In a pressurized water reactor, there are a lot of reactor instruments to inform the operator of changes in the operating conditions. However, until now, the judgement of the root cause of the changes has been mostly made by the operators, which sometimes can be flawed depending on a variety of circumstances. The probability of making the wrong judgement would decrease if there is a more objective method to aid the operator by interpreting the signals from the instrument with an intelligent cognition. Therefore, an artificial cognitive system that can recognize the nuclear reactor state is suggested in this thesis. Two reactor operating states are considered: Normal state and loss of coolant accident (LOCA) state. LOCA can be subdivided into small break, middle break, and large break LOCAs according to the size of rupture area. Also, it can be divided into hot leg and cold leg LOCAs depending on the break location. The artificial cognitive system predicts the state of the reactor in real time, and it determines the type of LOCA if it predicts that accident occurs. The system uses only reactor protection system (RPS) monitoring parameters among various measurements. The proposed system is composed of two dynamic Bayesian models: the Reactor State Determination Model, and the Accident Type Categorization Model. Two models use different directed acyclic graphs, distributions, and assumptions. The Accident Type Categorization Model uses Extreme Value distribution according to the Anderson-Darling test, and the Reactor State Determination Model uses discrete distribution.
The performance of the trained system was evaluated using 360 randomly sampled data. When an accident occurs, the model took 0.3 seconds to recognize it. In particular, it can be seen that all the accidents are identified within 1 second, and the artificial cognitive system performance is good for recognizing normal versus accident states. The average accuracy of the system is about 88% in case of classifying LOCA type. Also, the average accuracy increased by 4% when the steam generator pressure was excluded from the cognitive system. Especially, when many observation parameters are used, the accuracy decreases if the steam generator pressure is included. The convergence of searching parameter to the accuracy and the accuracy of system is highly sensitive to the measurement are identified areas for the future improvement.
현재 원자력 발전소 내에는 원자로의 상태 이상을 진단하기 위한 수많은 계측 장비가 존재한다. 한편, 아직까지 상태 이상 원인은 운전원의 판단에 의해 결정되기에, 항상 인적 오류를 수반할 가능성이 있다. 따라서, 만약 계측되는 값을 기반으로 소프트웨어가 실시간으로 원자로의 상태를 예측 및 제공할 경우, 운전원에 의한 인적 오류를 줄일 수 있을 것으로 기대한다. 이를 위해 본 연구는 원자로 실시간 상태 예측을 위한 동적 베이지안 네트워크 인공지능 시스템 개발을 목표로 하였다. 본 연구에서는 원자로의 운전 상태로 정상상태와 냉각재 상실사고를 가정하였다. 냉각재 상실 사고는 파단 면적에 따라 소형, 중형, 대형 냉각재 상실사고, 파단 위치에 따라 저온 부, 고온 부 사고로 나뉜다. 인공지능 시스템은 실시간으로 원자로의 상태를 인지하며, 사고 상태로 인지되는 경우 어떠한 종류의 냉각재 상실사고인지 판단한다. 시스템은 여러 계측 장비 중 원자로보호계통 계측 값만을 이용하는 것으로 하였다. 시스템은 총 두 개의 동적 베이지안 모델로 구성되어 있으며, 이는 원자로의 정상상태 여부를 판단하는 모델과 사고상황에서 사고 종류를 판별하는 모델이다. 두 모델은 서로 다른 유향 비순환 그래프, 분포 및 가정을 사용한다. 사고 종류 판별 모델은 앤더슨-달링 검정을 통해 극단값 분포를 사용하며, 정상상태 판단 모델은 이산 분포를 사용한다.
랜덤한 사고데이터 360개를 사용하여 트레이닝 된 시스템의 성능을 평가하였다. 사고가 난 경우 모델이 이를 인지하는데 걸리는 시간은 평균 0.3초였다. 특히, 1초 이내에 모든 사고를 판별하여 확률적으로 결과를 보여줄 수 있음을 알 수 있다. 사고 종류를 판별하는 경우 평균 정확도가 88% 이상임을 확인하였다. 또한, 증기발생기 압력을 제거하고 사고 판별을 하는 경우 평균 정확도가 4% 이상 증가하는 것도 확인하였다. 특히, 여러 관측 변수를 사용하는 경우 증기발생기 압력을 포함함에 따라 정확도가 감소하는 경향을 보였다. 오판단한 데이터들은 파단 면적이 각 사고의 경계에 있다는 것도 확인하였다. 정상상태에서의 확률이 100%로 수렴하지 않는 부분과 계측 장비의 편향 및 고장의 경우 정확도가 크게 떨어지는 부분 등은 앞으로 이 모델에서 개선되어야 할 부분이다.
