夜雨聆风免责声明： 本文系对公开发表学术论文《Research on a Machine Learning-Based Method for Identifying the Distribution of Radioactive Source Terms on the Inner and Outer Walls of Metallic Pipelines》（IEEE Transactions on Nuclear Science, DOI: 10.1109/TNS.2026.3697727）的解读与专业点评，仅供核电子学及辐射探测领域学术交流与科普传播之用。文中涉及的数据、图表及结论归属原作者（Chen Fuquan et al., Chengdu University of Technology）。转载请注明出处，若有技术争议以原论文为准。
成都理工大学陈福权等人近期发表于国际权威期刊IEEE Transactions on Nuclear Science的这项研究，跳出了传统物理特征参数（如峰康比P/C）的窠臼，首次将LaBr₃(Ce)探测器实测γ能谱直接作为高维向量输入，对比SVM、1D-CNN与Transformer三种机器学习范式，实现了核级金属管道内外壁放射性污染源项分布及管厚的联合识别，其中Transformer模型测试集准确率高达96.19%，为该工程难题提供了极具前景的数据驱动解法。核电站在运期间，一回路及辅助系统大量使用不锈钢核级管道输送含放射性介质。管道内壁活化腐蚀产物（如⁶⁰Co）沉积与外壁泄漏裂变产物（如¹³⁷Cs）沾污并存，是现场辐射防护与退役去污策略制定的核心痛点。传统γ能谱法受金属壁衰减与康普顿连续区叠加影响，难以区分污染源在"内"还是"外"；康普顿成像虽有空间分辨能力，却因厘米级分辨率不足及管壁屏蔽效应，无法可靠判别紧贴内外壁仅数毫米差异的污染源。
图1. Geant4模拟模型 (a) LaBr3(Ce)晶体模型，(b) 放射性金属管道测量模型。
论文实验体系构建相当扎实。作者采用Geant4模拟¹³⁷Cs（662 keV）与⁶⁰Co（1173/1332 keV）点源，不锈钢管道壁厚梯度变化（1–10 mm），LaBr₃(Ce)晶体尺寸对比（1″/2″/3″），定义了全能量沉积计数C_F与部分能量沉积计数C_P，引出全峰与部分沉积比FPR=C_F/C_P。模拟清晰表明：随壁厚增加γ光子在管壁内经光电效应、康普顿散射及电子对产生（>1022 keV）的概率上升，到达闪烁体的全能峰计数下降、康普顿平台抬升，FPR单调递减；且晶体越大FPR越高、更高能γ（⁶⁰Co）的FPR低于¹³⁷Cs——这些规律与图2、图3的蒙特卡洛能谱演化完全吻合，为后续"谱形差异蕴含源分布信息"的假设奠定物理基础。
图2. (a) 137Cs源项的假阳性率变化曲线。 (b) 60Co源项的假阳性率变化曲线。
图3. (a) 137Cs源项的Geant4模拟能谱。(b) 60Co源项的Geant4模拟能谱。
图4. 能谱测量系统设计示意图
实测平台选用φ3英寸LaBr₃(Ce)+Hamamatsu R6231-100 PMT+MCA（自研80MSPS，最高32768道），以实际表面源模拟四种污染源布局：¹³⁷Cs与⁶⁰Co分别置于管内/外壁组合出A(内-内)、B(内-外)、C(外-内)、D(外-外)四类空间分布，配合4种典型核工业管道壁厚（3/4/5/6 mm，对应外径OD 46–92 mm），共构造16个分类标签（A1–D4，见表I）。为逼近现场几何不确定性，探测器距管外壁分别取3/5/8/10 cm采集，每类110条谱（含不同测量距离与活度统计涨落），总计数经调整确保全能峰可辨——这一数据集设计同时编码了源位置、管厚、探测距离与统计噪声多维耦合信息，比单纯用MC模拟训练模型更贴近工程真实，是该文方法学上的一大亮点。
图5. 不同测量对象的典型能量谱对比。(a) 管壁厚度3毫米。(b) 管壁厚度4毫米。(c) 管壁厚度5毫米。(d) 管壁厚度6毫米。
图6. 测量能量谱的峰康普顿比分布。
考虑到核现场不宜长期大剂量照射与海量标注数据采集困难，作者设计了基于实测谱的概率重采样"能谱反演扩增算法"（图7）：以少量实测谱各道计数占比为采样概率P(i)=C(i)/C_total，随机生成N条bootstrap重采样谱，每条保留原始谱的噪声特征、能量分辨率展宽及本底影响。相比理想化MC模拟，此法用极少实测样本即可扩充出分布匹配的训练集（每类100条×16类），巧妙解决了小样本下深度学习过拟合风险，体现了核电子学"以实测为本"的务实思路。
图7. 能量谱采样反演算法示意图
三类模型架构与超参寻优值得细品。SVM选用RBF核+OvR多分类，网格搜索得C=10、κ=0.01，适合高维谱向量但在本任务非线性边界捕捉力有限；1D-CNN由三组卷积块（64→128→256通道，含BN+ReLU+MaxPool）接全局平均池化与Dropout(p=0.3)双FC层，Softmax输出，两阶段粗–细网格搜得lr=3e-4、weight_decay=1e-4，侧重提取能谱局部形状（峰、谷、平台）的平移不变特征；Transformer Encoder则引入多头自注意力（d_model=512, n_head=8, L=2层, d_ff=2048），通过位置编码使各能量道相互"关注"，能够建模全能峰、康普顿边缘、多核素峰间相对关系等全局谱形依赖——这恰是区分"内壁源经厚壁衰减"与"外壁源少屏蔽但经空气衰减"两种相似谱形的关键物理信息。 训练采用AdamW+早停，验证集加权F1为导向做两阶段超参搜索，流程规范严谨。
图8. SVM模型分类示意图。
图9. CNN模型架构。
图10 Transformer模型架构。
结果部分最具冲击力。Transformer在独立测试集上Accuracy=96.19%、Recall=96.19%、F1=96.25%，显著优于CNN(75.44%/75.14%)与SVM(74.56%/74.18%)；混淆矩阵（图12c）显示其几无类别混淆，不仅能判断污染物在内/外壁（A/B/C/D），还能同步正确识别管道壁厚（1–4子类），即一次测量完成"源项分布+管厚校准"双重任务。 尤其对于工程中常见的混合分布（B类：¹³⁷Cs内+⁶⁰Co外，C类反之），Transformer单独分类精度仍达96.00%，而SVM/CNN仅约64–70%，证明自注意力机制成功解耦了多源康普顿叠加引起的谱形纠缠。训练动态曲线（图11）亦显示Transformer收敛更快、验证损失更平滑、泛化间隙更小，整体稳定性最佳。
图11（a）CNN模型训练和验证损失曲线。（b）CNN模型训练和验证准确率曲线。（c）Transformer模型训练和验证损失曲线。（d）Transformer模型训练和验证准确率曲线。
此工作最大价值在于将"核物理先验（屏蔽衰减、康普顿散射改变谱形）"隐含于数据驱动模型中，用Transformer全局建模替代人工设计特征（如P/C、峰面积比），突破了传统单参数法在内外壁判别时分布严重重叠的瓶颈。方法不依赖昂贵成像阵列，仅需常规高分辨LaBr₃(Ce)谱仪+离线训练模型即可现场推断，工程落地门槛低。当然需指出局限：当前仅覆盖¹³⁷Cs/⁶⁰Co两种核素、特定管道规格与距探距离范围，复杂现场本底（天然γ、中子活化干扰）及非均匀沾污模式有待拓展；另外能谱反演扩增虽好，其保真度仍锚定于初始少量实测谱的代表性。未来若引入多核素、现场本底混入训练，并结合迁移学习适配不同管径材质，该方法有望成为核设施运行监督与退役前污染排查的标准辅助手段。
总体而言，这是一篇核辐射探测与机器学习交叉领域少见的"物理问题定义清晰—实验设计贴合工程—数据处理巧妙—模型对比系统—结论经得住细看"的好文章，Transformer在γ能谱多分类任务上的压倒性优势也给核电子学同行提了个醒：别低估谱形中蕴藏的高维信息，合适的AI架构能让老探测器焕发新生命力。
以上。
