[논문 리뷰] Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction

James Daniell, Kazuma Kobayashi외 2명|arXiv (Cornell University)|2022. 11. 23.

Fault Detection and Control Systems인용 수 6

한 줄 요약

이 논문은 디지털 트윈 기술을 중심으로 한 물리 기반의 다단계 딥러닝 프레임워크를 제안하여 원자로 출력 예측을 향상시킨다. 이는 두 단계로 구성된 DNN 아키텍처를 사용한다: 첫 번째 단계에서는 출력 변화의 방향과 크기를 분류하고, 두 번째 단계에서는 정밀한 정상 상태 출력으로 회귀한다. 이로 인해 분류 정확도 96%와 절대 예측 정확도 92%를 달성하여 원자력 발전소 디지털 트윈의 신뢰성과 계산 효율성을 크게 향상시킨다.

ABSTRACT

The accurate and efficient modeling of nuclear reactor transients is crucial for ensuring safe and optimal reactor operation. Traditional physics-based models, while valuable, can be computationally intensive and may not fully capture the complexities of real-world reactor behavior. This paper introduces a novel hybrid digital twin-focused multi-stage deep learning framework that addresses these limitations, offering a faster and more robust solution for predicting the final steady-state power of reactor transients. By leveraging a combination of feed-forward neural networks with both classification and regression stages, and training on a unique dataset that integrates real-world measurements of reactor power and controls state from the Missouri University of Science and Technology Reactor (MSTR) with noise-enhanced simulated data, our approach achieves remarkable accuracy (96% classification, 2.3% MAPE). The incorporation of simulated data with noise significantly improves the model's generalization capabilities, mitigating the risk of overfitting. Designed as a digital twin supporting system, this framework integrates real-time, synchronized predictions of reactor state transitions, enabling dynamic operational monitoring and optimization. This innovative solution not only enables rapid and precise prediction of reactor behavior but also has the potential to revolutionize nuclear reactor operations, facilitating enhanced safety protocols, optimized performance, and streamlined decision-making processes. By aligning data-driven insights with the principles of digital twins, this work lays the groundwork for adaptable and scalable solutions in nuclear system management.

연구 동기 및 목표

• 디지털 트윈(DT) 통합을 고려한 계산 효율적이고 신뢰할 수 있는 기계학습 예측 알고리즘 개발.
• 디지털 트윈 기반 기술의 격차를 메우기 위해 원자로 출력을 신뢰성 있고 실시간으로 예측하는 데 중점을 둔다.
• 다단계 딥러닝 아키텍처를 통해 확률적 분류를 연속적인 회귀 출력으로 변환함으로써 예측 신뢰도를 향상시킨다.
• 데이터 기반 모델에 물리 기반 제약 조건을 통합하여 모델의 신뢰성 향상과 순수 경험적 매핑에 대한 의존도 감소.
• 고정밀도 및 실시간 상태 예측이 필요한 유사한 복잡한 에너지 시스템에 적용 가능한 일반화 가능한 프레임워크 제공.

제안 방법

• 두 단계로 구성된 딥러닝 프레임워크 설계: 첫 번째 단계에서는 순방향 DNN을 사용하여 원자로 출력 변화의 방향과 크기(상승/하강, 저/고 크기)를 분류한다.
• 두 번째 단계에서는 첫 번째 단계의 출력을 입력으로 사용하는 네 개의 별도 회귀 DNN을 활용하여 최종 정상 상태 원자로 출력을 연속 변수로 예측한다.
• 모델 수렴 및 일반화를 향상시키기 위해 출력 값에 로그 스케일링을 적용하고 제어봉 위치에는 최소-최대 정규화를 적용하여 데이터 정규화를 수행한다.
• 훈련 데이터 다양성 향상과 모델 강건성 향상을 위해 출력 비율 샘플링 및 반응성 프로파일 기반의 합성 데이터 생성 기법을 구현한다.
• 다양한 출력 변화 카테고리 간 균형 잡힌 학습 샘플 확보를 위해 정렬된 클래스 데이터의 과소표본화를 수행하여 모든 클래스에서 균형 잡힌 모델 학습 보장.
• 핵심 연소 단계(예: core121, core122)와 반응성 프로파일을 일치시켜 물리적 타당성을 유지함으로써 합성 데이터 및 모델 출력에 물리 기반 제약 조건을 통합한다.

실험 결과

연구 질문

• RQ1 단일 단계 모델 대비 다단계 딥러닝 프레임워크가 원자로 출력 예측의 정확도와 신뢰도를 향상시키는가?
• RQ2 물리 기반 데이터 증강 통합이 모델 일반화 및 물리 일관성 향상에 얼마나 효과적인가?
• RQ3 입력 특징(예: 제어봉 위치, 출력 수준)을 분리함으로써 디지털 트윈 환경에서 분류 및 회귀 성능 향상에 기여하는 정도는 어느 정도인가?
• RQ4 저데이터 환경에서 흔히 발생하는 원자력 시스템에서 클래스 균형 및 합성 데이터 생성이 모델 성능에 미치는 영향은 무엇인가?
• RQ5 데이터 기반과 물리 기반을 융합한 접근 방식이 실시간 디지털 트윈 응용에 적합한 계산 효율성을 유지하면서도 높은 예측 정확도를 달성할 수 있는가?

주요 결과

• 첫 번째 단계 분류 모델은 원자로 출력 변화의 방향과 크기를 예측하는 데 96%의 정확도를 달성했다.
• 두 번째 단계 회귀 모델은 최종 정상 상태 원자로 출력을 추정하는 데 92%의 절대 예측 정확도를 기록했다.
• 출력 비율 샘플링 및 반응성 프로파일 기반의 합성 데이터 생성은 훈련 데이터의 다양성 향상과 모델 강건성 향상에 크게 기여했다.
• 핵심 연소 단계 일치를 통한 물리 기반 제약 조건 통합은 합성 데이터와 모델 예측의 물리적 타당성을 향상시켰다.
• 다단계 아키텍처는 확률적 분류 출력을 정밀한 연속적 출력 예측으로 효과적으로 변환하여 이해 가능성과 운영 활용도를 향상시켰다.
• 훈련 후 강력한 계산 효율성을 보여, 원자력 발전소의 실시간 디지털 트윈 구현에 적합한 것으로 확인되었다.