원자력발전소 변전실의 개폐기실 내 모터제어센터(Motor Control Center, MCC)에서 발생한 화재는 중대한 설비 손상을 유발할 수 있으며, 치명적인 시스템 고장으로 이어질 가능성이 있고 안전 위험을 크게 초래할 수 있다. 본 연구는 전통적인 물리 기반 모델링 도구의 대안으로서 신경망과 Consolidated Fire and Smoke Transport(CFAST) 시뮬레이션의 활용을 탐색한다. 제안된 신경망은 시간 소요가 큰 CFAST 시뮬레이션에 의존하지 않고 케이블 및 캐비닛의 손상 시간(damage times)을 신속하게 예측하도록 설계되었다. CFAST 모델은 밀폐된 개폐기실에서 화재 시나리오를 시뮬레이션하며, 실 치수(실 1 및 2의 폭, 깊이, 높이), 공기 교환률, 주변 온도와 같은 핵심 입력 변수를 사용한다. 표적 출력은 케이블 및 캐비닛의 표면 온도와 열유속이며, 이는 손상 시간을 예측하는 기계학습 모델의 학습 데이터로 활용된다. 결과는 실 1의 높이가 케이블 및 캐비닛 손상에 가장 큰 영향을 미치며, 높이가 더 큰 실에서 더 빠른 열화가 나타남을 보여준다. 신경망의 예측은 CFAST 시뮬레이션 결과와 밀접하게 일치하여 화재 손상 평가에서 정확성과 효율성을 모두 입증하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.