Abstract
The prediction of near field behavior around an underground high-level radioactive waste repository is important for the repository design as well as the safety assessment. In this study, a sensitivity analysis for seven parameters consisted of design parameters and material properties was carried out using a three-dimensional finite difference code. From the sensitivity analysis, it was found that the effects of borehole spacing, tunnel spacing, cooling time and rock thermal conductivity were more significant than the other parameters. For getting a statistical distribution of buffer and rock temperatures around the repository, an artificial neural network, backpropagation, was applied. The reliability of the trained neural network was tested with the cases with randomly chosen input parameters. When the parameter variation is within ${\pm}10%$, the prediction from the network was found to be reliable with about a 1% error. It was possible to calculate the temperature distribution for many cases quickly with the trained neural network. The buffer and rock temperatures showed a normal distribution with means of $98^{\circ}C$ and $83.9^{\circ}C$ standard deviations of $3.82^{\circ}C$ and $3.67^{\circ}C$, respectively. Using the neural network, it was also possible to estimate the required change in design parameters for reducing the buffer and rock temperatures for $1^{\circ}C$.
지하고준위 방사성폐기물 처분장 근계영역에서의 거동을 예측하는 것은 처분장 설계나 안전성 평가에 중요하다. 본 연구에서는 3차원 유한차분 코드를 이용하여 처분장 설계인자 및 재료물성으로 구성되는 7가지 인자에 대한 민감도 분석을 실시하였다. 민감도 분석 결과 처분공 간격, 터널 간격, 냉각시간과 암반의 열전도도가 다른 인자에 비해 영향이 큰 것으로 나타났다. 처분장 주변의 암반과 완충재 온도의 통계적인 분포를 구하기 위해 backpropagation 인공신경망 기법이 적용되었다. 학습된 인공신경망의 적합성을 평가하기 위해 무작위로 선정된 입력 인자에 대한 예측이 실시되었다. 인자 값의 변화가 ${\pm}10%$ 인 경우, 신경망은 1% 오차로 신뢰할 수 있는 예측 결과를 보임을 알 수 있었다. 이렇게 학습된 신경망은 다양한 경우에 대한 신속한 온도 예측에 활용할 수 있었다. 완충재와 암반의 온도는 각각 평균 $98^{\circ}C$, $83.9^{\circ}C$ 표준편차는 $3.82^{\circ}C$ 와 $3.67^{\circ}C$로 나타났다. 인공신경망을 이용함으로써 암반과 완충재 온도를 $1^{\circ}C$ 변화시키기 위해 필요한 설계 인자의 조정 범위를 추정할 수 있었다.