为了满足便携式辐射测量仪同时测量X、γ和中子辐射场的需求,设计基于LaBr3(Ce)晶体、硅酸锂铝(Lithium Aluminum Silicate Oxygen,LASO)型中子探测器、高量程盖革-米勒(Geiger-Muller,GM)计数管的便携式多功能辐射检测仪。对LaBr3晶体输出的光信号经光电倍增管光电转换后,采用一体化数字多道进行数据采集处理及运算,对中子探测器和GM管计数器分别设计前置信号处理电路,并对其进行放大、甄别、整形等处理。最后将LaBr3探测器处理的数字信号以TTL(Transistor-Transistor Logic)串口形式传输给ARM(Advanced RISC Machine)处理器,将中子探测器和GM计数管成形后的脉冲信号接入到ARM外部计数端口。ARM对LaBr3探测器采集的γ数据进行能谱显示、低剂量率测量,对中子探测器、高量程GM管计数器分别进行定时计数,通过计数率换算成剂量率进行显示。该便携式多功能辐射检测仪可实现宽量程γ、低能X射线和中子剂量率的同时测量以及LaBr3能谱仪的核素识别,并通过USB接口将数据上传到PC端。
低能X射线测量 宽量程γ测量 γ核素识别 中子测量 Low energy X-ray measurement Wide range γ measurement γ nuclide identification Neutron measurement
强激光与粒子束
2020, 32(10): 106001
1 南京航空航天大学核分析技术研究所, 江苏 南京 211106
2 江苏省高校放射医学协同创新中心, 江苏 苏州 215000
未知化学**弹药的定性识别在犀护社会安全方面是十分重要的, 可指导化学**的分类处理。 瞬发伽马射线中子活化分析(PGNAA)技术利用分析活化产生的伽马射线能谱可以实现对物质中元素的无损, 快速检测, 在化学**识别中具有独特的优势。 因此, 本研究基于PGNAA技术进行了化学**弹药类型识别装置的设计, 同时使用逻辑树判别方法对化学**样品进行定性分析。 首先, 基于高纯锗(HPGe)探测器与Cf-252中子源, 使用蒙特卡罗MCNP程序对装置结构进行设计优化, 主要包括中子源容器尺寸、 伽马屏蔽体厚度以及探测器相对位置等。 为了最大化样品活化产生的特征伽马射线, 需要提高样品位置处的热中子通量, 采用聚乙烯作为慢化体, 模拟结果显示聚乙烯厚度达到6 cm, 宽度达到12 cm时, 样品中热中子通量达到较高水平。 为了降低周围材料活化噪声的干扰, 选择铅作为屏蔽结构, 模拟显示铅屏蔽厚度达到5 cm时, 可满足屏蔽要求。 同时, 探测器与样品之间的距离也会影响对伽马射线的探测, 最终模拟确定探测器与样品之间的距离为28 cm时, 特征信号计数最高。 根据优化结果搭建测量装置, 使用分析纯试剂根据真实化学**元素含量配制化学**模拟样品, 通过对5种化学**模拟样品的测量获得伽马能谱。 对能谱中的特征峰处理过程中, 基于特征峰对元素进行分析, 针对计数统计性较好的元素(如H, Cl, S)的特征峰, 使用高斯及多项式拟合的方式对特征峰处的高能量康普顿平台进行扣除, 获得特征伽马射线的全能峰信息。 而对统计性较差的元素特征峰(如N元素的10.829 MeV), 采用能量区间加和法, 对该能量下的全能峰至单逃逸峰之间的计数求和, 进而可确定该元素在样品中的存在情况, 最后利用建立的逻辑树判别方法根据元素存在信息对样品类型进行判别。 实验结果表明, 利用该优化的装置可以获得5种模拟样品的能谱, 结合能谱分析方法可以得到化学**模拟样品中的H, Cl, S和N等元素的存在信息, 最后使用逻辑树判别方法可以对化学**样品种类进行判别。
化学** 核素识别 装置优化设计 特征峰拟合分析 Chemical weapon PGNAA PGNAA Nuclide identification Device optimization Characteristic peak fitting analysis 光谱学与光谱分析
2019, 39(12): 3653
1 西南科技大学 信息工程学院, 四川 绵阳 621900
2 中国科学技术大学 信息科学技术学院 自动化系, 合肥 230026
提出了一种基于稀疏表示的核素能谱特征提取方法,其实质是将核素能谱在区分性最好的稀疏原子上进行投影。利用稀疏分解方法对核素能谱进行稀疏分解,提取分解系数向量作为表征核素的特征向量,通过模式识别分类方法建立分类模型实现核素识别。与传统稀疏分解方法的区别在于:在能谱稀疏分解过程中按照稀疏字典中的原子排列顺序顺次进行分解;其次,分解目的在于特征提取,即最终提取到的特征对不同核素具有可区分性,并不要求核素能谱的重构精度。在241Am,133Ba,60Co,137Cs,131I和152Eu共6种核素1200个能谱数据上进行了核素识别实验,7种不同分类算法的平均识别率达到91.71%,实验结果的统计分析表明,本文提出的特征提取方法识别准确率显著地高于两种传统核素能谱特征提取方法准确率。
伽马能谱 核素识别 稀疏表示 特征提取 模式识别 gamma spectrum nuclide identification sparse representation feature extraction pattern recognition 强激光与粒子束
2018, 30(4): 046003