During a severe accident in a nuclear power plant, since there is a great deal of uncertainty about the progression of a severe accident, it is necessary to check the condition of the nuclear power plant and determine the available mitigation strategies by following the Severe Accident Management Guidelines (SAMG). This is a very stressful situation and human error can make accident consequences worse. To resolve this issue, the importance of the Accident Management Support Tool (AMST), which helps make decisions under stressful accident situations, has emerged. AMST can be divided into a part that predicts an accident and a part that makes a decision through repeated calculation for various scenarios. Changes in thermohydraulic/physical parameters due to a selection of strategies should be computable in fast manner. To this end, a model that can make predictions quickly by applying a neural network is developed in this thesis. By using MAAP 5.03 severe accident calculation code, the change of thermohydraulic/physical variables was calculated under various component failure/mitigation strategies were performed for the purpose of data generation. A regression model was created for the generated data with a neural network. R2 value of the model was 0.98, which was satisfactory, and it confirms that the regression was successful. As a result of comparing the time series data that come from repeating 72 times calculations of the model based on neural network to predict the MAAP data, the error is small on average for all scenarios, but the trend in certain variables was predicted in opposite directions which indicates further improvement in the model is necessary in the future.
원자력 발전소에서 중대사고가 발생하였을 경우, 중대사고 진행에 대해 매우 불확실성이 크기 때문에 중대사고관리지침서에 따라 원자력 발전소의 상태를 판단하고 가용한 완화수단을 결정해야 한다. 사고 상황에서 판단을 내리는 것은 매우 스트레스가 큰 상황이며 인적 오류로 이어지면 더 사고 결과가 악화될 수 있다. 이를 위해서 사고 상황에서 판단을 도와주는 Accident Management Support Tool (AMST)의 중요성이 대두되었다. AMST를 구성하는 부분으로는 사고를 예측하는 부분과 예측의 반복 계산을 통해 의사 결정을 하는 부분으로 나눌 수 있으며, 이러한 예측 계산은 반복 계산이 필요하기 때문에 빠른 계산이 필요하고 다양한 사고 상황과 다양한 완화 전략에서의 열역학적/물리적 변수의 변화를 계산할 수 있어야 한다. 이를 위해서 인공신경망을 적용하여 예측을 빠르게 할 수 있는 모델을 개발하였다. MAAP 5.03 중대사고 계산 코드를 이용하여 다양한 기기 고장/완화 전략 수행 여부 및 시점 하에서 열역학적/물리적 변수의 변화를 계산하여 데이터를 생산하였고 이를 인공신경망을 통하여 회귀 모델을 만들었으며, R2 값이 0.98로 회귀가 잘 된 것을 확인할 수 있었다. 1시간 단위를 반복 계산하여 72시간 동안 시계열 데이터를 MAAP 데이터와 비교한 결과, 평균적으로 오차는 작으나 특정 변수에서 증감이 반대로 예측된 경우가 있어서 향후 모델 개선이 필요함을 발견하였다.
