Safety and reliability of nuclear power plant are largely dependent upon the validity and accuracy of sensor signals that indicate the nuclear reactor operating states. In this thesis, a new signal processing method named hybrid artificial neural network(HANN) system is developed for the prediction and validation of nuclear reactor parameters. The developed system consist of a two step signal processing submodels, one for the input signal prevalidation using the parity space representation model(PSRM) and second, for the parameter prediction through the artificial neural network(ANN) model.
To construct and demonstrate the applicability of the system, in part I, a hybrid multi-layer network(HMLN) model which consists of a general multi-layer network(GMLN) combined with PSRM is developed and that model is used for the prediction and validation of thermal power parameters on the nuclear power plant(NPP). The back-propagation learning rule, one of supervised learning algorithms, is applied to train the network in the system. A number of case studies are performed with emphasis on the applicability of the model in a steady state high power level.
The studies reveal that the developed model can precisely predict the thermal power of an NPP. It also shows that defected signals resulting from instrumentation problems, even when the signals comprising various patterns are noisy or incomplete, can be properly handled.
In part II, as an improved single layer ANN, a hybrid functional-link network (HFLN) model is developed by using the weighted non-linear signal combination method. This model is applied in the case study of load follow operation simulation in which four major operating parameters are predicted. The prediction results are compared with the results of GMLN case and also with that of actual test data.
The overall prediction results agreed well with the plant data except for the minor discrepancies at the near upper or lower bounds of the trained band. It also indicates that the HFLN approach performs better than the GMLN approach in the sense that it uses much less number of processing elements and weights, train faster, and gives better results except for the somewhat difficulty of input elements expansion.
원자력 발전소의 안전 및 신뢰성은 원자로 운전상태를 지시하고 있는 계측 신호들의 타당성과 정확성에 크게 의존하고 있다. 본 논문에서는 원자로 운전 변수들의 예측 및 검증을 위해 새로운 신호처리 방법인 혼합 인공 신경망 시스템을 개발 하였다. 개발된 시스템은 2단계 신호처리 모델로 구성하였으며, 첫 단계에서는 패리티 공간 표현모델에 의한 다중 입력신호의 사전검증을 실시하고, 다음 단계에서 인공 신경망 모델을 통해서 변수(Parameters)를 예측토록 하였다.
시스템의 구성과 적용성을 보이기 위해서, 본 논문의 제 I 부 에서는 일반 다층 신경망(GMLN)에 패리티 공간 표현 신호검증 모델을 결합한 혼합 다층 신경망(HMLN) 모델을 개발하여 원자력 발전소 열출력 변수 예측 및 검증에 이용 하였다. 시스템내 신경망의 학습을 위해서는, 지도학습 알고리즘의 하나인 역적파 오차보정 반복 합습규칙(Back-Propagation Learning Rule)을 사용하고, 예제로서, 원자력 발전소의 고출력 안전운전 상태에서의 본 모델의 적용성을 보이기위해 여러가지 경우에대한 신경망 특성평가 연구가 수행되었다.
적용결과, 개발된 시스템이 발전소 열출력을 정확히 예측할 수 있음을 보였으며, 특히 계측과정에서 야기될 수 있는 결함신호, 즉 잡음혼신 또는 발전소 상태를 지시하는 패턴구성 파라메타중 일부의 단절 상태하에서도 매우 우수한 예측 성능을 보였다.
제 II 부 에서는 개선된 단층 신경망의 하나로서, 가중된 비선현 신호 조합 방법을 이용한 혼합 함수결합 신경망(HFLN) 모델을 개발하였다. 한편 동 모델을 이용해 원자력 발전소의 일일 부하추종 운전 시뮬레이션시의 원자로 주요 운전변수 예측 시스템을 개발 적용해 보았으며 예측결과들을 일반 다층 신경망 모델의 결과 및 발전소 실측 데이타와 비교 평가 하였다.
비교결과, 전반적인 예측변수들이 학습범위의 상하 경계식 근처에서의 약간의 편차를 보이는것 외에는 잘 일치하는것으로 나타났으며 특히, 혼합 함수결합 신경망 모델이 일반 다층 신경망 모델보다 일부 입력패턴 확장 난이점 외에는 예측성능이 매우 우수함을 보였고 망의 간소화 및 학습시간도 크게 단축할 수 있었다.
