中子诱发某些特定目标核素形成的混合γ能谱分析方法研究

本项目对中子诱发复杂背景材料中的特定目标元素产生的混合γ射线能谱的解析算法进行研究，寻求反映目标物质含量的混合γ射线能谱特征量提取算法，这是爆炸物、毒品、地雷等危险品的瞬发γ中子活化分析系统设计与建立的基础，具有重要的理论与实际意义。利用蒙特卡洛模拟，获得各种条件下(包括中子源、探测器、目标物、背景材料、屏蔽慢化材料、几何条件等)中子激发形成的混合γ能谱。研究屏蔽与慢化材料、探测器尺寸位置、背景物质等对γ能谱的影响。尝试采用特征峰面积法、最小二乘法、逆矩阵法、人工神经网络方法等，寻求最佳的特征量提取算法。利用同位素中子源、加速器中子源，NaI(Tl)、HPGe等探测器测量在不同条件下一些典型的目标样品的混合γ能谱，检验和修正算法。最终获得混合γ能谱特征量与待测目标核素含量的关系，获得背景物质对特征量提取算法的影响，确定测量条件的不确定性对目标核素含量探测的限制，提出实际测量系统的最佳组成。

本项目通过实验和模拟相结合，研究了中子探测爆炸物系统的性能和特点，给出了实际探测系统的最佳组成并提出了一套优化设计方法，对于构建实际的中子探雷系统具有较大的指导意义。通过蒙卡方法模拟研究了中子探测爆炸物系统的各个方面对γ能谱的影响，对中子源、探测器、几何布局等进行了优化研究。首次模拟研究了能谱中不同种类粒子及其来源的贡献，发现能谱中有效γ信号仅占全谱信号的29%，本底信号占到全谱信号的68%以上，提出了一套通过模拟本底来源来改进探测系统布局从而降低探测装置本底水平并提高信噪比的方法，改进后可将有效信号占比从29%提高到约47%，较大的降低了本底水平，提高了信噪比。模拟研究了Am-Be中子源、DT中子源、252Cf中子源诱发不同种类的爆炸物（如TNT、RDX、NQ和尿素等）产生的混合能谱，通过研究能谱中各种元素的特征峰，发现N/O、N/C、C/O比等都可用于爆炸物的识别。模拟研究了干土壤本底对爆炸物能谱的影响，发现H/O、N/C比可粗略用于判定爆炸物的重量。进一步研究了土壤含水量对爆炸物检测的影响，发现在含水土壤环境下N/C比相对于H/O比更能有效地判定爆炸物的种类和重量。模拟了中子诱发埋藏在土壤中不同深度的爆炸物的γ能谱，发现H、C、N特征峰计数随埋藏深度指数降低，但O元素特征峰基本不变。相对于用特征峰净计数比来进行爆炸物识别，神经网络方法在爆炸物识别以及质量预测方面存在巨大的优势。通过研究发现BP神经网络可识别空气中的爆炸物与非爆炸物，但由于埋藏在土壤中的爆炸物所处环境极为复杂，BP网络无法识别埋藏在土壤中的爆炸物与非爆炸物。而RBF神经网络则可识别空气中以及埋藏在土壤中的爆炸物与非爆炸物，其对空气中和土壤中爆炸物与非爆炸物的平均识别率分别为96%和95%。进一步研究发现RBF神经网络可用于定量分析土壤中爆炸物的质量，RBF神经网络对土壤中爆炸物的探测下限约为0.15kg，对0.15kg以上的爆炸物可准确识别并预测其质量，当爆炸物质量小于1kg时，预测精度好于50%；当爆炸物质量大于1kg时，预测精度优于3%。