Применение регрессионной модели алгоритма случайный лес и метода аддитивных объяснений Шепли для оценки мощности дозы в полях нейтронов высокой энергии на основе измерений спектрометром Боннера

• Константин Чижов (MLIT)

Room: MLIT-134/3-310 - Комната семинаров В работе предлагается метод оценки энергетического спектра нейтронов и мощности эффективной дозы персонала на основе показаний спектрометра Боннера (СБ) в полях нейтронов высоких энергий. Спектр нейтронов может быть восстановлен по результатам измерений СБ путем решения системы интегральных уравнений Фредгольма 1-го рода. В нашей работе спектры были восстановлены с помощью алгоритма машинного обучения «случайный лес» с оптимизацией гиперпараметров модели. Модель была обучена и протестирована на базе данных из 251 спектра для различных энергетических объектов (80% данных было использовано для обучения модели, а 20% — для её тестирования). Входными признаками модели были показания спектрометра для шаров-замедлителей СБ и категориальный признак «тип спектра», описывающий объект и условия, при которых был получен спектр. Выходными параметрами модели являлось описание спектра в виде гистограммы для 60 значений энергии, а также мощность эффективной дозы, рассчитанная по спектру для соответствующего конверсионного коэффициента. Поскольку набор данных реальных спектров невелик, была разработана база данных из 104 синтетических спектров, сгенерированных на основе метода Frascati Unfolding Interactive Tool. Проведено сравнение результатов работы алгоритма на синтетической и реальной выборках. Влияние погрешности исходных данных на спектр и полученную из него мощность дозы оценивалось методом Монте-Карло с использованием случайных выборок. Применение алгоритма к тестовому набору данных показало, что восстановленные спектры по характеру близки к исходным и имеют с ними высокую корреляцию. В работе предложен метод выбора оптимального количества замедлительных сфер на основе метода объяснимого искусственного интеллекта «аддитивные объяснения Шепли» (SHAP). Метод SHAP был использован для оценки степени влияния измерений с шарами-замедлителями различного диаметра на восстановленный спектр. Показано, что наибольшее влияние на спектр оказывают измерения с шаром 10". Оптимизация выбора шаров-замедлителей может быть использована для снижения доз облучения персонала при проведении измерений. Обучение модели и расчеты проводились на Многофункциональном информационно-вычислительном комплексе ОИЯИ. __Random forest regression and Shapley additive explanation for effective dose rate estimation in high-energy neutron fields based on Bonner spectrometer measurements__ The article proposes a method for assessing the neutron energy spectrum and effective dose rate of personnel based on the readings of a Bonner spectrometer (BSS) for high-energy neutron fields. Neutron flux density can be obtained from BSS measurements by solving the system of Fredholm integral equations of the first kind. In our paper the spectra were unfolded using supervised machine learning algorithm "random forest" with optimization of the model hyperparameters. The model was trained and tested on a database of 251 spectra for various power facilities (80% of data was used for training the model, while 20% was used for testing it). The input features of the model were the spectrometer readings for BSS moderator spheres and the categorical feature "spectrum type" describing the facility and conditions under which the spectrum was obtained. The output parameters of the model were the spectrum description in the form of a histogram for 60 energy values, as well as the dose rate calculated from the spectrum for the corresponding conversion factor. Since the dataset of real spectra is small, database of 104 synthetic data generated using the Frascati Unfolding Interactive Tool method was developed. Second model for this synthetic dataset was trainted and compared with the first one. The effect of the error in the initial data on the spectrum and the dose rate obtained from it was estimated by the Monte Carlo method using random samples. The test dataset showed that the unfolded spectra are close in nature to the original ones and have a high correlation with them. The paper proposes a method for selecting the optimal number of moderator spheres based on the explainable artificial intelligence method "Shapley additive explanation" (SHAP). The SHAP method was used to demonstrate the degree of influence of measurements with moderator spheres of different diameters on the spectrum prediction. It was shown that resulting spectrum is most influenced by measurements with moderator sphere of 10". Optimization of the choice of spheres leads to a decrease in the personnel doses during measurements. The model was trained and calculations were performed on the JINR Multifunctional Information and Computing Complex.