KR20230111015A - 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 - Google Patents
기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 Download PDFInfo
- Publication number
- KR20230111015A KR20230111015A KR1020220006699A KR20220006699A KR20230111015A KR 20230111015 A KR20230111015 A KR 20230111015A KR 1020220006699 A KR1020220006699 A KR 1020220006699A KR 20220006699 A KR20220006699 A KR 20220006699A KR 20230111015 A KR20230111015 A KR 20230111015A
- Authority
- KR
- South Korea
- Prior art keywords
- abnormal
- nuclear power
- power plant
- contribution
- neural network
- Prior art date
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 208000024891 symptom Diseases 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
시뮬레이터를 이용하여 비정상 운전 시나리오를 모의함으로써 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 취득하는 단계와, 인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시키는 단계와, 상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산하는 단계와, 그리고 상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출하는 단계를 포함하는, 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템이 제공된다.
Description
본 발명은 인공신경망 학습 결과의 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템에 관한 것이다.
원자력발전소에서는 다양한 비정상 상태에 대비하기 위하여 비정상 운전 절차서를 사전에 작성하여 사용하고 있다. 비정상 운전 절차서는 기기의 고장이나 계통의 이상 상태가 발생할 경우 이를 감지하여 대응 운전을 수행할 수 있도록 작성된다. 따라서 해당 비정상 상태가 발생하는 경우 발생할 수 있는 경보와 증상에 대해 기술되어 있다. 이러한 경보와 증상은 설계 단계에 기기나 계통의 특성을 고려하여 작성된다.
원자력발전소의 비정상 상태는 실제 발전소에서 시험을 통해 확인하기 어려운 경우가 대부분이다. 이에 비정상 운전 절차서에 기술된 내용의 검증은 사람(전문가)에 의해 검토된다.
비정상 운전 절차서에는 해당 비정상 상태 발생 시 주로 변하는 운전변수가 기록되어 있으나, 이는 전문가인 계통 설계자의 판단에 의해 도출된 운전변수이다. 즉, 이는 사건에 영향을 미치는 계통의 운전변수를 주로 포함하고 있기 때문에 유사한 비정상 상태에 대해 유사한 운전변수 목록을 제공한다. 원자력발전소의 운전원은 이러한 운전변수의 변화에 대해 어떤 비정상 상태가 발생하였는지 판단하기 어려운 경우가 있다.
본 발명의 목적은 시뮬레이터와 인공지능에 기반하여 원자력발전소의 비정상 상태를 감시할 수 있는 경보와 증상을 도출할 수 있도록 비정상 운전 절차서를 검증하는 방법 및 이를 수행하는 시스템을 제공하는 것이다.
다만, 본 발명의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
본 발명의 일 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 방법 은 시뮬레이터를 이용하여 비정상 운전 시나리오를 모의함으로써 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 취득하는 단계와, 인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시키는 단계와, 상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산하는 단계와, 그리고 상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출하는 단계를 포함한다.
일 측면에 따르면, 상기 기여도를 계산하는 단계는 하기의 수학식
에 의해 상기 기여도를 계산 - 여기서, wi,j,k는 상기 기여도이고, yk는 상기 학습 결과이고, xi,j는 상기 운전변수임 - 할 수 있다.
일 측면에 따르면, 상기 도출된 운전변수와 상기 비정상 운전 절차서에 기술된 운전변수를 비교함으로써, 상기 비정상 운전 절차서에 상기 비정상 상태가 발생할 때 변화하는 것으로 기술된 운전변수를 검증하는 단계를 더 포함할 수 있다.
일 측면에 따르면, 상기 방법은 다양한 비정상 운전 시나리오를 이용하여 다양한 비정상 상태에 대하여 상기 인공신경망을 학습시킴으로써 특정 비정상 상태에만 변화하는 운전변수를 도출하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 시스템 은 비정상 운전 시나리오를 모의하여 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 생성하는 시뮬레이터와, 인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시키는 인공신경망 학습부와, 상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산하는 기여도 계산부와, 그리고 상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출하는 비정상 운전 절차서 검증부를 포함한다.
일 측면에 따르면, 상기 기여도 계산부는 하기의 수학식
에 의해 상기 기여도를 계산 - 여기서, wi,j,k는 상기 기여도이고, yk는 상기 학습 결과이고, xi,j는 상기 운전변수임 - 할 수 있다.
일 측면에 따르면, 상기 비정상 운전 절차서 검증부는 상기 도출된 운전변수와 상기 비정상 운전 절차서에 기술된 운전변수를 비교함으로써, 상기 비정상 운전 절차서에 상기 비정상 상태가 발생할 때 변화하는 것으로 기술된 운전변수를 검증할 수 있다.
일 측면에 따르면, 상기 인공신경망 학습부는 다양한 비정상 운전 시나리오를 이용하여 다양한 비정상 상태에 대하여 상기 인공신경망을 학습시킬 수 있고, 상기 비정상 운전 절차서 검증부는 특정 비정상 상태에만 변화하는 운전변수를 도출할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
전술한 본 발명의 실시예들에 따른 비정상 운전 절차서를 검증하는 방법 및 이를 수행하는 시스템에 따르면, 비정상 운전 판단의 주요 인자를 도출할 수 있으며, 특정 비정상 상태 발생 시 다른 비정상 상태와 구분되는 운전변수를 도출함에 따라 비정상 운전 절차서에 해당 비정상 상태를 구분하기 용이한 운전변수를 제시할 수 있으며, 비정상 운전 절차서의 판단기준을 개선하여 보다 신속하고 정확한 비정상 상태 판단이 가능하도록 비정상 운전 절차서를 개정할 수 있다
도 1은 본 발명의 일 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 방법의 순서도이다.
도 2는 인공신경망의 학습 결과로부터 기여도를 역산하는 과정을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 시스템의 구성도이다.
도 2는 인공신경망의 학습 결과로부터 기여도를 역산하는 과정을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 시스템의 구성도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서는 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람이 본 발명을 쉽게 실시할 수 있도록 명확하고 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 방법의 순서도이다.
도 1을 참조하면, 단계 S110에서, 시뮬레이터를 이용하여 비정상 운전 시나리오를 모의함으로써 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 취득한다.
비정상 운전 시나리오는 원자력발전소가 비정상 상태인 경우 각종 운전변수와 관련될 수 있는 정보를 포함한다. 예를 들어, 비정상 운전 시나리오는 원자력발전소 기기들의 온도 변화와 관련된 운전변수에 따른 시나리오, 터빈 베어링 진동과 관련된 운전변수에 따른 시나리오 등을 포함할 수 있다. 비정상 운전 시나리오는 원자력발전소 내에 구비된 시나리오 데이터베이스에 저장될 수 있다.
시뮬레이터는 비정상 운전 시나리오에 따라 원자력발전소의 비정상 상태를 모의한다. 시뮬레이터의 동작 결과 원자력발전소의 비정상 상태와 연관된 운전변수를 취득할 수 있다.
운전변수는 원자력발전소 내 각종 기기들의 운전 상태에 대한 운전 요소로서, 각 기기마다 1000개 내지 2000개 정도의 운전변수를 포함할 수 있다. 예를 들어, 운전변수는 압력, 온도, 유량 등을 포함할 수 있다.
단계 S130에서, 인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시킨다.
인공신경망의 학습을 위해 상기 적어도 하나의 운전변수는 시각화 알고리즘에 의해 학습 데이터로 가공될 수 있다. 예를 들어, 각각의 운전변수의 물리적 위치를 기반으로 학습 데이터를 시각화하거나 물리적으로 동일한 운전변수를 우선적으로 배열함으로써 학습 데이터를 시각화할 수 있다.
학습이 완료된 인공신경망은 원자력발전소의 비정상 상태를 판단하는 데 사용될 수 있다.
단계 S150에서, 상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산한다. 단계 S150에 관하여는 도 2를 참조하여 후술하기로 한다.
단계 S170에서, 상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출한다.
도출된 운전변수와 비정상 운전 절차서에 기술된 운전변수를 비교함으로써, 비정상 운전 절차서에 해당 비정상 상태가 발생할 때 변화하는 것으로 기술된 운전변수를 검증할 수 있다. 또한 다양한 비정상 운전 시나리오를 이용하여 다양한 비정상 상태에 대하여 인공신경망을 학습시킴으로써 특정 비정상 상태에만 변화하는 운전변수를 도출하여 해당 비정상 상태를 판단할 때 유용한 운전변수를 도출할 수 있다. 또한 비정상 절차서의 판단 기준을 개선하여 보다 신속하고 정확한 비정상 상태 판단이 가능하도록 할 수 있다.
도 2는 인공신경망의 학습 결과로부터 기여도를 역산하는 과정을 개략적으로 도시한다.
도 2를 참조하면, 운전변수(xi,j)를 이용하여 인공신경망을 학습시키는 과정이 도시되어 있다. 상술한 바와 같이, 시각화 알고리즘에 의해 운전변수를 가공하여 학습 데이터로 사용할 수 있다. 인공신경망은 학습이 완료되면 그 결과로서 비정상 상태의 판단 결과(yk)를 출력한다. 단계 S150에서는 이러한 판단 결과(yk)에 가장 큰 기여를 한 운전변수(xi,j)를 판단하기 위해 인공신경망의 학습 결과로부터 기여도(wi,j,k)를 역산한다. 이때 기여도(wi,j,k)는 수학식 1에 의해 계산될 수 있다.
도 3은 본 발명의 다른 실시예에 따른 원자력발전소의 비정상 운전 절차서 검증 시스템의 구성도이다.
도 3을 참조하면, 비정상 운전 절차서 검증 시스템(300)은 시뮬레이터(310), 인공신경망 학습부(330), 기여도 계산부(350) 및 비정상 운전 절차서 검증부(370)를 포함한다.
시뮬레이터(310)는 비정상 운전 시나리오를 모의하여 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 생성한다.
인공신경망 학습부(330)는 인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시킨다.
기여도 계산부(350)는 상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산한다. 이때 기여도는 수학식 1에 의해 계산될 수 있다.
비정상 운전 절차서 검증부(370)는 상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출한다.
비정상 운전 절차서 검증부(370)는 도출된 운전변수와 비정상 운전 절차서에 기술된 운전변수를 비교함으로써, 비정상 운전 절차서에 해당 비정상 상태가 발생할 때 변화하는 것으로 기술된 운전변수를 검증할 수 있다.
한편, 다양한 비정상 운전 시나리오를 이용하여 다양한 비정상 상태에 대하여 인공신경망을 학습시킴으로써 특정 비정상 상태에만 변화하는 운전변수를 도출하여 해당 비정상 상태를 판단할 때 유용한 운전변수를 도출할 수 있다. 또한 비정상 절차서의 판단 기준을 개선하여 보다 신속하고 정확한 비정상 상태 판단이 가능하도록 할 수 있다.
전술한 본 발명에 따른 원자력발전소의 비정상 운전 절차서 검증 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상에서 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
300: 비정상 운전 절차서 검증 시스템
310: 시뮬레이터
330: 인공신경망 학습부
350: 기여도 계산부
370: 비정상 운전 절차서 검증부
310: 시뮬레이터
330: 인공신경망 학습부
350: 기여도 계산부
370: 비정상 운전 절차서 검증부
Claims (8)
- 시뮬레이터를 이용하여 비정상 운전 시나리오를 모의함으로써 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 취득하는 단계;
인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시키는 단계;
상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산하는 단계; 및
상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출하는 단계;
를 포함하는, 원자력발전소의 비정상 운전 절차서 검증 방법. - 제1항에 있어서,
상기 기여도를 계산하는 단계는 하기의 수학식
에 의해 상기 기여도를 계산하는 - 여기서, wi,j,k는 상기 기여도이고, yk는 상기 학습 결과이고, xi,j는 상기 운전변수임 -, 원자력발전소의 비정상 운전 절차서 검증 방법. - 제1항에 있어서,
상기 도출된 운전변수와 상기 비정상 운전 절차서에 기술된 운전변수를 비교함으로써, 상기 비정상 운전 절차서에 상기 비정상 상태가 발생할 때 변화하는 것으로 기술된 운전변수를 검증하는 단계를 더 포함하는, 원자력발전소의 비정상 운전 절차서 검증 방법. - 제1항에 있어서,
다양한 비정상 운전 시나리오를 이용하여 다양한 비정상 상태에 대하여 상기 인공신경망을 학습시킴으로써 특정 비정상 상태에만 변화하는 운전변수를 도출하는 단계를 더 포함하는, 원자력발전소의 비정상 운전 절차서 검증 방법. - 비정상 운전 시나리오를 모의하여 원자력발전소의 비정상 상태와 연관된 적어도 하나의 운전변수를 생성하는 시뮬레이터;
인공신경망이 원자력발전소의 비정상 상태를 판단할 수 있도록, 상기 적어도 하나의 운전변수를 이용하여 상기 인공신경망을 학습시키는 인공신경망 학습부;
상기 인공신경망의 학습 결과를 역산하여 상기 적어도 하나의 운전변수의 기여도를 계산하는 기여도 계산부; 및
상기 기여도에 기초하여 상기 적어도 하나의 운전변수 중 상기 비정상 상태의 판단 시 가장 큰 영향을 주는 운전변수를 도출하는 비정상 운전 절차서 검증부;
를 포함하는, 원자력발전소의 비정상 운전 절차서 검증 시스템. - 제5항에 있어서,
상기 기여도 계산부는 하기의 수학식
에 의해 상기 기여도를 계산하는 - 여기서, wi,j,k는 상기 기여도이고, yk는 상기 학습 결과이고, xi,j는 상기 운전변수임 -, 원자력발전소의 비정상 운전 절차서 검증 시스템. - 제5항에 있어서,
상기 비정상 운전 절차서 검증부는 상기 도출된 운전변수와 상기 비정상 운전 절차서에 기술된 운전변수를 비교함으로써, 상기 비정상 운전 절차서에 상기 비정상 상태가 발생할 때 변화하는 것으로 기술된 운전변수를 검증하는, 원자력발전소의 비정상 운전 절차서 검증 시스템. - 제5항에 있어서,
상기 인공신경망 학습부는 다양한 비정상 운전 시나리오를 이용하여 다양한 비정상 상태에 대하여 상기 인공신경망을 학습시키고,
상기 비정상 운전 절차서 검증부는 특정 비정상 상태에만 변화하는 운전변수를 도출하는, 원자력발전소의 비정상 운전 절차서 검증 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220006699A KR102696300B1 (ko) | 2022-01-17 | 2022-01-17 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
| KR1020240108149A KR20240126022A (ko) | 2022-01-17 | 2024-08-13 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220006699A KR102696300B1 (ko) | 2022-01-17 | 2022-01-17 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240108149A Division KR20240126022A (ko) | 2022-01-17 | 2024-08-13 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230111015A true KR20230111015A (ko) | 2023-07-25 |
| KR102696300B1 KR102696300B1 (ko) | 2024-08-20 |
Family
ID=87428745
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220006699A KR102696300B1 (ko) | 2022-01-17 | 2022-01-17 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
| KR1020240108149A KR20240126022A (ko) | 2022-01-17 | 2024-08-13 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240108149A KR20240126022A (ko) | 2022-01-17 | 2024-08-13 | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102696300B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102095653B1 (ko) | 2018-10-12 | 2020-03-31 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
| US20200387653A1 (en) * | 2019-06-09 | 2020-12-10 | BWXT Advanced Technologies LLC | Rapid Digital Nuclear Reactor Design Using Machine Learning |
-
2022
- 2022-01-17 KR KR1020220006699A patent/KR102696300B1/ko active IP Right Grant
-
2024
- 2024-08-13 KR KR1020240108149A patent/KR20240126022A/ko active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102095653B1 (ko) | 2018-10-12 | 2020-03-31 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
| US20200387653A1 (en) * | 2019-06-09 | 2020-12-10 | BWXT Advanced Technologies LLC | Rapid Digital Nuclear Reactor Design Using Machine Learning |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102696300B1 (ko) | 2024-08-20 |
| KR20240126022A (ko) | 2024-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmoud et al. | Stochastic stability analysis of fault-tolerant control systems in the presence of noise | |
| KR102365150B1 (ko) | 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치 | |
| US11556747B2 (en) | Testing bias checkers | |
| US20130317780A1 (en) | Probability of failure on demand calculation using fault tree approach for safety integrity level analysis | |
| Roemer et al. | Validation and verification of prognostic and health management technologies | |
| US20200409823A1 (en) | Method and apparatus for optimal distribution of test cases among different testing platforms | |
| US20210133752A1 (en) | Identification of behavioral pattern of simulated transaction data | |
| JP7152938B2 (ja) | 機械学習モデル構築装置および機械学習モデル構築方法 | |
| CN115168868B (zh) | 一种应用于人工智能的业务漏洞分析方法及服务器 | |
| Promyslov et al. | A clustering method of asset cybersecurity classification | |
| CN110018954A (zh) | 代码质量检测、代码检测质量的评估方法、装置及设备 | |
| CN104216825A (zh) | 问题定位方法及系统 | |
| JP2021089116A (ja) | 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法 | |
| O'Farrill et al. | Optimized reasoning-based diagnosis for non-random, board-level, production defects | |
| KR20230111015A (ko) | 기여도 역산에 기초한 원자력발전소의 비정상 운전 절차서 검증 방법 및 이를 수행하는 시스템 | |
| Pilch | Extending the Possibilities of Quantitative Determination of SIL–a Procedure Based on IEC 61508 and the Markov Model with Common Cause Failures | |
| US11790249B1 (en) | Automatically evaluating application architecture through architecture-as-code | |
| Zhu et al. | Software failure mode and effects analysis | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| KR102537723B1 (ko) | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 | |
| US20170308424A1 (en) | Method for Automatically Determining Causes of the Malfunction of a System Made Up of a Plurality of Hardware or Software Components | |
| Bitanov | Reliability study of subsea control module with focus on statistical methods | |
| JP7161379B2 (ja) | 推論装置 | |
| Walsh et al. | Detecting and characterizing archetypes of unintended consequences in engineered systems | |
| Poluyan et al. | Assessment of human factor in critical infrastructures |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |