Conducting a TSPA (Total System Performance Assessment) of the entire spent nuclear fuel disposal system, which includes thousands of disposal holes and their geological surroundings over many thousands of years, is a challenging task. Typically, the TSPA relies on significant efforts involving numerous parts and finite elements, making it computationally demanding. To streamline this process and enhance efficiency, our study introduces a surrogate model built upon the widely recognized U-network machine learning framework. This surrogate model serves as a bridge, correcting the results from a detailed numerical model with a large number of small-sized elements into a simplified one with fewer and large-sized elements. This approach will significantly cut down on computation time while preserving accuracy comparable to those achieved through the detailed numerical model.

To conduct numerical simulation of a disposal repository of the spent nuclear fuel, it is necessary to numerically simulate the entire domain, which is composed on numerous finite elements, for at least several tens of thousands of years. This approach presents a significant computational challenge, as obtaining solutions through the numerical simulation for entire domain is not a straightforward task. To overcome this challenge, this study presents the process of producing the training data set required for developing the machine learning based hybrid solver. The hybrid solver is designed to correct results of the numerical simulation composed of coarse elements to the finer elements which derive more accurate and precise results. When the machine learning based hybrid solver is used, it is expected to have a computational efficiency more than 10 times higher than the numerical simulation composed of fine elements with similar accuracy. This study aims to investigate the usefulness of generating the training data set required for the development of the hybrid solver for disposal repository. The development of the hybrid solver will provide a more efficient and effective approach for analyzing disposal repository, which will be of great importance for ensuring the safe and effective disposal of the spent nuclear fuel.

본 연구는 이러닝 학습에서 간격학습과 차단학습의 비율을 조절한 혼합학습이 학생들의 학업성취도와 학습 만족도에 미치는 영향을 파악하는 것을 목적으로 하였다. 이를 위해 간격학습과 차단학습의 비율에 따라 다섯가지 조건을 제작하 고 실험에 사용하였다. 실험에는 총 121명의 학생이 실험에 참가하였고 사전 수학 학업성취도를 비롯하여 사후 수학 학 업성취도, 학습 만족도, 예측 점수를 실험 절차에 따라 측정하였다. 연구 결과는 다음과 같다. 먼저 사전 학업 성취도에 서는 다섯 개의 집단 모두 차이가 없었다. 하지만 사후 학업 성취도는 100% 차단학습으로 실시한 학생들보다 간격학습 으로 진행한 학생들이 높았다. 차단학습의 비율이 감소함에 따라 사후 학업 성취도도 서서히 증가하는 패턴을 발견할 수 있었다. 다음으로 학습 만족도와 예측점수의 경우 차단학습 비율이 증가하면서 점점 증가하는 패턴을 발견하였다. 결과 적으로 학생들에게 차단학습 비율을 증가시키면 학업성취도는 감소하지만 학습 만족도와 예측점수는 높아지는 것을 알 수 있었다. 마지막으로 차단학습 비율 정도와 평가시기(사전, 사후)에 따른 학업성취도의 차이를 분산분석을 통해 분석해 보았다. 그 결과, 차단학습이 없는 조건과 차단학습이 25% 실시된 조건간에 학업 성취도의 차이가 없는 것을 발견하였 다. 이 연구는 기존에 없던 차단학습과 간격학습을 섞은 혼합학습이라는 새로운 관점을 제시해주며, 적절한 혼합학습은 학생들의 성취도와 만족을 동시에 만족시킬 수 있다는 사실을 제시하였다.

This paper proposes a deep learning-based crack evaluation technique using hybrid images. The use of the hybrid images combining vision and infrared images are able to improve crack detectability while minimizing false alarms. In particular, large-scale infrastructures can be inspected by an UAV-mounted hybrid image scanning (HIS)　system, and the corresponding huge amount of data is typically difficult to be analyzed by experts. To automate such making-decision process, deep convolutional neural network is used in this study. As the very first stage, a lab-scale HIS system is developed using a scanning zig and experimentally validated using a concrete specimen with various-size cracks. The test results reveal that macro- and micro-cracks are successfully and automatically detected with minimizing false-alarms.