O desenvolvimento da tecnologia nuclear deve permitir a gestão segura dos rejeitos radioativos, provenientes das várias etapas do ciclo do combustível nuclear, da produção de radiofármacos e das aplicações de radioisótopos na medicina, indústria e centros de pesquisa. A caracterização destes rejeitos é uma tarefa complexa, devido à grande variedade de aplicações, materiais e composição. Neste trabalho foi desenvolvida uma metodologia de caracterização final de rejeitos radioativos utilizando redes neurais profundas. O método de Monte Carlo foi empregado para realizar a simulação de espectros gama, considerando o cenário de um tambor de rejeitos de 200 litros contendo até dez diferentes radionuclídeos: Am-241, Ba-133, Cd-109, Co-57, Co-60, Cs-137, Eu-152, Mn-54, Na-22, Pb-210. Os dados provenientes das simulações foram utilizados para treinar e avaliar o desempenho de diferentes arquiteturas de redes neurais profundas. A arquitetura selecionada foi VGG-19 a qual, após adaptações, apresentou o melhor desempenho na tarefa de classificação, sendo capaz de identificar quais radionuclídeos e qual a intensidade de cada radionuclídeos que compõe o espectro de radiação gama, emitido por um tambor de rejeito. Os resultados obtidos mostram que a metodologia desenvolvida pode atuar como uma importante ferramenta no processo de caracterização de rejeitos radioativos, realizada rotineiramente pelo Serviço de Gerência de Rejeitos Radioativos do IPEN, permitindo a diminuição à exposição ocupacional as radiações ionizantes.

The nuclear technology development must allow safe and secure waste management which proves from the steps of nuclear fuel life cycle, research centers and industry, and radioisotopes applications in medicine. Proper nuclear waste characterization is a complex task due to the wide range of materials, process, and applications. In this work a methodology for final characterization was developed, using deep neural networks. The Monte Carlo Methos was applied on gamma spectra simulation, in a scenario where the nuclear waste is stored in a 200 liters steel drum that can contain up to then different radionuclides: Am-241, Ba-133, Cd-109, Co-57, Co-60, Cs-137, Eu-152, Mn-54, Na-22, Pb-210. The simulation data was used to train and assess the performance of different deep neural network architectures. The VGG-19 architecture was chosen due to the best overall performance at the classification task, being capable of identifying which radionuclides and which activity each radionuclide presented at the gamma spectra. The presented results shows that the proposed methodology can be a important tool in the nuclear waste characterization process performed routinely by the IPEN's Service of Nuclear Waste Management, allowing the decrease to occupational exposure to ionizing radiation.