딥러닝 기반 극한환경 핵종 식별 및 비율 추정 시스템
Deep Learning-based Radioisotope Identification and Proportion Estimation System for Extreme Environments
초록/요약
Radioisotope identification is essential in various fields, especially in extreme environments such as high temperatures and high radiation levels inside reactor containment buildings during severe accidents. To address this, this study developed a system capable of gamma-ray detection, radioisotope identification, and proportion estimation under extreme conditions. The proposed system consists of a gamma-ray detection system and a deep learning algorithm for proportion estimation. The gamma-ray detection system comprises a gamma-ray detector and a power supply and signal processing unit. The detector, composed of a Ce:GPS scintillator and a Ruggedized PMT, can detect gamma rays even in high temperature and high radiation environments. The output signal from the detector is processed through the power supply and signal processing unit, converted into a histogram format, and subsequently fed into the deep learning algorithm. The deep learning algorithm, based on a combination of a 2D CNN structure and fully connected layers, is designed to estimate the proportions of five radioisotopes from a mixed gamma spectrum. For performance evaluation, gamma-ray data of 137Cs, 60Co, 22Na, 133Ba, 152Eu, and 54Mn were collected under conditions ranging from 25 °C to 150 °C and 0 to 1.68 MGy. The training and test datasets were created using this data, and the system achieved an error rate of 3.11% or less across all temperature and radiation conditions, with average error rates of 1.49% for temperature data and 1.67% for radiation data. To evaluate performance under untrained temperature and radiation conditions, training was conducted only on selected steps. The trained conditions exhibited an average error rate of 1.50%, while untrained conditions showed a slightly higher but still low error rate of 1.85%. Additionally, to evaluate robustness against the inclusion of an untrained gamma source, a test dataset was created with 54Mn added as noise in proportions ranging from 0 to 10%. Even in this case, the error rate remained below 3.98%, demonstrating the system’s ability to handle new isotopes with minimal error. These results demonstrate that the proposed system reliably identifies radioisotopes and estimates their proportions even under extreme conditions of high temperature and radiation. Furthermore, the system shows robust performance in various scenarios, including untrained temperature and radiation levels and the addition of new isotopes, highlighting its applicability in real-world extreme environments.
more초록/요약
핵종 식별은 다양한 분야에서 활용되며, 특히 중대사고 발생 시 원자로 격납 건물 내부와 같은 고온 및 고방사선의 극한환경에서도 필수적이다. 이를 위해 본 연구에서는 극한환경에서 감마선 계측과 핵종 식별 및 비율 추정이 가능한 시스템을 개발하였다. 제안된 시스템은 극한환경 감마선 계측 시스템과 핵종 비율 추정을 위한 딥러닝 알고리즘으로 구성된다. 감마선 계측 시스템은 감마선 계측기와 전원 공급 및 신호 처리 시스템으로 이루어진다. 계측기는 Ce:GPS 섬광체와 Ruggedized PMT로 구성되어 고온 및 고방사선 환경에서도 감마선 데이터를 검출할 수 있다. 계측기의 출력 신호는 전원 공급 및 신호 처리 시스템을 통해 처리되어 히스토그램 형태로 변환된 후 딥러닝 알고리즘에 입력된다. 딥러닝 알고리즘은 2D CNN과 FC layer가 결합된 구조로, 여러 핵종이 혼합된 감마 스펙트럼을 입력받아 5가지 핵종의 존재 비율을 추정할 수 있도록 설계되었다. 성능 평가를 위해 25 ℃ ~ 150 ℃, 0 ~ 1.68 MGy의 환경에서 137Cs, 60Co, 22Na, 133Ba, 152Eu, 54Mn의 감마선 데이터를 수집하여 학습 및 테스트 데이터셋을 제작하였다. 모든 온도와 방사선 조사 단계에서 오차율이 3.11% 이하로 나타났으며, 평균 오차율은 온도 데이터에서 1.49%, 방사선 데이터에서 1.67%로 측정되었다. 또한, 학습되지 않은 온도 및 방사선 조사 단계에서의 성능을 평가하기 위해 일부 단계만 학습에 포함하였으며, 학습된 단계는 평균 1.50%, 학습되지 않은 단계는 평균 1.85%의 오차율을 기록하였다. 학습되지 않은 온도와 방사선 조사 단계에서 오차율은 다소 증가했으나 여전히 2% 이하의 낮은 수준을 유지하였다. 추가로, 학습에 사용되지 않은 다른 핵종이 노이즈처럼 포함되었을 때의 성능을 평가하기 위해, 학습에 사용되지 않은 54Mn을 0~10% 비율로 포함한 테스트 데이터셋을 제작하여 평가를 진행하였다. 이 경우에도 3.98% 이하의 오차율을 기록하며, 학습에 포함되지 않은 선원이 추가되었을 때도 혼합 비율에 비해 낮은 오차율을 기록함을 확인할 수 있었다. 이러한 성능 평가 결과는 본 연구에서 제안한 극한환경 비율 추정 시스템이 고온 및 고방사선의 극한환경에서도 핵종 식별 및 비율 추정을 할 수 있음을 보여준다. 추가로, 학습되지 않은 온도 및 방사선 조사 단계, 새로운 방사성 동위원소의 추가 등 다양한 상황에서도 강건한 성능을 갖고 있음을 나타낸다.
more목차
초록 i
ABSTRACT iii
목차 v
표 목차 vii
그림 목차 viii
1장. 서론 1
1.1 연구배경 1
1.1.1 감마선 분광학 기반 핵종 식별 1
1.1.2 핵종 식별이 적용되는 다양한 분야 3
1.1.3 전통적인 핵종 식별 방식 및 극한환경에서의 한계 5
1.1.4 인공지능 기반 핵종 식별 7
1.2 연구목적 및 개요 9
1.3 논문 구성 10
2장. 극한환경 감마선 계측 시스템 11
2.1 극한환경 감마선 계측 시스템 개요 11
2.2 감마선 계측기 13
2.3 전원 공급 및 신호 처리 시스템 16
2.3.1 전원 공급 회로 17
2.3.2 신호 처리 회로 19
2.4 극한환경 실험 방법 및 결과 21
2.4.1 고온 실험 방법 및 결과 22
2.4.2 고방사선 실험 방법 및 결과 25
3장. 딥러닝 기반 핵종 식별 및 비율 추정 29
3.1 딥러닝 기반 핵종 식별 및 비율 추정 개요 29
3.2 학습 데이터셋 제작 31
3.3 테스트 데이터셋 제작 34
3.4 딥러닝 모델 35
3.4.1 모델 구조 36
3.4.2 모델 학습 및 하이퍼파라미터 최적화 39
3.5 핵종 비율 추정 결과 41
3.5.1 온도별 핵종 비율 추정 결과 42
3.5.2 방사선 조사 단계별 핵종 비율 추정 결과 43
3.5.3 학습되지 않은 54Mn을 포함한 핵종 비율 추정 결과 45
4장. 결론 48
참고문헌 52
