水切伦科夫探测器中的伽马中子放射性源识别

水切伦科夫探测器（WCDs）是一种在天体物理学、高能物理以及最近的核安全应用中广泛使用的稳健技术。它们通过水中带电粒子以超过光速运动时发出的切伦科夫光来探测高能相互作用。在这项工作中，我们展示了使用统计分析与机器学习技术相结合的方法在WCDs中进行伽马-中子甄别的可行性。实验装置采用不同的屏蔽配置来隔离来自\textsuperscript{241}AmBe源的伽马和中子贡献，而\textsuperscript{60}Co和\textsuperscript{137}Cs源用于建立信号到能量的校准。基于$3\sigma$显著性标准的统计分析用于定义能量阈值，从而在测量的电荷谱和沉积能量之间建立线性关系。在此校准的基础上，通过机器学习方法进一步利用脉冲形状信息来改进事件分类。一个基于软投票策略的集成模型，结合了Bagging分类器、CatBoost和多层感知器，在不同屏蔽条件下获取的探测器信号上进行训练，实现了0.816的准确率和接收者操作特征（ROC）曲线下的面积。这种组合方法表明，统计阈值化在整个能量范围内提供了物理基础的甄别基线，而机器学习通过利用脉冲级信息在高能量下增强了分类性能。这种集成策略提高了水切伦科夫探测器中的辐射识别能力，在核安全和辐射探测方面具有潜在应用。