1.基于人工智能的液闪TDCR多核素β谱分析方法，其特征在于，包括以下步骤：步骤一：构建液闪探测器谱仪的数值模型，用以模拟单一核素在不同淬灭条件下液闪TDCR两道符合逻辑和以及三道符合的能谱响应；步骤二：采用参数化数据合成算法构建训练数据库，包括不同淬灭条件和多组分混合组成的情况；步骤三：构建多任务混谱解析神经网络模型，利用构建的数据库进行模型的级联多任务训练；多任务混谱解析神经网络模型采用双阶段级联设计：第一阶段通过共享全连接层提取混合谱特征，同步预测各核素的活度及探测器效率，利用梯度量级自适应动态权重分配机制动态平衡活度及探测器效率的优化目标；第二阶段将活度、探测器效率预测结果与共享特征融合，重构出各核素的原始谱及两管、三管的混合谱图；多任务混谱解析神经网络模型的输入为多核素混合的两管符合逻辑和三管符合的TDCR响应能谱，输出为各核素活度、探测器效率、各核素的原始谱及两管、三管的分解谱图；步骤四：输入实测谱图，利用训练好的神经网络模型实时输出多核素绝对活度、探测器效率、及分解能谱贡献曲线。
2.根据权利要求1所述的基于人工智能的液闪TDCR多核素β谱分析方法，其特征在于，所述步骤一中，利用蒙特卡罗技术构建液闪探测器谱仪的数值模型，包括：探测器几何建模、核素衰变过程模拟、液闪性能模拟、光学物理过程模拟、光电倍增管相应、信号数字化过程模拟。
3.根据权利要求1所述的基于人工智能的液闪TDCR多核素β谱分析方法，其特征在于，所述步骤二中，训练数据库的构建方法包括：利用构建的数值模型，随机生成淬灭值，模拟单一核素在不同淬灭条件下的任意两管和三管符合的TDCR响应能谱；其次，动态调整多核素浓度比、淬灭强度分布，生成多组分混合能谱。
4.基于人工智能的液闪TDCR多核素β谱分析系统，其特征在于：该系统包括液体闪烁谱仪蒙特卡罗数值模拟模块、多任务混谱解析神经网络模型的训练模块；所述液体闪烁谱仪蒙特卡罗数值模拟模块用于模拟单一核素在不同淬灭条件下的液闪TDCR两道符合逻辑和三道符合能谱响应；所述训练模块根据模拟的能谱响应构建训练数据库，并利用训练数据库对多任务混谱解析神经网络模型进行训练；所述多任务混谱解析神经网络模型用于对输入的实测谱图进行预测，实时输出多核素绝对活度、探测效率、及分解能谱贡献曲线；所述系统运行时，实现权利要求1-3任一项所述方法的步骤。
5.据权利要求4所述的基于人工智能的液闪TDCR多核素β谱分析系统，其特征在于，该系统还包括显示模块，用于将输出结果进行可视化显示。
