核电站反应堆等核设施内部及周边广泛配备有固定式X、γ辐射剂量仪，此类仪表是辐射监测网络系统中的重要组成部分，具有灵敏度高、稳定性好、操作简便和反应快速等优点^[1]。固定式X、γ辐射剂量仪不便于拆卸送往计量实验室进行校准检定，而且送检周期较长(至少1周)，影响辐射剂量监测结果的连续性。此类仪表拆卸后不便于安装且在运输和安装过程中容易造成损坏^[2]，无法保障其监测结果的准确可靠，影响了其辐射剂量监测能力，存在现场校准技术需求。固定式X、γ辐射剂量仪的现场校准方法需要选择合适的射线装置以提供必要的参考辐射场，通常使用放射性同位素作为γ辐射源，但放射源存在丢失的风险，且受到法律法规的管控，运输手续审批困难。而X射线机在运输过程中不存在放射性，比运输同位素放射源更为安全，且已有实验论证利用X射线(管电压范围：80~200 kV)替代¹³⁷Cs γ射线对常用固定式X、γ辐射剂量监测仪表进行现场校准是可行的^[2]，因此使用X射线机作为现场校准的射线装置。固定式X、γ辐射剂量仪的现场校准方法分为原位校准和现场校准。其中原位校准直接使用便携式X射线照射装置产生的辐射场对仪表进行校准，其优点在于不需要拆卸仪表，但由于固定式辐射监测仪表通常固定在墙上，且环境条件复杂，会有大量来自墙体和其他障碍物的散射辐射，参考点处剂量率定值存在一定困难；现场校准则是在现场拆卸仪表的探头，放入由自屏蔽式X射线照射装置产生的封闭辐射场进行校准，现场校准相较于实验室送检的优势在于不需要拆卸固定式X、γ辐射监测仪的全部线缆和主机，在封闭辐射场中，散射辐射较为单一，主要来自屏蔽体和仪表探头，仪表探头形状多为圆柱体，散射辐射类似，易于通过机器学习的方法对散射辐射造成的影响进行修正。为解决固定式X、γ辐射剂量仪的现场校准技术需求，基于X光机研究建立了便携式X射线照射装置和自屏蔽式X射线照射装置，基于蒙特卡罗模拟、GBRT模型、极端随机树模型等机器学习算法和实验方法完成了X射线辐射场散射辐射修正并开展辐射场剂量率定值技术研究。结合照射装置和次级标准电离室开展了固定式X、γ辐射剂量仪现场校准实验，现场校准因子和实验室校准因子的相对误差不大于6.2%，满足现场校准工作要求。

1 便携式X射线照射装置 1.1 结构

便携式X射线照射装置的结构见图 1。便携式X射线照射装置主要包括：X射线管、屏蔽体、限束光阑、附加过滤、俯仰角调节装置和三脚架。X射线管用于产生X射线，选取XPO EVO 225D型便携式恒电压X射线管，最大功率可达1 200 W，具有管电压、管电流调节范围宽，输出剂量重复性与稳定性较好等优点，X射线管的主要技术参数见表 1^[3-4]。

由表 1可知，便携式X射线管最大辐射泄漏剂量率为5 mSv/h，为达到防护目的，在X射线管外部设计厚度为5 mm的铅体以及1 mm的不锈钢材料的屏蔽箱，可将表面(距屏蔽体表面30 cm)泄漏剂量率降低至25 μSv/h。X射线管产生的X射线不能直接用于仪表的现场校准实验，需要研制一系列的附加过滤，选用GB/T 12162.1—2000《用于校准剂量仪和剂量率仪及确定其能量响应的X和γ参考辐射 第1部分：辐射特性及产生办法》^[5]推荐的L系列和N系列参考辐射质，附加过滤片按距焦斑由近及远按原子序数减小的顺序进行排列，依次为：Pb、Sn、Cu、Al金属过滤片，可以有效减少杂质射线对出射束的污染。

位于出射口的限束光阑主要用于对X射线出射束的限束与整形^[3]，其内孔直径大小直接影响到1 m处所形成辐射场范围大小。GB/T 12162.1—2000《用于校准剂量仪和剂量率仪及确定其能量响应的X和γ参考辐射 第1部分：辐射特性及产生办法》^[5]规定，辐射场直径应保证足以完全和均匀地照射离焦斑最近检验点上的探测器，且整个探测器灵敏体积上剂量率的变化不应超过5%。因此利用蒙特卡罗中子和光子传输代码(Monte Carlo Neutron and Photon transport code，MCNP)软件建立模型，模拟不同光阑内孔半张角条件下距焦斑1 m处的辐射场范围，源项设置为N-150谱分布点源，光阑内孔半张角设置为3°~15°不同角度，计算结果见表 2。由表 2可知，内孔形状不同而半张角大小相同的限束光阑在1 m处产生均匀性在±5%以内的辐射场直径完全相同(即限束效果完全相同)，参考对常见固定式X、γ辐射剂量仪外形尺寸调研情况可知，便携式X射线参考辐射场均匀性可满足大部分此类仪表的现场校准测量工作，因此限束光阑设计为相同直径两级切片状，每级光阑厚度3 mm，相邻两级光阑间距10 mm。

便携式X射线照射装置设置有俯仰角调节装置，可实现-15°~+15°的范围内的照射功能。便携式X射线照射装置设置有三角架，可实现焦点距离地面1.00~1.75 m高度调节。

1.2 便携式X射线照射装置辐射场特性研究 1.2.1 辐射场均匀性

通常将均匀性≥95%的辐射场范围作为校准场，辐射场的均匀性是研究便携式X射线照射装置辐射场特性的关键指标。对不同半张角θ条件下参考辐射场范围进行测量^[3]，测量结果见表 3。由表 3可知，均匀性在±5%以内的辐射场范围随限束光阑半张角的增大呈增大趋势，且半张角为10°~15°时的均匀场范围相同，这主要是X射线管出射口结构尺寸限制所导致的。当参考点距焦斑2 m时，辐射场直径范围最大可达38 cm，因此便携式X射线参考辐射场均匀性可满足大部分常规仪表的现场校准测量工作。

1.2.2 散射辐射

GB/T 12162.1—2000《用于校准剂量仪和剂量率仪及确定其能量响应的X和γ参考辐射 第1部分：辐射特性及产生方法》^[5]规定，测量射线束中轴线上检验点的空气比释动能率，经修正后应在5%以内正比于焦点到探测器几何中心距离平方的倒数，即满足平方反比定律要求。以N-150参考辐射质为例，设置限束光阑半张角θ=8°，测量参考点距离焦斑不同距离处的空气比释动能率，将其作为实测剂量率值D，将实测值经空气衰减修正因子修正得到修正剂量率D′^[3-4]，表 4为D′l²随距离l的变化关系。由表 4可得，距焦斑距离为0.5~4.5 m时，修正后各测量点处剂量率的距离平方反比定律与0.5 m处的相对偏差≤5%，符合GB/T 12162.1—2000《用于校准剂量仪和剂量率仪及确定其能量响应的X和γ参考辐射 第1部分：辐射特性及产生方法》^[5]规定。

1.2.3 能谱分布

便携式X射线照射装置的能谱分布与阳极靶材料、角度、附加过滤材料、固有过滤等均有密切的关系，使用蒙特卡罗模拟法对便携式X射线照射装置的电子打靶初级X射线谱与N系列、L系列X射线过滤谱进行模拟并将模拟结果与德国联邦物理技术研究院(Physikalisch-Technische Bundesanstalt, PTB) 实测谱进行对比^[6]，部分结果见图 2。

由图 2可知，MCNP模拟谱与PTB实测谱存在细微差别，这主要是由于PTB谱线为实测谱，其测量过程将受到实验环境影响(尤其是低能散射部分)，且两者装置可能存在差异。在实际校准场应用中，起主要作用的是连续谱部分，因此便携式X射线照射装置应用于现场校准是可行的。

2 自屏蔽式X射线照射装置 2.1 结构

自屏蔽式X射线照射装置包括：X射线管、屏蔽体、限束光阑、附加过滤与校准腔室等组成，限束光阑和附加过滤与便携式X射线照射装置通用，整体结构示意图见图 3。校准腔室内部为Φ44 cm×44 cm的圆柱体，为保证人员安全，采用20 mm厚的铅作为屏蔽体材料，铅屏蔽层内外分别由5 mm厚的不锈钢包裹。校准腔室前表面有圆孔与X射线管对接，用于接收来自X射线管的X射线束，上表面有圆孔用来放入待校仪表的探头，后下方约开有50 mm× 50 mm方孔，用于插入并摆放测量空间散射辐射的谱仪探头。

2.2 自屏蔽式X射线照射装置辐射场特性研究 2.2.1 辐射场均匀性

结合实验测量和蒙特卡罗模拟方法研究自屏蔽式照射装置参考辐射场均匀性，对自屏蔽式X射线照射装置进行建模(见图 4)，并利用MCNP计算自屏蔽式照射装置内的辐射场的剂量分布。源项分别设置N-100和N-150谱分布点源，X射线源在半张角8°范围内均匀分布，限束光阑材料为钨镍合金，分别在距离焦斑30、40、50、60、70 cm处不同垂直位置设置体积为27.9 cm³的球型计数栅元，使用MCNP的F4计数卡，配合DE4、DF4转换系数卡，分别计算距离焦斑不同位置处不同垂直位置的空气比释动能分布情况，结果见图 5。

X射线管产生的X射线束经过准直光阑、附加过滤进入自屏蔽式X射线照射装置的校准室中，形成自屏蔽式X射线辐射场，选取参考辐射质N-100和N-150，使用德国PTW公司生产的TW32005球形电离室测量参考点垂直剂量率分布，将实测结果与模拟结果进行比较，结果见图 6。由图 5、6所示，自屏蔽式X射线照射装置参考点处的辐射场直径大于10 cm，能够覆盖绝大多数固定式X、γ辐射剂量仪探头的灵敏区直径，可以用于此类仪表的现场校准工作。

2.2.2 能谱分布

选取SPEAR碲锌镉探测器(CZT)置于参考点处，对自屏蔽式X射线照射装置的能谱进行测量，同时对探测器结构进行蒙特卡罗建模，使用点源代替X射线管，限束光阑材料为钨镍合金，校准室屏蔽体为2 cm厚的铅内外分别包覆0.5 cm的304不锈钢，CZT探头尺寸为5 mm×5 mm×5 mm，组成元素比例为Cd0.9Zn0.1Te，源项选取N-80~N-100参考辐射质，使用MCNP的F8计数卡，模型如图 7所示，计算自屏蔽式X射线照射装置参考点处CZT晶体的脉冲高度谱，并与测量结果进行比对，结果见图 8。

能谱右侧的小峰是由于堆积效应造成的虚假峰，由于N系列辐射质在参考点处的光子注量率较高，因此谱仪的计数率也比较高，在一个时间周期内，可能有不止一个光子与CZT晶体发生相互作用，此时放大器输出的脉冲的高度为多次相互作用产生的脉冲高度之和。由图 8可以看出，MCNP能够有效模拟参考点处能谱的真实情况。以N-100和N-150辐射质的能谱测量结果为例，比较参考点处自屏蔽式X射线照射装置的实测谱与开放场0.5 m处的实测谱，结果见图 9。从图 9中可以看出开放场和自屏蔽辐射场在能谱分布方面基本相同，即在实际校准场应用中没有显著差别，说明了自屏蔽式X射线照射装置用于现场校准的可行性。

3 基于机器学习的现场环境散射辐射修正系统研究

固定式X、γ辐射剂量仪一般固定在距离地面1 m高的墙体上，进行原位校准时墙壁是散射辐射的主要来源，需开展必要的环境散射辐射修正。

机器学习可以基于采样数据对未知状况、未知问题进行识别和解决。近年来，机器学习逐渐应用于辐射剂量学研究^[7-10]。拟结合机器学习模型完成X射线辐射场散射辐射修正的研究，在现场校准过程中可根据实际情况输入相关环境参数，直接得到修正后的辐射剂量值，以替代现场采用电离室测量散射辐射，有效减少测量工作量与校准时间。修正流程如图 10所示，利用MCNP蒙卡程序建立典型现场的计算模型，计算散射辐射贡献，并开展实验验证。经验证后的蒙卡计算结果作为机器学习的训练集^[10]。

3.1 基于便携式X射线照射装置的蒙卡计算模型搭建与验证 3.1.1 蒙特卡罗模型建立

基于典型现场校准基本场景条件，利用MCNP建立现场环境散射蒙卡计算模型(见图 11)，主要包括：X射线管、屏蔽体、限束光阑以及周围可能会成为散射辐射来源的物体(如墙壁、天花板、地面等)。

建立上述的蒙卡模型，粒子源项为带30°偏倚的窄谱系列参考辐射注量谱，使用MCNP的F4计数卡，配合DE4、DF4转换系数卡得到探测栅元处的剂量值，将其作为“有环境散射剂量值D”，再将照射装置周围物体的栅元填充为空气材料，重新得到探测栅元处剂量值，作为“忽略环境散射剂量值d”^[10]，环境散射辐射份额模拟值k_s为

$ k_{\mathrm{s}}=\frac{D-d}{D} \times 100 \% $

(1)

现场环境散射辐射修正系统可以通过输入相关环境条件参数，从而获得环境散射辐射份额的预测值，从而实现对现场环境散射辐射的修正。

3.1.2 模拟结果验证

对蒙卡模拟结果进行实验验证，实验过程中的环境参量取值情况见表 5。

环境散射辐射份额的实验值可由如下方法得到：将便携式X射线照射装置及传递标准电离室PTW 32005放置在实验室中央导轨上(此时周围墙壁距离检验点大于2 m，可忽略环境散射)，配合UNIDOS E剂量仪测量得到距离X光机焦斑L₁处检验点的剂量率，将其记为“忽略环境散射剂量率d_t”；再将照射装置及电离室依照现场校准场景布局摆放，得到同距离L₁处检验点剂量率，将其记为“有环境散射剂量率D_t”，则可以得到环境散射辐射份额的实验值k_t为

$ k_{\mathrm{t}}=\frac{D_{\mathrm{t}}-d_{\mathrm{t}}}{D_{\mathrm{t}}} \times 100 \% $

(2)

根据表 5中各环境参量的取值情况，由上述方法得到不同管电压条件下散射辐射份额实验值k_t，并将其与模拟计算环境散射辐射份额k_s比较，结果见图 12。

由图 12可以看出辐射质类型为N-60与N-80时，k_t的相对偏差较大，因此在固定式X、γ辐射剂量仪的现场校准中，选用N-100~N-200辐射质得到的结果更为可靠。模拟计算得到的环境散射辐射份额结果与实验结果在辐射质为N-100~N-200时相对偏差为-18.1%~7.3%，因此利用此模型为机器学习模型构建提供大量的训练数据与测试数据是可行的。

3.2 基于便携式X射线照射装置机器学习模型的建立 3.2.1 MCNP数据集的构建

由表 5可知，MCNP计算模型所涉及的参量个数为13个，对其随机组合后在取值范围之内产生的输入文件数目将是巨大的。分析可知，校准源距天花板、地面以及墙壁距离的改变对模拟结果的影响不大，因此在模拟中设置校准源-天花板距离L₂=200 cm，校准源-地面距离L₃=150 cm，校准源-左墙距离L₄=300 cm，校准源-右墙距离L₅=300 cm，校准源-后墙距离L₆=400 cm。图 13为环境散射MCNP计算模型示意图，该模型主要包括：便携式X射线照射装置、探测栅元、前后左右四面墙壁、地面及天花板。

根据表 5对其余各参量取值随机组合，可以提供不同辐照条件下环境散射份额数据为47 868个。使用MCNP脚本运行工具简化运行代码以半自动化批量生成更多输入脚本文件，完成对原始数据输入脚本文件集的生成工作。再通过关键数据提取模块中的提取功能，完成对原始输出脚本文件中关键信息(即空气比释动能和周围剂量当量)的提取工作，根据式(1)计算得到k₁(空气比释动能散射辐射份额)与k₂(周围剂量当量散射辐射份额)，从而完成MCNP数据集的构建工作。

3.2.2 机器学习模型构建与算法选择

拟采用机器学习简单模型与集成模型两类模型^[11-14]研究基于便携式X射线照射装置的散射辐射修正问题。其中，机器学习简单模型有：支持向量回归(support vector regression, SVR)与决策树回归。机器学习集成模型有：Adaboost(adaptive boosting) 模型，Bagging(bootstrap aggregating)模型，GBRT (gradient boosting regression tree)模型和随机森林回归模型。使用表 5中环境参量组作为机器学习模型的输入特征，参考点处的散射辐射份额作为模型的输出，利用MCNP数据集(训练集)对上述6种机器学习预测模型进行训练与优化并对模型预测结果进行验证与评价。

3.2.2.1 基于支持向量机的预测模型

SVR回归是找到一个回归超平面，让一个集合的所有数据到该超平面的距离最近。对于待测X射线辐射场中参考点处的散射辐射份额而言，即通过寻找一个带有一定误差允许范围的超平面，实现环境参量组与参考点处的散射辐射份额之间关联关系的拟合过程。利用图 14所示的SVR回归模型构建散射辐射修正模型，预测值和真实值之间的偏离程度ε在一个可接受范围时，即可认为预测正确，图 14中阴影区域的数据点都被认为是预测准确的点。通过计算阴影外的数据点的损失值，最小化预测值与真值的损失值组成的损失函数，即可完成预测函数的拟合过程。

3.2.2.2 基于决策树回归的预测模型

该模型以最小二乘回归树生成算法为基础，将构建的参数变量组作为样本特征空间，采用启发式方法对该样本特征空间进行划分，每次划分逐一考察当前集合中所有特征的所有取值，根据平方误差最小化准则选择其中最优的一个作为切分点。具体步骤如下。

Step1    将训练集中第j个特征变量x(j)与它的取值s作为切分变量和切分点，并定义两个区域R₁(j, s)={x|x(j)≤s}和R₂(j, s)={x|x(j)＞s}, 为了找出最优的切分变量j与分点s，需求解下式：

$ \min\limits_{j, s}\left\lfloor\min\limits_{c_1} \sum\limits_{x_i \in R_1(j, s)}\left(y_i-c_1\right)^2+\min\limits_{c_2} \sum\limits_{x_i \in R_2(j, s)}\left(y_i-c_2\right)^2\right\rfloor $

(3)

式中：y_i为第i条样本数据中参考点处的散射份额，x为环境参数组变量，c₁、c₂为划分后两个区域内固定的输出值。

Step2    用Step1中选定的(j, s)划分区域并决定相应的输出值为

$ \overset\smallfrown{C}_m=\frac{1}{N_m} \sum\limits_{x_i \in R_m(j, s)} y_i, x \in R_m, m=1, 2 $

(4)

式中N_m为划分区域后区域m内的样本个数。

Step3    继续对两个子区域调用Step1、Step2，直至满足停止条件。

Step4    将输入空间划分为M个区域R₁, R₂, …, R_M，生成决策树$f(x)=\sum\limits_{m=1}^M \overset\smallfrown{C}_m I\left(x \in R_m\right)$，f(x)即为散射辐射份额与环境参量的数学关系模型。

3.2.2.3 基于集成模型的预测模型

决策树模型的优点在于可解释性和准确性很高，但同时存在过拟合的问题。Adaboost模型和Bagging模型都是在决策树模型的基础上，针对同一个训练集训练k个决策树模型，再通过取平均值的方法得到预测结果，可以改善决策树易于过拟合的问题，Bagging模型特点是各个决策树之间没有依赖关系，可以并行拟合，而Adaboost模型的各个决策树模型之间有依赖关系；GBRT模型是以一棵决策树模型拟合上一棵决策树的误差，通过将所有模型的预测结果相加即为预测值；随机森林模型利用样本随机和属性随机等方式将许多决策树组合成一个森林，每棵树的参数都不同，将每棵树的预测结果取平均值作为最终预测结果。

选取回归模型常用评价指标：平均绝对值误差(mean absolute error, MAE)评价机器学习模型预测效果，其计算公式如下式，平均绝对值误差约接近0，模型越准确。

$ \text { MAE }=\frac{1}{n} \sum\limits_{i=0}^{n-1}\left|y_i-\hat{y}_i\right| $

(5)

式中：MAE为平均绝对值误差, n为样本数量，y_i为模拟值, ŷ_i为预测值。

根据表 5中不同环境参量的取值范围，随机选取50组不同环境参量组验证各个模型在预测空气比释动能率散射辐射份额时的性能表现，见图 15。图 15中，三角形点折线表示预测值，圆形点折线表示模拟值，三角形点折线和圆形点折线重合程度越高说明模型性能越好。从图 15中可以看出，简单模型如支持向量机回归和决策树相较于集成模型如随机森林模型等而言，存在对新鲜样本的适应能力不强、准确度不足的问题。在集成模型中，Bagging模型和GBRT模型相较于随机森林模型和Adaboost模型而言，具有更好性能，预测值与真实值的偏差更小。4种集成模型的预测效果相近，其中，Bagging模型、随机森林模型相对于GBRT模型对k₁的预测结果偏差整体保持在±5%以内，Adaboost算法的预测结果偏差整体保持在±10%以内。以平均绝对值误差作为主要评价指标，GBRT模型具有最优的性能表现。

为验证机器学习模型的预测效果，采取不同环境参量组，在标准实验室中开展了一系列实验验证工作，以评价结果较好的GBRT模型为参考，由预测的空气比释动能率散射辐射份额反推得到的检验点处剂量率与实测剂量率的相对偏差整体保持在±10%范围内，满足现场校准的要求。

3.3 自屏蔽式X射线照射装置机器学习模型的建立

在自屏蔽式X射线照射装置内，同一辐射质的散射辐射受到介入场内的探测器尺寸、形状和材料等参数的影响而不同。当不同探测器介入辐射场时，射线受到扰动致使场内参考点处剂量率约定真值发生改变，散射谱成分也会发生改变。因此可基于图 3所建的蒙特卡罗模型，模拟得到自屏蔽式X射线照射装置能谱数据作为机器学习模型的输入特征，通过对探测器尺寸、形状和材料等参数的组合获得多组训练数据集。出于对模型预测精度的考虑，基于误差项对能谱特征进行处理，通过误差值构造一个可信度系数，最终使用可信度系数与能谱特征的积作为机器学习模型的输入特征，参考点处的空气比释动能和周围剂量当量作为模型的输出。

通过组合介入场内的探测器尺寸、形状和材料等参数，得到MCNP原始数据集的训练集数据3 528条测试集数据1 512条。根据数据集的特征，为达到更好训练效果，在基于便携式X射线照射装置机器学习模型的基础上增加神经网络和极端随机树两类模型。神经网络模型是由大量神经元相互连接组成的网络模型，其中神经元之间的连接权重则是可学习的参数，训练过程中将输入数据输入网络模型，计算得到输入结果，并根据网络实际输入和期望输入之间的误差不断修正权重。极端随机树模型与随机森林模型类似，同样由多个决策树模型组成，但极端随机树使用全部样本训练模型，特征同样是随机抽取^[15]，且会通过随机的方式得到属性的分裂值，训练效果更好。选用平均绝对值误差作为主要评价指标对训练后的不同机器学习模型进行评价，结果见表 6。

通过比较不同机器学习模型得到的预测值与模拟值的平均绝对值误差，可以发现使用极端随机树模型的预测效果最好，因此采用极端随机树模型构建现场环境散射辐射修正系统，当以考虑误差项的能谱数据作为输入特征时，误差在10%以内，满足现场校准散射辐射修正的要求。

4 辐射防护级X、γ辐射剂量(率)仪现场校准方法研究

在辐射场中检验点处的剂量率已知的情况下，仪器的校准因子N_I可由下式得到：

$ N_{\mathrm{I}}=\frac{\dot{K}_{\mathrm{T}}}{M_{\mathrm{I}}} $

(6)

式中：N_I为被校仪器的校准因子，M_I为被校仪器的测量值, $\dot{K}_{\mathrm{T}}$为剂量率约定真值。

按下式计算每个点的相对误差I为

$ I=\frac{M_{\mathrm{I}}-\dot{K}_{\mathrm{T}}}{\dot{K}_{\mathrm{T}}} \times 100 \% $

(7)

若相对固有误差I不超过±25%，且任何两个I之差都不大于30%，则认为待校仪表的相对固有误差合格。在相同条件下连续测量20次，且相邻两次读数的时间间隔应大于等于仪器时间常数的3倍^[16]。记录每次测量结果的指示值M_i并计算其算数平均值M，则相对标准偏差V为

$ V=\frac{1}{\bar{M}} \sqrt{\frac{1}{(n-1)} \sum\limits_{i=1}^{20}\left(M_i-\bar{M}\right)^2} $

(8)

若V≤30%则认为待校仪器的重复性符合要求。

采用便携式X射线照射装置产生的开放型X射线参考辐射或自屏蔽式X射线照射装置产生的参考辐射对被校仪表的能量响应进行实验。通过调节X射线管的高压，并选配不同的附加过滤，可实现不同能量点的校准。根据被校准仪表的测量参数选择相应的传递标准装置，对辐射剂量率的输出进行定值。

选取不同管电压确定仪器对不同能量X射线的响应R(E)为

$ R(E)=\frac{M_{\mathrm{I}}}{\dot{K}_{\mathrm{T}}} $

(9)

式中: M_I为被校剂量仪的测量值(已扣除本底), $\dot{K}_{\mathrm{T}}$为便携式X射线照射装置或自屏蔽式X射线照射装置产生的X射线参考辐射场参考点处的约定真值。

在现场选择好照射角度以后，通过调整便携式X射线装置或固定式X射线装置的管电流来获得不同的剂量率对仪表进行校准。调整照射装置的高度h，利用激光对准器将待检仪表的检验点放置在辐射场中的参考点上进行照射。将基于机器学习的散射辐射修正模型的预测结果作为待校仪表参考点处的X射线剂量率约定真值，由式(6)获得待校仪表的校准因子。

对现场校准进行不确定度分析，并将现场校准结果与实验结果比较，若实验结果与现场校准的结果相对偏差小于10%，则说明现场校准结果有效。表 7为使用便携式X射线照射装置的现场校准实验结果，可以看出对于N-100、N-120、N-150和N-200辐射质，基于便携式X射线照射装置的现场校准结果是有效的。

选择1台RMS5226作为待校仪表，将待校准仪表送检，获得校准证书，并开展现场校准实验，将现场校准因子与证书上的校准因子进行比对，实验结果见表 8。

由表 8可知，对于N-60辐射质相对偏差较高，这可能是由于对于低能辐射质，探测器造成的介入散射辐射更加复杂，蒙特卡罗模拟过程中探测器的几何模型可能过于简略，无法精确反映真实情况。对于N-80、N-100和N-120辐射质，相对偏差不超过6%，可以满足现场校准的需求。后续若进一步优化蒙特卡罗模型，增加训练集数量，将有可能进一步降低现场校准的偏差。

5 结论

1) 经测试，便携式X射线照射装置剂量率范围为(1×10^-7~10) Gy/h，散射辐射的剂量率不大于总剂量率的5%，满足GB/T 12162.1—2000《用于校准剂量仪和剂量率仪及确定其能量响应的X和γ参考辐射 第1部分：辐射特性及产生方法》^[5]相关标准的要求。自屏蔽式X射线照射装置剂量率范围为1~400 mSv/h，满足现场校准所需参考辐射场的要求。

2) 基于机器学习搭建现场校准环境散射辐射修正系统的预测值与实测剂量率的相对偏差整体保持在±10%范围内，满足现场校准的要求。

3) 结合照射装置和次级标准电离室开展了固定式X、γ辐射剂量仪现场校准实验，实验结果与现场校准结果的相对偏差在7.5%以内，证明了现场校准结果的有效性，为解决固定式X、γ辐射剂量仪的现场校准技术需求提供了一种新的方法。