بهبود طيف‌سنجي گاما در پايش هوايي پرتويي با استفاده از الگوي ميانگين متحرك خود همبسته يكپارچه

Airborne gamma ray spectrometry improvement using autoregressive integrated moving average model

مدل‌سازي دقيق و به هنگام فوتون دريافتي از منابع پرتوزاي گاما، نقش مهم در فراهم آوردن اطلاعات پيشيني جهت پايش هوايي گاما دارد، در اين مقاله از الگوي ميانگين متحرك خود­همبسته يكپارچه (ARIMA) به‌منظور مدل‌سازي پايش هوايي گاما استفاده‌ شده است. روش پيشنهادي، با استفاده از منابع شناخته‌شده، مدل ARIMA منبع پرتوي گاما و اختلال‌هاي محيطي را تهيه مي‌كند تا به‌عنوان اطلاعات پيش‌آگاهي در اختيار پردازشگر پايش هوايي براي آناليز داده‌هاي اندازه‌گيري قرار دهد. فرآيند استخراج مدل و آموزش به‌صورت آفلاين و با منابع متعدد پرتوزا از منظر نوع و اندازه انجام گرفته و سپس مدل‌هاي استخراج‌شده با استفاده از توابع ارزيابي اعتبار سنجي شده، براي تعيين نوع و مقدار ماده پرتوزا در پايش هوايي پرتوي گاما در هنگام عمليات شناسايي به‌صورت برخط مورداستفاده قرار مي‌گيرند. همچنين به­ منظور سنجش مدل‌سازي صورت گرفته، روش ARIMA پيشنهادي با ساير روش‌هاي مدل‌سازي فرآيندها، ازجمله روش ميانگين متحرك خود همبسته يا ARMA در سه معيار باياس، ميانه قدر مطلق انحراف و متوسط مربع خطا مقايسه شد. نتايج نشان داد كه روش پيشنهادي، تعداد فوتون دريافتي را با دقت بالاتري نسبت به ساير روش‌هاي رايج مدل‌سازي كرده است.

The precise and timely manner modeling of received photon counts from gamma-ray sources has an important role in providing afore information for Airborne Gamma Ray Spectrometry (AGRS). In this manuscript, the Auto-Regressive Integrated Moving Average (ARIMA) model has been used to model AGRS. The proposed method provides gamma source and environmental disturbances ARIMA model, using known radioactive sources, to arrange the afore information for AGRS process experts to analyze the spectrometry data. The model extraction process and training will be done offline using different sizes and types of radioactive sources. The extracted models then being validated by evaluation functions to determine the type and amount of radionuclides during online AGRS. In order to evaluate the implemented modeling, the proposed ARIMA method is compared with other process modeling methods, including the Auto Regressive Moving Average ARMA in three bias, median absolute deviation (MAD) and the mean square error (MSE) criteria. The results show that the proposed method models the received photon counts much more accurate than other common methods