Journal of Korea Society of Industrial Information Systems (한국산업정보학회논문지)

Korea Society of Industrial Information Systems (한국산업정보학회)
권호 표지
DOI QR코드

DOI QR Code

Nuclear Power Plant Severe Accident Diagnosis Using Deep Learning Approach

딥러닝 활용 원전 중대사고 진단

  • Received : 2022.11.30
  • Accepted : 2022.12.25
  • Published : 2022.12.30
Download PDF
⟨ Previous Next ⟩

Abstract

Quick and accurate understanding of the situation in a severe accident is essential for conducting the appropriate accident management and response using the accident diagnosis information. This study employed deep learning technology to diagnose severe accidents through the major safety parameters transferred from a nuclear power plant (NPP) to AtomCARE. After selecting the major accident scenarios to consider, a learning database was established for particular scenarios affiliated with major scenarios by performing a large number of severe accident analyses using MAAP5 code. The severe accident diagnosis technology, which classifies detailed accident scenarios using the major safety parameters from NPPs, was developed by training it with the established database . Verification and validation were conducted by blind test and principal component analysis. The technology developed in this study is expected to be extended and applied to all severe accident scenarios and be utilized as a base technology for quick and accurate severe accident diagnosis.

원자력발전소의 중대사고 발생 시 신속하고 정확하게 사고 상황을 파악해야 하며, 이러한 사고진단 정보를 획득했을 때 적절한 사고관리 및 대응을 수행할 수 있다. 본 연구에서는 국가원자력 재난관리 시스템인 AtomCARE (Computerized technical Advisory system for a Radiological Emergency)로 전송되는 주요 발전소 정보로부터 중대사고 상황을 진단하는데 있어 딥러닝 기술의 접목을 고려하였다. 이를 위하여 주요 시나리오를 선정하고 사고 진행에 따른 상세 시나리오에 대하여 중대사고 해석 코드인 MAAP5 다량 계산을 통한 학습 DB를 구축하였다. 그리고 이 DB의 학습을 통하여 주요 발전소 정보로부터 중대사고 상세 시나리오를 분류할 수 있는, 즉 중대사고 상황을 진단할 수 있는 기술을 개발하였다. 또한 블라인드 테스트와 주성분분석을 통한 검증을 수행하였다. 본 연구에서 개발한 기술은 향후 전체 중대사고 시나리오로 확장 및 적용 가능할 것으로 판단되며 신속하고 정확한 사고진단의 기반기술로 활용 가치가 높을 것으로 기대된다.

Keywords

Acknowledgement

본 연구는 원자력안전위원회에서 주관하는 원자력안전연구사업의 일환으로 수행되었음 (No.1805018). 또한 과학기술정보통신부에서 주관하는 가동원전 안전성 향상 핵심기술 개발사업의 지원을 일부 받았음 (RS-2022-00144405).

References

  1. Chen, C., Fan, Q. and Panda, R. (2021). CrossViT: Cross-Attention Multi-Scale Vision Transformer for Image Classification, Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pp. 357-366.
  2. Cho, J., Lee, S., Kim, J., and Park, S. (2022). Framework to Model Severe Accident Management Guidelines into Level 2 Probabilistic Safety Assessment of a Nuclear Power Plant, Reliability Engineering and System Safety, 217, 108076. https://doi.org/10.1016/j.ress.2021.108076.
  3. EPRI. (2019). Modular Accident Analysis Program - MAAP5 v5.05 for Windows, Electric Power Research Institute.
  4. Heo, B., Chun, S., Oh, S., Han, D., Yun, S., Kim, G., Uh, Y., and Ha, J. (2020). Adamp: Slowing Down the Slowdown for Momentum Optimizers on Scale-invariant Weights, arXiv:2006.08217, https://doi.org/10.48550/arXiv.2006.08217.
  5. Kim, S. and Park, S. (2021). Production of Deep Learning Data Base for Accident Source Term Estimation, Transactions of the Korean Nuclear Society Autumn Meeting, Oct. 21-22, Changwon, Korea.
  6. Kim, S., Park, S., Yoon, J., Song, K. and Jin, K. (2021). Construction of Severe Accident Analysis DB for Deep Learning of Source Term Estimation, Nuclear Safety Technology Analysis Report, NSTAR-21RS42-395, Korea Foundation of Nuclear Safety.
  7. Kingma, D. and Ba, J. (2017). Adam: A Method for Stochastic Optimization, arXiv:1412.6980v9, https://doi.org/10.48550/arXiv.1412.6980.
  8. Lee, S., Yang, J., Kim, M., Cho, J., Kim, S., Kim, J., Kim, J., Kim, D. and Kim, D. (2021). Probabilistic Safety Assessment of Nuclear Power Plants, Seoul, Korea eBook Publishing Company.
  9. Lim, H., Han, S. and Jeong, J. (2011). MOSAIQUE - A Network Based Software for Probabilistic Uncertainty Analysis of Computerized Simulation Models, Nuclear Engineering and Design, 241(5), 1776-1784. https://doi.org/10.1016/j.nucengdes.2011.01.021.
  10. Nuclear Safety Act. (2022). Chapter 1 (General Provisions), Article 2 (Definitions) 25, Act No. 18972, Republic of Korea.
  11. NRA. (2014). About the Operation of SPEEDI in an Emergency Situation (緊急時迅速放射能影響予測ネットワークシステム(SPEEDI )の運用について), Japan Nuclear Regulation Authority.
  12. Jeong, S., Nam, K., Lee, Y., Lee, H., Woo, S., Kim, D., Park, S. and Bae, K. (2013). Functionality Advancement of AtomCARE, KINS/GR-509, Vol.2, Korea Institute of Nuclear Safety.
  13. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A, Kaiser, L. and Polosukhin, I. (2017). Attention is All You Need, Advances in Neural Information Processing Systems 30.