Modelagem e Geometrização em PGNAA

Abstract

O Prompt Gamma Neutron Analysis Activation (PGNAA) é uma das técnicas utilizadas atualmente na análise de materiais. Essa técnica define gráficos de intensidade espectral como função de energia (canais) para os elementos dentro de uma amostra. Esses gráficos (bibliotecas) permitem a determinação de frações de contagem percentual, ou frações em peso, de cada um dos elementos. O Monte Carlo Library Least Squares (MCLLS), principal abordagem ao PGNAA, possibilita tratamento linear para um problema inerentemente não linear. O Monte Carlo (MC), módulo do MCLLS, simula o setup experimental, gerando as bibliotecas, enquanto que o Library Least Square - Biblioteca Mínimos Quadrados (LLS) determina as frações em peso dos elementos do objeto estudado. As principais dificuldades enfrentadas no MCLLS são: (1) instabilidades numéricas advindas da etapa do LLS; (2) sobredeterminação de sistemas de equações; (3) dependência linear entre as bibliotecas; (4) radiações provenientes do espalhamento da radiação gama (background); (5) elevados custos computacionais. Esta tese propõe otimização do LLS no intuito de enfrentar as questões descritas acima e, simultaneamente, determinar as frações em peso dos elementos de uma amostra, fazendo uso dos algoritmos heurísticos Greedy Randomized Adaptative Search Procedure (GRASP) e Continuos Greedy Randomized Adaptative Search Procedure (CGRASP). A abordagem é baseada no particionamento dos espectros, determinando regiões (partições) que contenham os máximos de contagem espectral das bibliotecas (picos). Essas partições são utilizadas para otimização do GRASP dos canais inseridos na solução do LLS, como também auxiliam na estimativa e otimização pelo CGRASP do constituinte potencialmente desconhecido pertencente ao espectro da amostra. Os resultados evidenciam: (1) particionamento eficiente das bibliotecas, determinando os picos; (2) evidências de boa precisão das frações em peso dos constituintes, em comparação com trabalhos publicados (precisões médias da ordem de 3,16%, contra 8.80% de outros métodos); (3) sucesso na aproximação e estimação do constituinte desconhecido (precisão da ordem de 4,25%) inserido no espectro total. O nosso método mostrou-se promissor nas melhorias do método dos mínimos quadrados para as frações de contagem percentual dos elementos inseridos em uma amostra desconhecida, bem como evidenciou as potencialidades do particionamento dos dados, em contraposição às abordagens de particionamento das bibliotecas amplamente divulgadas no estado da arte.