一种基于物理知识的新颖人工智能框架，用于评估和预测室内氡浓度并对其进行风险分类

基于物理信息神经网络（PINN）的地质导向氡评估模型（GIRA）创新性地融合地质基础、断层、建筑材料及孔隙率数据，实现室内氡浓度高精度预测（MAE=52 Bq/m3，R2=0.96），并自动识别15.3%的高风险建筑，为环境健康风险评估提供新范式。

　　

Mutlu Zeybek

土耳其穆尔拉省穆尔拉大都会市地震与风险管理部门

摘要

室内氡气是导致肺癌的主要环境因素之一，但由于直接测量的实际困难，准确的风险评估仍然具有挑战性。本研究介绍了一种新型的物理信息神经网络（PINN）框架，该框架将氡气传输的物理定律与机器学习相结合，用于预测室内氡气浓度（Qt）。我们的“地质信息氡评估”（GIRA）模型考虑了来自地质基础（Qg）、断层（Qf）和建筑材料的氡气贡献（Qb），同时考虑了建筑的孔隙率。当在土耳其西部957个建筑物的数据集上进行验证时，PINN模型的表现显著优于传统的机器学习方法，平均绝对误差为52 Bq/m3，R2值为0.96。该框架成功地将15.3%的建筑物识别为高风险区域（>300 Bq/m3），证明了其在自动氡气风险分类方面的能力。这种基于物理的信息方法为积极的公共卫生规划和有针对性的氡气缓解策略提供了一个稳健、可解释且成本效益高的工具，从而在环境危害评估领域建立了新的范式。

引言

氡气（222Rn）是由固态铀（23?U）和镭（22?Ra）元素的辐射产生的，是一种无声、无味、隐蔽、有毒、惰性且具有放射性的惰性气体（UNSCEAR，1993；Yang等人，2025）。氡气的半衰期约为3.8天（UNSCEAR，1977）。氡气的来源主要包括地质基础、建筑材料和断层（Borgoni等人，2011；2014；Zeybek等人，2025）。如果富含铀的火山岩存在于断裂的地质基础和建筑材料中，氡气在封闭空间内会积累到最高水平（Gundersen等人，1992；Gundersen，1993）。氡气容易在封闭空间（如住宅、工作场所、度假村、封闭的矿山等）中积聚（Dicu等人，2023；Kubiak和Basińska，2025）。全球数百万人因室内氡气积累而患上肺癌（Bossew和Petermann，2022）和其他类型的癌症（例如肿瘤等）（Palmer等人，2023）。研究发现，室内氡气浓度每增加100 Bq/m3，患肺癌的风险大约增加16%（Darby等人，2005）。室内氡气浓度表现出不同的季节性波动模式（Seminsky和Seminsky，2019）。例如，冬季的室内氡气浓度高于夏季（Papaefthymiou等人，2003）。在冬季长时间关闭门窗会导致室内氡气浓度升高（Bossew和Lettner，2007）。相反，在夏季，由于长时间开窗以及使用风扇和空调，室内氡气浓度往往会降低（Tobar，2019）。

目前，室内氡气浓度的测量方法包括短期主动测量方法（如RadonEye等）（Zeybek和Kop，2022）和长期被动测量方法（如CR-39等）（Shabaan等人，2025；Zeybek和Alkan，2024）。由于多种原因（经济因素、官僚许可、物业所有者同意、测量设备获取难度、氡气专家数量不足等），使用传统方法在封闭空间内测量室内氡气浓度相当困难。需要一种快速、成本效益高（便宜）、新颖且基于现代人工智能的方法来去除封闭空间中的氡气。一些研究人员尝试使用基于人工智能的机器学习来估计室内氡气浓度（Daviran等人，2025；Elío等人，2023；Sakhaiaan等人，2023；Yang等人，2025）。然而，这些研究还不够充分且复杂，需要通过与各种数据库的整合进一步发展。我们的研究旨在通过提供一种现代的“基于AI的室内氡气浓度估计”和“基于AI的氡气风险分类”方法来填补这一科学空白。

本研究旨在通过引入一种新型的物理信息神经网络（PINN）框架来弥合这一关键差距。我们的“地质信息氡评估”（GIRA）框架通过将控制氡气生成和传输的物理定律直接嵌入AI的学习过程中，超越了基于相关性的预测方法。本研究的主要目标有两个：（1）开发一个稳健、可解释且成本效益高的模型，以准确估计室内氡气浓度（Qt）；（2）建立一个自动化的、可靠的氡气风险分类系统。通过将领域知识与数据驱动的智能相结合，这项工作为积极的環境健康风险评估和管理建立了新的范式。

材料与方法

基于文献中的基本术语（建筑（Egenhofer和Mark，2002）、地质基础（Vital等人，2020）、断层（Aydin，2000）和孔隙率（Fanchi，2010），创建了用于估计室内氡气浓度的数学公式、算法、人工神经网络以及2D和3D可视化图表（图1、图2、图3、表1）。此外，还使用氡气阈值（200 Bq/m3）获得了数学算法和流程图。

比较模型性能

所提出的物理信息神经网络（PINN）在所有验证场景中均表现出优于基准模型的性能。如表4所示，PINN在空间和建筑类型验证中均实现了最低的误差指标和最高的解释能力。

特别是在外部验证场景中，PINN的表现尤为突出，其准确率保持在较高水平（R2 = 0.90-0.94），而数据驱动的基准模型则表现出显著的性能下降。

超越以往AI在氡科学领域的应用

本研究代表了氡建模领域的重大范式转变，因为它超越了纯粹的数据驱动方法。虽然之前的研究已经证明了机器学习在氡气预测方面的可行性（Elío等人，2023；Oni等人，2022），但这些研究通常依赖于具有有限物理可解释性的基于相关性的“黑箱”模型。我们的物理信息神经网络（PINN）通过将控制氡气传输的物理定律直接嵌入其中，从根本上有所不同。

结论

本研究成功证明了通过物理信息神经网络（PINNs）将物理定律与人工智能相结合，可以为环境危害评估创建一个变革性的框架。开发的“地质信息氡评估”（GIRA）模型通过数学整合地质基础（Qg）、断层（Qf）、建筑材料（Qb）等的贡献，证明了其准确预测室内氡气浓度（Qt）的能力。

未引用的参考文献

Batlle, 2025; Bossew等人，2025; ?elebi等人，2014; Kemski等人，2009; Petermann和Hoffmann，2025; Seminsky等人，2019; Silva和Dinis，2017; WHO，2009; Wu等人，2023; Zeybek等人，2023.

代码可用性

本研究开发的代码可在以下链接公开获取： https://github.com/mutlu505/Indoor_Radon.AI_Estimator_Dr.-Mutlu-Zeybek/blob/main/README.md

利益冲突声明

? 作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

流程图来源于Untitled Diagram.drawio（https://app.diagrams.net/#DUntitled%20Diagram.drawio）。手稿的英文版本由Iliya Bauchi Danladi博士进行了校对。作者还感谢审稿人和编辑们的宝贵意见，这些意见对修改手稿起到了重要作用。