بکارگیری فیلتر کالمن توسعه یافته جهت کاهش نویز غیرایستان چرخشی در پایش هوایی پرتوی گاما

آشکارسازی پرتو گاما نقش مهمی در افزایش ایمنی هسته ای و بستری مناسب برای استفاده بهینه از پرتوهای هسته ای فراهم می کند. برای آشکارسازی با ریسک پرتوگیری پایین، بدلیل فاصله محل آشکارسازی از منبع پرتویی معمولاً از روش پایش هوایی گاما استفاده می شود. یکی از مهم ترین مسائل در پایش هوایی گاما، کاهش نویز آشکارسازی است. روش های مختلفی برای کاهش نویز آشکارساز هوایی گاما ارائه شده که از میان آن ها در این مقاله، استفاده از خواص ایستان گردشی، به دلیل قابلیت های آن در آشکارسازی شمارش های کم پرتویی، که ناشی از منابع ضعیف گامای دور از محل آشکارساز است، پیشنهاد و به منظور افزایش دقت نتایج آشکارسازی پرتو گاما و کاهش خطای ناشی از محدودیتهای فیزیکی و پروازی با سایر روش های پردازش سری های زمانی و تخمین های طیفی مقایسه شده است. مهم ترین مشکل چنین روش هایی پیچیدگی محاسباتی بالا است، که استفاده از آن را با چالش روبه رو می کند. در این مقاله روش های کاهش نویز آشکارساز هوایی گاما مبتنی بر خواص ایستان گردشی در فیلترهای توسعه یافته کالمن معرفی می شوند. فیلتر کالمن با استفاده از ادغام داده ها، بر اساس یک مدل دینامیکی، تغییرات در شمارش فوتون های دریافتی عناصر پرتوزا را در زمان واقعی برآورد می کند. نتایج پژوهش نشان می دهد که فیلتر کالمن توسعه یافته با توجه به ویژگی حذف اعواج های غیرخطی نسبت به سایرفیلترها برتری دارد. تمرکز مقاله بر مدل سازی، تطبیق و جنبه های محاسباتی اعمال فیلتر کالمن بر داده های واقعی حاصل از پایش هوایی گاما است. معیار کوواریانس خطا و زمان موردنیاز محاسبات برای پردازش در واقع نگاری آشکارسازی پرتوی گاما با روش های تخمین مبتنی بر چگالی طیف توان و ﺗﺨﻤﻴﻦ ﻃﻴﻔﻲ ﭼﻨﺪﻛﺎﻫﻨﺪه و کالمن توسعه یافته ارزیابی شده است. نتایج بیانگر آن است که استفاده از روش کالمن توسعه یافته علاوه بر این که آشکارساز را برای مقابله با نویزها و اختلال های غیرخطی آماده می کند، همگرایی سامانه پایش هوایی را نیز به صورت محسوسی افزایش می دهد.

IMPLEMENTATION OF EXTENDED KALMAN FILTER TO REDUCE NON CYCLO-STATIONARY NOISE IN AERIAL GAMMA RAY SURVEY

Gammaray detection has an important role in the enhancement the nuclear safety and provides a proper environment for applications of nuclear radiation. To reduce the risk of exposure, aerial gamma survey is commonly used as an advantage of the distance between the detection system and the radiation sources. One of the most important issues in aerial gamma survey is the detection noise. Various methods being proposed to reduce the noise of the gamma detectors, among which, in this paper, the utilization of Cyclostationary properties is proposed, because of its capability in detecting weakened gamma rays with low rate counts from far sources. To increase the accuracy of the results of gamma detection and reduce errors due to physical and flight constraints, we compared other timeseries processing and spectral estimation methods. The most important problem with such methods is the high computational complexity, which makes them difficult to use. In this paper, we present the aerial gamma detection noise reduction methods based on the Cyclostationary properties in extended Kalman filters. The Kalman estimates realtime variations in the counts of radionuclides using data integration based on a dynamic model. The results show that the extended Kalman is superior to other filters due to its nonlinear distortion reduction feature. The focus of the paper is on the modeling, matching and computational aspects of applying the Kalman filter on real data obtained from aerial gamma survey. The covariance and the required computational time have been evaluated using the power spectral density estimation, Multitaper spectral estimation, and the extended Kalman methods. The results indicate that the extended Kalman method increases the converging speed in addition to empowering the detector against the nonlinear noise and disturbances.