One of the key safety parameters related to thermal margin in a Pressurized Water Reactor (PWR) core, is Departure from Nucleate Boiling Ratio (DNBR), which is to be assessed and continuously monitored during operation via either an analog or a digital monitoring system. The digital monitoring system, in general, allows more thermal margin than the analog system through the on-line computation of DNBR using the measured parameters as inputs to a simplified, fast running computer code.
The purpose of this thesis is to develop an advanced method for on-line DNBR estimation by introducing an artificial neural network model for best-estimation of DNBR at the given reactor operating conditions. The neural network model, consisting of three layers with five operating parameters in the input layer, provides real-time prediction accuracy of DNBR by training the network against the detailed simulation results for various operating conditions. The overall training procedure is developed to learn the characteristics of DNBR behaviour in the reactor core. First, a set of random combination of input variables is generated by Latin Hypercube Sampling technique performed on a wide range of input parameters. Second, the target values of DNBR to be referenced for training are calculated using a detailed simulation code, COBRA-IV. Third, the optimized training input data are selected. Then, training is performed using an Error Back Propagation algorithm.
After completion of training, the network is tested on the examining data set in order to investigate the generalization capability of the network responses for the steady state operating condition as well as for the transient situations where DNB is of a primary concern. The test results show that the values of DNBR predicted by the neural network are maintained at a high level of accuracy for the steady state condition, and are in good agreements with the transient situation, although slightly conservative as compared to those predicted by the detailed code. It is concluded from this study that the neural network model can be developed as a viable tool for on-line DNBR estimation in a reactor core.
가압 경수형 원자로(PWR)에서 열여유도와 관계된 중요안전변수는 핵비등이탈율(DNBR)로써 아날로그 또는 디지탈 감시계통에 의해 DNBR 여유도가 지속적으로 평가 및 감시된다. 디지탈 감시계통은 측정된 주요 운전 변수들을 실시각적인 열여유도 단순계산코드의 입력으로 사용되어 On-line DNBR을 계산함으로써 아날로그 감시계통에 비해 증가된 열여유도를 제공하여 준다.
본 논문의 목적은 개선된 On-line DNBR 평가 방법의 개발로써 신경회로망의 학습능력을 이용한 DNBR 최적평가모델을 제시하는데 있다. 주요 5개 운전변수를 입력으로 사용하는 3층구조의 DNBR 신경회로망은 다양한 원자로 운전조건을 모의한 DNBR 상세 계산 결과를 이용하여 학습됨으로써 실시각적인 DNBR예측의 정확도를 높여준다. 본 논문에서 개발된 DNBR 거동특성에 대한 학습방법은 다음과 같다. 첫째, 입력변수의 광역운전구간에서 Latin Hypercube 임의 표본추출 방법에 의해 무작위 입력조합을 생산하고 둘째, 상세계산코드인 COBRA-IV를 사용하여 DNBR 학습목표치를 계산한 후, 셋째 최적 학습 자료를 선정하고 오차역전파(Error Back Propagation) 알고리즘을 이용한 학습을 수행한다. 학습이 완료된 신경회로망은 예상되는 원자로 운전조건에 대해 일관성 있는 DNBR 예측능력이 요구되므로, 학습에 사용되지 않은 정상운전 영역과 과도 상태 영역을 대상으로 신경회로망의 DNBR 예측능력을 검증하였다. 검증결과, 신경회로망의 DNBR 예측치는 상세코드계산 결과와 비교할 때 정상운전조건에서 고도의 정확도가 유지될 수 있으며, 과도상태운전조건에서도 거의 일치하거나 약간의 보수적인 값을 보여준다.
본 논문의 결론으로써, 신경회로망 모델은 원자로심의 On-line DNBR 평가를 위한 적절한 도구로 개발될 수 있다.
