NET 논문 소개
- 처음으로
- >
- NET 논문 소개
● 제목 : Deep-learning-based system-scale diagnosis of a nuclear power plant with multiple infrared cameras
● 저자 : 진익재, 임도영, 방인철 (울산과학기술원, UNIST)
● 원문 : NET Volume 55, Issue 2, pp. 493-505, February 2023
- □ 원전 안정성 강화에 매우 중요한 측면은 이상 상태를 쉽고 빠르게 진단하는 것이나, 원전의 내부 현상을 관찰할 수 없는 환경 때문에 데이터 값에만 의존하여 원자력 발전소의 상태를 감시하는 경우가 많습니다.
- □ 직관적으로 변한 제어 패널을 쓰긴 하지만 한 눈에 상황을 인지하기 어렵습니다. 다양한 인자들을 본 전문가의 해석을 통해 사고를 판단하고 대처해야 하기 때문에 위치 파악이나 대응 시간이 오래 걸린다는 단점이 존재합니다.
- □ 인적 오류를 제거하기 위해 딥러닝 기술을 활용한 연구가 다양하게 수행되고 있지만, 대부분의 연구들은 안전 해석 코드를 기반으로 이루어지고 있습니다. 이는 실제 적용 가능성을 평가하기 어렵게 만듭니다.
- □ 적외선 열화상 카메라와 딥러닝 기술을 활용한 기술은 전선 기기, 단일 펌프, 열 교환기 등의 결함을 감지하는 성능이 뛰어나며, 직접적인 접촉을 요구하지 않으므로 원전 운영 효율 및 안전성 측면에서 뛰어날 것으로 판단됩니다. 그러나 이전 연구들은 단일 기기에 대한 진단만을 수행하였으며, 상용 적외선 카메라를 활용해 원전의 모든 구성요소를 진단하기에는 금액적으로 부담이 상당하였습니다.
- □ 이번 연구는 국내 가동 원전 APR-1400을 축소시킨 원자력 혁신 플랫폼 URI-LO실험 장치를 활용하여 진행하였습니다. 분류한 원전 상태는 정상상태, 설계기준 사고, 설계기준 초과 사고로 지정하였습니다.
- □ 본 연구에서는 기존 기술들의 시스템 규모 확장의 한계를 극복하기 위하여 설치 및 데이터 전송이 용이하며 비용 효율성이 높은 소형 적외선 센서와 라즈베리 파이를 활용하였습니다.
-
□ 사고 원인 파악과 위치 파악의 용이성을 위하여 주요 컴포넌트들의 진단을 수행 후 사고를 분류하는 방안을 제안합니다. 주요 컴포넌트들의 진단 결과를 주제어 컴퓨터로 전송해 모든 진단된 컴포넌트 이미지들의 후처리 진행 후 심층학습 모델로 사고 분류가 이루어집니다.(그림 1 참조)
- □ 이미지를 처리하기 위해 합성곱 신경망 구조를 활용하였으며, 최적의 구성요소 진단 및 사고 분류 예측 성능을 입증하기 위하여 다양한 합성곱 신경망 구조들을 활용하였습니다.
-
□ 각 구성요소의 결함을 파악하는데 있어서 딥러닝 모델이 학습에 중점적으로 활용한 특징을 확인하고자 Grad-CAM을 활용하였습니다. 그 결과 모델이 특징을 토대로 적절하게 학습된 것을 확인할 수 있었습니다.(그림 2 참조)
- □ 다른 합성곱 신경망 분류 구조와 비교하여, GoogLeNet은 본 연구에서 고려한 조건에 대해 신속하고 정확한 열화상 이미지 분류를 달성하였습니다.
- □ 선정된 최적의 모델과 학습조건을 기반으로 정상상태, 설계기준 사고, 설계기준 초과사고를 분류하여 시스템 규모의 진단을 구현하였고 98%~100%의 정확도로 0.12초 이내에 기기진단 및 사고분류를 수행하였습니다.
- □ 제안하는 계통진단 방법은 본 연구에서 고려한 원전 뿐만 아니라 수많은 구성요소로 구성된 모든 계통에 대한 구성진단 및 사고분류에 좋은 성능을 제공할 수 있습니다. 향후 성능 향상 및 데이터 처리 개선을 기반으로 실시간 진단이 기대됩니다.
