使用辐射基础的人工神经网络来预测地质材料中的辐射危险指数
1Science Faculty, Physics Department, Dokuz Eylul University, 35390, İzmir, Turkey. selin.erzin@deu.edu.tr.
Environmental monitoring and assessment
|February 28, 2024
概括
这项研究开发了人工神经网络模型,以预测地质材料的辐射危险指数. 这些模型准确地估计风险,通过比较国际辐射保护限值的预测来确保安全.
科学领域:
- 环境科学 环境科学
- 地质化学 地质化学
- 辐射保护 辐射保护
背景情况:
- 人类接触地质源辐射需要准确的风险评估.
- 原始放射性核酸 (U-238,Th-232,K-40) 是自然辐射的关键贡献者.
- 评估联合放射性核素效应需要标准化辐射危险指数.
研究的目的:
- 开发和验证人工神经网络 (ANN) 模型,用于预测辐射危险指数.
- 评估射线基函数人工神经网络 (RBF-ANN) 模型在估计辐射风险方面的准确性.
- 将ANN预测的指数与通过玛光谱分析计算的指数进行比较.
主要方法:
- 开发四个RBF-ANN模型,使用348种地质材料的马光谱数据.
- 预测外部马剂量速率,年有效剂量,等效活性和外部危险指数.
- 使用R平方,RAE,RMSE,NSE,F测试和学生t测试进行统计验证.
主要成果:
- RBF-ANN模型在预测辐射危险指数方面表现出高准确度.
- 预测值与来自玛光谱分析的计算值密切一致.
- 统计测试证实了模型的精度,适应性和效率 (R2>0.95,NSE>0.71).
结论:
- 开发的RBF-ANN模型对于预测地质材料中的辐射危险指数非常有效.
- 这些模型为放射性风险评估提供了可靠和有效的工具.
- 这些发现支持在环境辐射监测和安全评估中使用人工智能.
