基于人工智能的三维辐射场重建技术在同步辐射设施中的应用

《Radiation Measurements》：AI-Based Three-Dimensional Radiation Field Reconstruction for Synchrotron Radiation Facilities

辐射场三维重建与稀疏采样应用研究。采用3D U-Net++神经网络结合FLUKA蒙特卡洛模拟数据，实现同步辐射装置中极稀疏采样（<30点）下的辐射场分布高精度重构，并通过实测验证精度达96%以下误差范围，有效解决传统监测系统覆盖不足问题。

　　

陈家多|唐新宇|王林|蒋世平

中国科学技术大学国家同步辐射实验室，合肥 230029

摘要

确保同步辐射设施中的人员安全需要全面的辐射场监测。然而，传统的监测系统受到探测器数量有限和布局固定的限制，难以捕捉辐射场的复杂时空特性，导致无法到达区域的不确定性较大。为了克服这些限制，本研究开发了一种基于深度学习的计算框架，用于在极稀疏采样条件下重建三维辐射场。设计了一个3D U-Net++神经网络来模拟场分布的非均匀性和时变性，并使用FLUKA蒙特卡洛模拟生成的高保真数据集进行训练。该模型通过合肥光源的实验剂量测量进行了进一步验证。验证结果表明，该网络使用不到30个采样点就能准确恢复大尺度辐射场的关键空间特征，显示出其在稀疏采样下的有效性和工程可行性。这项工作代表了基于神经网络的辐射场映射技术在同步辐射设施中的首次应用，并通过实际测量数据确认了其可靠性。所提出的方法为传统监测系统的有限空间覆盖范围提供了实用的解决方案，并为开发高分辨率、全空间、实时的辐射监测系统（如合肥光源）奠定了技术基础。

引言

同步辐射设施是大规模的辐射装置，具有复杂的设施布局和多样的辐射源，其辐射场具有非均匀性和动态变化的特点^[1]。辐射监测是获取工作场所辐射场信息的主要方法，能够实时识别潜在危险，防止设备损坏并确保人员和设施的安全。然而，在实际运行中，监测点覆盖不足和空间分辨率有限等问题很常见，这使得难以全面捕捉复杂辐射场的空间特性[2]，[3]。

辐射场重建是指基于有限的运行参数、观测数据和数值模拟结果来预测整个空间域的辐射分布。其主要目标是提高辐射安全评估的准确性，支持事故分析和应急响应，优化监测网络的布局，并能够在无法到达的区域进行剂量评估。辐射场重建不仅有效缓解了监测覆盖不足的问题，还允许更准确地评估运行条件，便于数据整合和智能分析。

近年来，随着人工智能的发展，基于神经网络的辐射场重建方法引起了广泛关注。利用数据驱动机制，神经网络能够有效捕捉辐射场分布中的复杂非线性模式。与传统的插值和源项反演方法相比，它们具有更高的预测准确性、更强的泛化能力和更高的计算效率。然而，大多数现有研究仍局限于简化场景，通常依赖于过于密集的采样，这与实际辐射环境有很大偏差。因此，这些方法难以处理复杂的辐照条件和复杂的几何形状，不适合在大型辐射设施中实际应用[4]，[5]，[6]，[7]。

在本研究中，使用FLUKA代码对合肥光源（HLS）的储存环进行了建模[8]，[9]。基于不同的束流损失模型和气体轫致辐射过程，模拟了三维辐射分布，以构建用于神经网络训练和验证的数据集。在此基础上，开发了一种三维U-Net++架构，利用少量的探测器读数作为输入，实现了储存环大厅中光子剂量分布的三维重建。实验中，在HLS储存环大厅部署了有限数量的探测器，持续两个月测量辐射水平，这些数据用于辐射场表征和神经网络预测的验证。

本研究证明了在真实同步辐射设施中，使用有限数量的辐射探测器进行三维辐射场重建的神经网络方法的可行性。该方法旨在作为辐射场表征的辅助工具，而不是直接用于个人剂量评估。实验验证侧重于评估模型在真实运行条件下的性能和局限性。在未来的研究中，将整合更广泛的实验测量数据，以进一步提高模型的鲁棒性和泛化能力，长期目标是支持其在工程实践中的应用。

部分摘录

HLS

HLS是一种第二代同步辐射设施，包括注入系统、储存环、束线和实验站。储存环的周长为66.13米，有八个长直线段和八个弯曲磁铁，每个磁铁的有效长度为1.7米，偏转角度为45°。环的几何布局如图1所示。

电子束的电流为500 mA，能量为800 MeV，束流寿命为

使用基于模拟的数据集进行验证

神经网络预测结果通过验证数据集和测量数据进行了验证。图6显示了一组随机选择的神经网络重建剂量分布与相应原始分布的对比，左侧面板展示了预测结果，右侧面板展示了测量结果。

对整个验证数据集的预测性能进行了统计分析，如图7所示。

结论

本研究使用3D U-Net++网络基于少量的监测数据重建了HLS储存环大厅的辐射场。输入数据集包含不到30个样本。与模拟结果相比，大约82.1%的预测区域的差异低于20%，96%的区域的差异低于50%，少于1%的区域的差异超过100%。与20组实际测量数据相比，有10组数据显示出

数据访问声明

由于本研究中没有生成或分析任何数据集，因此不适用数据共享。

CRediT作者贡献声明

蒋世平：撰写 – 审稿与编辑、监督、资源提供、方法论、概念化。王林：撰写 – 审稿与编辑、监督、资源提供、资金获取。陈家多：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论、调查、形式分析、数据管理、概念化。唐新宇：初稿撰写、方法论

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

数据可用性

数据可应要求提供。

关于写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了ChatGPT来提高手稿的可读性和语言表达。使用该工具后，作者根据需要对内容进行了审阅和编辑，并对发表文章的内容负全责。

资助

本研究得到了国家自然科学基金（编号12405173）的支持。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

我们衷心感谢合肥光源（HLS）束线组的同事们提供的宝贵技术支持。他们的深入讨论极大地促进了我们工作的改进。