《Radiation Physics and Chemistry》：Artificial neural network (ANN) vs Multilinear regression (MLR) models to predict Naturally Occurring radioactivity (NORM) in the gold mining area in eastern Sudan
编辑推荐：
本研究对比了人工神经网络（ANN）与多线性回归（MLR）模型在预测东苏丹金矿区铀-226、钍-232及钾-40活性浓度中的应用。结果表明ANN在非线性关系建模中表现更优，其R2值高于MLR，RMSE和MAE指标更佳，验证了ANN在环境放射性评估中的有效性，可减少传统光谱测量需求。
Tahir E. Adreani|Ibrahim I. Suliman|Hajo Idriss|A. Sulieman|M. Alkhorayef|D. Bradley
苏丹原子能委员会核与辐射安全研究所，喀土穆，苏丹
摘要
人工神经网络（ANN）和多元线性回归（MLR）模型因其在预测工业和自然现象动态方面的有效性而广受认可。在本研究中，我们采用了多元回归和ANN方法来预测受苏丹东部黄金开采影响的地区的放射性水平。我们在Linux环境中使用Python脚本开发了多元回归和ANN模型，并通过测量该地区天然放射性物质（NORM）的背景辐射来验证这些模型的准确性。研究结果与使用高纯度锗（HPGe）伽马光谱仪测得的土壤样品中的放射性浓度进行了比较。研究发现，与MLR相比，ANN模型在预测226Ra和232Th的放射性浓度方面表现更优，这得益于ANN能够模拟环境放射性数据中的非线性关系。尽管多元线性回归在40K方面的预测效果更好（因其对土壤浓度的线性依赖性），但ANN总体上获得了更高的相关性系数。这些结果表明，基于ANN的方法可以有效预测放射性核素的分布并改进环境辐射评估。
引言
黄金开采在苏丹经济中发挥着重要作用，对国家收入贡献显著。然而，传统和工业采矿的发展引发了对其环境影响的担忧，尤其是土壤和采矿残留物中天然放射性物质（NORM）的积累。NORM是天然存在的放射性核素，可能对工人、公众或环境构成风险（UNSCEAR, 2021）。NORM的浓度受多种因素影响，包括地质结构、土壤类型和工业活动。在NORM水平较高的地区，存在增加的辐射风险，因此需要采取辐射控制和监管措施（Miller等人，1995）。许多研究者已经调查了苏丹黄金开采及其他工业活动影响区域采集的NORM样品的放射性和相关辐射风险（Idriss等人，2018；Ahmed等人，2025）。
近年来，人工神经网络（ANN）和多元线性回归（MLR）模型已被广泛应用于几乎所有学科的数据预测与分析（Shams等人，2021；Ma等人，2021；Mathew等人，2021；Han & Wang，2021）。回归模型假设自变量和因变量之间存在线性关系，而ANN通常是非线性建模工具。因此，根据模型类型和数据集大小以及其他因素，ANN模型可以模拟更复杂的变量关系。
根据神经元的学习方法，ANN可分为三种类型：监督学习、无监督学习和强化学习神经网络（Mathew等人，2021；Galib等人，2021；Roberts等人，2022）。文献中有多项研究使用ANN模型来预测放射性核素的浓度及其相关辐射参数。Varley等人（2016）利用ANN模拟了氡气的分布；Ye?ilkanat和Akbulut ?zen（2019）使用深度学习技术准确估计了半导体探测器（He）辐射谱中的放射性核素的具体放射性（Sheinfeld等人，2017；Galib等人，2021）。用于监测环境辐射背景变化并采取预防措施的早期预警系统依赖于某种机器学习算法，以生成能够更好地了解目标区域辐射背景的报告（Meiliasari等人，2021；Kastlander & S?derstr?m，2017；Al Saleh等人，2022）。其他机器学习方法在放射学和辐射物理学领域也有应用（Wang & Summers，2012；Gupta & Choudhary，2019；Wagner等人，2021；Varoquaux & Cheplygina，2022）。目前仍存在基于环境剂量和位置预测特定区域放射性浓度的科学空白。
在这项工作中，我们比较了多元回归和ANN模型在预测苏丹东部受黄金开采及其他工业活动影响的地区NORM放射性浓度方面的应用。
据我们所知，本研究是首批表明将环境剂量测量与位置坐标结合使用ANN可以有效确定特定放射性核素浓度的研究之一。这种方法可以减少耗时且成本高昂的光谱测量需求，特别是在初步调查阶段。
研究区域和数据集
本研究在苏丹东部的黄金开采现场及其他产生NORM的地点进行（图1）。2018至2019年间，共收集了391个NORM样品，包括地表土壤、矿坑和磨矿现场的样本。
使用便携式区域测量仪（RADOS，Rados，德国）在每个地点地面以上约1米处测量了背景辐射的空气吸收剂量率。采样点的坐标信息如下……
结果与讨论
神经网络模型的黑色投影特性使其能够利用空气吸收剂量率及其对应位置坐标直接预测放射性核素。评估模型性能准确性时使用了多个统计参数，包括R2、RMSE和MAE（Wagner等人，2021）。
结论
本研究采用ANN和MLR模型预测苏丹东部黄金开采区域的自然放射性。使用带有测量点坐标的区域测量仪测量的环境背景辐射作为输入参数，226R、332Th和40K的放射性浓度作为输出参数。模型性能通过R2、RMSE和MAPE进行评估。这些结果表明ANN在预测放射性核素的空间分布和活性方面具有高效性。
作者贡献声明
Hajo Idriss：撰写初稿、验证、方法论设计、数据调查、数据分析。A. Sulieman：撰写初稿、数据可视化、验证、资源协调、数据分析、概念构思。Tahir Adreani：审稿与编辑、撰写初稿、资源获取、数据调查、概念构思。Ibrahim I. Suliman：审稿与编辑、验证、项目监督、资金筹措、数据分析、概念构思。
未引用参考文献
Ye?ilkanat和Kobya，2015。
作者声明
本提交符合伦理准则，所有作者均参与了本手稿的撰写。
利益冲突声明
所有作者声明不存在利益冲突。
数据可用性
数据可应作者要求提供
资助
本工作得到了伊玛目穆罕默德·伊本·沙特伊斯兰大学（IMSIU）科研处的支持与资助（项目编号：IMSIU-DDRSP2601）。
