Physics-informed neural network for predicting fatigue life of unirradiated and irradiated austenitic and ferritic/martensitic steels under reactor-relevant conditions

본 연구는 원자로 환경에서 사용되는 오스테나이트계 및 페라이트/마르텐사이트계 강재의 피로 수명을 예측하기 위해 물리 법칙을 손실 함수에 통합한 물리 정보 신경망 (PINN) 프레임워크를 제안하고, 기존 기계학습 모델 대비 우수한 성능과 해석 가능성을 입증했습니다.

핵심

이 논문은 원자력 발전소의 핵심 부품이 되는 '강철'이 얼마나 오래 견딜 수 있을지 예측하는 새로운 방법을 소개합니다. 마치 수천 년을 버텨야 하는 거대한 다리나 비행기 엔진처럼, 원자로 내부의 강철은 극한의 열과 방사선이라는 '악몽 같은 환경'에 노출됩니다.

이 연구는 **"물리 법칙을 배우는 똑똑한 AI"**를 만들어서, 실험실 데이터를 거의 다 쓰지 않고도 그 강철의 수명을 정확히 예측하는 기술을 개발했습니다.

이 복잡한 연구를 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: 왜 기존 방법은 부족했을까? (수험생 vs 현직 전문가)

기존에는 강철의 수명을 예측할 때 두 가지 방법을 썼습니다.

1. 실험: 강철을 방사선에 쬐고, 뜨거운 곳에 넣고, 구부렸다 펴는 시련을 반복하며 수명을 측정합니다. 하지만 이 실험은 시간도 오래 걸리고, 비용도 천문학적으로 비쌉니다. (마치 매번 새로운 자동차를 부숴가며 내구성을 테스트하는 것과 같습니다.)
2. 기존 AI (데이터만 보는 학생): 과거 실험 데이터를 많이 먹여 학습시킨 AI는 데이터가 있는 곳에서는 잘하지만, 데이터가 없는 새로운 상황 (예: 아주 높은 온도나 강한 방사선) 에서는 엉뚱한 소리를 합니다. 마치 책상 앞에만 앉아 이론만 공부한 수험생이, 실제 현장에 나가면 당황하는 것과 비슷합니다.

2. 해결책: PINN (물리 법칙을 외운 현직 전문가)

연구진이 개발한 **PINN(물리 정보 신경망)**은 기존 AI 와 다릅니다.

• 기존 AI: "과거에 A 라는 조건에서 B 로 망가졌으니, 이번에도 B 가 될 거야." (데이터만 보고 추측)
• PINN: "과거 데이터도 보지만, '힘을 더 가하면 무조건 더 빨리 망가진다'는 물리 법칙을 알고 있어. 그래서 데이터가 부족해도 논리적으로 맞는 답을 찾아낼 수 있어."

비유하자면:
기존 AI 가 기억력만 좋은 학생이라면, PINN 은 물리 법칙을 완벽히 이해하고 있는 현직 엔지니어입니다. 데이터가 부족해도 "아, 이 정도 힘과 열이 가해지면 원리상 이렇게 변할 거야"라고 추론할 수 있는 것이죠.

3. 실험 결과: 두 가지 강철의 다른 성격

연구진은 원자력 발전소에서 쓰이는 두 가지 주요 강철을 테스트했습니다.

• 오스테나이트계 스테인리스강 (SS316 등):

  • 성격: 평소에는 튼튼하지만, 방사선과 고온에 매우 민감합니다.
  • 비유: "예민한 예술가" 같습니다. 조금만 스트레스 (방사선, 고온) 를 받으면 성질이 변해서 금방 피로해지고 부서집니다.
  • 결과: 방사선 양이 조금만 늘어도 수명이 급격히 줄어듭니다.

• 페라이트/마르텐사이트강 (F/M 강철, EUROFER97 등):

  • 성격: 방사선에 매우 강인합니다. 하지만 너무 뜨거워지면 약해집니다.
  • 비유: "튼튼한 군인" 같습니다. 총알 (방사선) 을 맞으면 조금씩 다치지만, 어느 정도까지는 버팁니다. 하지만 너무 뜨거운 사막 (고온) 에 가면 체력이 급격히 떨어집니다.
  • 결과: 방사선 양이 늘어나도 수명이 잘 변하지 않다가, 특정 온도 (약 550°C) 를 넘어서면 갑자기 수명이 짧아집니다.

4. 핵심 발견: 무엇이 수명을 결정할까?

AI 가 분석한 결과, 강철의 수명을 좌우하는 세 가지 '악당'이 있었습니다.

1. 진동 (변형률): 강철을 구부렸다 펴는 정도가 클수록 수명이 짧아집니다. (가장 중요)
2. 방사선: 방사선에 노출될수록 수명이 줄어듭니다.
3. 온도: 온도가 높을수록 수명이 줄어듭니다.

특히 PINN 은 이 세 가지가 서로 어떻게 영향을 주고받는지 (예: 온도가 높을 때 방사선 효과가 더 심해지는지) 를 정확히 파악해냈습니다.

5. 왜 이 기술이 중요한가?

• 안전하고 저렴한 설계: 앞으로 새로운 원자로를 만들 때, 수천 번의 실험을 하지 않아도 AI 가 "이 강철은 이 정도 조건에서 20 년은 버틸 거야"라고 정확히 예측해줍니다.
• 예측의 신뢰도: 데이터가 부족한 극한 상황에서도 물리 법칙을 따르기 때문에, 엉뚱한 예측을 하지 않습니다.

요약

이 논문은 "데이터만 보고 추측하는 AI"에서 "물리 법칙을 이해하는 AI"로 진화시켰다는 점에 의미가 있습니다. 마치 기억력만 좋은 학생에서, 원리를 이해하는 전문가로 성장시킨 것과 같습니다. 이를 통해 원자력 발전소의 안전성을 높이고, 더 효율적인 차세대 원자로를 설계하는 데 큰 도움을 줄 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 원자로 (핵분열 및 핵융합) 환경은 고온, 부식성 냉각재, 그리고 강력한 중성자 조사 (Irradiation) 가 결합된 극한 조건입니다. 이러한 환경에서 구조 재료인 오스테나이트계 스테인리스강 (Austenitic steels) 과 페라이트/마르텐사이트계 강 (F/M steels) 은 조사로 인한 결함 (공공, 격자간 원자, 전위 루프 등) 이 발생하여 경화, 취화, 팽창이 일어나고, 피로 수명이 급격히 저하됩니다.
• 문제점:
  • 기존 경험적 모델 (Manson-Coffin-Basquin 등) 은 복잡한 변수 간 상호작용을 포착하기 어렵고, 조사된 시료에 대한 데이터 확보 비용이 매우 높습니다.
  • 기존 기계학습 (Machine Learning, ML) 모델은 데이터가 부족하거나 분포가 불균일할 경우 일반화 (Generalization) 능력이 떨어지며, 물리 법칙을 고려하지 않아 비물리적인 예측을 할 수 있습니다.
  • 특히 조사된 재료의 피로 수명 예측을 위한 데이터는 제한적이며, 미세구조적 지표 (미세구조 설명자) 가 문헌에 거의 보고되지 않아 데이터 기반 모델의 학습에 한계가 있습니다.

2. 방법론 (Methodology)

이 연구는 물리 정보 신경망 (Physics-Informed Neural Network, PINN) 프레임워크를 개발하여 저주기 피로 (LCF) 수명을 예측하는 것을 목표로 합니다.

• 데이터 구성:
  • 문헌에서 수집된 495 개의 데이터 포인트 (254 개 비조사, 241 개 조사) 를 사용했습니다.
  • 대상 재료: 오스테나이트계 (SS304, SS316 등) 와 F/M 강 (HT9, T91, EUROFER97 등).
  • 입력 특징 (Features): 원소 조성, 전처리 조건, 조사 조건 (선량 dpa, 온도, 환경), 시험 조건 (변형률 진폭, 온도, 변형률 속도) 등 총 50 개 이상의 변수.
  • 전처리: 결측치 및 무한대 값을 처리하기 위해 특수한 값 (-10, +10) 을 할당하고, 모든 입력을 0~1 범위로 정규화했습니다.
• PINN 아키텍처:
  • 기존 신경망 (NN) 에 물리 법칙을 기반으로 한 손실 함수 (Loss Function) 를 추가했습니다.
  • 물리 제약 조건: 피로 수명 ($N$) 이 변형률 진폭 ($\epsilon$), 온도 ($T$), 조사 선량 ($d$) 이 증가함에 따라 감소해야 한다는 물리적 경향성을 편미분 방정식 (PDE) 형태로 제약 조건에 포함시켰습니다.
    • $\frac{\partial N}{\partial \epsilon} \le 0$, $\frac{\partial N}{\partial T} \le 0$, $\frac{\partial N}{\partial d} \le 0$ 등.
  • 손실 함수: 데이터 오차 (Huber Loss) 와 물리 제약 위반에 대한 패널티 (Regularization term) 를 결합하여 총 손실 함수를 구성했습니다.
• 비교 모델: PINN 의 성능을 검증하기 위해 랜덤 포레스트 (RF), 그래디언트 부스팅 (GB), XGBoost (XGB), 그리고 기존 데이터 기반 신경망 (NN) 과 비교 분석했습니다.
• 해석성 및 검증: SHAP (SHapley Additive exPlanations) 분석을 통해 주요 특징의 중요도를 평가하고, 블록 단위 교차 검증 (Block-wise cross-validation) 으로 모델의 일반화 능력을 확인했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 모델 성능 비교

• PINN 의 우수성: PINN 은 다른 모든 ML 모델 (RF, GB, XGB, NN) 보다 뛰어난 성능을 보였습니다.
  • 테스트 데이터에서 $R^2 \approx 0.88$, MSE $\approx 0.059$를 기록했습니다.
  • 기존 모델들은 훈련 데이터에서는 높은 정확도를 보였으나 테스트 데이터에서 성능이 떨어지는 과적합 (Overfitting) 경향을 보인 반면, PINN 은 훈련과 테스트 간 편차 (Bias-Variance) 가 균형을 이루어 더 안정적이고 신뢰할 수 있는 예측을 제공했습니다.
• 강건성 (Robustness): 다양한 데이터 분할 (Random State) 에서 PINN 은 가장 낮은 표준 편차와 변동 계수를 보여 데이터 분할에 덜 민감하고 가장 안정적인 모델임을 입증했습니다.

B. 특징 중요도 및 물리적 해석 (SHAP Analysis)

• 주요 영향 인자: 변형률 진폭 (Strain amplitude), 조사 선량 (Irradiation dose), 시험 온도 (Test temperature) 가 피로 수명에 가장 큰 영향을 미치는 3 대 요소로 확인되었습니다.
• 물리적 일관성: SHAP 분석 결과, 이 세 변수가 증가할수록 피로 수명이 감소한다는 물리적으로 타당한 음의 상관관계를 모델이 학습했음을 확인했습니다. 이는 모델이 우연한 상관관계가 아닌 실제 물리 메커니즘을 학습했음을 시사합니다.

C. 재료별 거동 분석 (Univariate & Multivariate Trends)

• 오스테나이트계 강 (SS316): 변형률 진폭, 조사 선량, 온도에 모두 민감하게 반응하며, 세 요소가 결합될 때 피로 저하가 비선형적으로 급격히 가속화되는 경향을 보였습니다.
• F/M 강 (EUROFER97):
  • 조사 선량에 대한 내성이 상대적으로 높았습니다 (선량 포화 현상).
  • 그러나 임계 온도 (약 550°C) 를 초과하면 급격한 수명 저하가 발생했습니다. 이는 시험 온도가 강재의 담금질 (Tempering) 온도 이상으로 올라가 미세구조적 불안정성이 발생하기 때문으로 해석되었습니다.
• 다변량 분석: PINN 은 변형률, 선량, 온도의 복잡한 상호작용 (Synergistic/Antagonistic effects) 을 3 차원 표면으로 잘 포착하여, 각 재료의 고유한 열화 메커니즘을 성공적으로 재현했습니다.

4. 한계점 및 향후 과제 (Limitations & Outlook)

• 데이터의 제한: 조사 피로 데이터는 본질적으로 부족하고 불균형하게 분포되어 있으며, 특히 고선량/고온 영역의 데이터가 희소합니다.
• 미세구조 정보 부재: 조사 경화나 피로 거동을 결정하는 핵심 미세구조 지표 (결함 밀도, 석출물 등) 가 데이터에 포함되어 있지 않아, 모델의 학습이 주로 현상론적 (Phenomenological) 수준에 머무릅니다.
• 외삽의 주의: 물리 제약이 일반화를 돕지만, 훈련 영역을 벗어난 극한 조건 (매우 높은 선량/온도) 에 대한 예측은 실험적 검증이 필요하며 신중하게 해석해야 합니다.

5. 연구의 의의 (Significance)

• 핵심 기여: 이 연구는 원자로 환경의 오스테나이트 및 F/M 강에 대한 첫 번째 PINN 기반 피로 수명 예측 프레임워크를 제시했습니다.
• 실용적 가치: 물리 법칙을 통합함으로써 데이터가 부족한 상황에서도 신뢰할 수 있는 예측을 가능하게 하여, 고비용의 실험적 피로 테스트를 줄이고 차세대 원자로 설계 및 수명 평가에 기여할 수 있습니다.
• 해석 가능성: SHAP 분석을 통해 모델이 물리적으로 의미 있는 변수에 기반하여 작동함을 입증하여, 블랙박스 모델의 신뢰성을 높였습니다.

결론적으로, 본 연구는 데이터 기반 머신러닝과 물리 법칙의 융합을 통해 극한 환경 하의 재료 피로 수명 예측의 정확성과 신뢰성을 획기적으로 개선한 사례로 평가됩니다.