The operating condition of secondary loop of nuclear power plant has the characteristics that are vulnerable to flow accelerated corrosion (FAC) phenomena. FAC phenomena induces wall-thinning effect and it may leads secondary loop tube rupture events. From 1970 to 2012, in the world, 1987 number of events were occurred because of FAC effect.
Nuclear power plant utilities try to estimate the FAC induced wall thinning effect by using CHECWORKS code [1]. However, the code analysis method requires the pipes' empirical result. In reality, extract the whole test result from secondary system is almost impossible.
To overcome this issue Kyung Ha Ryu [9] tried to estimate wall thinning by using equipotential switching direct current and Kwae Hwan Yoo [12] tried to estimate wall thinning by using infrared tomography. However, these methods requires additional complex equipment. Also, Jung Taek Kim [11] focused on the change of pipe's vibration characteristic due to wall thinning effect. To analyze vibration characteristic, Jung Taek Kim [11] used Fourier Transform (FT). However, pipes' vibration change is too tiny to be recognized from FT.
In this study, several machine-learning techniques (Support Vector Machine, Convolution Neural Network and Long-Short Term Memory Network) are used to estimate pipe's thinning condition. Pipes' vibration signal is used to train each machine learning techniques. As a results, for the simple classification problem (normal pipe, 1.0mm grinded pipe and 1.5mm grinded pipe classification), all three machine learning techniques (SVM, CNN, LSTM) shows good performance. However, for the date classification problem, only the LSTM net-work successfully classify and distinguish the pipe's thinning condition. From the result, by combining vibration data and LSTM network, pipe's thinning condition can be successfully diagnosed.
원자력 발전소 2차측은 유체 가속 부식 현상이 일어나기 쉬운 환경이다. 유체 가속 부식 현상은 배관의 마모를 유발하고, 배관의 마모는 예상치 못한 배관의 파단을 일으킨다. 1970년부터 2012년 까지 전 세계적으로 약 1987건의 배관 파단 사고가 유체 가속 부식 현상으로 인해 발생하였다.
유체 가속 부식 현상을 예방하고 대비하기 위해 원자력 발전소 운영자는 현재 CHECWORKS 코드를 이용하여 배관을 진단하고 유지보수 하고 있다. 하지만 CHECWORK 코드는 기본적으로 배관의 실험적 결과를 바탕으로 한 것이기 때문에 2차측 배관 전체에 대한 정보를 얻을 수는 없다. 그러므로 코드에 등재되어 있지 않은 배관에 대해서는 정기 유지보수시에 초음파 두께 측정기를 이용하여 두께를 측정하는 방식으로 배관의 점검이 이루어진다. 이러한 점검 방식은 배관의 단열재를 제거하고 다시 감싸는 등의 작업이 필요해 시간 뿐만 아니라 금전적으로 손실이 크다.
이러한 문제점을 해결하기 위하여 여러 연구가 수행되었으나, 각 방법 모두 한계를 가지고 있었다. 따라서 본 논문에서는 가속계를 이용하여 배관의 상태를 진단하는 연구를 수행하였다. 가속계는 다른 계측장비와 비교했을 때 가혹한 상황에서도 상대적으로 잘 작동하고, 설치가 쉽다는 장점을 가진다. 뿐만 아니라 배관의 진동특성이 배관의 두께에 따라 변한다는 것 역시 김정택 외 5인[11] 에 의해 증명되었다. 하지만 배관 진동특성의 변화가 미비하여 기존의 처리 방식으로는 배관 상태의 진단을 수행하기 힘들다는 것이 한계점이었다. 이를 해결하기 위해 본 논문에서는 기계학습 방법론을 이용하여 배관을 진단하는 연구를 수행하였다. 배관의 진단을 위해서 인공지능 설계를 할 때 고려해야 할 요소를 추출하고 가장 적합한 알고리즘을 이용하여, SVM, CNN, LSTM 세가지의 기계학습 방법을 설계하였다. 설계한 기계학습 방법론을 I-NERI 프로그램에서 제작한 원자력 발전소의 2차측 유체 가속 부식 현상 실증 모형에 적용해 보았다. 실증 모형에서 얻어진 진동 데이터에 적용한 결과 가속계의 진동데이터와 LSTM 방법론을 조합하면 배관 두께의 진단을 성공적으로 수행할 수 있음을 확인하였다.
