ЗАСТОСУВАННЯ ОДНОВИМІРНИХ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ІДЕНТИФІКАЦІЇ СЛАБКИХ РАДІОАКТИВНИХ СИГНАЛІВ У СИСТЕМАХ ДИНАМІЧНОГО МОНІТОРИНГУ

Тетяна Носенко; Ірина Машкіна; Ірина Мельник

doi:10.28925/2663-4023.2025.31.1074

Автор(и)

Тетяна Носенко Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0002-7597-9861
Ірина Машкіна Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0003-0667-5749
Ірина Мельник Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0001-6041-6145

DOI:

https://doi.org/10.28925/2663-4023.2025.31.1074

Ключові слова:

радіаційний моніторинг;, сцинтиляційний детектор;, згорткова нейронна мережа;, 1D CNN;, глибоке навчання, обробка сигналів, рухомі джерела випромінювання

Анотація

Робота присвячена вирішенню актуальної задачі автоматизованого детектування рухомих джерел іонізуючого випромінювання низької активності в системах динамічного радіаційного контролю. Проаналізовано недоліки класичних порогових алгоритмів обробки сигналів, які характеризуються низькою чутливістю та високим рівнем хибних спрацювань в умовах низького співвідношення сигнал/шум. Запропоновано новий метод ідентифікації радіаційних аномалій на основі одновимірної згорткової нейронної мережі (1D CNN). Розроблено математичну модель та програмний алгоритм генерації синтетичних часових рядів сцинтиляційного детектора, що враховує стохастичну природу реєстрації випромінювання (статистика Пуассона), геометрію проїзду транспортного засобу та ефекти екранування. Проведено навчання та тестування розробленої нейромережевої моделі на згенерованих наборах даних. Експериментально підтверджено ефективність запропонованого підходу: точність класифікації сигналів від джерел середньої активності склала 94.2%, а для гранично слабких сигналів, що не розрізняються візуально на тлі шуму, — 83.5%. Отримані результати свідчать про перспективність застосування методів глибокого навчання для підвищення надійності систем радіаційної безпеки.

Завантаження

Дані завантаження ще не доступні.

Посилання

Vasylchenko, V. M., Konstantinov, M. I., Lytvynskyi, L. L., & Purtov, O. A. (2013). Development of nuclear energy in Ukraine. Nuclear Power and the Environment, 1, 7–13.

Nosovskyi, A. V. (2022). Nuclear energy of Ukraine in the context of sustainable development. Visnyk of the National Academy of Sciences of Ukraine

Slipchenko, V. G., Poliahushko, L. G., & Trofymchuk, A. A. (2023). Software and models for radiation monitoring. Telecommunication and Information Technologies, 4, 46–58.

Dunaievska, O. F., Zymaroieva, A. A., & Ishchuk, O. V. (2024). Features and results of radioecological monitoring to ensure environmental safety in modern conditions. Ecological Sciences, 56, 269–272.

McGregor D. S., Shultis J. K. Radiation detection: concepts, methods, and devices. CRC Press, 2020.

Tsoulfanidis N., Landsberger S. Measurement and detection of radiation. 5th ed. CRC Press, 2021.

Marques L., Vale A., Vaz P. State-of-the-Art Mobile Radiation Detection Systems for Different Scenarios. Sensors. 2021. Vol. 21, no. 4. 1051.

Galib S. M., Bhowmik P. K., Lee H. K. Comparative analysis of machine learning methods for automated identification of radioisotopes using NaI gamma-ray spectra. Nuclear Engineering and Technology. 2021. Vol. 53, no. 12. P. 4072–4079.

Lin C., Ning S., Wang Z. Neural network methods for radiation detectors and imaging. Frontiers in Physics. 2024. Vol. 12. 1334298.

Edwards C., Smith R. C., Mattingly J., Wilson A. G. Localization of Stationary and Moving Radiation Sources Using a Feed-Forward Neural Network with a Detector Array. Nuclear Technology. 2025. P. 1–14.

Abbaspour H., Najafi G. Location Estimation of Moving Targets by Passive Sonobuoy and Recurrent Deep Neural Network. 2023 International Symposium on Networks, Computers and Communications (ISNCC). IEEE, 2023. P. 1–6.

Kiranyaz S., Avci O., Abdeljaber O. 1D convolutional neural networks and applications: A survey. Mechanical Systems and Signal Processing. 2021. Vol. 151. 107398.

Mashkina, I., Nosenko, T., Hlushak, O., Spivak, S., & Bilous, V. (2025). Optimizing Customer Support with AI Chatbots: A Case Study . Electronic Professional Scientific Journal «Cybersecurity: Education, Science, Technique», 4(28), 727–739. https://doi.org/10.28925/2663-4023.2025.28.838

Abramov, V., Astafieva, M., Boiko, M., Bodnenko, D., Bushma, A., Vember, V., Hlushak, O., Zhyltsov, O., Ilich, L., Kobets, N., Kovaliuk, T., Kuchakovska, H., Lytvyn, O., Lytvyn, P., Mashkina, I., Morze, N., Nosenko, T., Proshkin, V., Radchenko, S., … Yaskevych, V. (2021). Theoretical and practical aspects of the use of mathematical methods and information technology in education and science. https://doi.org/10.28925/9720213284km

Platonenko, A., Sokolov, V., Skladannyi, P. ., Anosov, A., & Oleksiienko, H. (2021). Comparison of Modern Technical Means of Air Intelligence to Ensure the Security of the Controlled Zone. Electronic Professional Scientific Journal «Cybersecurity: Education, Science, Technique», 1(13), 170–182. https://doi.org/10.28925/2663-4023.2021.13.170182

Dovzhenko, N., Skladannyi, P., Ivanichenko, Y., & Zhyltsov, O. (2025). A Dynamic Interaction Model of Unmanned Aerial Vehicles with a Sensor Network for Energy-Efficient Monitoring. Electronic Professional Scientific Journal «Cybersecurity: Education, Science, Technique», 3(27), 466–478. https://doi.org/10.28925/2663-4023.2025.27.766