초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

일본의 후쿠시마 원자력발전소 사고 이후에, 원자력발전소의 중대사고에 대한 우려가 높아지고 있다. 한편, 주요 중대사고 시나리오는 운전원 및 기술요원들이 예측하고 파악하기가 매우 어렵다. 따라서 중대사고를 효율적으로 관리하기 위해서는 원전 중대사고를 위한 주요 과도 시나리오 및 사고 상황을 정확히 예측하고 식별함으로써 운전원과 기술요원들에게 중요하고 가치 있는 정보를 제공해야 한다. 이에 따라, 본 논문에서는 인공지능 방법론 중에서 ...

일본의 후쿠시마 원자력발전소 사고 이후에, 원자력발전소의 중대사고에 대한 우려가 높아지고 있다. 한편, 주요 중대사고 시나리오는 운전원 및 기술요원들이 예측하고 파악하기가 매우 어렵다. 따라서 중대사고를 효율적으로 관리하기 위해서는 원전 중대사고를 위한 주요 과도 시나리오 및 사고 상황을 정확히 예측하고 식별함으로써 운전원과 기술요원들에게 중요하고 가치 있는 정보를 제공해야 한다. 이에 따라, 본 논문에서는 인공지능 방법론 중에서 Support Vector Classification(SVC) 모델 및 Group Method of Data Handling(GMDH) 모델을 적용하여 중대사고의 주요 과도 시나리오에 대한 예측기법을 개발 및 검증하였다. SVC 모델은 고온관 Loss of Coolant Accident(LOCA), 저온관 LOCA, Steam Generator Tube Rapture(SGTR)와 같은 초기 사건을 분류하기 위해 개발되었고, GMDH 모델은 중대사고의 주요 과도 시나리오를 나타내는 주요한 시점(원자로노심의 노출 시점, 노심출구온도가 1200℉를 초과하는 시점, 원자로용기의 파손 시점 등)을 정확하게 예측하기 위해 개발되었다. 고온관 LOCA 및 저온관 LOCA, 그리고 SGTR의 각 사고 유형에 대해 각각 110개씩 총 330개의 MAAP4 코드 사고 시뮬레이션 데이터를 이용하였다. SVC와 GMDH 모델의 입력 변수들은 15개의 모의센서의 시간에 따른 적분된 신호가 이용되었으며, 입력 신호는 측정된 신호의 적분값과 시나리오 시점 사이에 상관관계 정도를 고려하여 선택되었다. 또한, GMDH 모델을 위한 입력 변수는 고온관 LOCA, 저온관 LOCA, SGTR에 대하여 원자로 정지 후 30∼90초 이내에 아주 짧은 측정신호의 적분한 값이 이용되었다. 선택된 입력 변수와 최대 예측 오차 및 RMS 오차, 측정 오차의 존재에 따른 GMDH 모델의 성능을 분석한 결과, SVC 모델은 모든 경우에 대하여 초기 사건을 정확히 진단하였으며, GMDH 모델은 정확히 중대사고 시나리오를 나타내는 주요한 시점을 예측할 수 있었다. 또한, 이전에 연구되어진 Fuzzy Neural Network(FNN)과 GMDH 모델의 성능 비교 결과, GMDH 모델이 FNN 모델보다 예측 성능의 우수성이 확인되었다. 따라서 SVC와 GMDH 모델과 같은 인공지능 기법이 실제 원자력발전소의 중대사고 시나리오를 식별하고 예측하는데 적용가능성이 기대된다.