이 논문은 사용후핵연료 차세대관리공정(ACP)에 사용되는 주요부품에 대한 방사선영향에 대하여 다룬다. 평가대상 부품으로는 중요도가 높은 것들 중에서 선택하였는데, AC 서보모터, 포텐쇼미터, 열전대, 가속도계, CCD 카메라를 그 대상으로 하였다. AC 서보모터의 경우 ACP 핫셀 내 조작기에 여러개가 사용되고 있고, 공정장치의 일부에 사용되고 있다. 포텐쇼미터는 조작기 관절의 절대 각도를 측정하기 위해 사용된다. 열전대는 금속전환장치 등의 반응기 온도 측정을 위해 사용된다. 가속도계는 탈피복시 발생하는 이상을 사전에 감지하기 위한 용도로 탈피복장치에 부착되어 있고, CCD 카메라는 조작기와 함께 공정 휴지기간에 영상 In-situ 이상감시를 하기 위한 용도로 사용된다. 다양한 방사선 중 감마선은 전기, 전자 및 로봇 부품에 가장 치명적이라고 알려져 있으므로 본 연구에서는 Co-60선원을 사용하는 감마조사시설을 이용해 방사선 영향을 평가하였다. 방사선조사결과 CCD 카메라를 제외한 다른 부품들은 방사선에 매우 강인한 특성을 보였다. 누적조사선량에 대한 각 대상 부품의 고유한 특성변화 데이터를 얻었고, 대상 부품의 성능을 보장할 수 있는 기준인 손상분기점에 대한 평가 자료를 얻을 수 있었다

This experiment was carried out to find suitable sample type for the more accurate prediction and non-destructive way in the application of near infrared reflectance spectroscopy (NIRS) technique for estimation the protein, total amino acids, and total isoflavone of soybean by comparing three different sample types, single seed, whole seeds, and milled seeds powder. The coefficient of determination in calibration (R2 ) and coefficient of determination in cross-validation (1-VR) for three components analyzed using NIRS revealed that milled powder sample type yielded the highest, followed by single seed, and the whole seeds as the lowest. The coefficient of determination in calibration for single seed was moderately low(R2 0.70-0.84), while the calibration equation developed with NIRS data scanned with whole seeds showed the lowest accuracy and reliability compared with other sample groups. The scatter plot for NIRS data versus the reference data of whole seeds showed the widest data cloud, in contrary with the milled powder type which showed flatter data cloud. By comparison of NIRS results for total isoflavone, total amino acids, and protein of soybean seeds with three sample types, the powder sample could be estimated for the most accurate prediction. However, based from the results, the use of single bean samples, without grinding the seeds and in consideration with NIRS application for more nondestructive and faster prediction, is proven to be a promising strategy for soybean component estimation using NIRS.