Politecnico di Torino - Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY

+39 011 090 6100 info@tech-share.it

Riconoscimento di isotopi in spettri gamma

algoritmimonitoraggio di radiazionireti neurali convoluzionaliriconoscimento di radioisotopisensore raggi gammaspettro gamma

Introduzione

L’invenzione consiste in un algoritmo in grado di eseguire l’identificazione e la quantificazione della composizione isotopica in spettri gamma prodotti da rivelatori con risoluzioni energetiche medio-basse. L’utilizzo di reti neurali convoluzionali con struttura a grafo aciclico diretto consente di svolgere entrambi i compiti in modo automatico e preciso con tempi di addestramento rapidi.

Caratteristiche Tecniche

Metodo per l’identificazione di radioisotopi presenti in uno spettro gamma e per la quantificazione della sua composizione isotopica. Tale compito è largamente affetto da errori negli ambiti in cui la limitata risoluzione energetica dei rivelatori gamma utilizzati è limitata (industriale, medicale, monitoraggio ambientale, sicurezza). L’invenzione consiste in un algoritmo basato su reti neurali convoluzionali (CNN) con struttura a grafo aciclico diretto (DAG). La capacità di estrarre gli attributi rilevanti dello spettro (CNN) unita alla possibilità di svolgere più compiti (DAG) consente di effettuare contemporaneamente l’identificazione e la quantificazione in modo automatico e preciso. Dopo l’addestramento, l’unico input necessario è lo spettro grezzo misurato dal dispositivo, senza interventi di un operatore umano ed elaborazioni intermedie della misura.

Possibili Applicazioni

  • Protezione NBC (nucleare, biologica, chimica);
  • Contromisure al traffico illecito di materiale nucleare e radioattivo;
  • Monitoraggio di radioattività in siti sensibili;
  • Monitoraggio ambientale di radioattività.

Vantaggi

  • Applicabile a spettri gamma con bassa risoluzione energetica;
  • Simultanea classificazione e quantificazione della composizione isotopica di uno spettro gamma grezzo;
  • Addestramento rapido;
  • Elevata precisione;
  • Possibilità di utilizzo di dataset sperimentali e/o simulati;
  • Alta personalizzazione.