特許 7590264 予測モデル構築装置および予測装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-18

(45)【発行日】2024-11-26

(54)【発明の名称】予測モデル構築装置および予測装置

(51)【国際特許分類】

   G21C 17/02 20060101AFI20241119BHJP

   G21D 1/00 20060101ALI20241119BHJP

【ＦＩ】

G21C17/02

G21C17/02 300

G21D1/00 W

【請求項の数】 9

(21)【出願番号】P 2021080635

(22)【出願日】2021-05-11

(65)【公開番号】P2022174673

(43)【公開日】2022-11-24

【審査請求日】2024-02-22

(73)【特許権者】

【識別番号】507250427

【氏名又は名称】日立ＧＥニュークリア・エナジー株式会社

(74)【代理人】

【識別番号】110000279

【氏名又は名称】弁理士法人ウィルフォート国際特許事務所

(72)【発明者】

【氏名】下出 直樹

(72)【発明者】

【氏名】助田 浩子

(72)【発明者】

【氏名】細川 秀幸

(72)【発明者】

【氏名】伊藤 剛

(72)【発明者】

【氏名】清水 亮介

【審査官】藤本 加代子

(56)【参考文献】

【文献】特開２０２１－０５０９３９（ＪＰ，Ａ）

【文献】特開平０６－２８９１７９（ＪＰ，Ａ）

【文献】特開２０１４－１５３３０５（ＪＰ，Ａ）

【文献】特開平０１－０６３８９４（ＪＰ，Ａ）

【文献】特表平１１－５０３８３４（ＪＰ，Ａ）

【文献】米国特許第０５７２４２５４（ＵＳ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ２１Ｃ １７／００－１７／１４

Ｇ２１Ｄ １／００

(57)【特許請求の範囲】

【請求項2】

予測装置であって、
原子力発電プラントにおける原子炉の炉水放射性金属腐食生成物濃度および海水の放水情報を予測するための予測モデルを構築するための学習部であって、入力データとして、実測可能なプラント状態量と、海水情報とを含み、第一の出力データとして、実測値である第一の炉水放射性金属に関する第一の炉水放射性金属腐食生成物濃度と、前記放水情報とを含む教師データを機械学習モデルに学習させて前記予測モデルを構築し、また、入力データとして、前記プラント状態量と前記海水情報とを含み、第二の出力データとして、実測値である前記第一の炉水放射性金属と異なる第二の炉水放射性金属に関する第二の炉水放射性金属腐食生成物濃度と、前記放水情報とを含む教師データを機械学習モデルに学習させて検証用指標モデルを構築する前記学習部と、
前記実測可能なプラント状態量、前記海水情報を入力データとして、前記予測モデル及び前記検証用指標モデルに入力して、前記第一の炉水放射性金属腐食生成物濃度及び前記放水情報からなる前記第一の出力データ、前記第二の炉水放射性金属腐食生成物濃度及び前記放水情報からなる前記第二の出力データを計算する予測部と、
これら第一及び第二の出力データに基づいて前記第一の出力データの妥当性を検証する検証部と
を備えることを特徴とする予測装置。

【請求項4】

前記第二の出力データを入力データとして、前記第一の出力データを出力データとした教師データを機械学習モデルに学習させて整合性判定モデルを構築する整合性判定モデル作成部を備え、
前記検証部は、前記第二の出力データを前記整合性判定モデルに入力することで得られる前記第一の出力データと、前記予測部が、前記実測可能なプラント状態量、前記海水情 報を前記予測モデルに入力することで得られる前記第一の出力データとを比較することで前記第一の出力データの妥当性を検証する
ことを特徴とする請求項２に記載の予測装置。

【請求項5】

前記検証部は、前記第二の出力データを前記整合性判定モデルに入力することで得られる前記第一の出力データと、前記予測部が、前記実測可能なプラント状態量、前記海水情 報を前記予測モデルに入力することで得られる前記第一の出力データとの差分が所定値以下であれば前記第一の出力データに妥当性があると判定することを特徴とする請求項４に記載の予測装置。

【請求項9】

前記第二の炉水放射性金属腐食生成物濃度は、コバルト５８、鉄およびニッケルのなかの何れかの炉水放射性金属腐食生成物濃度である
ことを特徴とする請求項２に記載の予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、原子力発電プラントの炉水放射能濃度や放水情報の予測モデル構築装置および予測装置に関する。

【背景技術】

【0002】

原子力発電プラント（単にプラントとも記す）として、例えば、沸騰水型原子力発電プラントや加圧水型原子力発電プラントが知られている。これらのプラントにおいて、原子炉圧力容器などの主要な構成部材は、腐食を抑制するために、水が接触する接水部にステンレス鋼やニッケル基合金などが用いられている。さらに、これらのプラントでは、原子炉圧力容器内に存在する冷却水（以下、炉水とも記す）の一部を炉水浄化装置によって浄化し、炉水中に僅かに存在する金属不純物を積極的に除去している。

【0003】

上記のような腐食防止対策を講じても、炉水中に残る極僅かな金属不純物の存在は避けられないため、一部の金属不純物が、金属酸化物として、燃料集合体に含まれる燃料棒の外面に付着する。燃料棒外面に付着した金属不純物に含まれる金属元素は、燃料棒内の核燃料物質から放出される中性子の照射により原子核反応を生じ、コバルト６０、コバルト５８、クロム５１、マンガン５４などの放射性核種になる。酸化物の形態で燃料棒外面に付着した一部の放射性核種は、取り込まれている酸化物の溶解度に応じて炉水中にイオンとして溶出する。また、放射性核種は、クラッドとよばれる不溶性固体として炉水中に放出される。

【0004】

炉水中の放射性核種の一部は、炉水浄化装置で取り除かれる。しかしながら、除去されなかった放射性核種は炉水とともに再循環系などを循環している間に、炉水と接触する構造部材の表面に蓄積される。この結果、構造部材表面から放射線が放出され、定期検査を行う従事者の放射線被ばくの原因となる。従事者の被ばく線量については、各従事者が規定値を超えないように管理されている。しかしながら、近年この規定値が引き下げられ、各従事者の被ばく線量を経済的に可能な限り低くする必要が生じている。

【0005】

このような状況のなか、次回定期検査時の被ばく線量を予測して、遮蔽計画や作業人員計画を立てたり、除染の必要性を判断したりすることは、総被ばく線量を下げる上で有効な対策となる。被ばく線量の予測には配管線量の予測が必要であり、配管線量は運転中の炉水放射能濃度に強く依存するため、プラントの運転期間中における炉水放射能濃度の推移を予測することが重要となる。加えて、次回定期検査の被ばく線量を予測して定期検査計画に利用するので、その予測はできるだけ速く行う必要がある。

【0006】

炉水放射能濃度の予測装置として、例えば特許文献１に記載されているような物理的および化学的シミュレーションモデルを利用した原子炉一次系の線量率を低減するための水質診断システムがある。この水質診断システムは、現在の水質条件を入力として冷却水中の放射能変化を推定するシミュレーションモデル（マスバランスモデル）を用いて、将来のプラント線量率を予測し、その結果に基づき現在の水質条件の良否を診断する。

【0007】

特許文献１の技術では、シミュレーションモデルおよびモデルパラメータが存在し、かつ最適化されている必要がある。しかし、現実には、モデルパラメータが時間的に変化し、運転が継続されていくに従って機器や材料が交換されモデル計算値と実測値との差が大きくなってくることがある。

【0008】

特許文献２に記載の自己学習診断、予測装置は、プラントの仕様、特性などの時間的な変化に対応してモデルパラメータを自動修繕し予測精度の劣化を防ぐとともに、モデルを自己学習により改良する機能を備えている。

【先行技術文献】

【特許文献】

【0009】

【文献】特開昭６４－０６３８９４号公報

【文献】特開平０６－２８９１７９号公報

【発明の概要】

【発明が解決しようとする課題】

【0010】

特許文献２に記載の技術は、物理モデルや化学モデルに基づいて設定したモデルのモデルパラメータの最適化とその寄与を調整するものであり、そのモデルが予め準備されている必要がある。このため、予測目標の状態量と入力として使用する状態量との相関関係が数式として記述されている必要がある。
マスバランスモデルで表現される状態量の相関関係は、モデルパラメータが最適化されることで最適化される。しかしながら、相関関係は考えられるが、相関関係が複雑で数式表現が難しい場合には、適切なモデルを構築できない。このため、複雑で数式で表現できない相関関係が含まれている場合でも、プラントの状態量を正確に予測することが求められている。

【0011】

炉水放射能濃度の予測とともにプラントでは、温排水（放水）の温度管理も求められる。詳しくは、プラントでは、核分裂で発生した熱から生じ、タービンを回転させた蒸気を冷やすために、海水が使われており、炉水放射能濃度の低減とともに海水（温排水、放水）の温度上昇幅に係る規定を守る必要がある。温度は、取水時の海水温度や原子炉の熱出力によるため、炉水放射能濃度とともに放水時の温度（または取水時との温度差、放水情報とも記す）の予測が求められている。

【0012】

本発明は上記の課題に鑑みてなされたもので、原子力発電プラントの炉水放射能濃度と放水情報との高精度な予測を可能とする予測モデルを構築する予測モデル構築装置および予測装置を提供することにある。

【課題を解決するための手段】

【0013】

前記した課題を解決するため、本発明に係る予測モデル構築装置は、入力データとして、実測可能なプラント状態量と、海水情報とを含み、第一の出力データとして、実測値である第一の炉水放射性金属に関する第一の炉水放射性金属腐食生成物濃度と、放水情報とを含む教師データを機械学習モデルに学習させて予測モデルを構築し、また、入力データとして、プラント状態量と海水情報とを含み、第二の出力データとして、実測値である第一の炉水放射性金属と異なる第二の炉水放射性金属に関する第二の炉水放射性金属腐食生成物濃度と、放水情報とを含む教師データを機械学習モデルに学習させて検証用指標モデルを構築する学習部を備える。

【発明の効果】

【0014】

本発明によれば、原子力発電プラントの炉水放射能濃度と放水情報との高精度な予測を可能とする予測モデルを構築する予測モデル構築装置および予測装置を提供することができる。

【図面の簡単な説明】

【0015】

【図1】実施形態に係る原子力発電プラントの全体系統構成図である。

【図2】実施形態に係る予測装置の原理を説明するための図である。

【図3】実施形態に係る炉水への金属腐食生成物の移行挙動のマスバランスモデルを説明するための図である。

【図4】実施形態に係る炉水放射能濃度・放水温度予測装置の機能構成図である。

【図5】実施形態に係る目的変数データの一例を示す図である。

【図6】実施形態に係る検証用指標データの一例を示す図である。

【図7】本実施形態に係る学習処理における予測モデルの教師データの元となるデータの構成を説明するための図である。

【図8】実施形態に係る予測処理における予測モデルの入力データの元となるデータおよび出力データの構成を説明するための図である。

【図9】実施形態に係る予測処理における予測モデルの作成処理を説明するためのフローチャートである。

【図10】実施形態に係る予測処理における検証用指標予測モデルの作成処理を説明するためのフローチャートである。

【図11】実施形態に係る予測処理における整合性判定モデルの作成処理を説明するためのフローチャートである。

【図12】実施形態に係る予測処理における予測結果整合性検証処理を説明するためのフローチャートである。

【図13】実施形態に係る予測処理における整合性判定処理を説明するためのフローチャートである。

【発明を実施するための形態】

【0016】

以下、図面を参照して本発明の実施形態を説明する。以下の記載および図面は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略および簡略化がなされている。本発明は、他の種々の形態でも実施する事が可能である。特に限定しない限り、各構成要素は単数でも複数でも構わない。

【0017】

なお、実施形態を説明する図において、同一の機能を有する箇所には同一の符号を付し、その繰り返しの説明は省略する。

【0018】

図面において示す各構成要素の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面に開示された位置、大きさ、形状、範囲などに限定されない。

【0019】

同一あるいは同様な機能を有する構成要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。ただし、これらの複数の構成要素を区別する必要がない場合には、添字を省略して説明する場合がある。

【0020】

本発明を実施するための形態（実施形態）における炉水放射能濃度・放水温度予測装置（予測モデル構築方法および予測方法）を説明する前に、予測の対象となる原子力発電プラントを説明する。

【0021】

図１は、実施形態に係る原子力発電プラントＰ１００の全体系統構成図である。本実施形態における炉水放射能濃度・放水温度予測装置が適用される原子力発電プラントＰ１００（例えば沸騰水型原子力発電プラント）の概略構成を、図１を参照して説明する。

【0022】

原子力発電プラントＰ１００は、原子炉Ｐ１、タービンＰ３、復水器Ｐ４、原子炉浄化系および給水系などを備えている。原子炉格納容器Ｐ１１内に設置された原子炉Ｐ１は、炉心Ｐ１３を内蔵する原子炉圧力容器Ｐ１２を有する。原子炉圧力容器Ｐ１２内に設置された円筒状の炉心シュラウドＰ１５が、炉心Ｐ１３を取り囲んでいる。炉心Ｐ１３には複数の燃料集合体（不図示）が装荷されている。各燃料集合体は、核燃料物質で製造された複数の燃料ペレットを充填した複数の燃料棒を含んでいる。原子炉圧力容器Ｐ１２の内面と炉心シュラウドＰ１５の外面の間には、環状のダウンカマＰ１７が形成される。複数のインターナルポンプＰ２１が原子炉圧力容器Ｐ１２の底部に設置される。インターナルポンプＰ２１のインペラは、ダウンカマＰ１７の下部に配置される。

【0023】

給水系は、復水器Ｐ４と原子炉圧力容器Ｐ１２とを連絡する給水配管Ｐ１０に、復水ポンプＰ５、復水浄化装置Ｐ６、給水ポンプＰ７、低圧給水加熱器Ｐ８、および高圧給水加熱器Ｐ９が、この順番に復水器Ｐ４から原子炉圧力容器Ｐ１２に向かって設置されて構成される。水素注入装置Ｐ１６が、水素注入配管Ｐ１８によって、復水浄化装置Ｐ６と給水ポンプＰ７の間で給水配管Ｐ１０に接続されている。開閉弁Ｐ１９が水素注入配管Ｐ１８に設けられる。

【0024】

原子炉浄化系は、原子炉圧力容器Ｐ１２と給水配管Ｐ１０とを連絡するステンレス鋼製の浄化系配管（ステンレス鋼部材）Ｐ２０に、浄化系隔離弁Ｐ２３、浄化系ポンプＰ２４、再生熱交換器Ｐ２５、非再生熱交換器Ｐ２６、および炉水浄化装置Ｐ２７が、この順番で設置されて構成される。原子力発電プラントＰ１００に設けられた残留熱除去系は、一端部が原子炉圧力容器Ｐ１２に接続されてダウンカマＰ１７に連絡され、他端部が炉心Ｐ１３より上方で原子炉圧力容器Ｐ１２内に連絡される残留熱除去系配管Ｐ２８を有する。この残留熱除去系配管Ｐ２８に残留熱除去系ポンプＰ２９および熱交換器（冷却装置）Ｐ３０が設置される。浄化系配管Ｐ２０の一端は、残留熱除去系ポンプＰ２９の上流で残留熱除去系配管Ｐ２８に接続される。

【0025】

原子炉圧力容器Ｐ１２内のダウンカマＰ１７に存在する冷却水（炉水）は、インターナルポンプＰ２１で昇圧され、炉心Ｐ１３よりも下方の下部プレナムに導かれる。炉水は、下部プレナムから炉心Ｐ１３に供給され、燃料集合体の燃料棒に含まれる核燃料物質の核分裂で発生する熱によって加熱される。加熱された炉水の一部が蒸気になる。この蒸気は、原子炉圧力容器Ｐ１２から主蒸気配管Ｐ２を通ってタービンＰ３に導かれ、タービンＰ３を回転させる。タービンＰ３に連結された発電機（不図示）が回転され、電力が発生する。タービンＰ３から排出された蒸気は、復水器Ｐ４で凝縮されて水になる。

【0026】

復水器Ｐ４は、熱交換器の一種であり、取水口で取水された海水で蒸気を冷やして水に戻す。蒸気を冷やして温度が上昇した温排水は、放水口から放水される。取水時の温度（取水温度）と放水時の温度（放水温度）との差は、７～８℃になるように規定されている。このため、プラントは、海水の流量や熱出力を調整しながら運転される。

【0027】

復水器Ｐ４で凝縮された水は、給水として、給水配管Ｐ１０を通って原子炉圧力容器Ｐ１２内に供給される。給水配管Ｐ１０を流れる給水は、復水ポンプＰ５で昇圧され、復水浄化装置Ｐ６で不純物が除去されて、給水ポンプＰ７でさらに昇圧され、低圧給水加熱器Ｐ８および高圧給水加熱器Ｐ９で加熱される。抽気配管Ｐ１４で主蒸気配管Ｐ２およびタービンＰ３から抽気された抽気蒸気が、低圧給水加熱器Ｐ８および高圧給水加熱器Ｐ９にそれぞれ供給され、給水の加熱源となる。

【0028】

原子炉圧力容器Ｐ１２内の炉水には給水に含まれる金属腐食生成物や原子炉圧力容器Ｐ１２内の構造材の腐食によって生じた生成物が含まれるため、一定の割合の炉水が炉水浄化系によって浄化される。原子炉圧力容器Ｐ１２内の炉水は、浄化系ポンプＰ２４の駆動により、残留熱除去系配管Ｐ２８から分岐した浄化系配管Ｐ２０を通して再生熱交換器Ｐ２５および非再生熱交換器Ｐ２６に供給され、これらの熱交換器により５０℃程度まで冷却される。冷却された炉水が炉水浄化装置Ｐ２７を通ることによって炉水に含まれる金属腐食生成物が除去され、再生熱交換器Ｐ２５で昇温された後、給水配管Ｐ１０内を流れる給水と合流して原子炉圧力容器Ｐ１２に供給される。

【0029】

原子炉Ｐ１の運転を停止するときには、全制御棒（不図示）が炉心に挿入される。全制御棒の挿入により核燃料物質の核分裂反応が停止され、原子炉Ｐ１の運転が停止される。炉心Ｐ１３および原子炉圧力容器Ｐ１２内の機器に残留する熱は炉水の蒸発によって除去されるが、ある程度、温度が低下すると炉水の蒸発による除熱効率が低下するため、炉水温度が１５０℃程度まで低下すると残留熱除去系を用いて炉心Ｐ１３および原子炉圧力容器Ｐ１２内の機器を冷却する。すなわち、残留熱除去系ポンプＰ２９の駆動により原子炉圧力容器Ｐ１２内の炉水が残留熱除去系配管Ｐ２８を通して熱交換器Ｐ３０に供給され、そして、その炉水は熱交換器Ｐ３０で冷却されて原子炉圧力容器Ｐ１２に戻される。

【0030】

原子炉運転中の炉水にはコバルト６０をはじめとする放射性金属腐食生成物が含まれており、その濃度に応じて構造材への付着が生じ、構造材へ付着した放射性核種からの放射線によって定期検査従事者の放射線被ばくが生じる。

【0031】

次に、図２を参照して、本実施例の炉水放射能濃度・放水温度予測装置（以下、単に「予測装置」と称する）の原理について説明する。

【0032】

原子炉Ｐ１内への給水中に含まれる金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生する金属腐食生成物との間には、図３で示すマスバランスモデルに示す物理モデルが成立することが知られている。

【0033】

マスバランスモデルは、給水中に含まれている金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生する金属腐食生成物とが、炉水を介在して燃料棒表面や炉内・炉外の構造材表面に再付着したり、炉水浄化系によって系外に除去されたりする動的挙動をマクロな質量保存則によって記述する物理モデルである。なお、図２の実線と破線の矢印は、クラッドとイオンによる移行を示している。

【0034】

金属腐食生成物のマスバランスモデルは、以下に示す（式１）～（式８）に示される連立微分方程式群により記述される。

【数1】

【0035】

【数2】

【0036】

【数3】

【0037】

【数4】

【0038】

【数5】

【0039】

【数6】

【0040】

【数7】

【0041】

【数8】

【0042】

上式において、変数やパラメータの意味は以下のとおりである。
Ｃ：炉水の金属腐食生成物濃度（炉水金属腐食生成物濃度、例えば、鉄、ニッケル、コバルトなどの濃度）
ｔ：時刻
Ｖ：炉水保有水量
Ｆ_ｆ：給水流量
Ｃ_ｆ：金属腐食生成物の給水中濃度（給水金属腐食生成物濃度）
Ｘ：炉内構造材の腐食により発生する金属腐食生成物の発生率
ζ：燃料棒付着物の溶出あるいは剥離定数
ζ_ｐ ^１：炉内構造材付着物の溶出あるいは剥離定数
ζ_ｐ ^２：炉外構造材付着物の溶出あるいは剥離定数

【0043】

Ｍ：燃料棒上に蓄積する金属腐食生成物量
ｍ_１：炉内の構造材表面に付着蓄積する金属腐食生成物量
ｍ_２：炉外の構造材表面に付着蓄積する金属腐食生成物量
δ：燃料棒への付着定数
β：原子炉浄化系における除去率
δ_ｐ ^１：炉内構造材への付着定数
δ_ｐ ^２：炉外構造材への付着定数
Ｓ_１：炉内の構造材の表面積
Ｓ_２：炉外の構造材の表面積

【0044】

Ｒ：炉水の放射性金属腐食生成物濃度（炉水放射性金属腐食生成物濃度、例えば、コバルト６０、コバルト５８、マンガン５４などの濃度）
Ｙ：炉内構造材の腐食により発生する放射性金属腐食生成物の発生率
Ａ：燃料棒上に蓄積する放射性金属腐食生成物量
Γ_１：炉内の構造材表面に付着蓄積する放射性金属腐食生成物量
Γ_２：炉外の構造材表面に付着蓄積する放射性金属腐食生成物量
λ：放射性金属腐食生成物の崩壊定数
Ｇ：燃料棒上における放射性核種の生成率
Ｇ_１：炉内構造材上における放射性核種の生成率

【0045】

上記変数のなかで、Ｃ、Ｃ_ｆ、Ｆ_ｆ、Ｒ、Γ_２は運転中に測定可能な状態量であり、Ｍ、Ａ、Γ_１は定期検査などの停止時に炉内から燃料棒を取り出したときに測定可能な状態量である。また、Ｖ、Ｓ_１、Ｓ_２はプラント固有のプラントパラメータである。λ、Ｇ、Ｇ_１は放射性金属腐食生成物の核種に応じて定まる物理定数であって、Ｘ、Ｙ、ζ、ζ_ｐ ^１、ζ_ｐ ^２、δ、δ_ｐ ^１、δ_ｐ ^２、βは原則的にモデルパラメータである。なお、ｍ_１、ｍ_２は水側から付着したものと構造材の腐食によって発生したものとの区別ができないので、通常測定が困難な状態量である。

【0046】

本実施例の予測装置において予測対象となる金属腐食生成物をコバルト６０とする。一方、予測対象以外の金属腐食生成物についても、上述したマスバランスモデルに従うことが考えられる。従って、給水中に含まれている金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生する金属腐食生成物であるコバルト６０との間に統計学上でいう強い相関関係があると予想される一方、給水中に含まれている金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生するコバルト６０以外の金属腐食生成物（図２ではコバルト５８と鉄とを例に挙げている）との間にも強い相関関係があると予想される。そして、これら相関関係を前提に考えると、コバルト６０の濃度とコバルト５８、鉄の濃度との間にも強い相関関係があると予想される。

【0047】

そこで、本実施例の予測装置では、給水中に含まれている金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生する金属腐食生成物であるコバルト６０との間の相関関係を学習した第一の学習モデルを生成し、また、給水中に含まれている金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生するコバルト６０以外の金属腐食生成物との間の相関関係を学習した第二の学習モデルを生成する。そして、（１）第一の学習モデルにより実際の給水中に含まれている金属腐食生成物に基づくコバルト６０の金属腐食生成物濃度を予測するとともに、（２）第二の学習モデルにより実際の給水中に含まれている金属腐食生成物に基づくコバルト６０以外の金属腐食生成物の濃度を予測し、さらに、（３）コバルト６０以外の金属腐食生成物の濃度から予測されるコバルト６０の金属腐食生成物濃度を予測し、（１）の結果と（３）の結果（ともにコバルト６０の金属腐食生成物濃度を予測している）との差異に基づいて（１）の結果の妥当性を判定している。

【0048】

以下に、本実施形態に係る原子力発電プラントＰ１００における炉水の放射能濃度および放水温度を予測する炉水放射能濃度・放水温度予測装置を説明する。炉水放射能濃度・放水温度予測装置は、炉水のコバルト６０、コバルト５８、クロム５１、マンガン５４などの濃度、および放水温度を予測する。予測には機械学習技術を用いる。

【0049】

本実施形態に係る炉水放射能濃度・放水温度予測装置によれば、放射性金属腐食生成物濃度や放水温度が高精度に予測できる。この予測を用いることで、プラントの運用者は、放水（温排水）の温度管理の規定を守りつつ、運転中の炉水放射能濃度を下げたり、遮蔽を敷設したり、化学除染を実施したりして被ばくを抑制する計画を立案し、実施できるようになる。

【0050】

図４は、本実施形態に係る予測装置１００の機能構成図である。予測装置１００は、コンピュータであり、制御部１１０、モデル記憶部１２０、データ記憶部１３０、および入出力部１４０を備える。予測装置１００は、原子力発電プラントＰ１００で使用されるプロセスコンピュータＰ１１０から熱出力などの運転データ、および原子力発電プラントＰ１００内に設置された計測器Ｐ１２０からの出力データを受信する。

【0051】

モデル記憶部１２０は、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）、ＳＳＤ（Solid State Drive）などから構成され、予測モデルが格納される予測モデル記憶部１２１、検証用指標モデルが格納される検証用指標モデル記憶部１２２及び整合性判定モデルが格納される整合性判定モデル記憶部１２３を有する。

【0052】

予測モデル記憶部１２１に格納される予測モデルは、入力データ（説明変数）としてプラント状態量及び海水情報を用い、出力データ（目的変数）としてコバルト６０の金属腐食生成物濃度を用いた機械学習の学習モデルであり、例えばニューラルネットワークである。

【0053】

検証用指標モデル記憶部１２２に格納される検証用指標モデルは、入力データ（説明変数）としてプラント状態量及び海水情報を用い、出力データ（目的変数）としてコバルト６０以外（本実施例では後述するようにコバルト５８、鉄、ニッケル）の金属腐食生成物濃度を用いた機械学習の学習モデルであり、例えばニューラルネットワークである。

【0054】

整合性判定モデル記憶部１２３に格納される整合性判定モデルは、入力データ（説明変数）としてコバルト６０以外の金属腐食生成物濃度を用い、出力データ（目的変数）としてコバルト６０の金属腐食生成物濃度を用いた機械学習の学習モデルであり、例えばニューラルネットワークである。

【0055】

ここで、本実施例にいうプラント状態量は、原子力発電プラントＰ１００のプラントデータや給水データ、炉水水質データを含む。また、プラント状態量は、炉心Ｐ１３（図１参照）に装荷されている燃料集合体の炉内滞在期間、電気出力などのプラント状態量を含む。海水情報とは、取水温度（取水口での海水温度）や放水温度（放水口での温排水温度）である。海水情報は、取水温度に影響を与える海流の温度や位置などの情報を含んでもよい。

【0056】

データ記憶部１３０は、モデル記憶部１２０と同様にＲＡＭやＲＯＭ、ＳＳＤなどから構成され、説明変数データが格納される説明変数データ記憶部１３１、目的変数データが格納される目的変数データ記憶部１３２及び検証用指標データが格納される検証用指標データ記憶部１３３を有する。

【0057】

説明変数データ記憶部１３１に格納される説明変数データは、上述したプラント状態量及び海水情報からなる。

【0058】

目的変数データ記憶部１３２に格納される目的変数データは、一例として図５に示すようなデータ構造を有する。図５に示すように、目的変数データ２００は、エントリとして日付２０１及び炉水コバルト６０イオン濃度２０２を有する。

【0059】

検証用指標データ記憶部１３３に格納される検証用指標データは、一例として図６に示すようなデータ構造を有する。図６に示すように、検証用指標データ２１０は、エントリとして日付２１１、炉水コバルト５８イオン濃度２１２、炉水鉄クラッド濃度２１３及び炉水ニッケルイオン濃度２１４を有する。

【0060】

入出力部１４０は、プロセスコンピュータＰ１１０や計測器Ｐ１２０からのデータを受信して、プラント状態量・海水情報データベース１５０に格納する。また、入出力部１４０は、不図示のディスプレイやキーボード、マウスを備え、予測装置１００の利用者からの操作を受け付けたり、予測結果などのデータを表示したりする。

【0061】

制御部１１０は、ＣＰＵ（Central Processing Unit）から構成され、学習部１１１、予測部１１２、整合性判定モデル作成部１１３及び検証部１１４を有する。
学習部１１１は、説明変数データ記憶部１３１に格納されている説明変数データを教師データ（学習データ）として学習処理を行い、炉水の放射能濃度と放水温度とを予測する予測モデル及び検証用指標予測モデルを生成する。

【0062】

予測部１１２は、生成された予測モデル及び検証用指標モデルに説明変数データを入力して、炉水の放射能濃度と放水温度とを予測する予測処理を実行する。

【0063】

整合性判定モデル作成部１１３は、検証用指標データ記憶部１３３に記憶されている検証用指標データを入力データとして学習処理を行い、目的変数データを予測する整合性判定モデルを生成する。

【0064】

検証部１１４は、予測モデルの出力結果である炉水のコバルト６０の金属腐食生成物濃度と、整合性判定モデルの出力結果である炉水のコバルト６０の金属腐食生成物濃度とを比較し、予測モデルの出力結果である炉水のコバルト６０の金属腐食生成物濃度の妥当性を検証する。

【0065】

学習部１１１、予測部１１２、整合性判定モデル作成部１１３及び検証部１１４の処理の詳細は、後記する図９～図１３を参照して説明する。

【0066】

図７は、本実施形態に係る学習処理における予測モデルの教師データの元となるデータの構成を説明するための図である。本実施形態では、過去３年（３６月）分のデータから、将来３年（３６月）間を予測する例を説明する。

【0067】

図７に記載のデータセット２３０は、第１月を開始月とする１セットの教師データの元となるデータセットである。データセット２３０は、入力データ（入力データの元データ）として、第１月～第３６月のプラント状態量と海水情報（取水温度と放水温度）とを含む。また、データセット２３０は、出力データ（出力データの元データ）として第３７月～第７２月のコバルト６０の炉水放射能濃度（コバルト６０濃度とも記す）と放水温度とを含む。これらのデータは、説明変数データ記憶部１３１に記憶されている。

【0068】

第１月～第３６月のプラント状態量のそれぞれに含まれる、給水流量、給水金属腐食生成物濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、電気出力、取水温度、および放水温度など実測可能なプラント状態量（実測データ）が、予測モデルの入力データとして含まれる。

【0069】

第３７月～第７２月のコバルト６０濃度および放水温度（実測値）が、予測モデルの出力データ（炉水放射性金属腐食生成物濃度と放水温度）として含まれる。

【0070】

以上に説明した入力データおよび出力データが予測モデルに対する１セットの教師データとなる。同様にして、第２月を開始日とするデータセット２４０から１セットの教師データが生成される。以下、これを繰り返すことで、第１月～第１０１月のコバルト６０や海水情報を含むプラント状態量から、３０セットの予測モデルに対する教師データ（教師データのデータセット）が生成される。予測モデルの入力となる教師データには、実測可能なプラント状態量と、海水情報（取水温度と放水温度）と、プラント状態量予測値とが含まれる。また、予測モデルの出力となる教師データには、実測値である炉水放射性金属腐食生成物濃度（コバルト６０濃度）と、放水情報（放水温度）とが含まれる。

【0071】

図８は、本実施形態に係る予測処理における予測モデルの入力データの元となるデータおよび出力データの構成を説明するための図である。

【0072】

図７において、基準月とは予測処理の実行月であり、予測部１１２は、基準月を含めて過去３６月分のプラント状態量・海水情報から、基準月の１月～３６月後のコバルト６０濃度および放水温度を予測する。

【0073】

詳しくは、基準月の３５月前～基準月のプラント状態量のそれぞれに含まれる、給水流量、給水金属腐食生成物濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、および電気出力など実測可能なプラント状態量と、取水温度および放水温度を含む海水情報と（実測データ）が、予測モデルの入力データとして含まれる。

【0074】

基準日から１月～３６月後のコバルト６０濃度および放水温度が、予測モデルの出力データ（予測結果）として含まれる。

【0075】

なお、図７及び図８に示すデータは予測モデルに関するものであるが、検証用指標モデルに関するデータも同様のものであるので、ここでの説明を省略する。

【0076】

次に、図９～図１３のフローチャートを参照して、本実施形態の予測装置１００の動作について説明する。

【0077】

図９は、実施形態に係る予測処理における予測モデルの作成処理を説明するためのフローチャートである。

【0078】

まず、予測装置１００の学習部１１１は、目的変数データ記憶部１３２から目的変数データ２００を読み込む（Ｓ９０１）。次いで、学習部１１１は、説明変数データ記憶部１３１から説明変数データを読み込む（Ｓ９０２）。さらに、学習部１１１は、説明変数データを入力データ、目的変数データ２００を出力データとする回帰モデルを作成する（Ｓ９０３）。そして、学習部１１１は、Ｓ９０３で作成した回帰モデルを予測モデルとして予測モデル記憶部１２１に格納する（Ｓ９０４）。

【0079】

図１０は、実施形態に係る予測処理における検証用指標予測モデルの作成処理を説明するためのフローチャートである。

【0080】

まず、予測装置１００の学習部１１１は、検証用指標データ記憶部１３３から検証用指標データ２１０を読み込む（Ｓ１００１）。次いで、学習部１１１は、説明変数データ記憶部１３１から説明変数データを読み込む（Ｓ１００２）。さらに、学習部１１１は、説明変数データを入力データ、検証用指標データ２１０を出力データとする回帰モデルを作成する（Ｓ１００３）。そして、学習部１１１は、Ｓ１００３で作成した回帰モデルを検証用指標モデルとして検証用指標モデル記憶部１２２に格納する（Ｓ１００４）。

【0081】

図１１は、実施形態に係る予測処理における整合性判定モデルの作成処理を説明するためのフローチャートである。

【0082】

まず、予測装置１００の整合性判定モデル作成部１１３は、目的変数データ記憶部１３２から目的変数データ２００を読み込む（Ｓ１１０１）。次に、整合性判定モデル作成部１１３は、検証用指標データ記憶部１３３から検証用指標データ２１０を読み込む（Ｓ１１０２）。さらに、整合性判定モデル作成部１１３は、検証用指標データ２１０を入力データ、目的変数データ２００を出力データとする回帰モデルを作成する（Ｓ１１０３）。そして、整合性判定モデル作成部１１３は、Ｓ１１０３で作成した回帰モデルを整合性判定モデルとして整合性判定モデル記憶部１２３に格納する（Ｓ１１０４）。

【0083】

図１２は、実施形態に係る予測処理における予測結果整合性検証処理を説明するためのフローチャートである。

【0084】

まず、予測装置１００の予測部１１２は、説明変数データ記憶部１３１から説明変数データを読み込む（Ｓ１２０１）。

【0085】

次いで、予測部１１２は、予測モデル記憶部１２１から予測モデルを読み込む（Ｓ１２０２）。さらに、予測部１１２は、Ｓ１２０２で読み込んだ予測モデルにＳ１２０１で読み込んだ説明変数データを入力して、目的変数データの予測値（予測結果）を得る（Ｓ１２０３）。

【0086】

これと並行して、予測部１１２は、検証用指標モデル記憶部１２２から検証用指標モデルを読み込む（Ｓ１２０４）。さらに、予測部１１２は、Ｓ１２０４で読み込んだ予測モデルにＳ１２０１で読み込んだ説明変数データを入力して、検証用指標データの予測値（予測結果）を得る（Ｓ１２０５）。

【0087】

次いで、予測装置１００の検証部１１４は整合性判定処理を行う（Ｓ１２０６）。整合性判定処理の詳細については後述する。そして、検証部１１４はＳ１２０６の整合性判定処理の結果を出力する。

【0088】

図１３は、実施形態に係る予測処理における整合性判定処理を説明するためのフローチャートであり、図１２のＳ１２０６の整合性判定処理の詳細を示すフローチャートである。

【0089】

まず、予測装置１００の検証部１１４は、整合性判定モデル記憶部１２３から整合性判定モデルを読み込む（Ｓ１３０１）。次いで、検証部１１４は、図１２のＳ１２０５で取得した検証用指標データの予測値を整合性判定モデルに入力して目的変数データの推定値を得る（Ｓ１３０２）。

【0090】

そして、検証部１１４は、Ｓ１３０２で取得した目的変数データの推定値（コバルト６０の推定結果）と図１２のＳ１２０３で取得した目的変数データの予測値（コバルト６０の予測結果）とを比較し、これらの差異が所定の誤差値以下であるか否かを判定する（Ｓ１２０３）。なお、誤差値は事前に設定しておくことが好ましい。

【0091】

Ｓ１２０３の判定の結果、所定の誤差値以下であると判定したら（Ｓ１２０３においてＹＥＳ）、検証部１１４は整合性判定結果を「ＹＥＳ」にし（Ｓ１２０４）、所定の誤差値を上回ったと判定したら（Ｓ１２０３においてＮＯ）、検証部１１４は整合性判定結果を「ＮＯ」にする（Ｓ１２０５）。

【0092】

以上詳細に説明したように、本実施形態の予測装置１００によれば、コバルト６０の金属腐食生成物濃度の予測結果についてその整合性、妥当性を検証することができる。

【0093】

マスバランスモデルに基づいて学習モデルを作成し、この学習モデルによりコバルト６０の金属腐食生成物濃度を予測することは可能である。一方で、学習モデルに基づくコバルト６０の金属腐食生成物濃度の精度を保証することは、学習モデル単体では困難である。本実施形態の予測装置１００によれば、予測モデルにより得られたコバルト６０の金属腐食生成物濃度の予測値を、検証用指標モデルにより得られたコバルト６０以外の金属腐食生成物濃度の予測値、及び整合性判定モデルによりえら得たコバルト６０の金属腐食生成物濃度の推定値を用いて検証することが可能になる。これにより、予測モデルにより得られたコバルト６０の金属腐食生成物濃度の整合性、妥当性を検証することができ、より精度の高いコバルト６０の金属腐食生成物濃度を求めることができる。

【0094】

なお、本発明は、上記の実施例に限定されるものではなく、様々な変形例が含まれる。上記の実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることも可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることも可能である。

【0095】

例えば、上述の実施形態において、整合性判定モデルにより得られたコバルト６０の金属腐食生成物濃度の推定結果を用いて予測モデルの学習を再度行うことも可能である。

【0096】

また、上記の各構成、機能、処理部、処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

【0097】

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
(付記1)
原子力発電プラントにおける原子炉の炉水放射性金属腐食生成物濃度および海水の放水 情報を予測するための予測モデルを構築する予測モデル構築装置であって、
入力データとして、実測可能なプラント状態量と、海水情報とを含み、第一の出力デー タとして、実測値である第一の炉水放射性金属に関する第一の炉水放射性金属腐食生成物 濃度と、前記放水情報とを含む教師データを機械学習モデルに学習させて前記予測モデル を構築し、また、入力データとして、前記プラント状態量と前記海水情報とを含み、第二 の出力データとして、実測値である前記第一の炉水放射性金属と異なる第二の炉水放射性 金属に関する第二の炉水放射性金属腐食生成物濃度と、前記放水情報とを含む教師データ を機械学習モデルに学習させて検証用指標モデルを構築する学習部
を備えることを特徴とする予測モデル構築装置。
(付記2)
原子力発電プラントにおける原子炉の炉水放射性金属腐食生成物濃度および海水の放水 情報を予測するための予測モデルを構築する予測モデル構築装置であって、
入力データとして、実測可能なプラント状態量と、海水情報とを含み、第一の出力デー タとして、実測値である第一の炉水放射性金属に関する第一の炉水放射性金属腐食生成物 濃度と、前記放水情報とを含む教師データを機械学習モデルに学習させて前記予測モデル を構築し、また、入力データとして、前記プラント状態量と前記海水情報とを含み、第二 の出力データとして、実測値である前記第一の炉水放射性金属と異なる第二の炉水放射性 金属に関する第二の炉水放射性金属腐食生成物濃度と、前記放水情報とを含む教師データ を機械学習モデルに学習させて検証用指標モデルを構築する学習部と、
前記実測可能なプラント状態量、前記海水情報を入力データとして、前記予測モデル及 び前記検証用指標モデルに入力して、前記第一の炉水放射性金属腐食生成物濃度及び前記 放水情報からなる前記第一の出力データ、前記第二の炉水放射性金属腐食生成物濃度及び 前記放水情報からなる前記第二の出力データを計算する予測部と、
これら第一及び第二の出力データに基づいて前記第一の出力データの妥当性を検証する 検証部と
を備えることを特徴とする予測装置。
(付記3)
前記第一の炉水放射性金属腐食生成物濃度と前記第二の炉水放射性金属腐食生成物濃度 との間には強い相関があることを特徴とする(付記2)に記載の予測装置。
(付記4)
前記第二の出力データを入力データとして、前記第一の出力データを出力データとした 教師データを機械学習モデルに学習させて整合性判定モデルを構築する整合性判定モデル 作成部を備え、
前記検証部は、前記第二の出力データを前記整合性判定モデルに入力することで得られ る前記第一の出力データと、前記第二の出力データを前記予測モデルに入力することで得 られる前記第一の出力データとを比較することで前記第一の出力データの妥当性を検証す る
ことを特徴とする(付記2)に記載の予測装置。
(付記5)
前記検証部は、前記第二の出力データを前記整合性判定モデルに入力することで得られ る前記第一の出力データと、前記第二の出力データを前記予測モデルに入力することで得 られる前記第一の出力データとの差分が所定値以下であれば前記第一の出力データに妥当 性があると判定することを特徴とする(付記4)に記載の予測装置。
(付記6)
前記実測可能なプラント状態量は、前記原子炉の炉水の給水流量、給水金属腐食生成物 濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集 合体の炉内滞在期間、および電気出力のなかの何れか少なくとも１つを含む
ことを特徴とする(付記2)に記載の予測装置。
(付記7)
前記入力データに含まれる前記海水情報は、前記海水の取水温度と放水温度とを含み、 前記第一及び第二の出力データに含まれる放水情報は、前記海水の放水温度を含む
ことを特徴とする(付記2)に記載の予測装置。
(付記8)
前記第一の炉水放射性金属腐食生成物濃度は、コバルト６０、コバルト５８、およびマ ンガン５４のなかの何れかの炉水放射性金属腐食生成物濃度である
ことを特徴とする(付記2)に記載の予測装置。
(付記9)
前記第二の炉水放射性金属腐食生成物濃度は、コバルト５８、鉄およびニッケルのなか の何れかの炉水放射性金属腐食生成物濃度である
ことを特徴とする(付記2)に記載の予測装置。

【符号の説明】

【0098】

１００…予測装置 １１０…制御部 １１１…学習部 １１２…予測部 １１３…整合性判定モデル作成部 １１４…検証部 １２０…モデル記憶部 １２１…予測モデル記憶部 １２２…検証用指標モデル記憶部 １２３…整合性判定モデル記憶部 １３０…データ記憶部 １３１…説明変数データ記憶部 １３２…目的変数データ記憶部 １３３…検証用指標データ記憶部 １４０…入出力部 １５０…海水情報データベース ２００…目的変数データ ２１０…検証用指標データ ２３０…データセット ２４０…データセット

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】