Using Artificial Intelligence to Predict the Thermal Hydraulic Response of a Nuclear Power Plant

The safe operation of a nuclear power plant involves managing multiple interdependent systems with non-linear interactions, while maintaining the system response within specified safety limits. This necessitates predicting the system response under various conditions to ensure the plant safety, soundness of emergency procedures and effectiveness of accident mitigation measures.

Traditionally, nuclear thermal hydraulics and nuclear safety have relied on numerical simulations to predict the system response of a nuclear power plant either under normal operation or accident condition. However, this approach may sometimes be rather time consuming which makes it not suitable for monitoring and optimization problems, particularly under severe accident conditions where fast calculation of the performance parameters is essential to expedite the decision-making process for accident mitigation. This concern can be addressed by using artificial intelligence (AI) and data-driven approaches.

A data-driven model uses artificial intelligence (AI) to find the statistical relationship between inputs and outputs based on existing databases rather than the physical characteristics or governing equations. Compared to the traditional approach, data driven models can provide a cost-effective computational framework to predict the behavior of highly complex and non-linear systems where otherwise great computational efforts would be required.

In a data-driven approach, an artificial neural network (ANN) is developed to predict the system response by mimicking the communication and processing of signals by the human nervous system and brain. An ANN consists of multiple processing units called artificial neurons that are connected to each other via the structure or morphology of the network. The network is assembled using a combination of transfer functions, linear and non-linear, constrained within one or more hidden layers than are used to model the data. These are combined to form a flexible mathematical function to describe the system response.

First, the model has to be trained to learn the inherent knowledge about the system by processing a data set. During the training process, the interneuron connection strengths (weights) are tuned to store the salient features that characterize the data. Once trained and tested, it is possible to avoid the time-consuming detailed simulation and deduce key information by post-processing an existing database. This database for nuclear power plant operation can be obtained from either experimental or simulation results.

Currently, I am working with my colleagues in the Thermal Hydraulics and Nuclear Safety Lab at KINGS, under the direction of Professor Aya Diab, to develop an algorithm that can be used to support the decision-making process during normal operation as well as accident conditions including severe accidents. For example, ANN-based decision-support systems could be used to assess the success window for implementing a diverse and flexible mitigation (FLEX) strategy under extended station blackout, the in-vessel retention strategy, or ex-vessel integrity under severe accident conditions.

Specifically, my task is to develop and tune an AI algorithm to predict the peak cladding temperature and assess the success window of emergency operating procedures when FLEX strategies are implemented to enhance the plant’s capability to cope with an extended station blackout. The findings of this research may help in the decision-making process either during normal operation or under accident conditions. This is particularly important for severe accident mitigation which involves assessing multiple options for high-level actions that may be inter-connected in a highly non-linear fashion. Under these circumstances, a quick decision is needed and may not be easily made using traditional approaches. Being an officer at the Energy and Minerals Regulatory Commission of Jordan, I know that understanding the capabilities and limitations of novel approaches is necessary for cost-effective safety evaluations.

Name: Osama Sharif ALAtawneh

Nationality: Jordan

Affiliation: Energy and Minerals Regulatory Commission (EMRC)

(번역본)

원자력발전소의 안전한 운영은 시스템의 응답을 설계 안전범위 내에 유지하면서 비선형 상호작용을 갖는 복수의 상호의존 시스템을 관리하는 것을 포함한다. 따라서 원자력 발전소의 안전성, 비상절차의 건전성, 사고완화책의 유효성을 입증하기 위해서는 다양한 열수력 조건에서 시스템 응답을 예측해야 한다.

그동안 원자력 열수력과 원자력 안전에 대한 검토는 정상 운전이나 사고 조건에서 원전 시스템 반응을 예측하기 위해 수치적인 시뮬레이션을 활용했다. 그러나 이 방법은 컴퓨터 계산 시간이 오래 걸리는 경우가 있다. 중대사고의 경우 신속한 계산 결과가 효과적인 사고 대처에 필수적으로 이에 대한 개선이 필요하다. 이번 연구에서는 인공지능(AI)과 데이터 기반 접근법을 사용해 이 문제를 해결해보고자 한다.

데이터 기반형 모델은 물리적 특성이나 지배방정식을 푸는 대신, 존재하는 데이터베이스를 기반으로 AI를 활용하여 입력과 출력 사이의 통계적 상관관계를 찾아내는 것이다. 많은 컴퓨터 계산이 필요한 전통적인 접근법과 달리, 데이터 기반형 모델은 복잡한 비선형 시스템의 동작을 효율적으로 예측할 수 있는 것으로 여겨진다.

데이터 기반형 모델에서는 인간의 신경계를 모방한 인공 지능 네트워크 (ANN)을 이용해 시스템 반응을 예측한다. ANN은 네트워크의 구조 혹은 형태를 통해 서로 연결돼 있는 인공 뉴런이라 불리는 다수의 처리 단위로 구성되어 있다. 이 네트워크는 선형과 비선형 조합의 전이 함수로 구성된다, 이 네트워크는 하나 또는 그 이상의 숨겨진 층을 사용한다. 이것들은 서로 조합돼 시스템 응답을 예측하기 위한 유연하고 정확한 함수를 형성한다.

그 과정은 우선, 훈련용 데이터 세트를 사용하여 시스템에 관한 고유한 지식을 습득시키는 것이다. 훈련 과정에서 신경세포(개재뉴런)간의 연결강도(무게)를 조정해 훈련 데이터의 특징을 보존한다. 훈련과 테스트가 완료되면, 시간이 소요되는 자세한 시뮬레이션 대신, 기존 데이터베이스의 후처리를 통해 주요 정보를 추출할 수 있다. 원전 운영을 위한 훈련용 데이터베이스는 실험이나 시뮬레이션 결과를 통해 얻을 수 있다.

현재 필자는 아야 디아브(Aya Diab) 교수의 지도하에 한국전력국제원자력대학원대학교(KINGS) 열수력&원자력 안전 연구소에서 중대 사고를 포함한 사고 상황뿐만 아니라 정상 운영 중의 의사결정을 지원하는 데 사용될 수 있는 ANN 기반의 알고리즘을 개발하고 있다. 예를 들어 ANN 기반의 의사결정 지원 시스템은 장기 교류전원 상실사고에 대처할 수 있는 사고 대처(FLEX) 전략, 원자로 외부 냉각에 의한 노심 용융물 용기 내부 유지(IVR) 전략 혹은 노심 용융물 격납건물 공동 냉각 전략의 성공 범위를 평가하는 데 활용될 수 있다.

이 과정에서 필자는 AI 알고리즘을 핵연료 피복재 최대 온도 예측에 활용해 외부 전원 상실시 FLEX 전략의 시행에 따른 비상 운전 절차의 성공 범위를 평가하고자 한다. 이 연구의 결과들은 정상 운전 혹은 사고시 의사결정에 활용될 수 있을 것으로 사료된다. 이것은 중대사고 대처와 같은 고도의 비선형 모델에 대한 상호 연결된 사고 대처 행동에 관련된 여러 선택사항들을 평가하는 데 특히 중요하다. 이러한 환경 하에서는 빠른 의사결정이 필요하며, 전통적인 수치 해석 방법으로는 쉽게 결정되지 않을 수 있다. 요르단 에너지·광물규제위원회 공무원으로서 나 자신에게 이러한 새로운 접근방식의 역량과 한계를 이해하는 것 또한 효율적인 안전 평가를 위해서 필요한 일이다.

이름: 오사마 샤리프 알라토네

국적: 요르단

소속: 에너지·광물규제위원회(EMRC)