Dynamic responses of nuclear power plant structure subjected to earthquake loads should be carefully investigated for safety. Because nuclear power plant structure are usually constructed by material of reinforced concrete, the aging deterioration of R.C. have no small effect on structural behavior of nuclear power plant structure. Therefore, aging deterioration of R.C. nuclear power plant structure should be considered for exact prediction of seismic responses of the structure. In this study, a machine learning model for seismic response prediction of nuclear power plant structure was developed by considering aging deterioration. The OPR-1000 was selected as an example structure for numerical simulation. The OPR-1000 was originally designated as the Korean Standard Nuclear Power Plant (KSNP), and was re-designated as the OPR-1000 in 2005 for foreign sales. 500 artificial ground motions were generated based on site characteristics of Korea. Elastic modulus, damping ratio, poisson’s ratio and density were selected to consider material property variation due to aging deterioration. Six machine learning algorithms such as, Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Artificial Neural Networks (ANN), eXtreme Gradient Boosting (XGBoost), were used t o construct seispic response prediction model. 13 intensity measures and 4 material properties were used input parameters of the training database. Performance evaluation was performed using metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analysis results show that neural networks present good prediction performance considering aging deterioration.

Machine learning is widely applied to various engineering fields. In structural engineering area, machine learning is generally used to predict structural responses of building structures. The aging deterioration of reinforced concrete structure affects its structural behavior. Therefore, the aging deterioration of R.C. structure should be consider to exactly predict seismic responses of the structure. In this study, the machine learning based seismic response prediction model was developed. To this end, four machine learning algorithms were employed and prediction performance of each algorithm was compared. A 3-story coupled shear wall structure was selected as an example structure for numerical simulation. Artificial ground motions were generated based on domestic site characteristics. Elastic modulus, damping ratio and density were changed to considering concrete degradation due to chloride penetration and carbonation, etc. Various intensity measures were used input parameters of the training database. Performance evaluation was performed using metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analysis results show that neural networks and extreme gradient boosting algorithms present good prediction performance.

Numerous factors contribute to the deterioration of reinforced concrete structures. Elevated temperatures significantly alter the composition of the concrete ingredients, consequently diminishing the concrete's strength properties. With the escalation of global CO2 levels, the carbonation of concrete structures has emerged as a critical challenge, substantially affecting concrete durability research. Assessing and predicting concrete degradation due to thermal effects and carbonation are crucial yet intricate tasks. To address this, multiple prediction models for concrete carbonation and compressive strength under thermal impact have been developed. This study employs seven machine learning algorithms—specifically, multiple linear regression, decision trees, random forest, support vector machines, k-nearest neighbors, artificial neural networks, and extreme gradient boosting algorithms—to formulate predictive models for concrete carbonation and thermal impact. Two distinct datasets, derived from reported experimental studies, were utilized for training these predictive models. Performance evaluation relied on metrics like root mean square error, mean square error, mean absolute error, and coefficient of determination. The optimization of hyperparameters was achieved through k-fold cross-validation and grid search techniques. The analytical outcomes demonstrate that neural networks and extreme gradient boosting algorithms outshine the remaining five machine learning approaches, showcasing outstanding predictive performance for concrete carbonation and thermal effect modeling.

In the field of length, a gauge block is one of the representative gauges used as a standard for length. The main management items of the gauge block are central length, flatness, parallelism, hardness, and surface by visual inspection. The surface of the gauge block may wear over time due to repeated wringing. This phenomenon may deteriorate the precision accuracy and affect the reliability of the measurement results. In this study, the parameters of the surface roughness of the gauge blocks used repeatedly for about 10,000 hours were analyzed. The paired t-test of population mean difference was compared by using the gauge block that has changed over the years as a preliminary experiment and the gauge block with little frequency of use for less than 1 year as the reference value.

면진장치는 지진력을 감소시키기 위하여 사용되어왔다. 원자력발전소에 면진장치가 적용된다면, 운영기간동안 구조물과 기기들은 동일한 내구성 및 성능이 확보되어야 한다. 본 연구에서는 면진된 원전의 지진에 대한 안전성을 확보하기 위하여 면진구조물의 장기거동을 해석적으로 분석하였다. 경년열화에 의한 면진장치 특성을 분석하였고, 다른 온도환경에서 면진장치의 경년열화에 의한 구조물의 지진응답을 분석하였다. 해석결과에 의하면 면진장치의 경년열화에 의하여 면진구조물의 고유진동수는 증가하였다. 그러나 면진 구조물의 최대가속도와 최대변위는 온도에 따라 크게 변하지 않았다. 면진장치의 열화에 의하여 구조물의 손상은 발생하지 않았지만 목표진동수 영역에서 스펙트럼가속도는 온도에 따라 증가하였다. 따라서 면진구조물에서 면진장치는 온도에 따른 지진응답의 증가를 고려하여 설치 및 제작해야 할 것으로 판단된다.

면진장치는 상부구조물의 지진력을 감소시키는데 크게 기여하지만, 고감쇠고무 적층받침에 사용되는 고무재료는 시간이 경과함에 따라 열화되어 상부구조물의 동특성과 기기들의 지진응답에 영향을 줄 수 있다. 따라서 면진장치의 경년열화를 고려한 구조물의 지진응답을 분석하는 연구가 필요하다. 본 연구에서는 기존 문헌을 통하여 분석된 고무의 경년열화 특성을 사용하여 면진장치를 모델링하였다. 면진된 원전의 지진응답을 평가하기 위하여 격납건물과 보조건물을 대상 구조물로 선정하고, 진동수 성분이 다양한 입력지진동을 사용하여 구조물의 고유진동수, 최대지진응답, 층응답스펙트럼을 시간의 경과에 따라 분석하였다. 해석결과에 의하면 면진장치의 경년열화에 의하여 지진응답이 소폭 증가하였으며, 면진장치가 설치된 후 20년까지 지진응답의 증가율이 크게 나타나므로 이 기간에 상세한 검사가 시행되어야 할 것이다.

고온.고압하에서 장시간 사용되는 고온부재용 구조물은 경년열화현상을 나타낸다 그러므로 구조물의 안정성 측면에서 재질열화의 정도를 정량적으로 평가하는 것이 중요하다. 그러나 실기 구조물에서 채취할 시험편의 크기와 수는 제한이 되기 때문에 새로운 비파괴적인 평가법이 요구되고 있다. 따라서 본 연구에서는 화력발전설비에 이용되는 탄소강과 페라이트강에 대한 열화도의 평가를 위해 입계부식법의 적용 가능성을 조사한다. 시험결과, 재질열화의 정도는 사용시간보다 사용온도에 더 큰 영향을 받았으며, Larson-Miller인자와 열화도([δDBTT]SP)사이의 관계는 선형적이었으나, 강종에 따라 다른 기울기를 보였다. 반면, 연성-취성천이온도 ([δDBTT]SP)와 격자절단비(Ni/No)와 관계는 강종에 무관하게 선형적인 비례관계를 나타내었다. 또한, [δDBTT]SP와 Ni/No 의 관계로부터 입계부식법은 페라이트계 강뿐만아니라 탄소강에 대해서도 유용한 재질열화 평가 방법임을 알 수 있었다.

해상송전철탑 구조물에 있어서 구조 및 재료 손상에 대해 주기적으로 안전점검을 실시하고, 그 결과를 이용한 수명관리(life management)의 시행은 적극 추천되는 일이다. 본 연구에서는 영흥도 시화호 내에 있는 총 6개의 해상송전철탑에 대해서 강재부재에 대해 3가지, 콘크리트 기초에 대해 5가지, 해수 중 강관파일 및 해수 자체에 대해 4가지 형태의 열화점검을 각각 수행하였다. 강재에 대한 점검 항목들은 외관조사, 부재두께, 도막상태 등에 대한 것이고, 콘크리트 기초에 있어서는 균열형상, 압축강도, 중성화깊이, 염화물 함유량 등에 대한 항목, 그리고 해중 강관파일에 있어서의 전위 및 양극조사에 따른 부식정도, 동영상 촬영 및 해수의 수질환경성 평가 등에 대한 항목이다. 이와 같은 정기적 열화점검은 연속 3년 동안 매년 10월경에 동일위치에 대해 평가하였다. 결과적으로 본 연구에서는 이러한 자료를 체계적으로 활용함으로써 해상송전철탑 안전성 유지관리에 유익하게 적용될 수 있는 새로운 열화지표를 개발하였다.