Plastic scintillation detectors have been widely used in radiation measurements owing to their low cost and large volume, However, they are difficult to conduct energy calibration and not adequate spectroscopic measurements because of poor energy resolution and absence of full energy peaks in their spectrum. In this thesis, I study parametric optimization and multi-task learning to allow plastic scintillation detectors to spectroscopic capability. In parametric optimization, I address an optimization problem to calibrate measured channel to physical energy and to find energy broadening parameter for simulating response function of the detectors. In multi-task learning, I develop a deep learning model to generate full energy peaks and to predict relative activities of gamma-ray sources from plastic gamma spectra.
플라스틱 섬광체 검출기는 저렴한 가격과 대용적 제작 용이 등의 장점으로 인하여 다양한 방사선 계측 분야에서 활용되고 있다. 하지만, 플라스틱 섬광체 검출기는 계측 스펙트럼의 에너지 분해능이 나쁘고 전 에너지 피크가 발생하지 않아 분광분석용으로는 적합하지 않다. 이를 극복하기 위하여 많은 연구자들이 플라스틱 섬광체 검출기를 이용한 의사 감마분광분석 기법을 제안 하였으나, 기존의 기법들은 분광분석의 목적인 선원 식별과 정량화 중에서 식별 만이 가능한 것이 대부분이다. 또한 이를 위해서는 계측 스펙트럼을 에너지 스펙트럼으로 변환하는 에너지 교정 절차가 필요한데, 플리스틱 섬광체 검출기의 경우 앞서 언급한 단점으로 인하여 에너지 교정이 어렵다. 본 학위 논문에서는 이러한 한계를 극복하기 위한 매개변수 최적화 기반의 에너지 교정 및 반응 함수 계산 방법과 다중작업 학습 기반의 플라스틱 감마 스펙트럼의 의사 감마분광분석 기법에 대해 다루고자 한다.
