In a complicated system like pressurized water reactor, a number of key safety parameters need to be selected to represent the reactor systems safety. It could be more effective for the reactor safety to make the key safety parameters in real-time available directly to the reactor operator. Direct representation of key safety parameters is also desirable in the view of reactor core design since it could reduce unnecessary margins for various components of uncertainties.
In this thesis, real-time core monitoring system models have been developed with use of artificial neural networks for the prediction of nuclear hot channel factor (HCF) and core departure from nucleate boiling ratio (DNBR) which are known to be the fundamental core safety parameters for pressurized water reactors.
Artificial neural network algorithm, has been shown to be successful for the conservative and accurate prediction of the HCF and DNBR. For the development of system models, training patterns were generated using the FLAIR and COBRAIV-i computer codes for the HCF and DNBR. The selected input variables were the core power, reactor coolant flow, temperature, pressure, power distribution, boron concentration, and rod position. The developed system models could replace the existing core monitoring systems and then afford a better efficiency by using the additional margin which otherwise needs to be reserved for various unidentified uncertainties.
Several variations of the neural network technique have been proposed and compared based on numerical experiments. The neural network can be augmented by use of a functional link to improve the performance of the network model. The functional link is found to be very effective especially when the relationship between the input parameters and the output parameters is overly complicated such as in the core HCF and DNBR. For the further enhancement of DNBR accuracy, two-fold weight sets were used. The coarse weight set can provide a quick and conservative prediction for the wide range of core DNBR while the fine weight set can provide a more accurate yet conservative prediction of core DNBR over a specified DNBR range. With this scheme, the DNBR can be predicted more accurately when the core DNBR approaches the safety setpoint. The weighted system error backpropagation method has also been found to be very effective for the accuracy enhancement and can have a variety of applications if proper weighted function is chosen.
For actual applications the uncertainty factor as a function of output was introduced to provide the conservative predictions. A sensitivity analysis was then peformed by taking the partial derivative of the DNBR with respect to the core power to secure a sensitivity coefficient. This coefficient was used to retrieve the available power margin which means how far the core power is away from the DNB occurrence.
Based on this analysis, it can be concluded that the backpropagation network training algorithm can be used as a tool for the prediction of the core safety parameters and that the developed system models using the neural network can be used for the accurate yet conservative prediction of the core HCF and DNBR on a real-time basis.
훌륭한 에너지공급원 역할을 수행하는 원자력발전소를 각종 사고 가능성으로부터 보호/감시하는것은 당연하며 노심 보호/감시는 원전의 설계, 운전, 안전성측면에서 매우 중요한 부분을 차지하고있다. 특히 노심의 보호/감시체제는 종래의 아나로그 방식을 벗어나 실시간 보호/감시체제의 사용이 확대되고 있으며 이를 통해 노심의 운전여유도를 증가시키는 방법론이 활발히 연구되고 있다. 본 논문에서는 인공신경회로망을 이용하여 원전의 노심을 사고의 위해가능성으로부터 보호/감시하기위해 핵연료의 안전성을 대표하는 주요안전변수인 첨두선출력율과 핵비등이탈율(DNBR)을 대상으로 실시간 노심감시모델의 개발과 적용 가능성에 대해 연구하였다. 다만, 노심의 평균선출력율이 정해져 있으므로 첨두선출력율은 노심의 첨두인자(HCF)를 예측하는 것으로 대신하였다. 첨두 인자는 특히 원자로냉각수상실사고시 피복재최고온도(PCT)를 2200$^\circ$F 이내로 제한하는 감시변수로서 기술지침서의 운전제한(LCO)감시대상변수이기도 하다. 신경회로망은 입력의 불완전성, 잡음등에도 불구하고 그 기능을 안정적으로 수행할 수 있으며 특히 계통의 상태변수와 안전지시변수간의 함수관계가 정확히 알려져 있지 않거나 복잡할 경우 연상기능이 우수하여 원자력발전소의 이상상태분석, 보호/감시 변수예측과 계산분야에 성공적으로 적용되고 있다. 신경회로망을 이용한 실시간 노심감시모델의 개발을 위해 필요한 기본자료는 3차원 노심분석코드인 FLAIR 및 노심열수력분석코드인 COBRA 전산코드가 각각 HCF 및 DNBR 패턴생산을 위해 사용되었으며 신경회로망의 훈련페턴 입력치로서의 원자로 출력, 냉각수유량, 냉각수온도, 냉각수압력 및 출력분포가 DNBR 예측을 위해 그리고 원자로출력, 붕산농도, 출력분포 및 제어봉위치가 HCF 예측을 위해 선정되었다. 신경회로망을 이용한 노심의 보호/감시변수 예측시 전통적방법론만으로서는 실제적용하기에 그 알고리즘의 오차가 다소 크다. 본 논문에서는 이러한 오차를 최대로 줄여 원자력발전소의 노심에 직접 적용이 가능한 수준으로 제고하기위해 신경회로망의 성능을 개선하는 새로운 오차감소기법을 연구, 제시하였다. 신경회로망의 계산오차를 획기적으로 감소시키는 방법으로서 이진수입출력법 (BCR)과 부분연결망(PCN)이 제시될수 있는데 BCR은 입출력치를 모두 2진수로 변화시키는 것으로서, BCR기법을 사용함으로써 노드간℃? 연결갯수를 증가시켜 훈련계산중 최적오차감소단계에 이르기전의 local minima에 고착되는것을 방지하여 신경회로망의 계산능력을 제고하였다. 또한 부분연결망은 각 노드간의 연결을 인위적으로 제한한 회로망으로서 이를 도입한 신경회로망은 hidden layer의 노드를 시간의 노드 혹은 기기의 노드로 변화시킴으로써 원전의 이상상태식별이나 사고 진단과 같은 동적인 현상분석 및 패턴인식에 효과적이었다. 예측정확도를 높이기위한 방법으로서 함수연결법(functional-link net)이 제시되었는데 이는 입력치의 함수값을 입력 node에 추가함으로써 입력치의 숨은 값을 회로망에 포함시키는 것으로서 연결계수를 증가시켜 local minima에 고착 되지않으면서 예측정확도를 향상시켰다. 이 방법은 특히 입력변수와 출력변수간의 관계가 매우 복잡 한 HCF와 DNBR값 예측에 효과적이었다. 정확도를 한단계 더 높이기위해 이중연결계수(two-fold weights) 방법이 제시되었다. 이는 구축된 신경회로망의 계산소요시간이 매우 짧다는 점을 활용한 것으로써 대개 연결계수로서는 넓은 영역의 안전변수값을 신속하게 감시하며 미세연결계수로서는 제한 된 영역의 안전변수값을 보다 정확히 감시하는 방법이다. 이중연결계수방법은 특히 안전변수값이 보호/감시 설정치부근으로 접근할 때 즉 정지여유도 혹은 운전여유도가 매우 작을때 보다 정확한 안전변수값을 예측하므로 매우 유용하다. 전 영역에 대해 동일한 정도의 정확도를 얻기위해서는 각 구간별로 설정된 다중연결계수를 구하는 방법으로 응용이 가능하다. 이중연결계수방법이 안전지시변수의 영역별로 차등적인 예측정확도를 가지는 방법이라면, 오차역전파(error Backpropagation) 알고리즘을 개선한 weighted-error Backpropagation 방법은 안전변수의 전영역에 걸쳐서 정확도가 요구되는 경우에 사용 할수 있는 방법으로 제시하였다. weighted-error BP 방법은 기존의 error 함수에 가중치를 추가하는 방법으로서 추가의 계산부담없이 원하는 형태의 알고리즘의 단순개선을 통해서 더욱 증대된 정확도를 얻을수 있었다. 적절한 error 함수를 선정할 수 있다면 weighted-error BP 방법으로서 보호/감시변수의 제한치부근에서의 정확도를 제고시키며 이를 통해 운전여유도를 개선할 수 있다. 정확도가 개선된 인공신경회로망을 이용하여 개발된 모델을 실제로 원전에 적용하는 단계에서는 보수성이 보장되어야 하므로 예측치의 전체오차를 고려한 불확실도 함수를 추가함으로서 예측치는 충분한 보수성을 가지도록 하였다. 원자력발전소를 운전하면서 실시간으로 안전변수값을 확인하고 또한 원자로정지까지의 여유도를 확인할 수 있다면 이는 운전측면에서 매우 유리하다. 본 모델에 의해 구축된 회로망 계수와 각 node의 출력치를 이용하여 DNBR 의 5개 입력치에 대한 편미분값을 구함으로서 변수의 평균 DNBR 민감도를 계산하여 $\Delta$DNBR값(계산치-제한치)을 각 민감도로 나눔으로서 구해지는 운전여유도를 실시간으로 확인 및 활용할 수 있도록 하였다. 정확도가 개선된 신경회로망모델로서 노심의 주요안전변수를 정확히 실시간 예측 할 수 있는 본 모델은 기존의 아나로그방식의 노심감시계통의 단점을 극복하고 또한 실 시간 보호/감시를 통해 노심의 운전여유도를 활용케 함으로써 원전의 효율을 증가 시킬 수 있다.
