Development of a predictive surrogate model for effective dose to facilitate the optimization of the severe accident management guidance using machine learning technique

Abstract

The main objective of severe accident management guidance (SAMG) is to minimize the radiological consequence in response to the extreme abnormal conditions by using any available safety measures and strategy. To achieve the main objective, the mitigation strategies embodied in the SAMG are utilized to prevent or mitigate the severe accident (SA) phenomena affecting the radiological consequence. However, due to the uncertainty and complexity of SA, the correlation between the mitigation strategies and the radiological consequence cannot be formulated straightforwardly. This makes it difficult for the operators to decide how and when to execute the SAMG to obtain the best results. This implies that the best reduction of radiological consequence should consult on the robust mitigation strategy upon comprehensive systematic analysis. To provide the useful insight for effective utilization of SAMG, this thesis work has tried to answer following three questions: How to quantify the effectiveness of SAMG? What are the dominantly influencing factors in SAMG? and whether the prediction of radiological consequence result is feasible or not. The effort to answer the questions and conclusion is summarized as follows. To quantify the effectiveness of SAMG, the effective dose at exclusion area boundary was calculated. For calculation of effective dose, a coupling analysis of ORIGEN and MELCOR codes was performed to model the initial fission product (FP) inventory of OPR1000 based on 509 isotopes. The effective dose was calculated from the source term results of MELCOR considering three exposure pathways. The calculation results showed that the effective dose was unmitigated station black out (SBO) was about 160 Sv, while the effective dose of the mitigated SBO varied from 0 to about 1,700 Sv depending on the mitigation scenario. To compare the effect of specific mitigation strategies, the sensitivity study was performed by using a sampling-based approach. Total 5,855 samples were calculated by MELCOR. The regression-based sensitivity measure was calculated by the rank linear regression. The results showed that the timing of SAG-01: Injection into SG was the first contributor to the effective dose. The sensitivity measure of SAG-01 on effective dose showed that strong (0.7 ~ 1.0) or moderate (0.3 ~ 0.7) positive correlation. Generally, the timing of each SAG showed positive correlation with effective dose, but only SAG-02 showed the negative correlation. Except SAG-01, the magnitude of sensitivity measures was the timing of SAG-03, SAG-06, and SAG-02 in order, and generally moderate and weak (0.0 ~ 0.3). To verify the feasibility of predicting the results of SAMG, a surrogate model was developed to predict the effective dose according to the mitigation scenarios. To capture the non-linear trend of the effective dose, deep neural network (DNN) was applied to develop the surrogate model. When the surrogate model was developed with all available data, the surrogate model explained only 18.2% of total variation of effective dose. However, when few unpredictable data which can be attributed to the numerical uncertainty of MELCOR was excluded, the performance of surrogate model could explain 96.2% of total variation of effective dose. From the results, this work is expected to contribute the methodology for the calculation of effective dose by using SA codes (Especially, MELCOR), quantification for effectiveness of SAMG, and development of the predictive surrogate model embracing the results of SAMG execution. |중대사고 관리전략 (SAMG)의 핵심 목표는 원자력발전소에서 발생한 극한의 비정상 상태에 대해 가용한 모든 안전기기 및 전략을 동원하여 방사성물질의 누출로 인한 피해를 최소화하는 것이다. 이와 같은 목표를 달성하기 위해서, SAMG의 완화전략은 방사성물질의 누출과 관련된 중대사고 현상을 막거나 완화하는데 사용된다. 그러나, 중대사고 현상의 복잡성과 불확실성으로 인하여 완화전략의 수행이 방사성물질의 누출에 미치는 영향은 단순하게 수식으로 표현되지 않는다. 이러한 문제로 인해 중대사고 발생 시 운전원들이 언제, 어떻게 SAMG를 사용하는 것이 가장 최선의 결과를 도출할 수 있는지 판단하는 것은 쉽지 않다. 이는 결국 방사성물질의 누출을 최소화하기 위해서 종합적이고 체계적인 분석을 통해 적절한 완화전략의 수행방안을 도출할 필요가 있음을 의미한다. 따라서, 본 연구는 SAMG의 효율적인 활용에 관한 유용한 정보를 제공하기 위해 다음의 세 가지 질문이 답하고자 한다. 첫번째, 어떻게 SAMG의 유효성을 정량화 할 수 있는가? 두번째, SAMG에 지배적으로 영향을 미치는 인자는 무엇인가? 세번째, SAMG의 수행에 따른 방사성학적 사고결말은 예측될 수 있는가? 해당 질문에 답하기 위한 연구내용과 그 결론을 다음과 같이 요약하였다. SAMG의 유효성을 정량화 하기 위하여 발전소부지경계 (EAB) 유효선량을 계산하였다. 유효선량 계산을 위해 ORIGEN과 MELCOR 코드의 연계해석을 수행하였으며, OPR1000의 초기 핵분열생성물 재고량을 509 개의 동위원소를 고려하여 계산하였다. 유효선량은 MELCOR 코드부터 계산된 선원항을 이용하여 세 가지 피폭경로를 고려하여 계산하였다. 완화전략이 수행되지 않은 발전소정전사고 (SBO)의 유효선량은 약 160 Sv 수준이었으며, 완화전략이 수행된 SBO 사고의 유효선량은 수행된 완화전략에 따라 0 Sv 부터 1,700 Sv의 범위로 나타났다. 각각의 완화전략의 효과를 비교하기 위해 샘플링 기반 민감도 분석을 수행하였다. 총 5,855 개의 샘플을 MELCOR 코드를 이용하여 계산하였다. 회귀 기반 민감도변수의 계산은 서열화된 선형회귀분석 (Rank linear regression) 기법을 이용하여 수행하였다. 완화-01: 증기발생기 급수주입 전략의 수행시점이 유효선량에 가장 큰 영향을 미치는 것으로 확인되었다. 완화-01의 유효선량에 관한 민감도변수는 강한 (0.7 ~ 1.0) 혹은 중간의 (0.3 ~ 0.7) 양의 상관관계를 보였다. 대체로, 완화전략의 수행시점은 유효선량과 양의 상관관계를 보였으나, 완화-02의 수행시점은 음의 상관관계를 보였다. 완화-01을 제외하고 민감도변수의 크기는 완화-03, 완화-06 및 완화-02의 순서였으며, 대체로 중간 혹은 약한 (0.0 ~ 0.3) 상관관계를 보였다. SAMG 수행에 따른 결과가 예측가능한지 확인하기 위해, 완화전략의 수행에 따른 유효선량 변화를 예측하기 위한 대안모델 (Surrogate model)을 개발하였다. 유효선량의 비선형적인 추세를 모의하기 위하여 심층신경망 (DNN)이 대안모델 개발에 사용되었다. 활용가능한 모든 데이터를 사용하여 대안모델을 학습시킨 경우, 대안모델은 전체 유효선량의 변동 중 18.2%만을 설명할 수 있었다. 그러나, MELCOR의 수치적 불확실성으로 발생한 예측불가데이터를 제외할 경우, 대안모델은 전체 유효선량의 변동 중 96.2%를 설명하였다. 이와 같은 결과를 통해 본 연구는 중대사고 코드를 이용한 유효선량의 계산방법론 (특히, MELCOR 코드), SAMG 유효성에 대한 정량화, 그리고 SAMG 수행결과를 예측하기 위한 대안모델 개발을 통하여 효율적인 SAMG 활용을 위한 연구에 기여할 수 있을 것으로 기대된다.