KR20230146353A - 머신러닝을 이용한 원전사고 통합 관리시스템 - Google Patents

머신러닝을 이용한 원전사고 통합 관리시스템 Download PDF

Info

Publication number
KR20230146353A
KR20230146353A KR1020220045265A KR20220045265A KR20230146353A KR 20230146353 A KR20230146353 A KR 20230146353A KR 1020220045265 A KR1020220045265 A KR 1020220045265A KR 20220045265 A KR20220045265 A KR 20220045265A KR 20230146353 A KR20230146353 A KR 20230146353A
Authority
KR
South Korea
Prior art keywords
nuclear
accident
power plant
nuclear power
response
Prior art date
Application number
KR1020220045265A
Other languages
English (en)
Inventor
윤선홍
오영진
정호영
이대형
조용주
Original Assignee
한국전력기술 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력기술 주식회사 filed Critical 한국전력기술 주식회사
Priority to KR1020220045265A priority Critical patent/KR20230146353A/ko
Publication of KR20230146353A publication Critical patent/KR20230146353A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Emergency Management (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템, 원자력 발전소의 현재 상태를 실시간으로 계측하는 원전상태계측모듈(100); 상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 원전사고예측모델(200a) 에 입력하여,상기원전사고예측모델(200a)이 생성한 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 예측하는 원전사고예측모듈(200); 및 상기 원전사고예측모듈(200)이 예측한 상기 원전사고의 정보를 원전사고대응모델(300a) 에 입력하여, 상기 원전사고대응모델(300a)이 기계학습 기반으로 생성한 상기 원전사고에 대응하는 대응룰을 제공하는 원전사고대응모듈(300);을 포함하는 것을 특징으로 한다.

Description

머신러닝을 이용한 원전사고 통합 관리시스템{An integrated management system for nuclear power plant accident using machine learning}
본 발명은 머신러닝을 이용한 원전사고 관리 통합시스템에 관한 것으로, 보다 상세하게는 원자력 발전소의 현재 상태를 기반으로 기계학습 알고리즘을 통해 원전사고를 예측하고, 이를 토대로 원전사고의 대응룰을 제공할 수 있도록 한 원전사고의 진단 및 예측 시스템에 관한 것이다.
원자력 발전소에 사고가 발생할 경우 빠른 대응을 위해 원전의 상태, 사고 정도 및 주변 기상 상황 등을 담당자에게 신속하고 정확하게 전달하고 담당자가 적절한 결정을 내릴 수 있도록 도와주어야 하므로, 원자력 발전소에는 원전사고에 대응하기 위한 시스템이 필요하다.
구소련 체르노빌 원전 사고와 일본 후쿠시마 원전 사고는 운전원의 사고대응 미숙으로 인해 International Nuclear And Radiological Event Scale(INES)에 나오는 분류 등급 7인 Major Accident로 이어졌다. 이에 따라, 원자력 발전소의 초기 사고환경에서 운전원의 사고대응 미숙을 막고 적절한 조치를 취할 수 있도록 하는 시스템이 원자력 발전소에 요구된다.
따라서, 정확한 조기 원전사고 진행에 대한 진단과 특정 시나리오 예측을 지원하며, 중대하고 진행에 대한 진단과 예측된 시나리오에 따라 합리적이고 신속한 중대사고관리지침서의 운용을 지원하여 조기에 적절한 사고대응을 지원하는 시스템 개발이 필요하다.
본 발명은 상술한 바와 같은 문제를 해결하기 위해 안출된 것으로, 원자력 발전소의 현재 상태를 기반으로 기계학습 알고리즘을 통해 원전사고를 예측하고, 이를 토대로 원전사고의 대응룰을 제공할 수 있도록 한 원전사고의 진단 예측하는 및 예측시스템을 제공함을 그 목적으로 한다.
본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템은, 원자력 발전소의 현재 상태를 실시간으로 계측하는 원전상태계측모듈(100); 상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 원전사고예측모델(200a) 에 입력하여, 상기원전사고예측모델(200a)이 생성한 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 예측하는 원전사고예측모듈(200); 및 상기 원전사고예측모듈(200)이 예측한 상기 원전사고의 정보를 원전사고대응모델(300a) 에 입력하여, 상기 원전사고대응모델(300a)이 기계학습 기반으로 생성한 상기 원전사고에 대응하는 대응룰을 제공하는 원전사고대응모듈(300); 을 포함하는 것을 특징으로 한다.
또한, 상기 원전사고예측모델(200a)은 MAAP(Modular Accident Analysis Program) 코드 기반의 원전사고 예측 데이터베이스를 미리 마련하고, 상기 데이터베이스에 기초하여 상기 예측 시나리오를 생성하는 것이 바람직하다.
또한, 상기 중대사고관리지침서(SAMG) 지침서 및 절차서를 통해 원전사고대응모듈(300)을 학습시키고 원전사고예측모듈(200)을 통해 예측한 데이터를 반영하여 실시간으로 대응룰을 제공하는 것이 바람직하다.
또한, 상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 시각적으로 제공하는 제1 인터페이스(410)와, 상기 원전사고예측모듈(200)이 예측한 상기 원전사고를 시각적으로 제공하는 제2 인터페이스(420)와, 상기 원전사고대응모듈(300)이 제공하는 상기 대응룰을 시각적으로 제공하는 제3 인터페이스(430)를 갖는 원전인터페이스(400);를 포함하는 것이 바람직하다.
또한, 운전원이 원전상태를 입력하는 사용자인터페이스(440)를 포함하고, 상기 운전원이 입력한 원전상태의 정도에 근거하여, 상기 원전사고예측모듈(200)과 상기 원전사고대응모듈(300)은 예상되는 사고 데이터와 대응룰을 제공하는 것이 바람직하다.
또한, 상기 대응룰에 따라 상기 원자력 발전소가 운전될 때, 상기 제1 인터페이스(410)는 상기 원전상태계측모듈이 재 계측한 원자력 발전소의 상태를 실시간으로 제공하며, 상기 제2 인터페이스(420)는 원전사고예측모듈(200)이 재 예측한 예측 시나리오에 따라 원자력 발전소에서 발생될 재 예측된 원전사고의 정보를 실시간으로 제공하며, 상기 제3 인터페이스(430)는 상기 원전사고대응모듈(300)이 상기 원전사고대응모델(300a)에 의해 생성된 후대응룰을 제공하는 것이 바람직하다.
또한, 상기 사용자인터페이스(440)에 상기 대응룰에 위배되는 위배 명령이 입력되면, 상기 원전상태계측모듈(100)은 상기 위배 명령이 입력된 원자력 발전소의 상태를 재 계측하고, 상기 원전사고예측모듈(200)은 재 계측된 상기 원자력 발전소의 상태를 기준으로, 상기 원전사고예측모델(200a)이 기계학습 기반으로 생성한 재 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 재 예측하며, 상기 원전사고대응모듈(300)은 상기 원전사고예측모듈(200)이 재 예측한 원전사고의 정보를 기준으로, 상기 원전사고대응모델(300a)이 기계학습 기반으로 생성한 재 예측 원전사고에 대응하는 후대응룰을 다시 제공하고, 상기 제1 인터페이스(410)는 상기 원전상태계측모듈(100)이 재 계측한 원자력 발전소의 상태를 실시간으로 제공하고, 상기 제2 인터페이스(420)는 원전사고예측모듈(200)이 재 예측한 예측 시나리오에 따라 원자력 발전소에서 발생될 재 예측된 원전사고의 정보를 실시간으로 제공하며, 상기 제3 인터페이스(430)는 상기 원전사고대응모듈(300)이 상기 원전사고대응모델(300a)에 의해 생성된 후대응룰을 제공하는 것이 바람직하다.
또한, 상기 원전상태계측모듈(100)은 원자력 발전소 내의 원자로의 현재 온도를 실시간으로 계측하고, 상기 원전사고예측모듈(200)은 상기 원전상태계측모듈(100)이 계측한 상기 원자로의 현재 온도를 상기 원전사고예측모델(200a)에 입력하여, 상기 원전사고예측모델(200a)이 기계학습 기반으로 노심 출구 열전대 온도가 소정의 중대사고기준값에 도달하기까지의 잔여시간 또는 원자로용기가 파손되기까지의 잔여시간에 대한 데이터를 제공하며, 상기 원전사고대응모듈(300)은 상기 원전사고예측모듈(200)이 예측한 상기 원전사고의 정보를 상기 원전사고대응모델(300a)에 입력하여, 상기 원전사고대응모델(300a)이 기계학습 기반으로 상기 노심 출구 열전대 온도가 상기 중대사고기준값에 도달하기까지의 잔여시간 또는 상기 원자로용기가 파손되기까지의 잔여시간에 대한 데이터에 근거한 대응룰을 제공하는 것이 바람직하다.
또한, 상기 제1 인터페이스(410)는 물리적 그래프를 이용하여 상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 시각적으로 제공하는 것이 바람직하다.
상술한 바와 같은 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템은 원자력 발전소의 현재 상태를 기반으로 기계학습 알고리즘을 통해 원전사고를 예측하고, 이를 토대로 원전사고에 대응하는 대응룰을 제공함으로써, 원전사고의 확산을 방지하여 원자력발전의 안정성을 도모할 수 있다.
또한, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템은 머신러닝 및 인공지능 알고리즘과 가상현실 기술을 활용하여 사용자의 원전사고 대처에 대한 이해도를 높여 원전사고의 대응에 관한 오류를 최소화할 수 있다.
도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템의 블록도이다.
도 2는 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템에 있어서 인터페이스의 블록도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템을 이용하여 원전사고를 통합 관리하는 방법에 관한 일 순서도이다.
실시예들에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 발명의 다양한 실시 예에서 사용될 수 있는 "포함한다" 또는 "포함할 수 있다" 등의 표현은 발명(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 발명의 다양한 실시예에서, "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.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되어 있을 수도 있지만, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.
본 발명의 다양한 실시 예에서 사용한 용어는 단지 특정일 실시 예를 설명하기 위해 사용된 것으로, 본 발명의 다양한 실시 예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명의 다양한 실시 예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 제한되지 않는다.
도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템의 블록도이고, 도 2는 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템에 있어서 인터페이스의 블록도이다.
도 3 및 도 4는 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템을 이용하여 원전사고를 통합 관리하는 방법에 관한 일 순서도이다.
도 1 내지 도 4를 참고하면, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원자력 발전소의 원전사고 전산모사 코드를 이용하여 빅데이터를 구축하고, 이를 이용하여 4차산업 기술 머신러닝을 활용한 원전사고를 진단하고, 원전사고를 예측하는 시스템에 관한 것이다. 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원전사고 예측 시나리오를 머신러닝을 통해 실시간으로 생성함으로써, 원전사고를 진단 및 예측을 한다. 예컨대 본 발명 실시예에 따르면 중대사고관리지침서(SAMG : Severe Accident Management Guideline) 바탕의 머신러닝을 통해 최적 대응을 실시간으로 안내해 줄 수 있다.
이를 위해, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원전상태계측모듈(100), 원전사고예측모듈(200), 원전사고대응모듈(300), 및 원전인터페이스(400)를 포함한다. 다만, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)의 구성 요소들이 이에 한정되는 것은 아니며, 실시예에 따른 구성 요소가 추가되거나, 적어도 하나의 구성 요소가 생략될 수도 있다.
도 1 및 도 2를 참고하면, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원자력 발전소의 현재 상태를 실시간으로 계측하는 원전상태계측모듈(100), 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 원전사고예측모델(200a)에 입력하여, 원전사고예측모델(200a)이 기계학습 기반으로 생성한 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 예측하는 원전사고예측모듈(200), 원전사고예측모듈(200)이 예측한 원전사고의 정보를 원전사고대응모델(300a)에 입력하여, 원전사고대응모델(300a)이 기계학습 기반으로 생성한 원전사고에 대응하는 대응룰을 제공하는 원전사고대응모듈(300), 및 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 시각적으로 제공하는 제1 인터페이스(410)와, 원전사고예측모듈(200)이 예측한 원전사고를 시각적으로 제공하는 제2 인터페이스(420)와, 원전사고대응모듈(300)이 제공하는 대응룰을 시각적으로 제공하는 제3 인터페이스(430)를 갖는 원전인터페이스(400)를 포함한다.
이에 따라, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원자력 발전소의 현재 상태를 기반으로 기계학습 알고리즘을 통해 원전사고를 예측하고, 이를 토대로 원전사고에 대응하는 대응룰을 제공함으로써, 원전사고의 확산을 방지하여 원자력발전의 안정성을 도모할 수 있다.
또한, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원전인터페이스(400)를 통해 원자력 발전소의 현재 상태, 원전사고예측모듈(200)에 의해 생성된 예측 시나리오, 및 원전사고에 대응하는 대응룰을 각각 시각화하여 사용자에게 제공할 수 있다. 따라서, 사용자는 원전사고 발생 시 시각화된 정보를 이용하여 대응에 관한 의사 결정시에 효과적인 기술적 정보를 제공받을 수 있다. 즉, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 머신러닝 및 인공지능 알고리즘과 가상현실 기술을 활용하여 사용자의 원전사고 대처에 대한 이해도를 높여 원전사고의 대응에 관한 오류를 최소화할 수 있다.
이하에서는 원전상태계측모듈(100), 원전사고예측모듈(200), 원전사고대응모듈(300), 및 원전인터페이스(400)에 관해 첨부된 도면을 참고하여 상세히 설명한다.
도 1을 참고하면, 원전상태계측모듈(100)은 원자력 발전소의 현재 상태를 실시간으로 계측한다. 원전상태계측모듈(100)은 원자력 발전소에 설치된 장치들의 상태를 실시간으로 계측할 수 있다. 예컨대, 원전상태계측모듈(100)은 냉각수의 양, 원자로의 온도, 방사능 물질의 누출 등의 상태 정보를 계측할 수 있다. 원전상태계측모듈(100)이 계측한 정보는, 원전사고예측모듈(200)에 제공될 수 있다.
도 1을 참고하면, 원전사고예측모듈(200)은 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 이용하여, 원자력 발전소에서 발생될 원전사고를 기계학습 기반으로 예측한다. 원전사고예측모듈(200)은 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 기반으로 상관모델과 신경망을 유기적으로 결합한 하이브리드 방식의 기계학습모델인 원전사고예측모델(200a)을 이용할 수 있다.
원전사고예측모델(200a)에는 원자력 발전소의 현재 상태가 입력될 수 있다. 이에 따라, 원전사고예측모델(200a)은 기계학습을 기반으로 원자력 발전소의 예측 시나리오를 생성할 수 있다. 즉, 원전사고예측모델(200a)은 원자력 발전소의 현재 상태 정보를 이용하여 냉각수의 부족으로 인한 원자로 온도 상승, 원자로의 높은 온도로 인한 원자로의 손상, 방사능 물질의 누출 등의 예측 시나리오를 생성할 수 있다.
원전사고예측모델(200a)이 생성한 시나리오는, 원자력 발전소의 현재 상태가 지속될 경우, 발생될 원전사고의 모의 시뮬레이션이다. 예컨대, 현재 원자로의 온도가 기설정된 기간 동안 높게 유지될 경우, 원전사고예측모델(200a)은 원자로가 손상되어 핵 연료 유출사고가 발생되는 원전사고의 시나리오를 생성할 수 있다. 원전사고예측모듈(200)은 원전사고예측모델(200a)이 생성한 시나리오를 이용하여 원자력 발전소에서 발생될 원전사고의 종류 및 수준을 예측할 수 있다.
원전사고예측모델(200a)은 원자력 발전소의 사건을 모사 할 수 있는 MAAP(Modular Accident Analysis Program)과 같은 코드를 기반으로 한 원전사고 예측 데이터베이스에 기반하여 상기 예측 시나리오를 생성할 수 있다. 상기 데이터베이스는 다양한 사고 상황에 대한 전산코드를 마련하고, 상기 전산코드에 기초한 예측 상황을 누적하여 빅데이터화하여 마련될 수 있다. 원전사고예측모델(200a)은 MAAP 코드를 실행함으로써 얻은 결과 파일에서 결과들을 통하여, 원자력 발전소의 원전사고에 대해 기계학습하고 예측 시나리오를 생성할 수 있다.
예컨대, 상기 원전상태계측모듈(100)이 원자력 발전소 내의 원자로의 현재 온도를 실시간으로 계측하면, 상기 원전사고예측모듈(200)은 상기 원전상태계측모듈(100)이 계측한 상기 원자로의 현재 온도를 상기 원전사고예측모델(200a)에 입력하여, 상기 원전사고예측모델(200a)이 기계학습 기반으로 노심 출구 열전대 온도가 소정의 중대사고기준값에 도달하기까지의 잔여시간 또는 원자로용기가 파손되기까지의 잔여시간에 대한 데이터를 제공할 수 있다. 상기 노심 출구 열전대 온도의 중대사고기준값은 1400°F로 설정될 수 있다.
도 1을 참고하면, 원전사고대응모듈(300)은 원전사고예측모듈(200)이 예측한 원전사고의 정보를 이용하여, 원전사고에 대응하는 대응룰을 제공한다. 원전사고대응모듈(300)은 원전사고예측모듈(200)이 예측한 원전사고의 정보를 기반으로 상관모델과 신경망을 유기적으로 결합한 하이브리드 방식의 기계학습모델인 원전사고대응모델(300a)을 이용할 수 있다.
원전사고대응모델(300a)에는 원전사고예측모듈(200)이 예측한 원전사고의 정보가 입력될 수 있다. 이에 따라, 원전사고대응모델(300a)은 기계학습 기반으로 원전사고에 대응하는 대응룰을 생성할 수 있다. 즉, 원전사고대응모델(300a)은 냉각수 양의 조절에 관한 대응룰, 원자로의 온도 조절에 관한 대응룰, 및 방사능 물질의 누출에 관한 대응룰을 생성할 수 있다. 방사능 물질의 누출에 관한 대응룰은 원자력 발전소에서 근무하는 사용자와 원자력 발전소 주변의 거주자들의 대피에 관한 것일 수 있다.
원전사고대응모델(300a)이 생성한 대응룰은 원전사고의 발생을 예방하거나, 원전사고의 확산을 방지하거나, 인명피해를 최소화하기 위한 가이드인 것이다. 일 예로, 냉각수의 양이 기설정된 양(예 : 3000L/s) 이하인 경우, 대응룰은 냉각수를 보충하기 위한 가이드일 수 있다. 다른 예로, 원자로의 온도가 기설정된 온도(예 : 3000℃) 이상인 경우, 대응룰은 원자로의 온도를 기설정된 온도 미만으로 낮추기 위한 가이드일 수 있다. 또 다른 예로, 방사능 물질의 누출 양이 기설정된 양 이상인 경우, 대응룰은 발전소에서 근무하는 사용자와 원자력 발전소 주변의 거주자들의 대피를 위한 가이드일 수 있다. 또는, 상기 원전사고대응모듈(300)은 상기 원전사고예측모듈(200)이 예측한 상기 원전사고의 정보를 상기 원전사고대응모델(300a)에 입력하여, 상기 원전사고대응모델(300a)이 기계학습 기반으로 상기 노심 출구 열전대 온도가 상기 중대사고기준값에 도달하기까지의 잔여시간 또는 상기 원자로용기가 파손되기까지의 잔여시간에 대한 데이터에 근거한 대응룰을 제공할 수 있다. 상기 노심 출구 열전대 온도의 중대사고기준값은 1400°F로 설정될 수 있다.
원전사고대응모듈(300)은 원전사고대응모델(300a)이 생성한 대응룰을 제공할 수 있다. 원전사고대응모듈(300)은 원전사고예측모델(200a)이 생성한 예측 시나리오를 전산모사하여 중대사고관리지침서가 반영된 대응룰에 관한 빅데이터를 구축하고, 원전사고예측모듈(200)이 예측한 상기 원전사고의 종류 및 수준에 따라 대응룰을 실시간으로 제공할 수 있다.
도 1 및 도 2를 참고하면, 원전인터페이스(400)는 원자력 발전소의 현재 상태, 예측 시나리오를 기반으로 하는 원자력 발전소에서 발생될 원전사고의 정보, 원전사고에 대응하는 대응룰을 시각적으로 제공한다. 또한, 원전인터페이스(400)는 사용자의 명령을 입력받고, 입력받은 사용자의 명령에 따라 예상되는 원자력 발전소의 상태를 실시간으로 제공한다. 이를 위해, 원전인터페이스(400)는 다음과 같은 구성을 포함할 수 있다.
도 1 및 도 2를 참고하면, 원전인터페이스(400)는 제1 인터페이스(410), 제2 인터페이스(420), 제3 인터페이스(430), 및 사용자인터페이스(440)를 포함할 수 있다.
제1 인터페이스(410)는 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태, 및 사용자인터페이스(440)에 입력된 사용자의 명령에 따라 예상되는 발전소의 상태를 제공를 시각적으로 제공할 수 있다. 예컨대, 제1 인터페이스(410)는 냉각수의 양, 원자로의 온도, 방사능 물질의 누출 양 등의 상태 정보를 시각적으로 제공할 수 있다.
일 실시예에 따르면, 제1 인터페이스(410)는 도 2에 도시된 바와 같이 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태에 관한 물리량을 수치적으로 제공하는 제1-1 인터페이스(410a), 제1-1 인터페이스(410a)에 제공된 물리량을 그래프로 제공하는 제1-2 인터페이스(410b)를 포함할 수 있다.
제2 인터페이스(420)는 원전사고예측모듈(200)이 예측한 원전사고의 정보를 시각적으로 제공할 수 있다. 제2 인터페이스(420)는 원전사고예측모델(200a)이 생성한 예측 시나리오를 시각적으로 제공할 수 있다.
일 실시예에 따르면, 제2 인터페이스(420)는 도 2에 도시된 바와 같이 원전사고예측모듈(200)이 예측한 원전사고의 정보를 시각적으로 제공하는 제2-1 인터페이스(420a), 및 원전사고예측모델(200a)이 생성한 예측 시나리오를 영상으로 제공하는 제2-2 인터페이스(420b)를 포함할 수 있다.
제3 인터페이스(430)는 원전사고대응모듈이 제공하는 대응룰을 시각적으로 제공할 수 있다. 일 예로서, 제3 인터페이스(430)는 냉각수의 양을 증가시키거나 감소시키는 냉각수 양의 조절에 관한 대응룰을 수치적으로 제공할 수 있다. 다른 예로서, 제3 인터페이스(430)는 원자로의 온도를 증가시키거나 감소시키는 원자로의 온도의 조절에 관한 대응룰을 수치적으로 제공할 수 있다. 또 다른 예로서, 제3 인터페이스(430)는 방사능 물질의 누출에 관한 대응룰을 시각적으로 제공할 수 있다.
즉, 제3 인터페이스(430)는 냉각수의 양이 기설정된 양 이하인 경우 냉각수를 보충하는 대응룰, 원자로의 온도가 기설정된 온도 이상인 경우 원자로의 온도를 기설정된 온도 미만으로 낮추는 대응룰, 및 방사능 물질의 누출 양이 기설정된 양 이상인 경우 발전소에서 근무하는 사용자와 원자력 발전소 주변의 거주자들의 대피를 위한 대응룰을 시각적으로 제공할 수 있다.
사용자인터페이스(440)에는 사용자의 명령이 입력된다. 일 예로, 사용자인터페이스(440)에는 원전사고대응모듈(300)이 제공한 대응룰을 만족하는 대응룰 명령이 입력될 수 있다. 예컨대, 대응룰 명령은 냉각수를 보충을 위한 제어신호, 원자로의 온도를 낮추기 위한 제어신호, 발전소에서 근무하는 사용자와 원자력 발전소 주변의 거주자들의 대피를 위한 알림발생신호일 수 있다.
또한, 상기 사용자인터페이스(440)는 사용자가 상기 대응룰에 따른 명령을 입력하거나 그와 다른 어떤 조치를 입력할 수 있으며, 상기 사용자인터페이스(440)는 상기 대응룰에 따른 명령 또는 다른 어떤 조치에 따른 명령의 입력 시 예상되는 발전소의 상태를 제공할 수 있다.
예컨대, 사용자인터페이스(440)에는 운전원인 사용자가 예상하는 발전소 데이터가 입력될 수 있으며, 상기 입력값에 근거하여 기계학습된 모듈을 통해 미래의 계측값, 또는 특정 사건이 발생되기까지의 잔여시간 등을 알 수 있다.
이하에서는 도 3 및 도 4를 참고하여, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)을 이용하여 원전사고를 통합 관리하는 방법에 관한 일 예를 설명한다.
이해의 편의를 위해, 원전사고예측모델(200a)에는 원자로의 온도가 기설정된 기간 동안 기설정된 온도 이상으로 유지될 경우, 원자로가 손상되어 핵 연료 유출사고가 발생되는 데이터베이스가 구축되고, 원전사고대응모델(300a)에는 원전사고예측모델(200a)에 구축된 데이터베이스를 기반으로 원자로의 온도 제어에 관한 데이터베이스가 구축된 실시예를 기준으로 하여 설명한다.
우선, 원자력 발전소의 현재상태를 실시간으로 계측하는 단계(S100)가 수행된다. 상기 단계(S100)는 원전상태계측모듈(100)에 의해 수행될 수 있다.
상기 단계(S100)에서, 원전상태계측모듈(100)은 원자로의 온도가 기설정된 온도 이상임을 계측할 수 있다. 원전상태계측모듈(100)에 의해 계측된 원자로의 온도는 원전사고예측모듈(200)에 제공될 수 있다. 원전상태계측모듈(100)에 의해 계측된 원자로의 온도는 제1 인터페이스(410)를 통해 사용자에게 시각적으로 제공될 수 있다.
다음, 원전사고예측모델이 기계학습 기반으로 생성한 예측 시나리오에 따라 원전사고를 예측하는 단계(S200)가 수행된다. 상기 단계(S200)는 원전사고예측모듈(200)에 의해 수행될 수 있다.
상기 단계(S200)에서, 원전사고예측모듈(200)은 원전상태계측모듈(100)이 계측한 원자로의 현재 온도를 원전사고예측모델(200a)에 입력하여, 원자력 발전소에서 발생될 원전사고를 예측한다. 상기 예에서, 원전사고예측모델(200a)에는 기계학습 기반으로 원자로의 온도가 기설정된 기간 동안 기설정된 온도 이상으로 유지될 경우 원자로가 손상되어 핵 연료 유출사고가 발생되는 데이터베이스가 구축되어 있으므로, 원전사고예측모델(200a)은 핵 연료 유출사고인 예측 시나리오를 생성한다. 이에 따라, 원전사고예측모듈(200)은 예측 시나리오에 따라 원자로 내의 핵 연료 유출사고를 예측할 수 있다. 원전사고예측모델(200a)이 생성한 예측 시나리오는, 제2 인터페이스(420)를 통해 사용자에게 시각적으로 제공될 수 있다.
다음, 원전사고대응모델이 기계학습 기반으로 생성한 원전사고에 대응하는 대응룰을 제공하는 단계(S300)가 수행된다. 상기 단계(S300)는 원전사고대응모듈(300)에 의해 수행될 수 있다.
상기 단계(S300)에서, 원전사고대응모듈(300)은 원전사고예측모듈(200)이 예측한 원전사고의 정보를 원전사고대응모델(300a)에 입력하여, 원전사고에 대응하는 대응룰을 제공한다. 상기 예에서, 원전사고대응모델(300a)에는 기계학습 기반으로 원전사고예측모델(200a)에 구축된 데이터베이스를 기반으로 원자로의 온도 제어에 관한 데이터베이스가 구축되어 있으므로, 원전사고대응모델(300a)은 원자로의 온도를 기설정된 온도 미만으로 낮추기 위한 대응룰을 생성할 수 있다. 이에 따라, 원전사고대응모듈(300)은 원전사고대응모델(300a)이 생성한 원자로의 온도 제어에 관한 대응룰을 제공할 수 있다. 원전사고대응모델(300a)이 생성한 대응룰은 제3 인터페이스(430)를 통해 사용자에게 시각적으로 제공될 수 있다.
다음, 사용자인터페이스에 사용자의 명령이 입력되는 단계(S400)가 수행된다. 상기 단계(S400)는 사용자가 사용자인터페이스(440)에 대응룰 명령 또는 위배 명령 중에서 어느 하나를 입력함에 따라 수행될 수 있다.
사용자가 대응룰 명령을 입력하는 것은, 사용자가 대응룰에 따른 명령을 사용자인터페이스(440)에 입력하는 것으로, 예컨대, 대응룰 명령이 원자로의 온도를 기설정된 온도 미만으로 낮추는 제어신호인 경우, 상기 제어신호에 대응하는 명령을 사용자인터페이스(440)에 입력하여 수행될 수 있다.
한편, 사용자가 위배 명령을 입력하는 것은 상기 대응룰과 다른 명령을 사용자 인터페이스(440)에 입력하는 것으로, 예컨대, 대응룰 명령이 원자로의 온도를 기설정된 온도 미만으로 낮추는 제어신호인 경우에 이에 따른 제어신호를 입력하지 않거나 몇 분 후에 원자로 온도가 낮아지는 제어신호를 주었을 때 예측되는 새로운 원전의 상태 및 대응룰을 알고 싶을 때 사용된다.
다음, 사용자인터페이스에 입력된 사용자의 명령에 따라 예상되는 원자력 발전소의 상태를 제공하는 단계(S500)가 수행된다. 상기 단계(S500)는 원전상태계측모듈(100), 원전사고예측모듈(200), 원전사고대응모듈(300)에 의해 수행될 수 있다.
첫번째 실시예는 원전사고대응모듈(300)이 제공한 대응룰을 만족하는 대응룰 명령이 사용자인터페이스(440)에 입력된 경우이다(S510). 첫번째 실시예에서, 원전사고대응모듈(300)이 제공한 대응룰에 따라 사용자인터페이스(440)에 원자로의 온도를 기설정된 온도 미만으로 낮추는 제어신호가 입력될 수 있다. 이에 따라, 원자로의 온도는 낮아질 수 있다. 원전상태계측모듈(100)은 대응룰 명령이 입력된 원자력 발전소의 상태를 재 계측할 수 있다(S510). 즉, 원전상태계측모듈(100)은 원자로의 온도가 기설정된 온도 미만인 것을 계측할 수 있다. 제1 인터페이스(410)는 원전상태계측모듈(100)이 재 계측한 원자력 발전소의 상태를 실시간으로 제공할 수 있다. 따라서, 사용자는 원자력 발전소의 현재 상태가 정상적인 운영 상태로 진입하였음을 알 수 있다.
두번째 실시예는 원전사고대응모듈(300)이 제공한 대응룰을 위배하는 위배 명령이 사용자인터페이스(440)에 입력된 경우이다(S520). 두번째 실시예에서, 원전사고대응모듈(300)이 제공한 대응룰에 위배하여, 사용자인터페이스(440)에 기설정된 시간 동안(예 : 1분) 원자로의 온도를 기설정된 온도 미만으로 낮추는 제어신호가 입력되지 않거나, 원자로의 온도를 더 증가시키는 제어신호가 입력될 수 있다. 이에 따라, 원자로의 온도는 낮아지지 않으므로 계속해서 방치하면, 핵 유출 사고가 더 빠른 시간 내에 이루어질 위험이 있다.
이를 방지하기 위해, 원전상태계측모듈(100)은 위배 명령이 입력된 원자력 발전소의 상태를 재 계측하고(S521), 원전사고예측모듈(200)은 재 계측된 상기 원자력 발전소의 상태를 기준으로, 원전사고예측모델(200a)이 기계학습 기반으로 생성한 재 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 재 예측하며(S522), 원전사고대응모듈(300)은 원전사고예측모듈(200)이 재 예측한 원전사고의 정보를 기준으로, 원전사고대응모델(300a)이 기계학습 기반으로 생성한 재 예측 원전사고에 대응하는 후대응룰을 다시 제공할 수 있다(S523). 상기 실시예에서 원전사고예측모델(200a)이 기계학습 기반으로 생성한 재 예측 시나리오는 더 빠른 시간 안에 핵 유출사고가 발생되는 것이고, 후대응룰은 원자로의 온도를 더욱 큰 폭으로 낮추는 제어신호를 생성하는 것일 수 있다.
두번째 실시예에서, 제1 인터페이스(410)는 원전상태계측모듈(100)이 재 계측한 위배 명령이 입력된 원자력 발전소의 상태를 실시간으로 제공하고, 제2 인터페이스(420)는 원전사고예측모듈(200)이 재 예측한 예측 시나리오에 따라 원자력 발전소에서 발생될 재 예측된 원전사고의 정보를 실시간으로 제공하며, 제3 인터페이스(430)는 원전사고대응모듈(300)이 원전사고대응모델(300a)에 의해 생성된 후대응룰을 제공할 수 있다.
상기와 같이, 본 발명의 실시예에 따른 머신러닝을 이용한 원전사고 통합 관리시스템(1)은 원전사고 예측과 이에 대응한 대응룰을 1회 제공하는 것에 그치지 않고, 대응룰을 반영하여 다시 원자력 발전소의 상태를 계측하고, 계측된 원자력 발전소의 상태에 따라 원전사고를 다시 예측하며, 예측된 원전사고에 대응한 후대응룰을 제공함으로써, 원자력 발전소의 운영에 대한 안정성을 더욱 향상시킬 수 있다.
본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
1 : 머신러닝을 이용한 원전사고 통합 관리시스템
100 : 원전상태계측모듈 200 : 원전사고예측모듈
200a : 원전사고예측모델 300 : 원전사고대응모듈
300a : 원전사고대응모델 400 : 원전인터페이스
410 : 제1 인터페이스 420 : 제2 인터페이스
430 : 제3 인터페이스 440 : 사용자인터페이스

Claims (9)

  1. 원자력 발전소의 현재 상태를 실시간으로 계측하는 원전상태계측모듈(100);
    상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 원전사고예측모델(200a) 에 입력하여, 상기원전사고예측모델(200a)이 생성한 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 예측하는 원전사고예측모듈(200); 및
    상기 원전사고예측모듈(200)이 예측한 상기 원전사고의 정보를 원전사고대응모델(300a) 에 입력하여, 상기 원전사고대응모델(300a)이 기계학습 기반으로 생성한 상기 원전사고에 대응하는 대응룰을 제공하는 원전사고대응모듈(300);
    을 포함하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  2. 제1항에 있어서,
    상기 원전사고예측모델(200a)은 MAAP(Modular Accident Analysis Program) 코드 기반의 원전사고 예측 데이터베이스를 미리 마련하고, 상기 데이터베이스에 기초하여 상기 예측 시나리오를 생성하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  3. 제1항에 있어서,
    상기 중대사고관리지침서(SAMG) 지침서 및 절차서를 통해 원전사고대응모듈(300)을 학습시키고 원전사고예측모듈(200)을 통해 예측한 데이터를 반영하여 실시간으로 대응룰을 제공하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  4. 제1항에 있어서,
    상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 시각적으로 제공하는 제1 인터페이스(410)와, 상기 원전사고예측모듈(200)이 예측한 상기 원전사고를 시각적으로 제공하는 제2 인터페이스(420)와, 상기 원전사고대응모듈(300)이 제공하는 상기 대응룰을 시각적으로 제공하는 제3 인터페이스(430)를 갖는 원전인터페이스(400);를 포함하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  5. 제1항에 있어서,
    운전원이 원전상태를 입력하는 사용자인터페이스(440)를 포함하고, 상기 운전원이 입력한 원전상태의 정도에 근거하여, 상기 원전사고예측모듈(200)과 상기 원전사고대응모듈(300)은 예상되는 사고 데이터와 대응룰을 제공하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템
  6. 제3항에 있어서,
    상기 대응룰에 따라 상기 원자력 발전소가 운전될 때,
    상기 제1 인터페이스(410)는 상기 원전상태계측모듈이 재 계측한 원자력 발전소의 상태를 실시간으로 제공하며, 상기 제2 인터페이스(420)는 원전사고예측모듈(200)이 재 예측한 예측 시나리오에 따라 원자력 발전소에서 발생될 재 예측된 원전사고의 정보를 실시간으로 제공하며, 상기 제3 인터페이스(430)는 상기 원전사고대응모듈(300)이 상기 원전사고대응모델(300a)에 의해 생성된 후대응룰을 제공하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  7. 제3항에 있어서,
    상기 사용자인터페이스(440)에 상기 대응룰에 위배되는 위배 명령이 입력되면,
    상기 원전상태계측모듈(100)은 상기 위배 명령이 입력된 원자력 발전소의 상태를 재 계측하고,
    상기 원전사고예측모듈(200)은 재 계측된 상기 원자력 발전소의 상태를 기준으로, 상기 원전사고예측모델(200a)이 기계학습 기반으로 생성한 재 예측 시나리오에 따라 원자력 발전소에서 발생될 원전사고를 재 예측하며,
    상기 원전사고대응모듈(300)은 상기 원전사고예측모듈(200)이 재 예측한 원전사고의 정보를 기준으로, 상기 원전사고대응모델(300a)이 기계학습 기반으로 생성한 재 예측 원전사고에 대응하는 후대응룰을 다시 제공하고,
    상기 제1 인터페이스(410)는 상기 원전상태계측모듈(100)이 재 계측한 원자력 발전소의 상태를 실시간으로 제공하고, 상기 제2 인터페이스(420)는 원전사고예측모듈(200)이 재 예측한 예측 시나리오에 따라 원자력 발전소에서 발생될 재 예측된 원전사고의 정보를 실시간으로 제공하며, 상기 제3 인터페이스(430)는 상기 원전사고대응모듈(300)이 상기 원전사고대응모델(300a)에 의해 생성된 후대응룰을 제공하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  8. 제1항에 있어서,
    상기 원전상태계측모듈(100)은 원자력 발전소 내의 원자로의 현재 온도를 실시간으로 계측하고,
    상기 원전사고예측모듈(200)은 상기 원전상태계측모듈(100)이 계측한 상기 원자로의 현재 온도를 상기 원전사고예측모델(200a)에 입력하여, 상기 원전사고예측모델(200a)이 기계학습 기반으로 노심 출구 열전대 온도가 소정의 중대사고기준값에 도달하기까지의 잔여시간 또는 원자로용기가 파손되기까지의 잔여시간에 대한 데이터를 제공하며,
    상기 원전사고대응모듈(300)은 상기 원전사고예측모듈(200)이 예측한 상기 원전사고의 정보를 상기 원전사고대응모델(300a)에 입력하여, 상기 원전사고대응모델(300a)이 기계학습 기반으로 상기 노심 출구 열전대 온도가 상기 중대사고기준값에 도달하기까지의 잔여시간 또는 상기 원자로용기가 파손되기까지의 잔여시간에 대한 데이터에 근거한 대응룰을 제공하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.
  9. 제4항에 있어서,
    상기 제1 인터페이스(410)는 물리적 그래프를 이용하여 상기 원전상태계측모듈(100)이 계측한 원자력 발전소의 현재 상태를 시각적으로 제공하는 것을 특징으로 하는 머신러닝을 이용한 원전사고 통합 관리시스템.





KR1020220045265A 2022-04-12 2022-04-12 머신러닝을 이용한 원전사고 통합 관리시스템 KR20230146353A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220045265A KR20230146353A (ko) 2022-04-12 2022-04-12 머신러닝을 이용한 원전사고 통합 관리시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220045265A KR20230146353A (ko) 2022-04-12 2022-04-12 머신러닝을 이용한 원전사고 통합 관리시스템

Publications (1)

Publication Number Publication Date
KR20230146353A true KR20230146353A (ko) 2023-10-19

Family

ID=88507862

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220045265A KR20230146353A (ko) 2022-04-12 2022-04-12 머신러닝을 이용한 원전사고 통합 관리시스템

Country Status (1)

Country Link
KR (1) KR20230146353A (ko)

Similar Documents

Publication Publication Date Title
EP1699057A2 (en) Method of determining a fresh fuel bundle design for a core of a nuclear reactor
EP1936635A2 (en) Computer-implemented method and system for designing a nuclear reactor core which satisfies licensing criteria
JP5357389B2 (ja) 原子炉運転に関する作動限界までのマージンを判定する方法
JP2006017718A (ja) 原子炉の燃料集合体設計を生成するための方法、装置、及びコンピュータプログラム
JP2012008744A (ja) 原子力発電プラント用コンピュータ支援トップ論理によるリスクの定量的評価方法。
JP2006017717A (ja) 原子炉の標準ロッドタイプを決定するための方法、装置、及びコンピュータプログラム
JP2008107351A (ja) パワー増強運転のための原子炉炉心を設計する方法およびシステム
Muhlheim et al. Status Report on Regulatory Criteria Applicable to the Use of Digital Twins
Zhang et al. Application of the BEPU safety analysis method to quantify margins in nuclear power plants
Kim et al. Development of advanced I&C in nuclear power plants: ADIOS and ASICS
KR20230146353A (ko) 머신러닝을 이용한 원전사고 통합 관리시스템
Espinosa-Paredes et al. Emergency management for a nuclear power plant using fuzzy cognitive maps
Levine et al. Nuclear plant PRA: How far has it come?
Mo et al. A neural network based operation guidance system for procedure presentation and operation validation in nuclear power plants
Jankovsky et al. Interim status report for risk management for SFRs
Hage et al. A probabilistic approach for source term prediction in case of severe accidents
CN112382426B (zh) 一种数字化核电厂后备盘功能布置分配方法
Kuramoto Risk monitoring for nuclear power plant applications using Probabilistic Risk Assessment
Chen et al. A real-time computer graphical user interface for Advanced Boiling Water Reactor case comparison using MAAP software
WO2003032327A1 (en) Method for licensing increased power output of a boiling water nuclear reactor
JPH06186380A (ja) 原子炉炉心性能計算装置
Jharko et al. Intellectualized Operator Information Support System for NPP: Expert Systems and Dynamic Models
Xie et al. Research on Axial Power Deviation Safety Early Warning Technology Based on Online Simulation
Varde Risk-Based Engineering
Zubair et al. A review: Advancement in probabilistic safety assessment and living probabilistic safety assessment

Legal Events

Date Code Title Description
E902 Notification of reason for refusal