Teste | Abstract: 23-2 | ||||
Abstract:El objetivo del presente artículo es identificar los algoritmos de aprendizaje automático que pueden ser empleados por la Red Nacional de Vigilancia Radiológica Ambiental de la República de Cuba para mejorar la detección y análisis de alteraciones en el fondo radiológico ambiental. La red cuenta con postas radiológicas distribuidas por todo el país, equipadas con diversos niveles de complejidad tecnológica. Las postas tipo A, en particular, realizan monitoreos en tiempo real de la tasa de dosis equivalente ambiental, la tasa de dosis gamma mediante dosimetría termoluminiscente (TLD) y los niveles de radiactividad en precipitaciones y leche. Adicionalmente, en la posta del Centro de Protección e Higiene de las Radiaciones (CPHR) se monitorean aerosoles y se toman muestras de precipitaciones para su análisis por la Red Global de Isótopos en Precipitaciones. Para optimizar el procesamiento y análisis de los datos obtenidos, se propone el uso de algoritmos de aprendizaje automático. Estos algoritmos pueden clasificarse en varias categorías, tales como supervisados, no supervisados y de aprendizaje profundo. Entre los algoritmos supervisados, los modelos de regresión y clasificación como los árboles de decisión, los bosques aleatorios y las máquinas de vectores de soporte (SVM) podrían ser útiles para predecir y clasificar eventos de contaminación radiológica. En cuanto a los algoritmos no supervisados, técnicas como el clustering (k-means, DBSCAN) podrían identificar patrones y anomalías en los datos sin necesidad de etiquetas predefinidas. El aprendizaje profundo, con redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN), ofrece oportunidades para analizar series temporales de datos radiológicos y detectar cambios sutiles en los niveles de radiación. Además, el uso de técnicas de aprendizaje reforzado puede mejorar la toma de decisiones en tiempo real mediante la adaptación continua a nuevos datos y condiciones cambiantes. El artículo también explora las ventajas y desafíos de implementar estos algoritmos en la Red Nacional, incluyendo la necesidad de infraestructura computacional adecuada, la gestión de grandes volúmenes de datos y la capacitación del personal. La integración de técnicas de aprendizaje automático promete mejorar la eficiencia y precisión del monitoreo radiológico ambiental en Cuba, contribuyendo a una mayor seguridad y protección de la población y el medio ambiente. Keywords: Aprendizaje automático, Vigilancia radiológica, Monitoreo ambiental, Medio Ambiente |