氡气分布的因果分析及地下通风系统中异常源的定位

《Advanced Industrial and Engineering Polymer Research》：Causal analysis of radon distribution and anomalous source localization in underground ventilation systems

本文针对地下环境中氡气异常排放源定位及排放率预测难题，结合因果信息流分析与TabPFN算法，构建了通风网络内氡浓度分布模型。通过抑制监测数据中的伪扰动，优化监测网络布局，使节点数量减少50%的同时，源定位准确率超过90%，有效提升了氡污染防控的精准性与效率。

　　

作者：黄德、王子明、黄彦琳、刘永红

中国华南大学资源环境与安全工程学院，衡阳 421001

摘要

在地下环境中，周围岩层释放的氡气对人类健康构成重大风险。准确定位异常氡源并精确预测氡气释放率对于有效预防和控制地下环境中的氡污染至关重要。通过分析通风动态、氡传输和扩散过程之间的相互作用，建立了一个用于通风网络内氡浓度分布的传输模型。利用因果信息流理论构建了异常氡释放率与监测点浓度之间的方向性因果映射，为监测网络优化策略提供了基础。采用表格先验数据拟合网络（TabPFN）算法进行氡源分类和释放率回归，有效缓解了超出分布范围预测的准确性问题。实验结果表明，所有氡源预测的评估指标均超过90%，且释放率的预测误差保持在其固有不确定性范围内。在相同的实验条件下，优化后的监测网络将监测节点数量减少了50%，同时提高了模型预测性能。通过结合氡传输建模和因果信息流分析，开发了一个综合的氡浓度监测与预测框架，降低了氡辐射危害和监测成本，为减轻地下氡暴露带来的健康风险提供了科学严谨且实用的方法。

引言

氡（²²²Rn）是一种自然存在的放射性惰性气体，在环境中广泛存在。氡气可能在封闭或半封闭环境中积聚，包括地下矿井、隧道和洞穴。其短寿命衰变产物会进一步增加职业暴露风险。长期暴露会导致吸入的氡衰变产物在肺部沉积和持续的α粒子照射，从而引起累积性和不可逆的损伤（包括肺纤维化和DNA损伤），最终增加患肺癌的风险[1]、[2]、[3]、[4]。在地下环境中，氡主要由周围岩石和矿体中的镭-226（²²⁶Ra）衰变产生，其释放率受岩性、介质多孔性及环境条件控制[5]、[6]、[7]。一旦氡气被卷入通风气流中，它将通过平流和扩散传播，并通过放射性衰变减弱；湍流混合、管道几何形状和网络拓扑结构进一步影响其空间分布。由于地下可部署的监测器数量有限，测量数据通常较为稀疏且容易受到局部干扰的影响。因此，将浓度异常与源强度和位置的变化联系起来并非易事。在这些监测限制下，识别和定位异常源的能力在很大程度上决定了地下环境中氡缓解策略的针对性和有效性。

先前的研究通过分析浓度动态、采矿引起的干扰和通风控制，强调了地下环境中氡风险的复杂性[8]、[9]、[10]。关于铀矿中氡缓解的研究强调，通风设计和操作参数对降低剂量至关重要[11]、[12]。然而，大多数研究仅关注局部条件或单因素分析，缺乏系统规模的氡分布和源项控制的综合闭环框架。同时，多种氡缓解技术（如机械通风、吸附和屏蔽材料）已在不同场景中得到验证[13]、[14]、[15]、[16]、[17]、[18]。然而，在具有复杂网络拓扑结构的地下工程项目中（如矿井、地质储存库和运输隧道），通风系统的完整性反而可能加剧源项的不确定性。生产活动、基础设施状况变化和通风干扰的综合效应使得从稀疏监测数据中推断异常氡源的位置和强度变得困难[19]、[20]。

异常氡浓度主要由氡释放率的大幅变化驱动。为了捕捉控制氡释放的复杂多变量因素，Al-Shboul等人[21]使用人工神经网络（ANNs）和基因表达编程（GEP）来模拟土壤氡释放率与天然放射性核素含量的关系，展示了机器学习模型在预测土壤氡释放方面的价值。类似地，Pérez等人[22]结合ANNs与多变量分析，确定压力、空气温度、太阳辐射、土壤湿度和渗透性为氡释放的关键驱动因素。Tareen等人[23]应用决策树、随机森林和神经网络来识别与地震活动相关的氡异常。最近在集成学习方法（如随机森林（RF）和极端梯度提升（XGBoost）方面的进展，在工程应用中的预测分析和复杂非线性系统建模中表现出色[24]、[25]、[26]、[27]。这些方法处理高维数据、捕捉非线性相互作用并增强泛化能力的能力，使其特别适合复杂的环境系统。总体而言，这些研究表明机器学习方法在预测氡释放和检测异常方面表现良好，并突显了这些方法的优势。然而，证据也表明氡释放受多种相互作用变量的影响，简单的分析反演不足以表示控制参数与释放率之间的非线性关系[28]。

当地下通风网络表示为有向图时，在稳态驱动力作用下其拓扑结构是固定的，从而获得稳定的流动状态。这种表述意味着异常氡源的释放率与通风网络中各节点的气流分布之间存在内在的因果联系。计算了从异常氡释放到每个监测位置的因果信息流[29]、[30]。从通风网络测量数据中推断出潜在的因果结构，抑制了虚假干扰，并从监测信号中提取了有信息的因果信息流。然后构建了从异常氡释放率到每个监测位置浓度响应的有向因果图，使得源-汇关系的量化具有可解释性。为了解决氡源数据中的特征混淆问题（即来自多个源的变量可能收敛到空间上一致的流形），基于TabPFN开发了一种自发现算法来识别异常氡源[31]。该算法包括三个阶段：嵌入、对齐和推断。在嵌入阶段，学习异构参数的收敛表示；在对齐阶段，引入基于物理学的保守先验；在推断阶段，通过结合先验知识和数据高效定位异常源。构建强调因果特征的表格特征，并利用上下文学习[32]。这种设计减轻了氡浓度信号在分布范围外的泛化能力差的问题，促进了知识传递，并提高了与神经网络模型的兼容性。最终，该方法简化了源定位的复杂性并提高了整体性能，实现了通风系统中异常氡源的精确定位，加强了氡的预防和控制，降低了地下环境中的辐射危害。

部分摘录

氡通风网络计算理论

假设地下通风空间最初没有异常氡源。经过足够长的通风时间后，通风压力场稳定，氡释放率达到稳定值，从而建立系统平衡。在这些条件下，氡浓度C由氡释放率和系统的通风参数决定[19]。根据地下通风系统的拓扑结构，相应地...

因果信息流分析结果

以图1中的通风网络图为例，基于网络拓扑和初始条件计算了标准化的因果信息流[19]。

分别评估了每个异常氡源到每个监测节点的氡浓度的因果信息流，结果如图3所示。图中，x（$x=e_1,?,e_8,c_1,c_2$表示异常源，$\Delta J_x$表示氡释放率的扰动幅度，$C_{\mathrm{vi}}$

模型局限性

所提出框架的主要局限性如下：该方法主要适用于在稳态条件下运行的机械通风地下系统，当前分析采用了以下假设： (1) 通风系统中的氡源。

排除了与通风压力无关的氡源，包括来自通风空间内储存材料的稳定局部源和...

结论

为了减轻地下环境中的氡辐射危害，我们开发了一个可解释的框架，通过因果信息流将异常氡释放率与监测点浓度响应联系起来。结合TabPFN算法提高了氡浓度信号的分布范围外预测能力，从而增强了异常源的定位和释放率估计。主要结论如下： (1) 对于具有...

CRediT作者贡献声明

黄德：方法论、形式分析、数据管理。 王子明：可视化、方法论、数据管理。 黄彦琳：方法论、形式分析、数据管理。 刘永红：撰写-审稿与编辑、可视化、验证、方法论、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本文得到了国家自然科学基金（编号：52304226）和湖南省自然科学基金（编号：2025JJ60311）的财政支持。