報告書番号

NR24007

タイトル（和文）

深層学習技術を用いた革新的な 火災モデルの開発（その１）－ゾーンモデルBRI2-CRIEPIの代理モデル－

タイトル（英文）

Development of an Innovative Fire Model Using Deep Learning Technology (Part 1)- A Surrogate Model of the Zone model BRI2-CRIEPI -

概要 （図表や脚注は「報告書全文」に掲載しております）

背　　景
原子力発電所を対象とした内部火災PRAの実施においては、火災モデルを用いた現実的な火災進展解析が求められる。従来は主に経験式を基盤としたスプレッドシートモデルが使用されてきたが、予測精度の限界や予測値の不確実さが課題である。代案としてゾーンモデルを用いた補完的解析が考えられるが、評価過程の増加に伴う計算コストの増大が問題となる。一方、近年の深層学習技術の急速な発展により、様々な工学分野で既存モデルの課題を克服し得る代理モデルの開発が進められている。

目　　的
深層学習技術を活用し、スプレッドシートモデルより詳細な火災進展解析が可能なゾーンモデルBRI2-CRIEPIを用いて学習させることにより、スプレッドシートモデルを代替可能な深層学習火災モデルを開発する。

主な成果
深層学習技術のうち、非線形回帰問題の解決に使われる順伝播ネットワークを構築し、BRI2-CRIEPIを用いて生成した100,000セットの火災データを学習および検証に使用した。その結果、以下の成果を得た。

1. 革新的な火災モデルの開発
物理的経験式と方程式を基盤とした既存の火災モデルを単純に補完するモデルではなく、データによるパターンを学習することで複雑な火災挙動を予測できる新しいパラダイムの火災モデルを作成した。約30,000セットの検証データを用いて評価した結果、内部火災PRAにおける火災進展解析に必要な情報である煙層温度および煙層厚さの両方とも良好な予測精度が確認された。

2. 既存の火災モデルを代替可能な新たなアプローチの提示
深層学習技術を活用して適用範囲が広く実務性の高い深層学習火災モデルが作成可能なことを示すことにより、既存のスプレッドシートモデルを代替可能な新たなアプローチを提示した。

今後の展開
内部火災PRAにおいて火災挙動の時間変化解析が可能となるよう、BRI2-CRIEPIの代理モデル（Surrogate Model）として時系列深層学習火災モデルを開発する。

概要 （英文）

Conducting internal fire Probabilistic Risk Assessments (PRA) for nuclear facilities requires the identification of scenarios based on fire progression analysis using fire models. Traditional spreadsheet models based on empirical formulas have been widely used; however, they exhibit limitations such as relatively low prediction accuracy under mechanical ventilation conditions and high uncertainty in predicted values. To address these issues, this study developed an innovative fire model using deep learning technology to replace the conventional spreadsheet model. A feed-forward neural network was constructed with one input layer, five hidden layers, and one output layer to model the nonlinear regression problem between input variables (e.g., compartment size, fire source, and ventilation conditions) and output variables (e.g., smoke layer temperature and smoke layer thickness). The model employed Root Mean Square Error (RMSE) as the loss function and the Adam optimizer for training. The mini-batch size was set to 32, and the number of epochs was set to 200. To enhance prediction accuracy, the training and evaluation datasets, comprising 70,000 training samples and 30,000 evaluation samples, were generated using the zone model BRI2-CRIEPI, which is capable of more detailed analysis than the traditional spreadsheet model. The trained deep learning fire model demonstrated excellent predictive accuracy for both smoke layer temperature and smoke layer thickness.

報告者

キーワード