基于插值的数值机器学习方法用于排烟光辐射剂量估算：XGBoost、Random Forest 与 TabNet 比较
机器学习
2026-02-24 v1 人工智能
摘要
尽管机器学习（ML）在代理建模方面取得了成功，但其在剂量评估中的应用受到安全关键约束、稀缺的训练就绪数据以及选择适合物理主导系统体系结构的挑战限制。在此背景下，快速准确的排烟光辐射剂量估算是一个实际的测试案例，因为它对于核设施安全评估和放射性紧急响应至关重要，而传统的光子传输基于计算则计算代价高昂。本文开发了一个使用 pyDOSEIA 套件为 17 种伽马放射性同位素在不同下风距离、释放高度和大气稳定性类别下生成的离散剂量数据集，构建了一个插值辅助的 ML 框架。通过形状保持插值来构建稠密、高分辨率的训练数据。评估了两种基于树的 ML 模型（Random Forest 和 XGBoost）和一种深度学习模型（TabNet），以检验其预测性能和对数据集分辨率的敏感性。所有模型在插值高分辨率数据集上显示出比离散数据更高的预测精度；然而，XGBoost 始终实现最高的精度。解释性分析使用基于树的模型的置换重要性（Permutation Importance）和 TabNet 的注意力基于特征归因（Attention-based Feature Attribution）揭示了性能差异的来源：树模型主要关注dominant geometry-dispersion 特征（释放高度、稳定性类别和下风距离），将放射性同位素身份视为次要输入，而 TabNet 在多个变量上分布注意力。对于实际部署，开发了一个基于 Web 的 GUI，用于交互式情景评估和与光子传输参考计算的透明比较。
引用
@article{arxiv.2602.19584,
title = {Interpolation-Driven Machine Learning Approaches for Plume Shine Dose Estimation: A Comparison of XGBoost, Random Forest, and TabNet},
author = {Biswajit Sadhu and Kalpak Gupte and Trijit Sadhu and S. Anand},
journal= {arXiv preprint arXiv:2602.19584},
year = {2026}
}
备注
28 pages, 11 figures, 3 tables