葸瑾
核工业大连应用技术研究所
摘要：由于国家能源利用模式的转变，核能源利用已成为我国新兴能源发展的重要组成部分，它分布在我国多个地区，但同时也具有很大的安全问题。为了保护人们的生命财产安全和维护国家能源利用的正常运行，本研究致力于研究对核泄漏事故放射性物质的监测及提出一些应急防护管理措施，采用最新无线传感器技术实现对核电站周围环境核泄漏放射性物质的检测，通过国内外核事故应急管理措施的模式分类比较，构建我国核事故应急管理防护体制。实验结果表明采用基于遗传算法的径向基函数（RBF，Radial Basis Function）神经网络模型预测的核泄漏放射性物质浓度和实际的核放射性浓度基本一致，个别存在误差如样本值为20左右时，核放射性物质浓度分别为3200Bq/m3左右、3700 Bq/m3左右，但基于遗传算法的RBF神经网络相较传统模型的误差要小。根据研究结果得出基于遗传算法的RBF神经网络模型预测的核泄漏放射性物质浓度比较精准且误差小，相关环保部门可根据监测出的核污染分布对群众进行转移，制定应急防护管理措施。
关键词：核泄漏；放射性；应急防护；遗传算法；RBF神经网络
1.引言
随着社会经济的快速发展，传统的能源不断被消耗，随之产生的环境污染问题也日益突出，为解决能源的日益减少和环境问题，核能应运而生，尤其是在电力工程的使用，比传统的火力发电、水力发电相比，具有十分显著的优势。当下我国出现的一系列环保问题如雾霾、空气质量低下、空气污染严重，主要原因在于以煤炭、矿石等资源燃烧发电等会排放大量的污染物，而核力发电却可以大大的减少对环境的污染，而且核能源材料的利用率也比火力发电高的多，原因在于核原料具备原料体积小、密度高等特点。我国对于核能源的发展也是十分重视的，在全国兴建了对各核电站，在不久的将来，将会投入更多核力发电的使用。
核能虽具备很多的优点但也存在非常大的安全隐患，稍有不慎，则会给环境和人们的生活带来巨大的危害。在2011年福岛核电站泄漏事故成为全世界关注的焦点，此次事故不仅给当地的环境和周边的海洋造成了污染，也给人们的生命财产安全带来了极其严重甚至是毁灭性的打击，当然对其他动物和生态循环也有十分严重的影响。在一般情况下，核泄露所来的污染是通过空气和洋流向外传播的，放射性物质在空气中的浓度决定着对周边环境的生物造成危害的严重程度。
为了减少核泄漏事故对环境和生产生活带来的影响，我国政府要求相关环保和医疗机构在第一时间采取应急防护和急救方案。本文采用基于改进遗传算法的径向基函数（RBF）神经网络模型来实现对核电站周围环境核泄漏放射性物质的检测，相较传统的RBF神经网络模型更精准，而且结合一些扩散模型和系统对放射性物质进行实时且正确的检测，收集大气中放射性物质的数据，模拟核泄漏所造成的核污染分布，提出应对核泄漏事故的应急解决方案，为相关医疗或环保部门制定高效的应急措施提供依据和参考价值。
2.方法
2.1基于改进遗传算法优化的 RBF 神经网络模型
（1）遗传算法
采用“生存+检测”的迭代方式来求得问题在全局范围内的最优解的一种搜索算法。遗传算法是指将一个空间内的全部个体作为研究对象，然后对编码后的参数空间按照一定的规律进行随机性的搜索。遗传算法分为五个步骤，分别是编码方案的确定、适度函数的选定、控制参数的设定、遗传算子及策略的选择和中止条件的确定。个体被选中的概率P 的公式：
.png)
在公式中，aj 为个体；v为种群的个体总数；i=1,2,3；fitness(aj)为个体适应度。
（2）RBF神经网络
RBF(Radial Basis Function) 神经网络是具有单隐层的三层结构。第一层是输入层，用来接收数据的各个节点，而且输入的节点数量和输入参数集合的维度是一样的；第二层是中间层，又称作隐含层，其中单元节点的数目是由具体要求而决定的；最后一层是输出层，根据不同的输入数据经过一定的转换得到不同的结果。
（3）基于改进遗传算法优化的 RBF 神经网络模型
初始种群的选取：本文主要采用 K-均值聚类来确定数据中心和宽度，最后通过伪逆矩阵进行计算得到连接权值。
编码：将 RBF 神经网络的按中心、宽度以及连接权重三个参数依次排列进行编码。
适应度函数的确定：确定使目标函数存在最小值。目标函数与期望输出和实际输出的关系表达式：
2.2 核泄漏预测实际运用
本文采用 K-均值聚类算法和伪逆矩阵来初始化种群，随机选取 K 个样本作为初始化聚类中心，然后对每一个样本进行循环操作包括计算样本与中心的欧式距离、对每个样本依据距离最近原则划分、计算每个样本的算数平均值，并将结果作为新的聚类中心，直到每一类的分配结果发生改变，然后建立隐含层节点输出的伪逆矩阵，得到初始化种群。对初始种群进行实数编码，然后设置迭代次数和隐含层节点数，计算种群中各个基因串的适应度函数值，如果个体适应度的值未达到所要求的精度，则对个体进行交叉和变异操作，并适当调整交叉和变异的概率同时迭代次数加 1，否则将染色体进行解码，记录基函数的中心值、宽度及连接权值，最后结束循环。通过上述训练过程可以得到核泄漏预测的 RBF 神经网络模型。
本次实验将部分地区的核电站周边环境的无线传感网络检测的浓度数据和相对应的气象数据随机分成两组，分别是样本X和样本Y,其中一种是用来预测浓度建立模型，而另一种是用来检测预测浓度的模型是否准确，用训练样本X分别得到两种模型，一种是传统的RBF 神经网络模型，另一种则是与遗传算法相结合的RBF 神经网络模型，然后用训练样本Y分别对传统和改进的RBF 神经网络模型进行验证，采用平均绝对百分比误差和均方根误差对两种模型的性能进行分析对比将网络训练的最终条件中的适应度的数值设定为大于或等于1，隐藏层神经单元的数目初始值设定为5，迭代运算的最大值是100。
3.结果与讨论
3.1基于遗传算法的 RBF神经网络模型的验证
.png)
由表1可以得出，基于改进遗传算法优化的 RBF神经网络要比传统的RBF 神经网络对于核泄漏放射性物质浓度的监测要好的多，无论是在误差还是监测效率等方面，都要更精准和高效。
3.2基于遗传算法的 RBF神经网络模型结果分析
预测的核泄漏放射性物质浓度和实际的核放射性浓度整体来讲，只有在个别数据上会有一些出入，如样本值为20左右时，核放射性物质浓度分别为3200Bq/m3左右、3700 Bq/m3左右，样本值为33左右时，核放射性物质浓度分别为3500Bq/m3左右、4250 Bq/m3左右，样本值在40至50区间时，预测的核放射性物质浓度比实际的核放射性物质浓度大约多了500左右的差距。说明采用基于改进遗传算法优化的 RBF神经网络模型比实际浓度值在个别数据上有增长，但整体上检测的核泄漏放射性物质浓度基本上是一样的，对于实现对泄漏放射性浓度的监测有一定的效果。
根据上述检测结果，结合国外一些核事故应急防护经验，提出以下应急防护管理措施：当发生核泄漏事故时，要及时启动场内外核污染或放射性物质监测；要及时监测核事故源头地的气象数据并提供给相关环保部门和组织；要提前预测该事故发生中心及周围环境气象铁塔和地面气象站测得的气象参数；场内外各环境参数监测部门和组织应保持密切配合，根据核污染监测的结果和核污染分布及时转移群众，迅速且有效的执行。
4.结论
本文研究对核泄漏事故放射性物质的监测及提出一些应急防护管理措施，采用最新无线传感器技术实现对核电站周围环境核泄漏放射性物质的检测，通过遗传算法所具备的全局搜索且最优的特征来优化RBF神经网络，检测的核泄漏放射性物质浓度与实际浓度基本一致，而且要比传统的RBF 神经网络无论是在误差还是监测效率等方面，都要更精准和高效。
虽然本文提出的基于遗传算法的 RBF神经网络模型很好的实现了对核泄漏放射性物质浓度的监测但是由于时间和仿真环境的限制，还存在许多不足之处，如只考虑到常见的影响因素，对于未知或其他的因素还未研究；样本量也比较少，还不能完全的反映出该地区的核污染分布等，对于上述存在的问题还需要进一步的研究和完善，以便更好的实现对核泄漏放射性物质的检测。
参考文献
1.Guo G, Cheng G. Mathematical modelling and application for simulation of water pollution accidents. Process Safety and Environmental Protection, 2019, 127, pp. 189-196.
2.盖兆军. 日本福岛核泄漏的影响和事件前后能源结构的变化.中国人口资源与环境, 2015, 25(5), pp. 296-299.
3.Wang J, Xiao M M, Wang H R, et al. The Radionuclide Pollutant Dispersion Simulation in Nuclear Accident of Liaoning Hongyanhe Nuclear Power Plant. Advanced Materials Research, 2015, 1092, pp. 722-729.
4.王英博,闫吉府,李仲学. 遗传算法优化径向基神经网络的尾矿库安全预测.计算机应用与软件, 2015, 32(3), pp. 182-184,199.