Because nuclear power plants (NPPs) are safety-critical systems with large sizes and high complexities, various methods have been developed to identify possible accidents and address potential risks. However, the current PSA has two limitations. The first is a data dependency issue, and the other is a dynamic interaction issue. The dynamic interaction can be classified into dynamic interaction with long-time constants and short-time constants. The dynamic interaction with a long-time constant can be considered in prognostics. However, the dynamic interaction with a short-time constant is hard to consider in the current stage because of the calculation speed of the conventional code analysis model. In addition, quantitative analysis of the interaction (ex., actions from safety systems) that affects the state variable is difficult.
Therefore, in this study, we proposed a physics-informed neural network-based data-driven simulation framework to consider the calculation speed and interaction issues. The effectiveness of the methodology is confirmed by comparing the proposed model with the conventional analysis method. The proposed study is expected to contribute not only to the dynamic probabilistic safety assessment but designing a digital twin or creating a new simulator.
원자력 발전소에서 확률론적 안전성 평가는 위험도와 대응조치의 효용을 정량적으로 평가하는 방법론으로 사용되었다. 하지만 현재의 확률론적 안전성 평가는 두가지 문제점을 지닌다. 첫번째 문제점은 데이터 의존성의 문제이고 두번째 문제점은 동적 분석이다. 동적 분석 중 장시간에 걸쳐서 일어나는 변화는 선제 진단을 통해 해결이 가능하지만 단시간에 일어나는 발전소 상태 변수의 변화는 추적과 예측이 어렵다. 뿐만 아니라 상태 변수에 영향을 미치는 상호작용 (예. 안전 계통 시스템의 동작)을 정량적으로 분석하는 것 역시 힘들다.
따라서 본 연구에서는 변수의 변화를 빠르게 계산하고, 상호작용을 정량적으로 분석하기 위해 물리기반 인공신경망을 활용한 데이터 기반의 시뮬레이션 프레임워크를 제안하였다. 제안한 모델을 현재 사용되고 있는 분석방법론과 비교함으로써 방법론의 효용성을 확인하였다. 제안한 연구는 추후에 동적 확률론적 안전성 평가 뿐 아니라 디지털 트윈 설계나 새로운 형태의 시뮬레이터를 만드는 데에도 충분히 기여를 할 수 있을 것으로 기대한다.
