Desenvolvimento de algoritmos de aprendizado de máquina para identificação de radioisótopos usando espectroscopia nuclear

• Processo: 21/13679-8
• Modalidade de apoio: Bolsas no Brasil - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de dezembro de 2021
• Data de Término da vigência: 31 de agosto de 2022
• Área de conhecimento: Engenharias - Engenharia Nuclear - Aplicações de Radioisótopos
• Pesquisador responsável: Ubaldo Baños Rodríguez
• Beneficiário: Ubaldo Baños Rodríguez
• Empresa: Soluções e Instrumentações Avançadas Ltda
• CNAE: Pesquisa e desenvolvimento experimental em ciências físicas e naturais
• Vinculado ao auxílio: 20/13879-4 - Desenvolvimento de algoritmos de aprendizado de máquina para identificação de radioisótopos usando espectroscopia nuclear, AP.PIPE
• Assunto(s): Instrumentação nuclear Radiação Aprendizado computacional Segurança nuclear Detectores de radiação Radiação ionizante Radioisótopos Espectroscopia Redes bayesianas Sistemas de tempo-real
• Palavra(s)-Chave do Pesquisador: segurança nuclear medicina nuclear Redes neurais Bayesianas Redes neur | Instrumentação nuclear para detecção de radiação

Resumo

Em situações de emergência radiológica, desmantelamento de instalações nucleares e monitoramento de cargas, fronteiras e locais potencialmente contaminados, é necessário ter um sistema de identificação em tempo real de radioisótopos presentes em determinado local ou amostra para garantir a segurança nuclear do País e evitar o transporte irregular de materiais radioativos. Para todos esses cenários, o Departamento de Segurança Nacional dos Estados Unidos recomenda uma lista prioritária de radioisótopos a serem considerados nessas situações. O processo de identificação de radioisótopos é baseado em técnicas de espectroscopia nuclear, usando detectores que registram tempo de chegada e altura de pulsos elétricos gerados pela radiação proveniente do decaimento de radioisótopos. O registro de vários desses eventos permite construir uma distribuição das alturas dos pulsos elétricos em função de sua frequência de ocorrência, que é convertida em um espectro em energia para o estudo de propriedades da radiação incidente. Assim, a análise espectral permite a identificação dos radioisótopos e a determinação de parâmetros relevantes como atividade e probabilidade de emissão do radionuclídeo. Se os picos de energia do espectro estiverem bem definidos, identificá-los por meio de algoritmos de processamento é uma tarefa relativamente fácil. Entretanto, quando há uma sobreposição de picos ou uma insuficiente estatística de contagem de eventos, os algoritmos tendem a falhar e o processo de identificação de radioisótopos se torna um desafio. Tais efeitos ocorrem principalmente em detectores de baixo custo, que possuem limitada resolução em energia e reduzida eficiência de detecção, ou ainda quando o tempo de exposição do detector à fonte radioativa é mínimo. Devido ao uso extensivo e intensivo de detectores de radiação ionizante, é necessário equilibrar os custos com as limitações técnicas desses sistemas. Assim, em vez do emprego de detectores semicondutores de alto desempenho e custo elevado, tem sido dada preferência a opções mais econômicas e com menor resolução em energia, como os cristais cintiladores acoplados a fotomultiplicadoras de silício. No entanto, a menor resolução em energia aumenta a probabilidade de sobreposição de picos característicos, dificultando a identificação de isótopos em amostras heterogêneas pelos algoritmos tradicionais de análise dos espectros nucleares. O objetivo deste projeto é desenvolver e avaliar algoritmos de aprendizado de máquina para identificação em tempo real de radioisótopos usando técnicas de espectroscopia nuclear. O trabalho propõe o uso de redes neurais Bayesianas para a identificação e a quantificação de radioisótopos em amostras heterogêneas, com detectores cintiladores de custo reduzido, mesmo nas condições de sobreposição de picos de energia ou curto tempo de aquisição, em que os outros algoritmos têm rendimentos limitados. Serão avaliadas várias arquiteturas de redes neurais com respeito à precisão na identificação dos isótopos. Para o treinamento de redes neurais, será criado um banco de dados de espectros de elementos de interesse, a partir de simulações usando o código de transporte de radiação Geant4. Dessa forma, as redes neurais poderão identificar os elementos presentes em uma amostra por meio da análise do espectro de energia, bem como suas respectivas proporções na amostra. (AU)