Safety assessments of nuclear power plants depend greatly on the understanding of various accidents. However, it is very difficult to conduct a real-scale nuclear power plant accident experiment, thus one relies often on computational analysis to analyze various accident scenarios. Existing one-dimensional (1D) safety analysis codes have difficulty in simulating the flow including three-dimensional (3D) phenomena. Therefore, an approach to model complex two-phase flows through Computational Fluid Dynamics (CFD) with 3D capabilities is very important for analyzing accident scenarios. This is expected to lead to development of better prevention and mitigation strategies for nuclear power plant accident situations. A subcooled boiling phenomenon is one of the important phenomena for the nuclear power plant safety analysis. To analyze the phenomenon accurately, constitutive relations of the wall boiling model used in commercial CFD codes were developed based on experimental data under high pressure conditions. Therefore, it has limitations in simulating low pressure subcooled boiling conditions. In order to accurately predict the accident situation, it is necessary to improve the constitutive relations. Therefore, in this thesis, the existing constitutive relation applied in CFD is improved by using machine learning technique. The bubble departure diameter, a sub model of the wall boiling model used in ANSYS-CFX, was improved to fit data better under the low-pressure condition by applying machine learning technique. The exiting model and the improved model by machine learning are compared using ANSYS-CFX. From the comparison, it is evaluated how much the prediction accuracy can be improved by using the suggested method. The potential of the machine learning technique to improve CFD is further discussed.
원자력 발전소의 안전성 평가를 위해서는 여러 사고 상황에 대한 이해가 중요하다. 하지만 실제 원자력 발전소 사고를 모사하는 실험을 진행하는 것은 매우 어렵기 때문에 각종 사고 시나리오를 분석하기 위해 전산해석기법에 의존한다. 기존의 1차원 안전해석은 3차원 현상이 포함된 유동을 모사하기에는 어려움이 있다. 따라서 3차원 해석 기능을 갖춘 CFD를 이용하여 복잡한 이상 유동을 모델링하는 접근 방식이 사고 해석에 점차적으로 중요해지고 있다. 이는 원자력 발전소 사고 상황에 대한 더 나은 예방 및 완화 전략 개발로 이어질 것으로 기대한다. 사고 시나리오와 관련된 여러 현상에서 과냉각 비등은 안전해석 관점에서 중요한 현상 중 하나이다. 이를 해석하기 위해 상용 CFD 코드에서 사용하는 벽 비등 모델의 구성방정식은 고압 조건의 실험 데이터를 기반으로 개발되었다. 따라서 이는 저압 조건 상황 모사에 대해 한계를 가진다. 저압 사고 상황에 대한 정확한 예측을 위하여 구성방정식의 개선이 필요하다. 따라서 본 연구에서는 기계학습 기법을 사용하여 기존의 구성방정식을 개선하고자 한다. ANSYS-CFX에서 사용되는 벽 비등 모델의 하위모델인 기포 이탈 직경을 기계학습 기법을 통해 저압 조건에 맞도록 개선하였다. 또한, 기존의 모델과 개선된 기포 이탈 직경을 ANSYS-CFX에 적용한 결과를 비교하여 기계학습 방법의 유용성을 보였다. 이를 통해 기존 모델 대비 실험 예측 정확도가 얼마나 높아질 수 있는지를 평가하며 향후 기계학습이 CFD 구성방정식 개선에 활용될 수 있는 가능성에 대해 확인하였다.
