全保障
• 放射線セキュリティ
• 計算モデリング

背景:

• 放射性物質拡散装置（RDD）のドローン展開は、重要かつ進化するセキュリティ上の課題を提示します。
• 既存のツールは、新たな脅威に対する効果的な結果評価と対応計画のために強化が必要です。

研究 の 目的:

• ドローンベースのRDD脅威を評価するための統合計算フレームワークを開発および検証すること。
• 最適な敵対的シナリオを特定し、情報に基づいた緊急時対応計画のための潜在的な結果を評価すること。

主な方法:

• 物理ベースの拡散モデリング、制約付き最適化（L-BFGS-B）、および機械学習を組み合わせた統合フレームワーク。
• 放射性核種、気象、リスクゾーンを様々に変化させた2000の合成シナリオを生成するモンテカルロシミュレーション。
• HotSpotおよびJRODOSを用いた結果モデリング、それに続く保護措置分析。

主要な成果:

• 最適化により、拡散効果（汚染面積10 km²超の最大化）と運用上のステルス性（エネルギー/検出リスクの最小化）との間のトレードオフが特定されました。
• HotSpotはJRODOSと比較して、総実効線量（TED）と時間積分空気中濃度（TIAC）が高いと予測されました。
• I-131とAm-241は、それぞれ急性および長期リスクの主要な放射性核種として特定されました。
• 強化された避難は累積線量を大幅に削減します。

結論:

• 開発されたフレームワークは、ドローンベースのRDD脅威を評価し、緊急時対応戦略に情報を提供する堅牢なツールを提供します。
• 機械学習モデルは、距離を主要な予測因子として、迅速かつ正確な予測（R² = 0.975）を提供します。
• 本研究の結果は、放射性脅威に対する国家安全保障および公衆安全対策を強化するための実行可能なガイダンスを提供します。