【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...
【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...
【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。