《Journal of Environmental Radioactivity》：Study on the release pattern of radon exhalation in the overburden soil of uranium tailings under arid climate and prediction based on Fully Connected Neural Network (FCNN)-based deep learning radon prediction model
编辑推荐：
本文通过模拟干旱条件下铀尾ings覆盖土壤的高温与日晒实验，提出基于全连接神经网络的氡排放率预测模型，并验证其在多因素耦合条件下的优越性，为铀尾ings场氡控制与修复提供新方法。
吴先伟|陈一凡|林东英|方世杰|肖乐|闫成彦|刘勇
深圳大学物理与光电工程学院，中国广东省深圳市518060
摘要
在高温和阳光照射条件下预测氡气排放率一直是铀尾矿管理单位面临的挑战性问题，这涉及到三个重要因素的耦合效应：温度、湿度和裂缝发生率。在干旱气候条件下，对铀尾矿的覆盖土壤进行了一系列不同温度下的室内模拟实验。提出了基于全连接神经网络（FCNN）的深度学习氡气预测模型，并通过与长短期记忆（LSTM）模型的误差比较，证明了基于FCNN的深度学习模型能够更好地反映氡气释放的规律，并更准确地表达温度、土壤含水量、覆盖层裂缝发生率与氡气排放率之间的关系。本文为铀尾矿中的氡气控制和预防提供了一种可行的预测方法。
引言
放射性废物的安全处置以及铀矿开采和冶金设施的安全与稳定性是核工业可持续发展的基本前提（Chen和Yao，2015年）。作为铀矿开采和冶金系统中放射性废物的主要储存库，铀尾矿池带来了重大挑战。这些尾矿含有大量半衰期较长的放射性元素，会持续释放氡气，从而影响环境和公共健康（Ballini等人，2020年；S等人，2020年）。氡气是一种一类致癌物，因此减少铀尾矿中的氡气排放对于铀尾矿池的修复至关重要。目前，通常采用土壤覆盖方法作为一种成本效益较高的修复技术（Dai等人，2022年；Ferry等人，2002年）。研究人员对氡气排放机制进行了大量研究（Saad等人，2018年）。研究发现，氡气排放率随颗粒大小和样品质量的增加而增加，随容器体积参数的增加而减少（Gavriliev等人，2022年）。还发现，氡气的传输机制取决于土壤类型：在沙质土壤中发生对流传输，在粘土质土壤中发生扩散传输（Tan等人，2012年）。在相同的材料和厚度条件下，氡气排放率随覆盖材料的分形维数的增加而增加。此外，氡气排放还受到外部环境参数的影响（Mostafa等人，2022年；Müllerová等人，2018年）发现降水与氡气排放率之间存在显著负相关，最大排放率（19.6 Bq·m?2·s?1）出现在阳光照射时，而最小排放率（8.7 Bq·m?2·s?1）出现在大雨之后。基于现场测量数据（Yang等人，2019年），温度对氡气排放率有正面影响，而气压的影响可以忽略不计（Chen等人，2021a）。观察到，随着水分含量的降低，覆盖层土壤的氡气排放率迅速增加，随后随着水分含量的进一步降低而趋于稳定。土壤性质显著影响氡气排放，尤其是在极端阳光照射下。土壤收缩和裂缝会显著增强氡气的渗透性；此外，裂缝的存在严重削弱了土壤作为氡气屏障的效果。
关于土壤收缩和裂缝的研究日益受到学术界的关注。Weinberger（1999年）分析天然土壤裂缝的裂面形态，发现裂缝可能从底部开始形成。土壤内的不连续性和层边界处的应力集中是这些裂缝发展的关键因素。Kitsunezaki（2009年）证明裂缝发展速率与干燥速率呈非线性依赖关系。虽然裂缝发展速率与土壤层厚度无关，但受土壤类型显著影响，通过湿干循环测试在三种不同压实的衬垫土壤上观察到裂缝扩展伴随着弹塑性能量的释放。Lakshmikantha等人（2012年）发现，样品宽度比和边界条件的变化显著影响裂缝的形成。Tollenaar等人（2017年）通过受控实验室实验表明，干燥过程中裂缝的起始和扩展受干燥速率的控制，而非初始含水量，裂缝处的含水量可能高于或低于液限；裂缝具有水平和向上扩展的特性，而小规模实验显示出明显的边界和尺寸效应。Tang等人（2008年）通过一系列实验室实验确认，温度、厚度、湿干循环次数和土壤类型显著影响土壤收缩裂缝的发展模式和特性。总体而言，影响裂缝发展的因素可分为两个方面：土壤的内在性质（如土壤类型和粘土含量）和外部环境条件（如温度和湿度）。
机器学习和深度学习的最新进展显著加速了氡气预测的建模。Panahi等人（2022年）首次提出了一个集成深度学习框架，结合了卷积神经网络（CNNs）、长短期记忆网络（LSTMs）和循环神经网络（RNNs），以量化韩国江原省西北部的空间氡气潜力。Bezzout和El Faylali（2023年）建立了基于深度神经网络的一维稳态氡模型（DLSRM-1D），该模型结合了扩散、对流、衰变和生成等不同传输机制，旨在近似预测土壤中的氡气浓度。McKenzie等人（2023年）结合了一维卷积神经网络（1D-CNN-RNN）和全连接神经网络（FCNN），用于预测受海水入侵（SGD）影响地区的沿海海水氡气，展示了如何利用基于现场的测量数据结合深度学习等大数据方法来评估更大范围内的氡气和海水入侵。
在高温和阳光照射条件下预测氡气排放率一直是铀尾矿管理单位面临的挑战性问题，这涉及到三个重要因素的耦合效应：温度、湿度和裂缝发生率。然而，当前的研究主要集中在单个环境因素对氡气排放的线性影响上，或对现有裂缝进行静态观察。这些方法未能有效量化多个因素动态相互作用下的氡气迁移机制。因此，现有模型在预测实际环境中的氡气排放率时在准确性和泛化能力方面存在显著不足。因此，本研究在模拟干旱条件下，利用自主研发的人工微气候室，研究了铀尾矿库覆盖层土壤中的氡气排放和干燥裂缝演变。基于FCNN架构开发了一个多因素氡气排放率预测模型，以量化气候-土壤-裂缝之间的相互作用。本研究不仅为铀尾矿池的修复工作提供了重要的理论模型和决策依据，也为类似环境问题的研究方法提供了新的方向。
测试材料
实验中使用的铀尾矿和覆盖土壤来自中国南部的一个铀尾矿池，经过杂质去除和干燥处理。铀尾矿的成分如表1所示。
实验装置
实验系统（如图1所示）包括一个自主研发的人工微气候室，其中模拟了中国南部铀尾矿池的覆盖层剖面。物理模型测试室由亚克力板构建。
氡气排放率的计算
氡气排放率定义为单位面积单位时间内释放的氡气活性（Hidayath等人，2023年），通常使用积累法进行测量。该方法包括在释放介质表面创建一个密封室。如图1所示，在收集期间室内氡气浓度逐渐增加。室内单位时间内氡气浓度增加的速率由以下公式给出（Dai等人，2021年）：
单因素结果分析
不同温度下的氡气排放率总结见表2。总体而言，在持续高温下，排放率随时间呈上升趋势。在相同的暴露时间内，较高的温度与较高的氡气排放率正相关。在45°C下，经过36小时连续阳光照射后，记录到的最高排放率为0.74693 Bq·m?2·s?1。
结论
本研究全面分析了高温和阳光照射条件下铀尾矿池覆盖层土壤中的氡气排放和裂缝发展情况，获得了重要见解。主要发现如下：
覆盖层土壤的氡气排放率在不同温度和光照条件下表现出明显变化。在30°C和35°C条件下，排放率最初逐渐增加，随后...
CRediT作者贡献声明
吴先伟：撰写初稿、争取资金、进行正式分析。陈一凡：撰写、审稿和编辑、软件开发、资源提供。林东英：方法论设计、调查实施。方世杰：项目管理、方法论指导。肖乐：数据整理、概念构思。闫成彦：项目管理。刘勇：数据可视化、验证、方法论验证。
资助
本研究得到了中国博士后科学基金会 - CClEG联合支持计划（资助编号：2025T015ZGMK）的支持。
利益冲突声明
作者声明没有利益冲突。
