To protect nuclear power plants (NPPs) from dangerous situations, operators are trained for various transient types and many procedures are prepared. However, operators could commit mistakes and make wrong decisions since there are so many kind of plant status variables to check and working memory is limited. In order to solve this kind of problem, many kind of operation support systems (OSSs) such as fault diagnosis system and computerized procedure system were developed.
Although the transient mitigation failure probability is very low, still there is a possibility of failure that leads to severe accident occurrence. Also, recent occurrence of Fukushima accident shows that severe accident could happen even if there are many safety related systems. Therefore, support systems related to monitoring and prediction of severe accident are necessary in order to enhance the safety of NPPs. However, the researches about support systems which conduct severe accident monitoring and prediction are not sufficient.
In this research, occurrence time of several events that could happen in the process of severe accident (time when maximum core temperature exceeds 1200℃, reactor vessel failure time, containment failure time) were predicted by using support vector classification (SVC) and support vector regression (SVR). And for preliminary step, break location and break size of loss of coolant accident (LOCA) were identified. SVC and SVR are included in support vector machine (SVM), which is a machine-learning algorithm that has been successfully used for solving classification problem and conducting regression analysis.
Firstly, break location of LOCA is identified by using SVC which is capable to classifies cold leg LOCA and hot leg LOCA with 13 kinds of plant status variables (broken side steam generator pressure, level, and temperature, unbroken side steam generator pressure, level, and temperature, pressurizer pressure and level, core water temperature and level, sump water level, and containment pressure and temperature). Then, break size of LOCA is estimated by using SVCs and SVRs. 2 SVCs classify whether the break size corresponds to small break LOCA (SBLOCA), medium break LOCA (MBLOCA) and large break LOCA (LBLOCA) with 13 kinds of plant status variables, and SVRs estimate more accurate break size with its own regression function.
After the identification of LOCA, severe accident occurrence time prediction is conducted by multiple SVRs. For each selected event, 4 plant status variables were selected and occurrence time could be predicted with these data. In every SVCs and SVRs, time derivative of plant status variables were used to consider the change of plant status variables.
Results of identification of LOCA and severe accident occurrence time prediction were both reasonable. Classification results of break location and SBLOCA, MBLOCA and LBLOCA were accurate for all training and testing data sets. Detailed break size estimation shows mean errors between 3~6%. Except some scenarios, mean errors of severe accident occurrence time prediction were lower than 10%.
Training data sets and testing data sets were obtained by using MAAP5 code, which is a simulation tool specialized for severe accident analyses. By using training data sets, SVCs and SVRs were trained for its own objectives and trained SVCs and SVRs were verified by applying testing data sets.
By conducting this research, possibility of severe accident monitoring and prediction by using SVC and SVR could be verified. Although the research was considered some of severe accident paths only, but this approach is expected to be applicable to many other scenarios. With the prediction results, operators could get more information about severe accident and make proper decisions for mitigation of transients.
현재 원전에는 여러 가지 위험 상황으로부터 원전을 보호하기 위하여 운전원은 여러 고장 상황에 대하여 훈련이 되어있고, 여러 가지 절차서도 준비되어있다. 하지만 고장 발생 시 운전원이 확인해야 할 운전 변수의 수가 많다는 점과, 작업 기억이 한정되어있다는 점으로 인하여 운전원이 고장상황에서 실수를 저지르고 잘못된 판단을 내릴 수 있다. 이러한 문제를 해결하기 위하여 고장 진단 시스템 또는 전산화 절차서 시스템 등의 여러 가지 운전 지원 시스템들이 개발되었다.
원전에 고장이 발생했을 때, 그를 완화시키는 과정이 실패할 확률이 매우 낮음에도 불구하고, 여전히 운전원이 완화에 실패하고 중대사고가 발생할 수 있는 확률은 남아있다. 또한, 최근에 발생한 후쿠시마 사고로부터, 여러 가지 안전 관련 계통이 존재함에도 불구하고 중대사고가 발생할 수 있다는 것을 확인 할 수 있다. 따라서 원전의 안전을 더욱 증진시키려면 중대사고를 모니터링하고 예측하는 지원 시스템 또한 필요하다. 그러나 현재 중대사고 관련 지원 시스템과 관련된 연구는 많이 진행되어있지 않다.
이번 연구에서는, 서포트 벡터 분류와 서포트 벡터 회귀를 이용하여 중대사고 발생 과정에서 일어나는 몇 가지 사건 (최대 노심 온도 1200℃ 초과, 원자로용기 파손, 원자로건물 파손) 의 발생 시간을 예측하였다. 또한 이에 대한 선행 과정으로써, 냉각재 상실 사고의 파단 위치와 파단 크기를 예측하였다. 서포트 벡터 분류와 서포트 벡터 회귀는 기계 학습 알고리즘의 일종인 서포트 벡터 머신에 포함되는 것으로, 여러 분류 문제를 해결하고 회귀 분석을 수행하는데 성공적으로 적용되었다.
처음으로는 서포트 벡터 분류를 이용, 13 가지의 운전 변수 (파단이 발생한 루프 증기발생기 압력, 수위, 온도, 파단이 발생하지 않은 루프 증기발생기 압력, 수위, 온도, 가압기 압력, 수위, 노심 온도, 수위, sump 수위, 원자로건물 압력, 온도) 를 데이터로 이용하여 저온관 파단과 고온관 파단을 분류한다. 그 후, 2 개의 서포트 벡터 분류가 13 가지의 운전 변수를 이용하여 소형 냉각재 상실 사고, 중형 냉각재 상실 사고, 대형 냉각재 상실 사고를 분류하고, 여러 개의 서포트 벡터 회귀가 더욱 정확한 파단 크기를 예측한다.
냉각재 상실 사고에 대한 예측이 끝나면, 여러 개의 서포트 벡터 회귀가 이를 기반으로 중대사고 진입시간을 예측한다. 각각의 선택된 사건에 대하여 4 가지의 운전 변수가 선택되었고, 이를 이용하여 발생 시간을 예측한다. 사용된 모든 서포트 벡터 분류와 서포트 벡터 회귀는 운전변수의 변화를 고려하기 위하여 운전변수를 시간에 대하여 미분한 값을 입력변수로써 사용한다.
연구를 수행한 결과 냉각재 상실 사고 예측 결과와 중대사고 진입시간 예측 결과는 모두 적정한 오차율을 보였다. 파단 위치와 소형, 중형, 대형 냉각재 상실사고 분류는 모든 데이터에 대하여 정확하게 분류를 수행했다. 구체적인 파단 크기 예측에서는 평균 오차가 3~6% 정도로 나타났다. 또한, 몇 가지의 시나리오를 제외하고는 중대사고 진입시간 예측에서의 평균 오차는 모두 10% 미만으로 나타났다.
훈련 데이터와 시험 데이터는 모두 중대사고 분석에 특화되어있는 시뮬레이션 코드인 MAAP5 코드를 이용하여 수집되었다. 훈련 데이터는 서포트 벡터 분류와 서포트 벡터 회귀를 각각의 목적에 맞게 훈련시키는 데에 사용되었으며, 훈련된 서포트 벡터 분류와 회귀는 시험 데이터를 이용하여 그 정확성을 확인하였다.
본 연구를 수행함으로써, 서포트 벡터 분류와 서포트 벡터 회귀를 이용한 중대사고 모니터링과 예측 가능성을 확인할 수 있었다. 본 연구에서는 중대사고에 이르는 몇 가지의 시나리오만을 고려했지만, 이러한 접근 방법을 다른 시나리오에 대해서도 적용할 수 있을 것으로 기대된다. 또한 운전원은 중대사고 진입시간 예측 결과를 통하여 중대사고에 대한 더 많은 정보를 얻을 수 있고, 그를 기반으로 사고 완화와 관련한 결정을 내리는데 도움을 받을 수 있을 것으로 판단된다.
