🤖 machine learning

Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor

본 논문은 SHRED(Shallow Recurrent Decoder) 네트워크를 가동 중인 TRIGA Mark II 원자로에 적용한 첫 사례를 제시하며, 합성 및 실험적 온도 데이터를 모두 사용하여 센서 노이즈와 모델 불일치에 대한 견고성을 유지하면서 실시간으로 전체 상태장을 정확하게 재구성하는 능력을 입증한다.

원저자: Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi

게시일 2026-09-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

원자로 내부의 노심은 물이 흐르고, 연료가 타며, 에너지가 방출되는 강렬한 열기와 보이지 않는 힘이 작용하는 곳입니다. 이러한 시스템을 안전하고 효율적으로 유지하기 위해 엔지니어들은 매 순간 내부에서 정확히 어떤 일이 일어나고 있는지 알아야 합니다. 그들은 물의 온도를 추적하고, 유속을 측정하며, 연료 채널 내부에 쌓이는 압력을 파악해야 합니다. 하지만 원자로 내부는 매우 가혹한 환경입니다. 너무 뜨겁고 방사능이 강해 대부분의 계측기가 오래 버티기 어렵습니다. 이는 과학자들에게 어려운 난제를 안겨줍니다. 즉, 단 몇 개의 특정 지점에 배치된 소수의 센서만으로 거대한 기계 전체의 상태를 추측해야 하는 것입니다. 이는 마치 단 두 개의 작은 창문을 통해 하늘을 보면서 대륙 전체의 날씨를 이해하려는 것과 같습니다. 수십 년 동안 이 문제를 해결하기 위해서는 복잡한 수학적 모델이 필요했으나, 이러한 모델은 실행 속도가 느리고 실제 세상이 이론과 완벽히 일치하지 않을 때 어려움을 겪는 경우가 많았습니다.

이제 한 연구팀이 '얕은 순환 디코더(shallow recurrent decoder)'라고 불리는 유형의 인공지능을 사용하여 이 문제를 더 빠르게 해결하는 새로운 방법을 테스트했습니다. 이 방법은 제한적이고 노이즈가 섞인 소수의 센서 데이터로부터 원자로 내부의 전체적이고 상세한 그림을 실시간으로 재구성하도록 설계되었습니다. 연구진은 이 기술을 이탈리아 파비아 대학교에 있는 잘 알려진 연구용 원자로인 TRIGA Mark II에 적용했습니다. 그들은 이 새로운 도구가 센서가 물의 움직임이 거의 없는 '조용한' 지점에 배치되었을 때도 원자로의 상태를 정확하게 추측할 수 있는지, 그리고 컴퓨터 모델이 실제 측정값과 불일치할 때 스스로를 수정할 수 있는지 확인하고자 했습니다.

연구팀은 먼저 원자로가 어떻게 작동해야 하는지에 대한 완벽한 기준 역할을 할 상세한 컴퓨터 시뮬레이션을 만드는 것으로 시작했습니다. 그런 다음 시뮬레이션에서 얻은 데이터를 사용하여 인공지능을 학습시켰지만, 여기에는 반전이 있었습니다. 시스템에게 오직 두 개의 매우 특정한 채널에서 얻은 온도 측정값에만 접근할 수 있는 것처럼 행동하도록 지시한 것입니다. 한 채널은 물의 흐름이 느린 원자로 노심의 바깥쪽 가장자리에 위치했고, 다른 하나는 제어봉 뒤에 숨겨져 있어 흐름이 차단되어 관찰하기 어려운 곳에 위치했습니다. 이들은 물리적 제약 때문에 센서가 배치될 수밖에 없는 '나쁜' 위치들입니다. 이처럼 제한적이고 흥미롭지 않은 데이터로 시작했음에도 불구하고, 시스템은 원자로의 다른 모든 곳에서의 온도, 속도, 압력을 예측하는 법을 배웠습니다. 결과는 놀라울 정도로 정확했습니다. 시스템은 완벽한 시뮬레이션과 비교했을 때 평균 오차 4% 미만으로 전체 유동장을 재구성해 냈습니다. 시스템은 센서가 전혀 없는 곳에서도 물의 거동을 성공적으로 파악해 냈으며, 이는 단 몇 개의 조용한 지점만으로도 시스템의 숨겨진 역학을 학습할 수 있음을 증명했습니다.

연구진은 그다음 단계로, 컴퓨터 시뮬레이션이라는 완벽한 세계에서 벗어나 실제 원자로라는 무질서한 현실로 나아갔습니다. 그들은 원자로가 차가운 상태에서 시작하여 전출력에 도달할 때 기록된 실제 실험 온도 데이터를 사용했습니다. 이 단계에서 그들이 학습시킨 컴퓨터 모델은 실제 세상과 완벽하게 일치하지 않았습니다. 예를 들어, 모델은 상부에서 유입되는 일부 차가운 물의 순환을 고려하지 못했고, 이로 인해 실제 센서는 시뮬레이션이 예측한 것보다 낮은 온도를 나타냈습니다. 연구진이 실제 실험 데이터를 학습된 시스템에 입력했을 때, 인공지능은 그 차이를 감지했습니다. 결함이 있는 컴퓨터 모델을 맹목적으로 따르는 대신, 시스템은 실제 측정값에 더 가깝게 예측을 조정했습니다. 즉, 시스템은 모델의 배경 지식을 효과적으로 '수정'하여 예측값과 실제 온도 측정값 사이의 오차를 줄였습니다. 어떤 경우에는 이 새로운 방법이 기존의 컴퓨터 시뮬레이션 단독 사용 시보다 훨씬 더 정확했습니다.

이 연구는 이 새로운 유형의 신경망이 단순한 이론적 연습이 아니라, 실제 공학적 제약을 다룰 수 있는 실용적인 도구임을 보여줍니다. 이 시스템은 센서가 좋지 않은 위치에 배치되어도 작동할 만큼 견고하며, 새로운 실제 데이터에 직면했을 때 이해도를 업데이트할 수 있을 만큼 유연하다는 것을 보여주었습니다. 연구진은 이 시스템이 표준 노트북에서 단 몇 분 만에 원자로의 복잡한 물리학을 학습할 수 있다는 것을 발견했는데, 이는 전통적인 고성능 시뮬레이션 방식으로는 불가능한 속도입니다. 현재의 연구는 특정하고 정상적인 운전 시나리오에 집중되어 있지만, 이 결과는 이 접근 방식이 궁극적으로 원자로의 '디지털 트윈(digital twins)'—물리적 센서가 부족하거나 조건이 변하더라도 실시간으로 실제 플랜트를 모니터링하는 가상 복제본—을 구축하는 데 도움이 될 수 있음을 시사합니다. 이 연구는 적절한 데이터 기반 접근 방식이 있다면, 우리가 투명하고 확신을 가지고 원자로의 보이지 않는 심장을 들여다볼 수 있음을 확인시켜 줍니다.

기술 요약: TRIGA Mark II 원자로에서의 제약된 센싱 및 신뢰할 수 있는 상태 추정 - 얕은 순환 디코더(Shallow Recurrent Decoders)를 중심으로

문제 정의
희소하고 노이즈가 있는 센서 측정값으로부터 원자로의 내부 상태를 재구성하는 것은 모니터링 및 제어에 있어 매우 중요한 과제이다. 원자로는 물리적 접근성, 경제적 제약, 안전 규제로 인해 센서 배치가 제한되는 가혹한 환경에서 작동하는 복잡한 다중 물리 시스템이다. 결과적으로, 상태 추정 작업은 다음과 같은 특징을 가진 부적정 역문제(ill-posed inverse problems)로 정의된다: (i) 제한적이고 임의적이지 않은 센서 배치; (ii) 간접적으로 추론해야 하는 미관측 필드(예: 속도, 압력, 난류)의 존재; (iii) 모델링 가정이나 파라미터 불확정성으로 인한 수학적 모델(학습에 사용됨)과 실제 데이터 사이의 불일치. 칼만 필터(Kalman Filtering)나 변분법(variational approaches)과 같은 전통적인 데이터 동화(Data Assimilation, DA) 방식은 고차원 편미분 방정식(PDE)의 계산 비용이 많이 드는 최적화 과정을 필요로 하며, 이는 준실시간(quasi-real-time) 응용 분야에 적합하지 않다.

방법론: SHRED 아키텍처
본 연구는 희소한 센서 시계열 데이터를 전체 시스템 상태 공간으로 매핑하기 위해 설계된 데이터 기반 아키텍처인 SHRED(Shallow Recurrent Decoder) 네트워크를 적용한다. 이 방법론은 다음 구성 요소에 의존한다:

아키텍처: SHRED는 장단기 메모리(LSTM) 네트워크와 얕은 디코더 네트워크(SDN)를 결합한다. LSTM은 희소한 센서 시계열로부터 시간적 역학(temporal dynamics)을 포착하며, SDN은 잠재 표현(latent representation)을 전체 상태 공간으로 디코딩한다.
이론적 기초: 이 접근 방식은 단일 시점의 조밀한 공간 데이터를 센서 측정값의 시간 궤적(time-trajectory)으로 대체하는 타켄스 임베딩 정리(Takens embedding theorem)를 활용한다. 이는 변수 분리(separation of variables)를 통해 시간적 거동을 공간적 구조와 분리하는 PDE에 근거한다.
차원 축소: 고차원 상태 벡터(예: $10^4$ ~ $10^6$ 자유도)를 처리하기 위해, 본 방법은 특이값 분해(SVD) 또는 적절 직교 분해(POD)를 사용한다. 신경망은 축소된 차원의 잠재 공간에서 작동하며, 센서 측정값을 전체 상태로 직접 매핑하는 대신 축소된 계수(reduced coefficients)로 매핑한다.
앙상블 전략: 노이즈가 있는 데이터를 처리하고 견고성을 높이기 위해, 본 프레임워크는 서로 다른 센서 구성의 하위 집합을 사용하여 SHRED 모델의 앙상블을 학습시킨다. 최종 예측값은 이 모델들의 평균값이며, 신뢰 구간이 함께 제공된다.
학습 효율성: 축소된 공간에서 작동함으로써 학습은 계산 효율적이며(표준 노트북에서 몇 분 소요), 하이퍼파라미터 튜닝이 최소한으로 요구된다.

응용 및 실험 설정
본 연구는 파비아 대학교(University of Pavia)의 TRIGA Mark II 연구 원자로(250 kW)에 초점을 맞춘다. 배경 모델은 온도( $T$ ), 속도( $u$ ), 압력( $p$ ), 난류 운동 에너지( $\kappa$ ), 소산율( $\omega$ )을 상태 벡터로 갖는 원자로 노심의 전산유체역학(CFD) 시뮬레이션이다.

데이터 소스: 본 연구는 CFD 모델로부터 얻은 합성 데이터와 특정 노심 채널의 Pt1000 온도 센서를 이용한 2016년 캠페인의 실험 데이터를 모두 활용한다.
제약 조건: 센서는 "저역학(low-dynamics)" 채널(예: 주변부 채널 또는 제어봉에 의해 가려진 채널)로 제한되어, 최적화되지 않은 위치에 대한 아키텍처의 견고성을 테스트한다. 온도만이 직접 관측 가능하며, 다른 필드들은 미관측 상태이다.

주요 기여
본 논문은 네 가지 주요 기여를 주장한다:

최초의 실전 배치 적용: 개념적 설계나 소규모 실험 시설을 넘어, 실제 운영 중인 원자로(TRIGA Mark II)에 SHRED를 적용한 첫 사례이다.
하이브리드 데이터 통합: 합성 데이터와 실험 데이터를 SHRED 프레임워크 내에서 통합하여, 실세계의 불일치를 처리하는 모델의 능력을 테스트한다.
견고성 평가: 물리적으로 제약된 저역학 센서 위치에서도 SHRED가 센서 배치에 무관하게 작동함을 체계적으로 평가하였다.
자기 수정 능력 평가: 모델과 데이터 간의 불일치가 존재할 때, 실측치를 사용하여 배경 지식을 업데이트하는 능력을 정량적으로 평가한다.

결과

합성 데이터 재구성: 제약된 센서(저역학 채널)를 사용한 합성 데이터를 통해, SHRED는 전체 상태 공간을 정확하게 재구성하였다. 모든 필드(미관측 필드인 속도 및 난류 포함)에 대해 유클리드 노름 기준 평균 상대 오차가 4% 미만이었다. 앙상블 전략은 신뢰할 수 있는 신뢰 구간을 제공했다.
실험적 검증 및 자기 수정: 실험 데이터로 테스트했을 때, SHRED는 배경 CFD 모델을 수정하는 능력을 보여주었다.
- 실험 데이터가 CFD 모델과 일치하지 않는 시나리오(예: 상부 풀의 미모델링된 재순환 현상)에서, SHRED는 예측값을 조정하여 실험 측정값과 더 잘 일치하도록 하였다.
- 정량적 분석 결과, SHRED는 배경 CFD에 비해 평균 제곱근 오차(RMSE)를 감소시켰다. 예를 들어, Hole 9 데이터를 학습하여 Hole 3에서 테스트했을 때, 평균 RMSE는 CFD의 2.155 K에서 SHRED의 1.032 K로 감소하였다.
- 아키텍처는 모델과 현실 사이의 불일치를 성공적으로 인식하여 출력을 재조정(rescaling)함으로써 보상하였으나, 완전한 물리적 데이터 동화(예: 지배 방정식의 업데이트)를 수행하지는 않았다.

의의 및 주장
본 논문은 SHRED가 디지털 트윈 구축을 위한 견고하고 해석 가능하며 계산 효율적인 원자로 모니터링 및 제어 솔루션을 제공한다고 주장한다. 그 의의는 다음과 같다:

센서 무관성(Sensor Agnosticism): 본 방법은 최적의 센서 배치를 요구하지 않으므로, 엄격한 물리적 제약이 있는 시스템에 적합하다.
실시간 잠재력: 빠른 학습 및 추론 능력은 높은 계산 비용에 묶여 있는 전통적인 DA 방식과 달리 실시간 상태 추정을 가능하게 한다.
불확실성 처리: 앙상블 접근 방식은 안전이 중요한 응용 분야에서 필수적인 신뢰 구간을 제공한다.
모델 업데이트: 실측치를 사용하여 배경 모델의 불일치를 부분적으로 수정할 수 있는 능력은 적응형 모니터링 시스템을 위한 경로를 제시한다.

저자들은 현재 구현된 방식이 재구성 모드(관측된 창 외부의 예측은 불가)로 작동하며, 수정 능력이 완전한 물리적 데이터 동화 과정보다는 크기 재조정(magnitude rescaling)에 국한된다는 점을 언급하며 한계를 인정하였다. 향후 연구로는 SHRED를 진정한 데이터 동화 프레임워크에 통합하고, 파라미터 변화 및 사고 과도 현상(accidental transients)으로 적용 범위를 확장하는 것이 제안되었다.

유사한 논문