来源：期刊VIP网 时间：
作者：李中昊;曹博;彭丁萍;游清悦;缪学伟;陈洲亮;
单位：华北电力大学核科学与工程学院;非能动核能安全技术北京市重点实验室;
摘要：快速准确地掌握源项信息是核事故后果评价的重要环节,对提升核应急响应速度至关重要。本文建立了基于贝叶斯神经网络(Bayesian Neural Network, BNN)的放射性核素源项反演模型,选择131I的释放速率作为反演源项,使用放射性核素大气扩散程序RADC模拟生成训练和测试数据。通过五折交叉验证消除了随机划分数据的偶然性偏差,并输出置信区间对模型进行不确定性分析,最后对数据添加不同程度的干扰验证模型的鲁棒性。研究结果表明:五折交叉验证的平均绝对百分比误差为5.49%～5.73%,模型在不同等级噪声的干扰下表现出良好的鲁棒性,BNN输出的置信区间直观展示了模型的高可信度,量化了模型的不确定性。
关键词：贝叶斯神经网络;;源项反演;;五折交叉验证;;不确定性分析;;鲁棒性
基金资助：国防基础科研计划资助(JCKY2022110C073)
