Lineární inverzní modely radiačních úniků s apriorní informací o poměrech uniklých látek

Abstract

Určení zdrojového členu náhlého úniku radioaktivního materiálu do atmosféry je klíčové při vyhodnocování rizik a následků s únikem spojených. Informace o zdrojovém členu jsou často neurčité a úloha spojená s určením zdrojového členu špatně podmíněna. Kombinací naměřených dat s atmosférickým transportním modelem a lineárním inverzním modelem je jedním z možných přístupů k této problematice. V této práci předpokládáme znalost apriorních informací o zdroji, z nichž pro nás nejdůležitější je informace o poměrech jednotlivých radionuklidů ve zdrojovém členu, kterými lineární inverzní úlohu regularizujeme. Tuto informaci jsme přidali do iteračního optimalizačního přístupu a vytvořili nový přístup k dané problematice. Na sadě syntetických a realistických dat porovnáváme jednotlivé přístupy a sledujeme chování jednotlivých algoritmů za různých podmínek ve snaze určit, který z algoritmů bude nejvhodnější pro danou situaci.

Determination of the source term of an acccidental release of radioactive material into the atmosphere is crucial for evaluating risks and consequences associated with the release. Information about source term is often vague and the task associated with determination of the source term is typically poorly conditioned. Combination of measured data with the atmospheric transport model and the linear inverse model is one of the possible approach to solve this issue. In this work, we assume knowledge of a priori information on ratios of radionuclides in the source term. This information is used for regularization of the linear inverse problem. We added a priori information on ratios of radionuclides to the iterative optimisation approach and created new approach to the problem matter. On sets of synthetic and realistic data, we compare individual algorithms and we study the behavior of individual algorithms under different conditions in order to determine the performance of algorithms in the particular situation.