Virtual Sensing to Enable Real-Time Monitoring of Inaccessible Locations & Unmeasurable Parameters

기술 요약: 접근 불가능한 위치의 실시간 모니터링을 위한 가상 센싱

문제 정의
차세대 원자로 및 기타 안전 필수 에너지 시스템은 근본적인 "관측 가능성 위기(observability crisis)"에 직면해 있다. 이러한 시스템은 안전 보장을 위해 내부 상태(압력, 온도, 유량)에 대한 실시간 모니터링을 필요로 하지만, 방사선 손상, 열적 한계, 복잡한 기하학적 구조 및 기계적 취약성으로 인해 직접적인 물리적 계측이 불가능한 경우가 많다. 기존의 가상 센싱(소프트 센싱) 접근 방식은 이 도메인에 적용하기에 불충분이 하다:

• 모델 기반 방법(예: 칼만 필터, 뤼엔버거 옵저버)은 알려진 지배 방정식을 기반으로 하며 특정 좌표에서의 유한 차원 상태 벡터를 생성한다. 이는 계측되지 않은 영역에서 연속적인 공간 필드를 재구성하거나 밀리초 단위의 지연 시간 내에 교차 필드 간의 일관성(cross-field coherence)을 보장하는 데 실패한다.
• 데이터 기반 방법(예: RNN, GNN, 표준 회귀)은 일반적으로 사전 학습된 고정 좌표에서의 스칼라 값을 출력한다. 이들은 메쉬 독립성(mesh independence)이 부족하며, 임의의 그리드 상에서 일관된 공간 필드를 재구성할 수 없고, 인스턴스별 재학습이 필요하여 실시간 배포가 어렵다.
• **물리 정보 신경망(PINNs)**은 최적화를 통해 특정 PDE 인스턴스를 해결하지만, 요구되는 서브 밀리초(sub-millisecond) 추론 속도와 비교했을 때 연속적이고 저지연 모니터링을 수행하기에는 계산 속도가 너무 느리다.

핵심 과제는 명시적인 지배 방정식 없이도 희소하고 이질적인 경계 측정값으로부터 전체 결합 내부 필드를 실시간으로 재구성하고, 안전 필수적 의사결정을 위한 보정된 불확실성을 제공하는 것이다.

방법론: MIMONet
저자들은 원자력 등급의 가상 센싱을 위해 특별히 설계된 신경 연산자(neural operator) 프레임워크인 MIMONet을 제안한다. 벡터를 벡터로 매핑하는 전통적인 회귀 모델과 달리, MIMONet은 입력 함수(경계 조건, 열원)를 임의의 쿼리 좌표에서의 연속적인 출력 필드로 매핑하는 비선형 연산자 $G: \mathcal{U} \to \mathcal{S}$를 학습한다.

주요 아키텍처 혁신은 다음과 같다:

1. 다중 모드 브랜치 인코더(Multi-Modal Branch Encoders): 네트워크는 스칼라 파라미터(예: 입구 온도)와 함수 값 필드(예: 공간 열유속 프로파일)를 모두 포함하는 이질적인 입력을 받아 이를 잠재 표현(latent representations)으로 인코딩한다.
2. 곱셈적 브랜치 퓨전(Multiplicative Branch Fusion): 가산적 융합 대신 잠재 표현을 곱셈적으로 융합한다. 이 선택은 나비에-스토크스 방정식에 내재된 쌍선형 결합 구조(예: 대류 및 이송 항)를 보존하도록 명시적으로 설계되었으며, 이를 통해 결합된 필드 간의 물리적 일관성을 보장한다.
3. 공유 잠재 다중 필드 디코딩(Shared-Latent Multi-Field Decoding): 단일 트렁크 네트워크가 공간 쿼리 좌표를 디코딩 기저(decoding bases)로 매핑한다. 모든 출력 채널(예: 압력, 속도 성분, 온도)은 동일한 융합된 잠재 표현을 공유하며, 최종적인 채널별 기저 투영만 다르게 수행된다. 이는 필드 간의 일관성을 강제하고 여러 결합된 물리량을 동시에 재구성할 수 있게 한다.

프레임워크는 세 가지 단계별 시나리오에 대해 고충실도 CFD 데이터(ANSYS Fluent)로 학습된다:

1. Lid-Driven Cavity (LDC): 접근 불가능한 내부 재순환 구역이 존재하는 정형화된 흐름으로, 경계 기반 추론을 테스트한다.
2. PWR Subchannel Flow: 교차 흐름 혼합이 발생하는 기하학적으로 제한된 원자로 서브채널로, 접근 불가능하고 제한된 기하 구조에서의 추론을 테스트한다.
3. 열교환기(Heat Exchanger): 압력-속도-온도 간의 긴밀한 상호 의존성을 가진 완전 결합 다중 물리 시스템으로, 산업적 수준의 복잡성을 나타낸다.

주요 결과
데이터 센터 가속기(NVIDIA H200, A40, GH200)에서 평가된 MIMONet은 다음과 같은 성능을 보여준다:

• 정확도: 모든 세 가지 시나리오에서 **<5%**의 상대 $\ell_2$ 오차를 달in한다(예: 열교환기에서 압력 오차 0.80%, 서브채널에서 속도 오차 2.2%). 이는 기존의 신경 연산자(GeoFNO, NOMAD, KCN) 및 고전적 회귀 방법보다 10배 이상 향상된 결과이다.
• 지연 시간: 서브 밀리초 단위의 추론 시간(예: H200에서 열교환기 추론당 0.35 ms)을 달성하여 실시간 모니터링 루프를 가능하게 한다.
• 강건성: 50% 센서 노이즈 하에서도 안정성을 유지한다. 결정론적 베이스라인 모델들이 크게 저하되는 반면(예: 오차 약 30~50% 증가), 몬테카를로(MC) 드롭아웃 앙상블을 사용하는 MIMONet은 오차 상승을 3% 미만으로 유지한다.
• 불확실성 정량화: MC 드롭아웃과 컨포멀 예측(conformal prediction)을 결러 결합하여 보정된 불확실성 추정치를 제공한다. 사후 보정(post-hoc calibration)을 통해 95% 예측 구간이 명목 커버리지를 달성하도록 하여, 접근 불가능한 영역에 대해 통계적으로 유효한 신뢰 구간을 제공한다.
• 일반화: 이 연산자는 "메쉬 독립적" 평가를 지원하여, 재학습이나 재격자 생성 없이도 임의의 좌표에서 쿼리를 수행할 수 있으며, 이는 센서 위치와 물리적으로 분리된 영역에서도 가능하다.

의의 및 주장
본 논문은 MIMONet이 직접적인 계측이 불가능한 안전 필수 에너지 시스템의 연속적이고 실시간적인 모니터링을 위한 시뮬레이션 기반 타당성을 확립한다고 주장한다. 주요 기여는 다음과 같다:

1. 패러다임 전환: 가상 센싱을 점 단위의 스칼라 추정에서 연산자 학습을 이용한 일관된 전역 필드 재구성으로 전환한다.
2. 아키텍처 특이성: 곱셈적 융합 및 공유 잠재 디코딩과 같은 특정 아키텍처 선택이 단일 필드 연산자가 처리할 수 없는 핵열유체 시스템의 결합된 다중 물리 특성을 다루는 데 필수적임을 입증한다.
3. 운용 가능성: 신경 연산자가 실시간 안전 마진 확보에 필요한 "한 번 학습 후 지속적 배포(train-once, deploy-continuously)" 속성을 달성할 수 있음을 증명하며, 고충실도 CFD 대비 5~6 자릿수(orders of magnitude)의 속도 향상을 제공한다.

저자들은 이 연구를 기존의 단일 필드 형태로는 다뤄지지 않았던 도메인에 대한 신경 연산자의 체계적인 적용이라고 규정한다. 저자들은 본 방법론이 고충실도 시뮬레이션을 통해 검증되었으나, 실제 원자로에 자율적으로 배치되기 전에는 향후 실험적 및 교차 솔버 검증이 필요함을 명시하고 있다. 이 연구는 물리적 센서를 대체하는 것이 아니라, 센서 설치가 물리적으로 불가능한 영역의 관측 가능성을 복원하는 것을 목표로 한다.