초록 ▼

연구개요
SRIM과 같이 이체충돌근사(binary-collision approximation, BCA)를 사용하는 코드는 핵재료의 방사선 손상 시뮬레이션에 널리 사용된다. 기존의 BCA는 결함의 미세 구조에 대한 정확한 정보는 제공하지 않는다. 결함의 미세 구조는 방사선이 재료 특성에 미치는 영향을 추정하고 결함의 장기적 진화를 예측하는 데에 필요한 중요한 정보이다. 본 연구과제에서는 기존 BCA의 약점을 극복하고 방사선 효과를 더 잘 예측하기 위하여 방사선 결함의 수뿐만 아니라 미세 구조도 제공하는 고급 BCA(ABCA) 코

연구개요
SRIM과 같이 이체충돌근사(binary-collision approximation, BCA)를 사용하는 코드는 핵재료의 방사선 손상 시뮬레이션에 널리 사용된다. 기존의 BCA는 결함의 미세 구조에 대한 정확한 정보는 제공하지 않는다. 결함의 미세 구조는 방사선이 재료 특성에 미치는 영향을 추정하고 결함의 장기적 진화를 예측하는 데에 필요한 중요한 정보이다. 본 연구과제에서는 기존 BCA의 약점을 극복하고 방사선 효과를 더 잘 예측하기 위하여 방사선 결함의 수뿐만 아니라 미세 구조도 제공하는 고급 BCA(ABCA) 코드를 멀티스케일 모델링과 머신러닝을 사용하여 개발하였다.

연구 목표대비 연구결과
○ 연구 목표를 달성하기 위해 (1) 머신러닝을 사용하여 일반적인 BCA와 분자동역학(MD)을 결합하는 ABCA 방법을 개발하고 (2) 방사선 손상에 대한 MD 시뮬레이션 수행을 위한 정확한 퍼텐셜 모델을 구성하는 방법을 연구하였다.
○ (1) 먼저, 방사선 손상에 대한 MD 시뮬레이션 결과로부터 결함의 수와 위치 분포에 대한 통계 모델을 도출하였다. Gaussian Process Regression(GPR)을 적용하여 주어진 방향 및 최대 약 32keV의 에너지에 대한 결함의 수와 x/y/z 1차원 분포에 대한 확률밀도함수를 계산하는 모델을 만들었다. 다음으로, 비 방사선 손상 구조로서 두 가지 유형의 결함 구조를 생성하였다.
Vacancy와 SIA가 무작위로 도입되는 완전 무작위 결함 구조와, vacancy와 SIA가 GPR 모델로부터 얻은 결함의 수 및 위치 분포를 만족하며 무작위로 분포하는 준 무작위(quasi-random) 결함 구조이다. 이 두 유형의 결함을 비 방사선 손상 구조로 하고, MD 결과를 방사선 손상 구조로 하여, 이들을 분류하기 위한 Convolutional Neural Network(CNN) 모델을 구축하였다. 마지막으로, 중성자 스펙트럼을 Primary knock-on atom(PKA) 스펙트럼으로 변환하는 SPECTRA-pka 코드, 고에너지 PKA(> 32 keV)를 일반적인 BCA 접근을 통해 저에너지 PKA 세트로 분할하는 IRADINA 코드, 방사선 결함의 수와 분포를 예측하는 GPR 및 CNN 머신을 통합함으로써 최종적으로 ABCA 코드를 구축하였다.
○ (2) 먼저, 안정적인 Frenkel 결함을 형성하는 원자의 최소 운동 에너지인 임계변위에너지(TDE)에 초점을 맞추었다. 이는 TDE가 실험 데이터와 직접 비교할 수 있는 유일한 방사선 손상지수이기 때문이다. TDE를 결정하는 정확한 방법을 확립하고, 이를 일부 시스템에 대하여 테스트하였다. 이후, TDE와 기본 물성치를 피팅 타겟으로 하여 제1 원리 계산의 에너지, 힘, 응력 데이터를 기준으로 force matching 방법을 사용하여 embedded-atom 방법(EAM) 유형의 퍼텐셜 모델을 구축하였다. 단거리에 대한 원자 간 상호작용을 다루기 위해 피팅 기준에 여러 정적 변위 계산을 추가함으로써 실험 데이터의 TDE를 합리적 수준으로 재현하는 퍼텐셜 모델을 구축할 수 있음을 확인하였다. 이러한 퍼텐셜 모델 구축 방법은 방사선 손상 MD 시뮬레이션에 대해 향상된 정확도를 보일 것으로 예측된다.
○ 이와 같이, ABCA 코드를 개발하여 방사선 손상 시뮬레이션에 대한 정확한 퍼텐셜 모델을 구축하는 방법을 제안함으로써 계획 당시 설정한 연구 목표를 성공적으로 달성하였다.

연구발성과의 활용 계획 및 기대효과 (연구개발결과의 중요성)
○ 핵재료의 방사선 영향을 정량화하는 가장 일반적인 방법은 형성된 방사선 결함의 수에 대한 손상 지수로서 원자 당 변위(dpa)를 계산하는 것이다. 제안된 ABCA 방법을 통해 결함의 미세구조에 대한 추가 정보를 제공하면 핵재료 내 방사선 영향의 예측 정확도가 향상되고 향후 원자로의 안전성과 경제성의 향상에도 큰 도움이 될 것이다.
○ 원자로의 안전성은 후쿠시마 원전 사고 이후 국내외에서 큰 관심사이다. 한국은 원자력 이용의 역사가 길고 성공적인 만큼, 방사선 피해가 심각할 수 있는 노후 원자로의 사용은 사회적인 우려를 불러일으키며 이러한 현상은 향후 더욱 확대될 것이다. 따라서 원자력을 더욱 안전하고 유익하게 사용하기 위해서는 방사선 피해 현상과 영향을 더 잘 예측할 수 있는 방법이 필요하고, 본 연구과제에서 개발된 ABCA 코드가 이에 기여할 수 있을 것이다.
○ 수백 keV의 고에너지 영역을 다루기 위하여 현재의 ABCA 코드를 추가로 개발할 계획이다.
현재 버전에서는 recoil 에너지가 32 keV 밑으로 떨어질 때까지 기존 BCA 코드를 사용해야 한다. 에너지 범위가 수백 keV로 확장되면 고속 중성자 스펙트럼의 손상 시뮬레이션에서 BCA 코드 사용을 제거할 수 있으므로 고속로 개발에도 기여할 수 있다.

(출처 : 요약문(국문) 2p)

Abstract ▼

연구개요
Computational codes using binary-collision approximation (BCA) such as SRIM code are widely utilized to simulate radiation damages in nuclear materials. However, the conventional BCA method cannot provide accurate information on defect microstructures, although it is important information to

연구개요
Computational codes using binary-collision approximation (BCA) such as SRIM code are widely utilized to simulate radiation damages in nuclear materials. However, the conventional BCA method cannot provide accurate information on defect microstructures, although it is important information to estimate the radiation effects on material properties and to predict the long-term evolution of radiation defects. In this project, to overcome this weak point of the conventional BCA method and then to better predict radiation effects, we developed an advanced BCA code (ABCA), which can provide not only the number but also the microstructure of radiation defects, using multi-scale modeling and machine-learning technique.

연구 목표대비 연구결과
○ To achieve the goal, we worked on two sub-topics: (1) the development of the ABCA method, in which the normal BCA and molecular dynamics (MD) are coupled using machine-learning technique, and (2) the development of a method to construct an accurate potential model for radiation damage MD simulations.
○ For (1), first of all, we derived statistical models from radiation damage simulation results by MD on the defect number and position distributions. For this purpose, we applied the Gaussian Process Regression (GPR) and made models to give the probability density functions on the number and x/y/z one-dimensional distribution of defects for a given direction and energy up to around 32 keV. Next, we generated two types of defect structures as non radiation damage structures. One is fully random defect structure, where vacancies and SIAs are randomly introduced, and the other is quasi-random defect structure, where vacancies and SIAs are randomly distributed with satisfying the defect number and position distributions obtained by the constructed GPR models. Subsequently, using these two types of defects as non radiation damage structures and MD result as radiation damage structures, we constructed a Convolutional Neural Network (CNN) model to classify them. Finally, we constructed an ABCA code by integrating SPECTRA-pka code to convert neutron spectrum into primary knock-on atom (PKA) spectrum, IRADINA code to decompose a high-energy PKA (>32 keV) into a set of low-energy PKAs based on the normal BCA approach, and the GPR and CNN machines to predict the number and the distribution of radiation defects.
○ For (2), first of all, we focused on the threshold displacement energy (TDE), which is the minimum kinetic energy of atom to form a stable Frenkel defect, because TDE is the radiation damage index for which an experimental data is only available for direct comparison with simulation results. We established a precise method to determine TDE and tested it in a few some systems.
Subsequently, setting TDE and basic material properties as fitting targets, we constructed an embedded-atom method (EAM) type potential model using a force matching method in reference to the energy, force, and stress data of the first-principles calculation. We confirmed that, by adding several static displacement calculations into the fitting reference to cover the interatomic interaction for short distances, a potential model that can reasonably reproduce the TDE of experimental data can be reproduced. This potential model construction method is expected to achieve an improved accuracy for radiation damage MD simulations.
○ As described above, we have developed the ABCA code and proposed a method to construct an accurate potential model for radiation damage simulations. The research goal that we set in the research proposal was successfully achieved.

연구발성과의 활용 계획 및 기대효과 (연구개발결과의 중요성)
○ The most common way to quantify radiation effects in nuclear materials is the calculation of displacement-per-atom (dpa) as an index of damage, which is about the number of formed radiation defects. Providing additional information on defect microstructures by the proposed ABCA method will improve the accuracy of the prediction of radiation effects in nuclear materials and will lead an advancement of safety and economy of nuclear reactors in future.
○ The safety of nuclear reactors has been attracting large attention in Korea and in the world after the Fukushima nuclear accident. In addition, as Korea has a long and successful history of nuclear energy utilization, the use of aged nuclear reactors, where the radiation damage is severe, sometimes induce social concerns, which will be further extended in future. Thus, to make the use of nuclear energy more safe and beneficial for society, methods to better predict radiation damage phenomena and effects are needed, to which the developed ABCA code is expected to contribute.
○ We plan to further develop the present ABCA code to cover higher energy, such as a few 100 keV, in few years. In the current version, we need to use conventional BCA code until recoil energy becomes lower than 32 keV. If the energy range is extended to a few 100 keV, we can eliminate the use of BCA code even in the damage simulation of a fast neutron spectrum, which will contribute to the development of fast reactors.

(출처 : 요약문(영문) 3p)