報告書番号

NR25005

タイトル（和文）

深層学習技術を用いた革新的な火災モデルの開発（その２）　ーゾーンモデルBRI2-CRIEPIの時系列代理モデルー

タイトル（英文）

Development of an Innovative Fire Model Using Deep Learning Technology (Part 2) - A Time Series Surrogate Model of the Zone Model BRI2-CRIEPI -

概要 （図表や脚注は「報告書全文」に掲載しております）

背　　景
原子炉施設の内部火災PRAにおいては、火災進展解析に基づくシナリオ分析のため火災モデルが不可欠である。既存のゾーンモデルは計算時間と精度のバランスに優れるが、解析可能な区画体系や空間解析能力に制約がある。一方、フィールドモデルは詳細な3次元解析が可能であるが、計算コストが高いことが、内部火災PRAへの適用における課題の一つである。近年、深層学習技術の進歩により、複雑な数値シミュレーションの代理モデルの開発が可能となり、計算コスト削減と精度維持の両立が期待されている。本研究は、最終的にフィールドモデルの代理モデル構築を目指す。代理モデル構築手法の検討にあたり、計算コストの低いゾーンモデルを用いた検討から着手し、前報では順伝播ネットワーク（Feed-forward network, FFN）により煙層温度と煙層厚さの最大値のみを予測する静的代理モデルを構築した。

目　　的
電力中央研究所が改良および整備してきた火災ゾーンモデルBRI2-CRIEPIの解析結果を学習データとして、時系列代理モデルを構築する。

主な成果
長短期記憶（Long short-term memory, LSTM）構造）の時系列代理モデルの構築
BRI2-CRIEPIの感度解析に基づき、19個の重要入力パラメータを選定し、発熱速度、煙層温度、煙層厚さ、圧力、煙層酸素濃度、空気層酸素濃度の6つを出力とする時系列代理モデルを構築した。
・入力データの長期的な記憶に優れたLSTM構造（3層LSTM, 隠れ層ノード数256）を実装し、Teacher Forcing手法により学習安定性と汎化性能を両立させた。100,000件の学習データ、dropout = 0.2の条件下で、評価データに対し平均nMAE = 0.042の良好な予測精度を達成した。
・一般的に、LSTM のような時系列モデルは、時系列形式の入力データを必要とし、出力も時系列であることが前提とされているが、本報では、初期値（静的情報）のみを入力とした場合でも、BRI2-CRIEPIの解析結果と同等な予測が可能であることを確認した。これにより、初期値のみで時系列挙動を再現できることから、本モデルが実用性と拡張性の面で高い潜在力を有していることを示す。

今後の展開
第3フェーズでは、転置畳み込みニューラルネットワーク（Transposed convolutional neural network, TCNN）およびLSTMによるフィールドモデルの代理モデルを構築する。

概要 （英文）

This study presents an innovative time-series deep learning fire model using Long Short-Term Memory (LSTM) architecture as a surrogate for the BRI2-CRIEPI zone fire model. The model is trained on extensive simulation data from the BRI2-CRIEPI zone model and learns to predict the evolution of key fire behavior parameters using only static initial conditions as input. Nineteen important input parameters (capturing compartment geometry, fire source characteristics, ventilation, wall thermal properties, and initial conditions) were identified and used to train the LSTM model. The three-layer LSTM (256 hidden units) predicts six output variables describing fire behavior, including heat release rate (HRR), smoke layer temperature, smoke layer height (upper layer thickness), compartment pressure, and oxygen concentrations. Notably, the model can forecast the entire time-series of these outputs from only the initial scenario conditions, without requiring time-stepped input data. A Teacher Forcing strategy was employed during training to improve stability and convergence. Using a dataset of 100,000 simulated fire scenarios, the LSTM surrogate achieved high predictive accuracy (average nMAE across output parameters=0.042) on unseen cases. The results demonstrate that the deep learning surrogate closely reproduces the zone model's fire dynamics while significantly reducing computational cost. This approach shows strong potential for efficient fire risk analysis and can be extended in future work by integrating the time-series LSTM with 3D field fire models (e.g. via Transposed CNN framework) to enable detailed spatial fire progression predictions.

報告者

キーワード