【技术实现步骤摘要】
本专利技术涉及核辐射防护，尤其是基于gat-lstm的放射性核素扩散预测方法及系统。
技术介绍
1、核安全问题备受关注，放射性污染对人类和自然环境造成不可逆转的伤害。因此，核事故后果评价中的核素扩散模拟研究非常重要，有助于科学指导核应急决策。核素扩散模拟研究逐渐兴起，该研究涉及核物理学、大气环境科学和计算机科学等多个学科，已经发展出成熟的理论基础和应用模式，该研究逐渐从真实场景监测实验转向借助计算机模拟仿真。随着深度学习技术的不断发展和成熟，深度学习在核素扩散模拟领域的使用也愈加广泛。
2、卷积神经网络（cnn）是一种深度学习模型，它通过卷积层、池化层、全连接层等结构实现特征提取和分类。它被广泛的应用于图像识别、语音识别、自然语言处理等领域。卷积神经网络（cnn）在时序预测中也有着不错的效果，如刘旭林等提出了一种pm2.5浓度预测模型cnn-seq2seq。sahin提出了一种利用cnn模型模拟空气污染监测问题的方法，该方法可以预测监测缺失的空气污染物浓度。
3、循环神经网络（rnn）是一种具有记忆能力神经网络结构。它的基本结构包括一个隐藏层和一个输出层，其中隐藏层可以接收并存储来自输入序列的信息。rnn多用于处理和预测序列数据，如自然语言处理、语音识别、机器翻译等领域。由于rnn具有一定的记忆能力，因此可用于预测污染物浓度，如李树刚等使用rnn网络模型来预测煤矿工作面的瓦斯浓度；黄捷等利用rnn-cnn混合模型预测pm2.5的浓度。
4、长短期记忆网络（lstm）作为一种循环神经网络，与传统
5、综上所述，多种深度学习方法已被很好的证明可以对大气、环境中的污染物进行预测。虽然放射性核素在大气中的扩散与一般污染物有一定的相似性，但传统的扩散预测模型并不能完全适应放射性核素的扩散预测要求，放射性核素的扩散预测模型相较于一般大气污染物的扩散预测模型更加复杂，需要考虑核素的衰变以及干湿沉积等因素对核素扩散的影响，干湿沉积主要是指放射性核素在大气中的沉降过程；干沉积是指放射性核素以固体颗粒的形式由空气中直接沉降到地面或水体表面，这些颗粒可以在空气中悬浮一段时间，然后由于重力或附着于颗粒上的其他物质的作用而沉降；湿沉积是指放射性核素通过降水（比如雨水、雪、露）携带到地面或水体表面的沉降过程，放射性核素通常以溶解或悬浮的形式存在于降水中，通过雨滴或雪晶的形式降落到地面；干湿沉积是大气中放射性核素的主要沉降途径，这取决于核素的物理性质、空气运动和气象条件等因素。另外放射性核素扩散还受温度、相对压强、风速、风向等气象因素的综合影响，同时也受不同类型的下垫面因素影响。例如在城市下垫面中，城市建筑物的分布、高度、形状以及街谷结构均会对来流风的风向和风速产生影响，从而影响气载放射性核素的扩散；在植被下垫面中，由于植被具备吸附和改变流场的能力，单一类型植被和多类型植被都或多或少地影响着放射性核素的扩散。对于不同类型的下垫面因素对核素扩散的影响研究，过去都是集中分析研究各个单一下垫面对核素扩散的影响，横向对比不同下垫面对核素扩散的影响。然而，对于在同一扩散场景，由不同下垫面组合而成的复杂下垫面下的核素扩散研究却鲜有涉及。
技术实现思路
1、为了克服上述现有技术中的缺陷，本专利技术提供基于gat-lstm的放射性核素扩散预测方法，综合考虑多种因素对核素扩散的影响，核素扩散预测精度更高。
2、为实现上述目的，本专利技术采用以下技术方案，包括：
3、基于gat-lstm的放射性核素扩散预测方法，gat-lstm网络模型包括：gat网络模块、lstm网络模块、fc网络模块；
4、放射性核素扩散预测方法包括以下步骤：
5、s1，获取各个时间步下的放射性核素扩散数据，将各个时间步下的放射性核素扩散数据分别转换为图数据，构建图时序数据；
6、s2，将图时序数据中各个时间步下的图数据分别经过gat网络模块，进行各自时间步下的空间特征提取，得到各个时间步下的图数据空间特征；
7、s3，将提取到的各个时间步下的图数据空间特征作为时序嵌入向量，输入到lstm网络模块进行时间特征提取，得到图时序数据的时空特征；
8、s4，将提取到的图时序数据的时空特征输入fc网络模块，得到放射性核素浓度的预测值。
9、步骤s1中，在图数据中，将各个监测区域作为节点，将监测区域的放射性核素浓度、风速、风向、相对压强以及下垫面信息作为节点特征，将各个监测区域之间的相互影响作为边以建立节点之间的连接关系。
10、优选的，针对由多种下垫面构成的复杂下垫面场景，在不同下垫面中分别设有监测区域，在同一下垫面中设有多个监测区域。
11、优选的，利用各节点的k近邻节点与皮尔逊相关系数来建立节点之间的连接关系：各节点默认与最近的k个节点连接，在此基础上，通过皮尔逊相关系数来计算两个节点之间的相关性，设定相关性阈值来确定节点之间额外的连接关系，若两个节点之间的皮尔逊相关系数大于相关性阈值，则该两个节点之间建立连接，否则该两个节点之间不建立连接关系。
12、优选的，皮尔逊相关系数的计算公式如下：
13、
14、式中， r表示两个节点之间的皮尔逊相关系数， x i和 y i分别为两个节点的第 i个节点特征， n表示节点特征的总数； r值越大，表示两个节点之间的相关性越大；当 r等于1时，表示两个节点之间完全相关；当 r等于0时，表示两个节点之间完全独立。
15、优选的，gat-lstm网络模型的全局训练过程，具体如下所示：
16、s11，根据预测目标，设定gat-lstm网络模型输入的时间步数量为m，输出的时间步数量为p；
17、s12，获取放射性核素浓度扩散时序数据并转换为图时序数据，创建样本数据；所述样本数据包括：图时序数据 g={ g t+1, g t+2,…, g 本文档来自技高网...
【技术保护点】
1.基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，GAT-LSTM网络模型包括：GAT网络模块、LSTM网络模块、FC网络模块；
2.根据权利要求1所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，步骤S1中，在图数据中，将各个监测区域作为节点，将监测区域的放射性核素浓度、风速、风向、相对压强以及下垫面信息作为节点特征，将各个监测区域之间的相互影响作为边以建立节点之间的连接关系。
3.根据权利要求2所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，针对由多种下垫面构成的复杂下垫面场景，在不同下垫面中分别设有监测区域，在同一下垫面中设有多个监测区域。
4.根据权利要求2所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，利用各节点的k近邻节点与皮尔逊相关系数来建立节点之间的连接关系：各节点默认与最近的k个节点连接，在此基础上，通过皮尔逊相关系数来计算两个节点之间的相关性，设定相关性阈值来确定节点之间额外的连接关系，若两个节点之间的皮尔逊相关系数大于相关性阈值，则该两个节点之间建立连接，否则该两个
5.根据权利要求3所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，皮尔逊相关系数的计算公式如下：
6.根据权利要求1至5任意一项所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，GAT-LSTM网络模型的全局训练过程，具体如下所示：
7.根据权利要求6所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，GAT-LSTM网络模型在全局训练过程中，采用Adam优化器进行参数更新，选择均方误差MSE作为损失函数，选择平均绝对百分比误差MAPE作为评价指标；其中，
8.根据权利要求6所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，步骤S12中，建立由多种下垫面构成的复杂下垫面几何模型，假设放射性核素的释放源，采用CFD软件模拟生成放射性核素扩散时序数据。
9.根据权利要求8所述的基于GAT-LSTM的放射性核素扩散预测方法，其特征在于，设定不同的压力损失系数代表不同的下垫面，即下垫面信息为压力损失系数。
10.基于GAT-LSTM的放射性核素扩散预测系统，其特征在于，系统适用于如权利要求1至5中任意一项所述的基于GAT-LSTM的放射性核素扩散预测方法；
...【技术特征摘要】
1.基于gat-lstm的放射性核素扩散预测方法，其特征在于，gat-lstm网络模型包括：gat网络模块、lstm网络模块、fc网络模块；
2.根据权利要求1所述的基于gat-lstm的放射性核素扩散预测方法，其特征在于，步骤s1中，在图数据中，将各个监测区域作为节点，将监测区域的放射性核素浓度、风速、风向、相对压强以及下垫面信息作为节点特征，将各个监测区域之间的相互影响作为边以建立节点之间的连接关系。
3.根据权利要求2所述的基于gat-lstm的放射性核素扩散预测方法，其特征在于，针对由多种下垫面构成的复杂下垫面场景，在不同下垫面中分别设有监测区域，在同一下垫面中设有多个监测区域。
4.根据权利要求2所述的基于gat-lstm的放射性核素扩散预测方法，其特征在于，利用各节点的k近邻节点与皮尔逊相关系数来建立节点之间的连接关系：各节点默认与最近的k个节点连接，在此基础上，通过皮尔逊相关系数来计算两个节点之间的相关性，设定相关性阈值来确定节点之间额外的连接关系，若两个节点之间的皮尔逊相关系数大于相关性阈值，则该两个节点之间建立连接，否则该两个节点之间不建立连接关系。
5.根据权利要求3所述的...
【专利技术属性】
技术研发人员：汪建业，李夏娟，张子恒，陈春花，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。