원전 중대사고시 딥러닝을 이용한 원자력발전소 주요 인자 예측

Abstract

원전에서 정상운전 상태 또는 사고 상황에서 원전의 건전성 및 안전을 유지할 수 있는 것은 원전에서 발생하는 신호들을 바탕으로 운전원들과 엔지니어들이 원전의 상태를 정확하게 파악하고 상황에 따른 적절한 조치를 취함으로써 가능해진다. 따라서 원전의 계측 신호를 획득하는 것은 원전의 안전을 보장하기 위해 매우 중요하다. 본 연구에서는 원전에서 발생하는 다양한 신호들 중, 일차 계통의 원자로용기, 가압기, 증기발생기, 배관, 격납건물 등에서 얻어지는 수위, 압력, 온도, 중성자속, 누출 유량, 수소 농도 등과 같은 원전의 주요 인자 중 일부를 예측하였다. 이는 원자로냉각재계통(RCS; Reactor Coolant System)이자 일차 계통의 안전을 위해 중대사고 상황에서 원전의 상태 판단 및 비정상상태 완화에 필요한 주요 사고 감시변수들이기 때문이다. 그러나 이러한 주요 인자들은 원전의 중대사고 상황에서 계측기 불능 또는 오작동으로 인하여 신호의 건전성이 보장되지 않을 수 있으며, 이는 작업자들의 부적절한 상태 판단 및 조치로 이어져 노심을 포함한 RCS 및 원전에 심각한 영향을 초래할 수 있을 것이다. 따라서 본 연구에서는 원전에서 발생할 수 있는 사고 중 하나로써 냉각재상실사고(LOCAs; Loss of Coolant Accidents)로 비롯된 중대사고 상황에서 원전에서 발생하는 일부 신호 및 예측된 신호 데이터를 Deep Neural Networks(DNNs)에 적용하여 원전의 주요 인자들을 예측하였다. DNN은 여러 은닉 계층으로 구성되어 있으며, 그것의 단방향의 weight flow로 인하여 기본적이고 간단한 형태를 가진 딥러닝 기법으로 정의할 수 있다. 또한 DNN 기법은 일반적으로 지도학습 알고리즘을 사용하기 때문에 목표 값 또는 실제 값으로 알려진 데이터가 필요하다. 이에 Modular Accident Analysis Program(MAAP) 코드를 이용하여 세 가지 파단 위치에서 발생한 것으로 가정된 다양한 LOCA 중 일부를 모사한 데이터를 획득하였다. 본 연구의 개발된 DNN 모델에 이러한 사고 모사 데이터를 구성하는 수치로 표현된 일부 신호 및 예측된 신호 데이터를 적용한 결과, 주요 인자들에 대한 딥러닝의 좋은 예측 성능을 확인할 수 있었다. 또한 이전 연구에서 수행되었던 머신러닝 기법을 이용한 주요 인자 예측 연구 결과와 비교하였을 때, 본 연구에서 제안된 DNN 기법이 대부분의 경우에서 상대적으로 더 좋은 성능을 보여주었으나 반대의 경우도 있었다. 결론적으로 이러한 주요 인자들에 대한 예측 결과들을 종합적으로 고려하였을 때, 본 연구에서 사용된 DNN 모델은 원전의 중대사고시 주요 인자들을 예측하는데 있어 기존의 머신러닝 기법보다 더 향상된 성능을 가지고 있다고 판단되며, 향후 원전 및 원전 기기의 상태를 감시, 진단 및 예측하는데 필요한 지원 정보를 제공할 수 있는 딥러닝 기법으로써의 적용가능성을 기대할 수 있을 것으로 판단된다.