(Improvement of quantitative data evaluation for the non-destructive characterization of radioactive containers and objects)

Projektleiter: Dr. Ch. Lierse v. Gostomski

Projektleitung: Dr. Thomas Bücherl

Wissenschaftler: Dr. Stefan Rummel, Marek Blaszczynski

Das Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 15S9411 gefördert.

 

Zusammenfassung

Im Rahmen des Vorhabens „Verbesserung der quantitativen Datenauswertung für die zerstörungsfreie Charakterisierung radioaktiver Behälter und Objekte (QUANT)“ wurden Methoden der Bayes-Statistik auf ihre Eignung für die Auswertung von (Mess-)Daten aus der zerstörungsfreien Charakterisierung radioaktiver Behälter und Objekte im Allgemeinen und dem segmentierten Gamma-Scanning und der digitalen Radiographie im Speziellen untersucht.

Der große Vorteil des auf der Bayes-Statistik basierenden Verfahrens liegt in der durchgängigen Nutzung von Wahrscheinlichkeitsverteilungen anstelle von diskreten Werten in der Auswertung. Dies hat zur Folge, dass auch die Ergebnisse der Auswertungen in Form von Wahrscheinlichkeitsverteilungen vorliegen, d. h. keine nachträglichen Fehlerbetrachtungen durchgeführt werden müssen. In den resultierenden Wahrscheinlichkeitsverteilungen sind somit alle in die Auswertung eingehenden Daten und Informationen mit ihren Unsicherheiten (Verteilungen) ebenso berücksichtigt wie die verwendeten Modellbeschreibungen.

Die Ergebnisse des Vorhabens sind im Abschlussbericht ausführlich dargestellt. Dieser enthält zum besseren Verständnis der durchgeführten Arbeiten einleitend eine kurze Einführung in die Bayes-Statistik, gefolgt von Zusammenstellungen der für die zerstörungsfreie Charakterisierung radioaktiver Behälter und Objekte prinzipiell zur Verfügung stehenden Daten und Informationen. Die durchgeführten Untersuchungen beschränkten sich aber im Wesentlichen auf die Nutzung von Daten aus segmentierten Gamma-Scan-Messungen und aus Transmissionsmessungen sowie der Verwendung von unterschiedlichsten a priori Informationen. In weiteren Abschnitten werden statistische Beschreibungen sowie Modelle zur Aktivitätsbestimmung diskutiert. Einen größeren Umfang nehmen die Untersuchungen zur optimierten Speicherung der in den Auswertungen anfallenden großen Datenmengen ein. In den Abschnitten „Gamma-Spektrometrie“ und „Ableitung der Matrixzusammensetzung“ werden die auf Markov-Chain-Monte-Carlo (MCMC) Methoden erarbeiteten Auswerteroutinen behandelt und an einfachen Beispielen verdeutlicht. Sowohl für die in den MCMC-Methoden verwendeten Likelihood-Funktionen als auch für die Simulationen von Messdaten ist eine möglichst genaue Beschreibung der Entstehungshistorie der (gemessenen) Daten erforderlich. Dieser Anforderung wird in einem eigenen Abschnitt Rechnung getragen, der sich mit dem Strahlungstransport, den Kollimatorfunktionen und dem Messprozess als Ganzes beschäftigt und zusammen mit einer MCMC-Auswertung an einem einfachen Beispiel demonstriert. Während der Entwicklungsarbeiten wurden fortlaufend Optimierungen an den entwickelten Auswertemethoden vorgenommen, welche in einem eigenen Abschnitt zusammengefasst dargelegt werden. Das prinzipielle Vorgehen zur Korrelation verschiedener verfügbarer Daten, wie von Messdaten, a priori Informationen und sonstigen Informationen wird zusammen mit einem einfachen Beispiel demonstriert. Die Anwendung der entwickelten Methoden in zwei bzw. drei Dimensionen werden an Beispielen mit simulierten und realen Messdaten diskutiert. Die hierfür eingesetzten Module und Bibliotheken sind in einer virtuellen Umgebung eingebunden und eine grafische Oberfläche (GUI) unterstützt ihre Nutzung.

Die durchgeführten Untersuchungen demonstrieren den prinzipiellen Nutzen von Auswertungen mit Daten aus der zerstörungsfreien Charakterisierung radioaktiver Behälter und Objekte, die auf der Bayes-Statistik basieren. Das Verfahren ermöglicht die Integration von vorliegenden Informationen jeglicher Art in die Auswertung, die mit anderen Methoden nur mit großem zusätzlichem Aufwand oder gar nicht möglich ist. Informationen können in diesem Zusammenhang auch relativ vage (subjektive) Aussagen sein. Für die Berücksichtigung in den Auswertealgorithmen müssen alle genutzten Informationen in geeigneten Modellbeschreibungen miteinander verknüpft werden. Hierbei stellt die Verwendung von Kruschke-Diagrammen eine einfache und hilfreiche Methode zur visuellen Darstellung der Zusammenhänge und Abhängigkeiten dar. Diese Diagramme lassen sich relativ einfach in entsprechenden Programmcode transferieren. Die große Herausforderung liegt in der Entwicklung der eigentlichen Auswertealgorithmen. Während für einfache und kleine Modellbeschreibungen, d. h. für Modelle mit einer kleinen Anzahl an freien Parametern, fertige Bibliotheken genutzt werden können, sind diese für praxisnahe Anwendung nur bedingt geeignet. Derartige Anwendungen erfordern in der Regel Auswertungen für eine große Anzahl an freien (d. h. unbekannten) Parametern für einen gegebenen (kleinen) Datensatz. Zur Reduzierung der erforderlichen Berechnungszeiten wurde mit der Entwicklung speziell optimierter Algorithmen und Verfahren begonnen sowie auf Multiprocessing, Multithreading und dem Einsatz von Grafikkarten zur parallelen Ausführung von Berechnungssequenzen zurückgegriffen. Die Weiterentwicklung und Optimierung dieser Algorithmen stellt einen wesentlichen Punkt für einen zukünftigen effektiven Einsatz in der Praxis dar, da dies nur bei einer deutlichen Reduzierung der Berechnungszeiten Akzeptanz finden wird.