基于长短期记忆网络的涉核运输事故后果预测.pdf

第 41 卷 第 4 期2023 年 8 月辐射研究与辐射工艺学报 J.Radiat.Res.Radiat.PVol.41 No.4August 2023基于长短期记忆 网 络 的 涉 核 运 输 事 故 后果预测阮灵盼1,2 陈春花1 陈黎伟3 阮 方1,2 李夏娟2 汪建业11（中国科学院合肥物质科学研究院 合肥 230031）2（中国科学技术大学 合肥 230026）3（合肥师范学院 合肥 230026）摘要 涉核部件在运输过程中，会因不可抗力因素发生化学爆炸事故，造成放射性核素的泄漏。在此类源项信息不完整、地形复杂的放射性核素扩散情景下，实现核素浓度变化的快速预测对于核应急决策具有重要意义。本文以山丘下垫面下含钚炸药运输化学爆炸事故为研究场景，提出了一种基于堆叠式LSTM网络的核运输爆炸事故放射性核素浓度预测方法。本文通过计算流体学（CFD）软件OpenFOAM模拟生成放射性核素Pu-239的扩散数据，根据地理特征和人口密度，选择特定区域的核素浓度和气象时序数据作为堆叠式LSTM网络训练和预测的数据集。基于网格搜索寻找局部最优的模型结构，最终所提出的模型在150次迭代内可以稳定地达到平均绝对百分比误差（MAPE）低于5%的Pu-239核素浓度预测效果。该模型具有较好的预测效率，在突发核应急场景中具有较高的实用价值。关键词 核应急，化学爆炸事故，涉核运输，放射性核素中图分类号 TL73，TL91DOI:10.11889/j.1000-3436.2023-0016引用该文：阮灵盼,陈春花,陈黎伟,等.基于长短期记忆网络的涉核运输事故后果预测J.辐射研究与辐射工艺学报,2023,41(4):040601.DOI:10.11889/j.1000-3436.2023-0016.RUAN Lingpan,CHEN Chunhua,CHEN Liwei,et al.Consequence prediction in nuclear transport explosion accident using long short-term memory networkJ.Journal of Radiation Research and Radiation Processing,2023,41(4):040601.DOI:10.11889/j.1000-3436.2023-0016.Consequence prediction in nuclear transport explosion accident using long short-term memory networkRUAN Lingpan1,2 CHEN Chunhua1 CHEN Liwei3 RUAN Fang1,2 LI Xiajuan2 WANG Jianye11(Hefei Institutes of Physical Science,Chinese Academy of Sciences,Hefei 230031,China)2(University of Science and Technology of China,Hefei 230026,China)3(Hefei Normal University,Hefei 230026,China)基金资助：安徽省高校优秀青年人才支持计划一般项目（gxyq2022060）资助第一作者：阮灵盼，男，1998年2月出生，2020年毕业于浙江工业大学并获得理学学士学位，现为能源动力硕士研究生，从事核素扩散模拟技术研究通信作者：陈春花，博士，副研究员，E-mail:收稿日期：初稿 2023-03-01；修回 2023-03-21Supported by Outstanding Talent Support Program in University of Anhui Province(gxyq2022060)First author:RUAN Lingpan(male)was born in February 1998,and graduated from Zhejiang University of Technology with a bachelors degree in science in 2020.Now he is a graduate student of energy and power,engaged in nuclear diffusion simulation technical support researchCorresponding author:CHEN Chunhua,doctoral degree,associate professor,E-mail:Received 01 March 2023;accepted 21 March 2023阮灵盼等：基于长短期记忆网络的涉核运输事故后果预测0406012ABSTRACT During the transportation of components related to nuclear materials,accidental chemical explosions may occur,resulting in the release of radionuclides.Effective decision-making during nuclear transport accidents,especially in cases with incomplete source information and a complex terrain,requires the rapid prediction of changes in radionuclide concentration.This paper proposes a method for predicting the concentration of radionuclides resulting from nuclear transport explosion accidents based on stacked long short-term memory(LSTM)networks.Specifically,this study considered plutonium-containing explosive transport and chemical explosion accidents under the pad surface of a hill as a research scenario.The diffusion data of radionuclide Pu-239 were simulated using the computational fluid dynamics(CFD)software OpenFOAM.Nuclide concentration and meteorological time series data of a specific area were selected for stacked LSTM network training and prediction based on geographical characteristics and population density.The proposed model,optimized using grid search,can stably achieve a mean absolute percentage error(MAPE)of less than 5%within 150 iterations for Pu-239 nuclide concentration prediction.The model is highly efficient and has significant practical value for use in nuclear emergencies.KEYWORDS Nuclear emergency,Chemical explosion accident,Nuclear transport,Radionuclide concentration predictionCLC TL73,TL91涉核部件在运输过程中，会因不可抗力因素发生化学爆炸事故，造成了放射性核素的泄漏。按照美国国防部 1990 年 9 月颁布的 Nuclear weapon accident response procedures，核武器事故的起因大致分为7类，其中第四类为核武器化学爆炸引起的放射性污染事故1。1950年至1968年间，美国至少发生了22起因地面交通事故引起的核武器事故，其中大部分起因为化学爆炸2-3。Pu-239是核武器中重要的裂变材料之一，在化学爆炸带来的高温高压环境下，Pu-239很容易以气溶胶形式泄漏4，其通过内照射很容易在人体骨髓脏器等器官和组织中富集，对人体生命健康具有长期危害影响5-6。目前，核素扩散的主流研究方法主要有大气示踪实验、风洞实验和数值模拟7-8。大气示踪和风洞实验方法虽然真实性高，但所需花费的时间和经济成本相对较高。另一种更有效的研究核素扩散的方法是通过高斯、拉格朗日、欧拉和计算流体动力学等数值模型来实现对不同的事故场景的建模和分析9-12。其中，计算流体力学方法在求解复杂地形下大气污染物的扩散分布时尤为有效13-14。这类方法模拟精度高，被广泛应用于复杂场景，但缺点是其对输入源项信息、气象信息、地理信息等边界条件依赖性大，对预置参数精度要求很高15。然而，在发生核运输化学爆炸事故时，源项信息往往难以直接获取，且此类事故具有随机性特点。地理位置、气候多变、地理条件复杂等特点，使得传统主流核素扩散模拟方法难以及时应对。因此，对源项信息不完备、下垫面复杂场景下的核素扩散预测研究具有重要意义。长短期记忆网络是循环神经网络的改进算法，由Hochreiter于1997年首先提出16。基于堆叠式长短期记忆（Long short-term memory，LSTM）的网络模型已证明其在环境科学研究中记忆长程依赖性的出色能力。Zhao等17提出了一种基于LSTM 空气污染预测模型，利用历史空气质量数据、气象数据和天气预报数据来预测特定空气质量监测站48 h内的PM2.5污染情况。Yang等18提出了一种集成了贝叶斯优化、经验分解和LSTM的混合模型，实现了CO2浓度的长期预测。LYU等19提出了一种基于LSTM的编码器-解码器模型，实现了气体浓度的短期预测。本文基于场景相似性，将LSTM网络应用于放射性核素预测研究。本文提出了一种基于堆叠式LSTM网络方法来预测源项信息不完备情况下的放射性核素浓度变化。以山丘下垫面含钚炸药运输化学爆炸事故为研究案例，通过获取爆炸后特定区域放射性核素Pu-239的浓度值和气象时序数据，预测未来放射性核素浓度变化。本研究可为核应急决策提供数据参考，有利于降低核应急成本。1 方法本研究的总体技术路线如图1所示，主要包括数据集准备和LSTM预测两部分。在预测放射性核素浓度分布变化过程中考虑了化学爆炸事故后的辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:0406010406013气象因素。由于真实的放射性核素浓度数据难以获取，本文通过选取基于课题组前期研究已得验证的CFD仿真模型来模拟核素扩散过程20-21，以此得到核素扩散的原始时序数据。将原始数据经过图1右侧所示的一系列流程处理，转化为可供网络模型训练与预测的数据集。最后，通过对比模型预测值与CFD模拟值的相对误差来验证本研究的有效性，通过展示网络模型的收敛速度来证明模型的实用性。1.1 计算流体力学方法CFD方法在模拟复杂条件下核素扩散场景中被广泛应用。常用于计算模型内部或周围的流体流动，是一种多物理场耦合的解决方法。此方法的计算涉及多种现象的相互作用，包括流体力学和热力学。其基本原理是对连续的流体偏微分方程求数值解，以离散的数值解来近似模拟流体运动。本文利用CFD软件OpenFOAM模拟含钚炸药运输化学爆炸事故下的放射性核素分散过程，主要包括流场模拟和放射性核素浓度模拟20-21。1.1.1 流场模拟流场的质量守恒方程与动量守恒方程见式（1）、（2）。()u ixi=0(1)()u it+()u iu jxi=-p xi+xj(u ixi-uiuj)(2)式中：为放射性气溶胶密度，kg/m3；t为时间，s；u为速度，m/s；为动力黏度，kg/（ms）。1.1.2 放射性核素浓度模拟放射性核素浓度变化还须考虑其在扩散中发生的衰变和沉积作用，因此，放射性核素浓度方程由式（3）给出。Ct+()uiCxi=xi(cCxi)+Sc+R+D(3)式中：C表示放射性核素的浓度，Bq/m3；c表示湍流扩散系数，m2/s；ui则表示在三维方向上的流体速度，m/s；Sc表示放射性核素泄漏的源，Bq/（m3s）；R和 D 表 示 因 核 素 衰 变 和 沉 积 而 产 生 的 汇，Bq/（m3s）。1.2 长短期记忆网络（LSTM）长短期记忆网络（LSTM）是一个同时拥有长时期记忆和短时期记忆的循环神经网络。其单元结构如图2所示。图1总体技术路线Fig.1Technical route阮灵盼等：基于长短期记忆网络的涉核运输事故后果预测0406014LSTM单元包含3种状态和3种特殊的门结构。存储单元状态（C）保留时间序列中的隐藏信息，以便LSTM单元保持长期依赖关系；输出状态（H）保留当前时刻LSTM单元的隐藏信息；输入状态（X）是当前时刻的输入信息。三种特殊的门结构分别为遗忘门、输入门和输出门，本质上是不同状态之间的组合操作。遗忘门借助Sigmoid激活函数为先前状态分配介于0与1之间的值，通过与先前状态相乘的方式来控制长期记忆的遗忘程度，其中，1代表完全保留，0代表完全遗忘；输入门通过Sigmoid和Tanh激活函数来控制当前时刻下输入信息在长期状态的嵌入程度；输出门则通过Sigmoid激活函数控制当前状态下的信息输出程度，即短期记忆的传播。最初的LSTM网络模型是由一个隐含的LSTM层和一个标准的前馈输出层组成。随着深度神经网络的提出，越来越多的研究显示，通过增加额外的隐含层和神经元，可以使得神经网络有更大的特征抽取能力22-24。深度神经网络可以视为一个处理通道，每一层都会解决一部分问题，每一层的输出作为特征抽象的Embedding，再将其传递给下一层，直至输出最后结果。堆叠的LSTM网络具有多个隐含的LSTM层，其中每个层包含多个LSTM单元。由于LSTM网络是对时序数据进行处理操作，意味着随着时间的推移，隐含层的增加可以提升模型对输入的抽象提取能力，不同的隐含层从不同的时间尺度上对输入进行观察23。堆叠式LSTM网络结构如图3所示。2 案例研究2.1 场景源项介绍美国“Roller Coaster”25实验曾对含钚炸药进行了爆轰实验，得到了不同爆炸质量、不同炸药容器和爆炸烟云高度、顺风方向下不同爆炸物不同位置的气溶胶浓度、沉积活性和放射性活度的分布规律。基于历史实验数据26-27，得到TNT炸药质量与爆炸烟云高度和半径之间的经验公式如式（4）所示。图2LSTM单元结构图（“”表示哈达玛积，“+”表示矩阵加法）Fig.2LSTM unit(denotes the hadamard product,+denotes the matrix addition)图3堆叠式LSTM网络结构图Fig.3Stacked LSTM network辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:0406010406015 HTNT=61.54W14RTNT=13.13W14(4)式中：HTNT表示TNT爆炸产生的柱状烟云的高度，m；RTNT表示TNT爆炸产生的柱状烟云的半径，m；W表示TNT的质量，kg。依据典型的运输事故情景和爆炸烟云经验公式，本研究将含钚炸药在运输过程中的化学爆炸事故设定为研究场景。设置爆炸初始柱状烟云高度范围为0249 m，半径为53 m。选择放射性核素Pu-239作为源项，初始源强度设置为1109 Bq/m3，东北方向风速设置为1.4 m/s。爆炸烟云扩散的下垫面设置为3 km3 km的山丘地形，下垫面模型如图4所示。在地形和植被等复杂条件的影响下，近地表气流容易产生湍流。为了准确模拟泄漏核素的分布，本文引入标准k-湍流模型13，综合考虑核素衰变和动量源损失，并建立了基于CFD方法的改进模型，模拟事故条件下放射性核素的扩散过程。简化后的质量守恒方程与动量守恒方程如式（5）、（6）所示。()-uixi=0(5)()u it+()u iu jxj=-p xj+xi ()+i()u ixi+u xi+g+Su iSu i=-()12-uj-ui(6)式中：i表示湍流黏度，kg/（ms）；Sui表示动量源损失，Bq/（m3s）；表示压力损失系数，m-1。泄漏的放射性核素会受衰变和沉积的影响，因此浓度方程（式（3）也需要针对沉积和核素衰变进行修正20，28。目前，化学爆炸事故中放射性气溶胶源的相关实证数据表明，钚材料化所需的能量为2 MJ/kg，炸药化学爆炸中提供的能量一般大于此值29。因此，约95%的钚材料在化学爆炸中会被雾化，80%的气溶胶颗粒的粒径小于1 mm，10%的粒径介于 1020 mm，10%的粒径大于 20 mm30。因此，本文将沉积因子设置为1102。修正后的放射性核素浓度方程可写为式（7）。(C)t+()u iCxi=xi()cCxi+SC-()d+vdCd=0.693T1/2(7)式中：d表示核素衰变因子；vs表示核素沉积因子；T1 2（d）表示核素半衰期。2.2 数据处理数据预处理流程图如图1中的红色虚线框所示，其中包括：扩散数据的可视化、预测区域的选择、预测区域的数值计算、数据筛选和标准化以及数据集分区。步骤1：扩散数据的可视化。根据2.1中设置的源项，从OpenFOAM获得Pu-239的扩散数据，扩散数据时间步长为5 s，总扩散时间为80 min。图5展示了Pu-239扩散分布在200 m高度的浓度变化图，其中ln（C）为浓度的自然对数，白色区域为山丘的部分。图4山丘下垫面模型Fig.4Underlying surface model阮灵盼等：基于长短期记忆网络的涉核运输事故后果预测0406016图5Pu-239浓度在不同时间的水平分布（Z=200 m）（彩色见网络版）Fig.5Horizontal distribution of Pu-239 concentration at different time(in the XY plane where Z=200 m)(color online)辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:0406010406017步骤2：选择预测区域。根据地理位置的特殊性和人动密度，选择了两个放射性核素监测和预报区域，即：区域 A:X(1 600 m,1 700 m),Y(1 300 m,1 400 m)区域 B:X(930 m,1 030 m),Y(1 100 m,1 200 m)图6中的矩形表示所选区域。步骤3：预测区域的数值计算。计算选定区域各数据在每个时间步长的平均值，得到该区域的960个代表性数据，作为初步放射性核素扩散时间序列数据集。表1显示了数据集的一部分，其中数据集的特征包括放射性核素浓度、相对压强和三维风速。步骤4：数据筛选和标准化。放射性核素浓度小于110-6的数据由监测设备的最小范围过滤掉。为了减小数值量级差异大对神经网络预测精度的影响，通过 z-score 方法对数据进行归一化。z-score公式见式（8）。x=x-(8)式中：表示数值平均数；表示数值标准差；x表示原始数据；x表示标准化后的数据。步骤5：数据集划分。考虑到研究场景的特殊性，数据以91的比例分为训练集和测试集。2.3 基于堆叠式LSTM网络的预测模型2.3.1 输入数据特征一旦发生化学爆炸事故，监测设备立即赶到目标区域，监测获取N条数据。根据核应急救援要求，对应设置输入数据参数M和P值，其中，M值表示预测需要输入数据的时间长度，P值表示预测预期的未来时刻。假设M=10且P=3，LSTM网络的意义是根据当前时刻前10个时间步的数据，预测当前时刻未来第3个时间步的放射性核素浓度。输入数据格式如图7所示。图6Pu-239浓度在10 min时的水平分布（Z=200 m）Fig.6Horizontal distribution of Pu-239 concentration at 10 min(in the XY plane where Z=200 m)表表1区域区域A处处780 s至至815 s的原始数据的原始数据Table 1Preliminary data from 780 s to 815 s in area A时间/sTime780785790795800805810815浓度/(Bqm3)Concentration19.187 1120.816 6122.555 5824.408 3326.379 0128.471 6030.689 7933.036 92相对压强/PaRelative pressure0.3369 060.3372 670.3376 520.3379 430.3381 820.3384 760.3386 630.3387 99X轴风速/(ms1)Wind speed-X0.300 3330.300 5990.300 8720.301 1490.301 4290.301 7140.301 9960.302 280Y轴风速/(ms1)Wind speed-Y1.239 8891.239 9671.240 0331.240 1111.240 1671.240 1781.240 1891.240 167Z轴风速/(ms1)Wind speed-Z0.040 3550.040 4890.040 6250.040 7650.040 9070.041 0520.041 1990.041 349图7输入数据格式Fig.7Input data format阮灵盼等：基于长短期记忆网络的涉核运输事故后果预测04060182.3.2 优化器Adam优化器在训练复杂的神经网络时有着较快的收敛速度并能达到较好的训练结果。文本选取Adam优化器来训练LSTM网络。Adam本质上是一种随机优化算法，它基于梯度的一阶矩估计和二阶矩估计来计算不同参数的相应自适应学习率。简单来说，Adam算法计算梯度的滑动平均，并通过超参数b1和b2控制滑动平均的衰减率。参数更新过程如式（9）所示31-32。mt=1mt-1+(1-1)gtvt=2vt-1+(1-2)gt2mt=mt1-1tvt=vt1-1tt+1=t-vt+mt(9)式中：t表示时间；mt和vt分别表示梯度gt的一阶矩估计和二阶矩估计；mt和vt是修正后的mt和vt；t表示需要被更新的参数；表示初始学习率；、1和2分别是要被设置的超参数；在本文中，使用Adam优化器默认超参数，它们分别为103、108、0.9和0.999。2.3.3 损失函数和评价指标放射性核素浓度的预测问题属于机器学习中的回归问题。选择合适的损失函数和评价标准对网络训练的收敛速度和预测的准确性具有重要影响。考虑到不同时间放射性核素浓度的大小变化较为剧烈，因而选择平均绝对误差（MAE）作为损失函数，选择平均绝对百分比误差（MAPE）作为评价指标。MAE和MAPE公式如式（10）所示。MAPE=100%nt=1n|Yt-YtYtMAE=1nt=1n|Yt-Yt(10)式中：n表示样本数量；Yt表示预测值；Yt表示真实值。2.3.4 模型网络结构模型网络层包括输入层、LSTM层、全连接层和输出层。各功能层的深度、各层神经元的数量以及连各层的激活函数都深刻影响着网络模型的精度和收敛速度。本文使用网格搜索的方法优化网络结构，对于需要设置的超参数：LSTM层数、密集层数、每层单元数预先给定一个范围，形成参数空间。通过遍历参数空间中的参数组合，依据时间和精度，选取性能最佳的参数组合。通过网格搜索得到的模型性能对比结果和模型运行时间对比结果如表2和表3所示。网格搜索比较 200 次迭代中所有参数组合的最小 MAE 和MAPE，当LSTM层数为8、密集层数为2、单元数为16时，模型性能最佳。将MAE和MAPE与4、8、16和32个单元进行比较，发现每层中的单元越多，模型性能越好。但当单元数增加到64个时，模型性能并没有显著变化，而运行时间却显著增加。基于模型性能和模型运行时间，本文最终选取的网络结构为LSTM层数设置为8，密集层数设置为2，隐藏层单元数设置为16。表表2基于网格搜索的模型性能对比基于网格搜索的模型性能对比Table 2Model performance comparison based on grid searchLSTM层数LSTM layers单元数=4Units=4单元数=8Units=8123123220.348 723.620 712.36210.047 413.893 817.251 5431.069 519.986 64.045 329.5056.885 718.299636.874 229.2474.0297.370 48.254 311.066 9838.786 340.358 315.346 512.775 618.402 927.215 3216.607 519.562 910.433 48.583 111.856 815.028 9426.246 516.609 63.514 124.929 65.804 615.568 3629.982 825.029 43.283 46.314 87.172 19.002831.63133.310 112.756 710.769 615.239 723.059 8全连接层数Dense layers平均绝对误差/(Bqm3)MAE平均绝对百分比误差/(Bqm3)MAPE辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:0406010406019单元数=16Units=16单元数=32Units=32单元数=64Units=161231231235.618 73.481 44.682 310.564 57.204 48.9454.863 76.1286.610 48.727 55.687 89.550 55.629 73.873 111.334 58.404 57.228 810.830 34.187 95.962 66.833 69.159.700 53.335 77.964 37.5269.958 99.550 31.812 94.498 17.836 86.573 210.249 55.635 55.033 13.846 14.755 72.949 73.921 59.2925.9297.743 94.080 85.131 65.643 37.639 34.923 58.271 74.905 73.357 69.892 57.281 26.311 59.118 43.576 93.998 85.713 78.067 88.520 62.789 86.771 96.345 98.681 99.994 51.561 65.238 36.929 45.676 68.959 64.7284.352 62.523 4续表全连接层数Dense layers平均绝对误差/(Bqm3)MAE平均绝对百分比误差/(Bqm3)MAPE2.4 预测图8展示了3.1数据预处理部分选择的两个目标区域中放射性核素浓度的变化。其中，区域A位于山谷中，地势相对平坦，靠近烟云中心的扩散路径，区域B位于山脊上，靠近烟云爆炸地点。本文假设化学爆炸事故发生10 min后，监测设备到达每个目标区域并开始监测核素浓度。在对放射性核素浓度数据集进行标准化和划分后，将其输入到3.2中的LSTM网络中进行训练和预测。预测结果如图9所示。在区域A的预测中，以1 1501 615 s的数据作为训练集，1 6201 670 s的数据作为测试集；在区域B的预测中，以6001 065 s的数据作为训练集，1 0701 120 s的数据作为测试集。图8区域A与区域B的核素浓度变化Fig.8Nuclide concentration in area A and area B表表3基于网格搜索的模型计算时间对比基于网格搜索的模型计算时间对比Table 3Model running time comparison based on grid searchLSTM层数 LSTM layers单元数=4Units=4单元数=8Units=8单元数=16Units=16单元数=32Units=32单元数=64Units=64全连接层数Dense layers123123123123123时间/ms Time22 8863 0492 9713 0053 0703 05 43 4643 3963 349162 171184 227197 060208 019204 623210 50444 6454 6974 6634 8134 8124 8715 6735 6555 685225 290206 015210 831214 643215 532215 88066 2846 2166 3266 4116 5436 6177 7187 7819 670247 738254 425263 081420 245421 523419 63188 9908 9528 7799 1679 2319 27716 38018 76817 667436 999438 195425 058427 670431 274433 215阮灵盼等：基于长短期记忆网络的涉核运输事故后果预测04060110区域A和区域B的测试集预测结果比较如图10所示，具体数值如表4所示。可以看出，本研究提出的网络模型在放射性核素浓度预测的准确性方面取得了较好的效果。表表4区域区域A和区域和区域B测试集预测结果和真值的具体值测试集预测结果和真值的具体值Table 4Specific values of test set prediction results and true values in area A and area B区域A Area A时间/sTime1 6201 6251 6301 6351 6401 6451 6501 6551 6601 6651 670预测值/(Bqm3)Prediction142.495138.726134.597130.188125.486120.343114.843109.237103.7498.08992.5631CFD模拟值/(Bqm3)CFD simulation140.667136.552132.323127.99123.565119.061114.492109.875105.223100.55795.8882相对误差/%Relative error1.301.591.721.721.551.080.310.581.412.453.47区域B Area B时间/sTime380385390395400405410415420425430预测值/(Bqm3)Prediction49.901 948.71547.487 346.211 544.899 543.535 342.123 840.691 339.255 237.858 836.672 5CFD模拟值/(Bqm3)CFD simulation50.252 449.076 147.875 646.648 945.401 244.139 542.870 441.598 740.327 239.060 237.801 1相对误差/%Relative error0.700.740.810.941.111.371.742.182.663.082.99图9区域A与区域B的核素浓度预测对比Fig.9Comparison of prediction results in area A and area B图10区域A与区域B的测试集核素浓度预测对比Fig.10Comparison of test set prediction results in area A and area B辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:04060104060111图11展示了损失函数与LSTM网络分别针对A 和 B 区域训练时的迭代周期之间的关系。在Epoch=150 个迭代周期内（实际运行时间约为20 s），损失函数MAPE可以收敛到5%以下，这表明本文所提出的网络模型易于收敛。3 结论本文将CFD模拟的Pu-239浓度分布作为预测实验的初始数据。通过一系列数据处理方法，将其输入LSTM网络进行训练和预测，并通过预测值与CFD模拟值的对比验证了该方法的可行性。本工作提出的基于LSTM的放射性核素预测方法，可以在源项信息不完整时，结合实时气象信息与事故情景下垫面信息，快速预测未来放射性核素浓度的变化。未来的工作将分为两个方向，分别是更新数据集和网络模型。在数据集方面，将考虑扩展数据特征以应用于更复杂的场景；在网络模型方面，探索一些新提出的网络模型，如transformer和图神经网络，在放射性核素浓度预测问题上的可行性。致谢致谢 衷心感谢中国科学院合肥物质科学研究院核能安全技术研究所公共技术中心为本文工作提供的专业技术支持。作者贡献声明作者贡献声明 阮灵盼论文初稿撰写，论文审阅与修订，实验；陈春花研究内容总体设计；陈黎伟CFD模拟仿真；阮方实际调查研究；李夏娟研究项目管理；汪建业研究方法指导。参考文献1Scarlett H.Nuclear weapon accident response overviewR.United States:Los Alamos Nation Laboray,2020.DOI:10.2172/1638614.2Niezing J.Broken arrows and bent spears:towards a social theory of nuclear weapon accidentsJ.Bulletin of Peace Proposals,1980,11(1):71-78.DOI:10.1177/096701068001100107.3Wang W,Bai C,Huo Y,et al.Research of American nuclear weapon accident and response proceduresJ.International Core Journal of Engineering,2022,8(1):648-655.DOI:10.6919/ICJE.202201_8(1).0091.4Mian Z,Ramana M V,Rajaraman R.Plutonium dispersal and health hazards from nuclear weapon accidentsJ.Current Science,2001,80(10):1275-1284.5古晓娜,王仲文,刘占旗,等.钚作业人群流行病学研究进展J.辐射防护,2021,41(4):289-294.GU Xiaona,WANG Zhongwen,LIU Zhanqi,et al.Research progress of epidemiology on plutonium workersJ.Radiation Protection,2021,41(4):289-294.6Kreisheimer M,Koshurnikova N A,Nekolla E,et al.Lung cancer mortality among male n