A nuclear system analysis code has been developed to perform realistic multi-dimensional thermal hydraulic system analysis over the years. The MARS-KS is an established multi-dimensional thermal hydraulic code used for the analysis of reactor transients, simulation of experiment, various licensing activities, as well as safety research. The system analysis code encompasses diverse empirical correlations, not only limited to governing equations and constitutive equations. Wall heat transfer is a type of constitutive equation that requires 10 different thermal hydraulic variables, and distinguishing wall heat transfer mode depends on the code developer logic using specific variables, and critical heat flux (CHF) tables. Despite improvements in this logic through continuous research are ongoing process, there still remains challenges in effectively dealing with multi-dimensional variable problems.
Unsupervised learning has its strengths in classifying high-dimensional variables. In addition, there is an advantage that the performance can be augmented with accumulation of experimental data. In this study, nucleate boiling, transition boiling, film boiling data were generated and their wall heat transfer modes were classified with unsupervised learning. Validation of trained unsupervised learning was performed using real experimental data. The CHF region was identified using unsupervised learning and was compared with the values obtained using the CHF lookup table to evaluate the potential of unsupervised learning method applied in this area.
원자력 시스템 해석 코드는 현실적인 다차원 열수력 시스템 분석을 위해서 발전해왔다. MARS-KS 코드는 원자력 발전소 과도 상태와 실험 시설 시뮬레이션, 규제활동과 같은 안전 연구에서 널리 사용되는 다차원 열수력 코드이다. 시스템 해석 코드에는 지배 방정식, 구성 방정식을 포함한 다양한 상관식이 포함되어 있다. 구성방정식 중 하나인 벽면 열전달은 10 차원 변수를 사용하며 벽면 열전달 모드를 구분하는 논리는 코드 개발자가 만든 논리에 의존하여 특정 상수, 임계열유속 표 등에 의존하고 있다. 지속적인 연구를 통해서 벽면 열전달 모드 판단논리를 개선하려고 하지만 여전히 고차원 변수를 다루는데 있어서 한계가 있다. 기계학습 중 비지도 학습은 고차원 변수를 이용하여 영역을 구분하는데 있어서 강점을 지닌다. 또한, 실험 데이터가 축적됨에 따라서 성능을 향상시킬 수 있다는 장점도 있다. 본 연구에서는 핵 비등, 천이비등, 막 비등 데이터를 사용하여 비지도 학습을 수행하고 비지도 학습에 의해서 벽면 열전달 모드가 잘 구분될 수 있는지에 대한 정량적인 평가를 수행하였다. 실제 실험 데이터를 이용하여 학습된 비지도 학습에 대한 검증도 함께 수행하였다. 비지도 학습을 이용하여 임계 열 유속 영역을 구분하고, 임계열유속 표를 이용해서 얻은 값과 비교하여 향후 비지도 학습이 이 분야에 활용될 수 있는 가능성에 대해서 연구하였다.
