In this study, we developed an artificial neural network to predict SLB scram worth during accident analysis of reload core design of OPR1000 nuclear power plant. Currently, the most important step in a reload core design is to search cycle loading patterns. However, time is limited and short due to a fixed design period. In addition, due to the complicated accident analysis procedure, the load pattern is selected without checking important safety factors during the load pattern selection stage. Among the various safety factors, SLB accidents are the shortest margin. To improve such a problem, it is necessary to have the ability to quickly predict the SLB scram worth when selecting a loading model.
In this research, we applied a convolution neural network for predicting the two-dimensional core power distribution, which was a previous study, and developed an artificial neural network that predicts SLB scram worth which is the next step. The data for learning was generated using code developed by KNF. A random loading pattern was produced for three cases to confirm the train data sensitivity, and the artificial neural network was trained with supervised learning. As a result, the SLB scram worth Ave. Relative Error and Max. Relative Error were predicted to be 0.398% and 3.056% for the 1 case. For 2 case, the SLB scram worth Ave. Relative Error and Max. Relative Error were predicted to be 0.353% and 3.254%. For 3 case, the SLB scram worth Ave. Relative Error and Max. Relative Error were predicted to be 0.307% and 3.579%. The developed artificial neural network can quickly check the safety factor when optimizing the loading pattern and shorten the additional feedback time due to dissatisfaction with the safety analysis. This can be of great help to designers. Not only that, it has the potential to expand into other rods worth-related accident analyses in the future, which can help simplify reload core design.
본 연구는 가압경수로인 OPR1000 원전의 교체노심설계의 사고해석 중 주증기파단사고 정지 반응도가를 예측하는 인공신경망을 개발하였다. 현재 교체노심설계는 가장 중요한 단계는 해당 주기 장전모형을 탐색하여 선정하는 것이다. 그러나 정해진 설계 기간으로 시간이 제한적이고 촉박하다. 또한, 복잡한 사고해석 절차로 인해 장전모형선정 단계에서 중요한 안전성 인자를 확인하지 못하고 장전모형이 선정된다. 여러 안전성 인자 중 주증기파단사고는 가장 여유도가 부족한 사고이다. 이와 같은 문제점을 개선하기 위해 장전모형 선정 시 빠르게 주증기파단사고 정지 반응도가를 예측하는 능력이 필요하다.
본 연구에는 선행연구인 장전모형의 2차원 출력분포 예측을 위한 합성곱 인공 신경망을 적용하여 그 다음 단계인 주증기파단사고 정지반응도가를 예측하는 인공신경망을 개발하였다. 학습을 위한 데이터는 KNF에서 개발한 고유코드를 사용해 자료를 생산하였다. Train data 민감도 확인을 위해 3가지 case에 대해 랜덤으로 장전모형을 생산하여 지도 학습을 인공신경망에 시켰다. 그 결과 첫번째 case의 SLB scram worth는 평균 오차와 최대 오차는 0.398%와 3.056%로 예측 하였다. 두번째 case는 평균 0.353%와 최대 3.254%로 예측 하였다. 세번째 case는 평균 0.307%와 최대 3.579%로 예측 하였다. 개발된 인공 신경망은 장전모형 최적화 시 안전성 인자를 빠르게 확인해 추후 안전 해석 불만족으로 인한 추가 해석 시간을 단축시킬 수 있다. 이로 인해 설계자에 많은 도움을 줄 수 있다. 뿐만 아니라 추후 제어봉가 관련 다른 사고해석 분야에 확장가능성이 있어 교체노심설계 단순화에 도움을 줄 수 있다.
