On the feasibility of model-based feedback control of vertical instability growth rate using out-vessel coils in ARC-like scenarios

기술 요약: ARC 유사 시나리오에서 모델 기반 피드백 제어를 통한 수직 불안정성 성장률 제어의 타당성

문제 정의
고성능 핵융합 성능 달성에 필수적인 고연장(high-elongation) 토카막 플라즈마는 본질적으로 축대칭 $n=0$ 모드에 대해 수직 불안정성을 가집니다. 현재의 연구 장치에서는 이러한 불안정성을 제어하기 위해 짧은 결합 거리와 높은 대역폭을 제공하는 인베슬(in-vessel) 코일을 사용하여 안정화합니다. 그러나 ARC 설계와 같은 미래의 핵융합 발전소에서는 블랭킷 및 진공 용기 제약으로 인해 인베슬 코일이 없을 수 있으며, 이 경우 멀리 떨어진 아웃베슬(out-vessel) 폴로이달장(PF) 코일만을 사용하여 안정화를 수행해야 합니다. 스탠드오프(stand-off) 거리가 증가하면 자기 결합이 약해지고 필요한 제어 노력이 증가합니다. 또한, 플라즈마 전류 중심 위치를 조절하는 기존의 비례-미분(PD) 제어는 안정성 마진(성장률, $\gamma_{gr}$)을 직접적으로 조절하지 못합니다. 플라즈마가 위치 기준치를 만족하더라도 위험할 정도로 높은 성장률을 가진 상태로 운전될 수 있는데, 이는 중심 변위가 연장도, 내부 인덕턴스 또는 불안정성을 유발하는 압력 프로파일의 변화를 즉각적으로 반영하지 않기 때문입니다. 과제는 오직 아웃베슬 액추에이터만을 사용하여 $\gamma_{gr}$을 직접 조절하면서, 수직 안정성, 더블 뉴(double-null, DN) 자속 균형, 그리고 플라즈마 형상 사이의 다변수 결합을 관리하는 제어기를 설계하는 것입니다.

방법론
저자들은 주요 제어 변수로 수직 불안정성 성장률($\gamma_{gr}$)을 조절하는 모델 기반 피드백 제어기를 제안합니다. 이 아키텍처는 세 가지 통합된 구성 요소로 이루어져 있습니다:

1. 비강체 안정성을 위한 머신러닝 대리 모델(Surrogate):
   $\gamma_{gr}$과 액추에이터 전류에 대한 민감도를 실시간으로 추정하도록 학습된 신경망 대리 모델을 사용합니다. 강체 플라즈마 근사와 달리, 이 대리 모델은 비강체 프로파일 입력인 압력 구배 $P'(\psi)$와 토로이달 자기장 함수 항 $TT'(\psi)$를 수용합니다. 이를 통해 모델은 적분 파라미터(예: 내부 인덕턴스 $\ell_i$)가 구분할 수 없는 프로파일 의존적 불안정성 변화를 해상할 수 있습니다. 아키텍처는 듀얼 브랜치 방식을 사용합니다: 다층 퍼셉트론(MLP)은 스칼라 평형 파라미터(예: $I_p$, $\ell_i$, 코일 전류)를 처리하고, 1D 합성곱 신경망(CNN)은 프로파일 형상을 처리합니다. 이 브랜치들은 융합되어 $\gamma_{gr}$, 섭동 자속, 전류 밀도를 출력합니다. 학습된 대리 모델에 자동 미분을 적용하여 상태 의존적 액추에이터 민감도($\partial \gamma_{gr} / \partial I_{PF}^c$)를 실시간으로 계산합니다.

2. 제약 조건이 있는 이차 계획법(QP) 제어기:
   제어기는 각 타임 스텝마다 코일 전압 명령($V_{PF}$)을 계산하기 위해 제약 조건이 있는 QP를 채택합니다. 비용 함수는 예측값과 타겟 값 사이의 네 가지 출력(성장률 $\gamma_{gr}$, DN 자속 균형 $\psi_r$, 수직 위치 $z$, 플라즈마 전류 $I_p$)에 대한 오차를 최소화합니다. QP는 아웃베슬 전원 공급 장치의 물리적 한계를 반영하여 코일 전압 및 전류에 대한 엄격한 제약 조건을 명시적으로 적용합니다. 이 제어기는 비용 함수에서 경계 형상(연장도, 삼각형도)을 명시적으로 조절하지 않으며, 형상은 별도의 외곽 루프 또는 피드포워드 설계에 의해 관리된다고 가정합니다.

3. 시뮬레이션 환경:
   시스템은 ARC V3A 발전소 설계 구성(고자기장, 컴팩트 토카막)에 대해 오프라인 폐루프 시뮬레이션을 통해 테스트됩니다. 시뮬레이션은 패시브 구조의 와전류를 포함하는 MEQ-FGE-L 평형 진화 코드와 PF 코일 회로 및 전원 공급 장치 모델을 결합합니다. 제어 주기는 1 kHz로 작동합니다.

주요 결과
제어기는 평형 변화, 액추에이터 성능 저하 및 과도적 교란을 포함하는 24개의 폐루프 시뮬레이션 케이스를 통해 평가되었습니다.

• 성능 지표: 제어기는 50%의 케이스에서 "Pass"(모든 설계 기준 충족), 33%에서 "Marginal"(기준을 간신히 충족하거나 간헐적 위반 발생), 17%에서 "Fail"을 기록했습니다.
• 성공 사례: 베이스라인 시나리오($\kappa_{sep}=1.80$)에서 제어기는 초기 +4.2 s$^{-1}$였던 $\gamma_{gr}$을 0.5초 이내에 목표치인 5 s$^{-1}$로 조절하였으며, 수직 변위를 소구경 반경의 2% 미만으로 유지했습니다.
• 실패 모드:
  • 전압 권한 한계: 매우 높은 초기 성장률(예: 높은 연장도와 피크 전류 프로파일로 인한 $\gamma_{gr} > 10$ s$^{-1}$)을 가진 케이스들은 500 V 전압 제한이 불안정성을 상쇄하기에 불충분하여 실패했습니다.
  • 복합적 성능 저하: 개별적인 성능 저하(예: 전압 감소 또는 레이턴시 증가)는 종종 관리 가능했으나, 조합된 형태(예: 낮은 전압 + 높은 레이턴시)는 제어 실패로 이어져 안정성 마진을 여러 방향에서 침식시켰습니다.
  • 대리 모델의 외삽 문제: 극단적인 소테(sawtooth) 크래시와 같은 큰 과도적 교란은 평형 상태를 대리 모델의 학습 분포 밖으로 밀어냈고, 이는 예측 오류와 민감도 부정확성을 초래하여 제어 상실 또는 지속적인 진동을 유발했습니다.
• 형상 결합: 베이스라인 케이스에서 경계 형상(separatrix)의 연장도는 명시적인 형상 제어 없이도 안정적($\pm 0.02$)으로 유지되었습니다. 이는 지배적인 안정화 액추에이터(PF5 차동 모드)와 형상 설정 고조파 사이의 약한 결합 덕분인 것으로 분석되었습니다. 그러나 저자들은 지속적인 형상 진화를 위해서는 별도의 제어 계층이 필요하다고 언급했습니다.

의의 및 주장
본 논문은 고연장, 더블 뉴 상황의 핵융합 발전소를 대표하는 구성에서, 오직 아웃베슬 코일만을 사용하여 수직 불안정성 성장률을 직접 조절하는 모델 기반 제어기의 타당성을 입증했다고 주장합니다.

• 직접적인 성장률 조절: 본 연구는 위치가 아닌 $\gamma_{gr}$을 직접 조절하는 것이 큰 수직 변위가 발생하기 전에 안정성 마진 신호를 제공하여 교정 윈도우를 확장한다는 점을 검증했습니다.
• 프로파일 인식 대리 모델: 적절한 (비강체) 머신러닝 대리 모델을 사용하는 것이 적분 파라미터가 놓칠 수 있는 내부 플라즈마 프로파일에 의한 불안정성 변화를 정확하게 포착하는 데 필수적임을 강조합니다.
• 제약 조건 처리: 제약 조건이 있는 QP 접근 방식은 아웃베슬 제어의 고유한 특성인 다변수 결합과 액추에이터 한계를 효과적으로 관리하며, 이는 테스트된 시나리오에서 비제약 또는 디커플링된 제어 전략보다 우수한 성능을 보였습니다.
• 제어 가능성의 경계: 본 연구는 전압 권한과 극한 조건에서의 안정성 대리 모델 정확도가 주요 제한 요인임을 식별함으로써 아웃베슬 제어 가능성의 경계를 매핑했습니다.

저자들은 이 작업이 향업 실험 검증을 위한 기초를 마련하는 것이지, 완성된 엔지니어링 솔루션을 구성하는 것은 아니라고 명시적으로 밝혔습니다. 그들은 제어기가 경계 형상을 명시적으로 조절하지 않으며, 지속적인 시나리오 진화를 위해서는 별도의 형상 제어 계층을 갖춘 캐스케이드(cascade) 아키텍처가 필요함을 강조합니다. 결과는 오프라인 시뮬레이션을 기반으로 하며, 하드웨어-인-더-루프(hardware-in-the-loop) 테스트가 다음 단계의 필수 과제로 식별되었습니다.