Model-based imaging of spent nuclear fuel with passive gamma emission tomography

Abstract

Inspecting spent nuclear fuel is an important safety measure to prevent nuclear proliferation. Due to high radiation from the fuel, the inspection can not be done manually. Therefore, inspections are executed from the radiation measurements. An iterative PGET algorithm has been used to reconstruct the emission and attenuation values of the spent fuel. Although the reconstruction algorithm is precise, the measurement, in addition to the reconstruction, is a time-consuming process. The main objective of this thesis was to implement a model-based machine learning method, LMA+CNN, to enhance the reconstruction time by decreasing needed iteration steps and improving the reconstruction quality. A convolutional neural network was implemented between the first five iterations of the PGET algorithm. The results were compared using relative error after five iterations and the best-achieved reconstruction from the PGET algorithm. The effect of using prior information about the fuel assembly geometry for the result was studied. Also, the LMA+CNN performance was tested with a slightly different geometry than originally trained with. The training and testing were performed with simulated data only. The proposed method produced better results in all of the test cases considered in this thesis. The prior information used did not significantly affect the LMA+CNN reconstructions. The LMA+CNN method also achieved a smaller relative error with different geometry. The findings propose that the LMA+CNN method can decrease the number of iteration steps to achieve a high-quality reconstruction. It could also be used on different fuel geometries rather than being assembly layout-specific.

Käytetyn ydinpolttoaineen tarkastaminen on tärkeä osa turvatoimia, joilla estetään ydinaseiden leviäminen. Korkean säteilyn vuoksi polttoainetta ei voida tarkastaa manuaalisesti ja tarkastukset suoritetaan säteilymittauksista. Iteratiivista PGET algoritmia on käytetty polttoaineen emissio- ja attenuaatioarvojen rekonstruointiin. Vaikka algoritmi on tarkka, mittauksien lisäksi itse rekonstruktio on aikaa vievä prosessi. Tämän diplomityön tavoitteena oli kehittää mallipohjainen koneoppimis-menetelmä, LMA+CNN, vähentämään rekonstruktioon käytettyä aikaa, eli tarvittavia iteraatioaskelia, sekä parantamaan rekonstruktion laatua. Konvoluutio neuroverkko lisättiin PGET algoritmin ensimmäisen viiden iteraation väliin. Tuloksia verrattiin suhteellisella virheellä sekä parhaaseen tulokseen PGET algoritmista, että viiden iteraation jälkeen. Vertailussa huomioitiin myös, oliko ennakkotietoa polttoainenipun geometriasta käytetty vai ei. LMA+CNN:n suorituskykyä testattiin myös hieman poikkeavalla geometrialla koulutusdataan verraten. Kouluttamiseen ja testaamiseen käytettiin vain simuloitua dataa. LMA+CNN sai paremmat tulokset kaikissa testatuissa tapauksissa. Käytetty ennakkotieto ei vaikuttanut LMA+CNN:n rekonstruktioihin merkittävästi. Myös poikkeavalla geometrialla LMA+CNN saavutti pienemmän virheen. Tulokset osoittavat, että LMA+CNN menetelmä pystyy vähentämään iteraatioiden lukumäärää, joilla saavutetaan hyvälaatuinen rekonstruktio. Menetelmää voitaisiin myös käyttää erilaisille polttoainegeometrioille sen sijaan, että se olisi polttoainetyypistä riippuvainen.