Personal radiation dosimeter and its dose assessment algorithm were developed using thermoluminescence (TL) material, LiF:Mg,Cu,Na,Si and artificial neural network (ANN). LiF:Mg,Cu,Na,Si TL detectors, which have been newly developed by Korea Atomic Energy Research Institute (KAERI), have a good dosimetric properties in terms of sensitivity, energy response, dose response, etc. The objective of this study is divided into the development of TL dosimeter and dose assessment algorithm.
The computational approach with Monte Carlo simulation and the irradiation experiment in radiation fields were accomplished to design and develop the TL dosimeter including dosimeter filter system. TL dosimeter should have the ability to measure and estimate the personal radiation dose equivalent, so dosimeter usually has the appropriate filter materials that are necessary to measure dose equivalent. To select the filter material and its geometric configuration, Monte Carlo Neutron Particle transport code (MCNP) was used to simulate the energy response between TL detector and the photons. This computational approach is helpful to determine the relative change in the response of TL material or dosimeter area when other design parameters such as filter material and filter geometry are introduced. The irradiation experiments were accomplished to verify the suitability of filter material proposed by the computational approach using MCNP. Based on the MCNP simulation and the irradiation experiments, personal radiation dosimeter having four dosimeter area using LiF:Mg,Cu,Na,Si TL detectors was developed. The test for the dosimetric characteristics of developed dosimeter was performed in radiation fields in terms of energy response and angular dependence. With energy response results, the developed TL dosimeter provides relative response values in the range between 0.78 and 1.08 over the photon energy range from 20 to 662 keV. This is within the ±30% design limits required by the ISO standard. In terms of angular dependence, the angular dependence of the dosimeter seems to be similar with the angular response factor (ARF) based on the deep dose equivalent. The developed dosimeter shows the response within the maximum error of 12% compared to ARF. The results of energy response and angular dependence of developed dosimeter present that the dosimeter meets the requirement of dosimeter standard.
Dose assessment algorithm based on artificial neural network (ANN) was developed and verified in performance test. The basic concept of ANN dose algorithm of this study is that various information like the radiation type, the mixture fraction of mixed radiation fields can be obtained by the response ratio of a multi-element dosimeter. In the ANN dose algorithm of this study, the networks are trained using supervised learning rule, with a training set of inputs (response ratio) and targets (radiation type or mixture fraction) in the form of input and output. The developed ANN dose algorithm consists of three main parts. The first is to train the network for discrimination of the incident radiation type, and the second is to form the network of determining the mixture fraction. The last is to select appropriate dose conversion factors to calculate dose equivalent through two trained neural networks for the measured data of dosimeter in mixed radiation fields. Compared with other ANN dose algorithms based on the spectrum unfolding method or functional link network (FLN), the ANN dose algorithm in this study has some characteristics. The first is that this ANN algorithm is relatively simple since it is based on the response ratios corresponding to the radiation type and the mixture fraction. The second is to be able to deal with many kinds of radiation types and mixture radiation fields. This dose algorithm has also limitations that it is based on the theoretical response ratio and has a difficulty in case of single field of $^{137}Cs$.
Performance test of decision tree and ANN dose algorithm was accomplished to verify the ability to measure and to estimate the personal dose equivalent. This test is performed through the irradiation of the developed dosimeter in radiation fields. The results from decision tree algorithm and ANN algorithm were compared with each other. It is worthy to note that the ANN dose assessment algorithm minimize the error in view of performance test. Especially, the reduction of error is remarkable in the test for mixed photons fields between $^{137}Cs$ and X-ray. Based on the results, the ANN algorithm in this study has some merits. The first is to have the ability to present the information on the incident radiation. The second is that the procedure is simple to offer the dose conversion factors. The theoretical response ratios are the input of algorithm and the irradiation information such as incident radiation type and mixture fraction are obtained through the relatively simple trained weight matrix of ANN algorithm. The third is that required time and efforts are relatively little. If the theoretical response data is obtained, the dose estimation procedure including the training and simulating does not require much time. However, this ANN algorithm has the important limitation that it is also based on the theoretical response ratio data. If the experiment for response ratio has some uncertainties or errors, the training input data will have some unreliable trained matrix. The thermoluminescence dosimeter and its dose assessment algorithm developed in this study could be considered as a reliable and efficient system for the personal dosimetry. The TL dosimeter and ANN dose algorithm proposed in this study have, therefore, a feasibility to be utilized in common dosimetry fields.
새로운 열형광 물질인 LiF:Mg,Cu,Na,Si소자를 이용해 개인 방사선 선량계를 설계, 제작하고 인공신경망 이론을 응용한 선량평가 알고리즘 개발에 관한 연구를 수행하였다.
현재 국내에서는 꾸준히 증가하는 전력수요에 따른 원자력산업의 발전과 방사선 동위원소 취급시설의 증가로 방사선 작업 종사자의 수가 지속적으로 증가하고 있다. 이러한 방사선 작업 종사자들의 방사선 방어를 위해 여러 가지 연구들이 수행되고 있는 가운데, 방사선 방어의 가장 기본적인 방사선 피폭량의 측정은 그 중요성이 날로 증대되고 있다. 방사선 피폭량의 측정은 여러 가지 방법에 의해서 이루어 질 수 있으나 현재 국외 및 국내에서 가장 널리 기본적으로 사용되는 방법은 열형광 선량계를 이용한 방법이다. 하지만, 현재 국내에서 사용되는 모든 열형광 선량계는 전량 수입에 의한 것으로서 이러한 문제를 해결하고자 몇 년 전부터 열형광소자 및 그에 따른 선량계 등에 관한 연구가 진행중이다.
본 연구에서는 최근에 새롭게 개발된 열형광 소자인 LiF:Mg,Cu,Na,Si를 이용해서 선량계를 설계, 제작하였다. 기존의 상용화되어진 다른 소자에 비해 감도가 우수한 이 물질을 이용해서 선량계를 설계, 제작하기 위해 이론적인 방법과 실험적인 방법을 통해 연구를 진행하였다. 우선, 선량계의 특성 및 여러 가지 필터 물질에 대한 반응성을 알아보기 위해 이론적인 방법으로 몬테칼로 입자수송 코드인 MCNP-4C를 이용하였다. MCNP 코드를 사용해서 도출한 여러 가지 반응성을 바탕으로 다중영역 선량계를 설계하고 제작하였다. 이렇게 제작된 선량계를 가지고 영역별 에너지 반응을 측정하기 위해, 국가 교정 기관인 한국원자력연구소에 재현되어 있는 20 keV ~662 keV 의 단일에너지 X-선 및 감마선장을 이용하여 방사선 조사 실험을 실시하였다. 실험결과, 주 관심 영역인 20 keV ~662 keV 영역에서, 선량계의 주 영역인 A2 영역의 심부선량 $H_p(10)$ 에 대한 반응이 개인 선량계 기준에 만족하는 것으로 나타났으며, 각 영역의 반응성도 각각의 설계 목적에 부합하는 것으로 나타났다. 또한, 선량계에 입사된 방사선의 방향에 따른 반응성을 살펴본 결과, 선량계로서 만족시켜야 할 기준 범위를 만족시키는 것을 실험을 통해서 확인 할 수 있었다.
선량계의 개발과 더불어 개인 방사선 피폭량을 도출하기 위해 필요한 선량 평가 알고리즘을 개발하였다. 본 연구에서는 지금까지 널리 사용되어온 결정수목구조 (decision tree)의 선량평가 알고리즘과 인공 신경망 (artificial neural network)을 이용한 선량평가 알고리즘을 함께 개발하였다. 우선, 결정수목 구조의 선량 알고리즘을 위해서 다중영역의 소자별 반응성을 실험을 통해 확인하고 그에 따라 영역별 반응비의 적절한 조합을 통해 혼합 방사선장에서의 입사된 방사선장 및 선질, 혼합비율 등을 구별할 수 있도록 알고리즘을 구성하였다. 인공 신경망을 이용한 알고리즘을 위해서는 위에서 언급한 영역별 반응비를 이용해 신경망을 학습시켰으며, 학습시 정해진 출력값과의 오차를 최소화 시키는 방향으로 가중치 값을 조정하는 학습 방법을 사용하였다. 이렇게 학습된 신경망 구조를 가지고 선량계에 입사된 방사선의 종류 및 선질을 구별하고 혼합 비율을 구별할 수 있도록 하였다. 이렇게 구별된 선장과 혼합비율에 따라 선량환산인자가 결정되며, 그에 따라 개인피폭선량이 계산되어지게 된다. 본 연구에서 개발되어진 인공신경망을 응용한 알고리즘은 다른 인공신경망 선량평가 알고리즘에 비해 그 접근방법면에서 비교적 간단하면서도 입사 방사선에 관련된 정보를 제공할 수 있는 장점을 가지고 있다.
마지막으로 새롭게 개발된 개인 방사선 선량계와 두가지 선량 평가 알고리즘에 대한 성능평가를 수행하였다. 개인 방사선 선량계의 성능평가를 위한 기준 (ANSI N13.11)에 따라 성능검사 절차에 맞도록 테스트를 수행하였다. 본 성능 검사에서 결정수목 구조 알고리즘과 인공 신경망 알고리즘 모두 성능평가 기준을 만족시키는 것으로 나타났다. 그러나, 인공 신경망 알고리즘의 결과가 실제 조사된 선량과의 오차에서 결정수목 알고리즘보다 우수한 것으로 나타났다. 특히 이러한 결과는 단일 방사선 장에서보다는 혼합 방사선 장에서 두드러지게 나타났다.
본 연구에서 개발된 선량계 및 선량 평가 알고리즘은 확인된 바와 같이 향후 개인 방사선 선량계 분야에 적용된다면 기존의 선량계에 비해 방사선 작업자 피폭량 관리에 있어서 우수한 결과를 나타낼 수 있을 것으로 판단된다.
