설명 가능한 AI가 용융염 원자로 열교환기 내부 차단을 감지

아르곤 국립연구소 연구진은 촘촘히 배치된 광섬유 센서와 설명 가능한 머신러닝 모델을 결합한 프로토타입 열교환기를 공개했습니다. 이 장치는 용융염 냉각 원자로용으로 설계되었으며, 온도가 약 500 °C에 근접하면 염이 고체화되어 교환기 내부 다수 채널의 흐름을 방해할 위험이 있습니다.

일반적인 용융염 교환기는 2 000~4 000개의 평행 채널을 포함합니다. 기존 모니터링은 입구·출구 온도와 압력만을 측정해 채널 깊숙이 발생하는 초기 차단을 놓치기 쉽습니다.

센서 통합, 구조적 무결성 유지

아르곤 팀은 고압 용기 벽을 뚫는 대신 교환기 내부 지지 구조에 광섬유 센서를 부착했습니다. 이 방식은 부품의 기계적 무결성을 유지하면서 매트릭스 전반에 걸친 온도와 변형 데이터를 제공합니다.

여덟 가지 머신러닝 모델을 약 5 000개의 합성·노이즈 보강 데이터셋에 학습시켰으며, 독일 기술 뉴스 t3n에 따르면 그래디언트 부스팅 알고리즘 XGBoost가 가장 높은 감지 성능을 보였습니다.

심각한 차단—고체염이 채널의 큰 부분을 차지하는 경우—에서는 모델이 0.99의 재현율을 기록해 99 %의 사건을 정확히 식별했습니다. 그러나 정상 운영과 유사한 미세한 이상 징후에 대해서는 민감도가 크게 떨어졌습니다.

샤플리 값으로 구현하는 설명 가능성

블랙박스 방지를 위해 연구진은 샤플리 값 분석과 부분 순서 진단을 적용했습니다. 이 기법들은 각 센서 측정값이 최종 알람에 얼마나 기여했는지를 정량화해 모델 결정에 가장 큰 영향을 미친 교환기 영역을 밝힙니다.

설명 가능성 레이어는 또한 모델이 무해한 온도 변동과 차단 초기를 구분하지 못하는 지속적인 모호 구역을 드러냈습니다. 이는 운영자가 개입 여부를 판단하는 데 핵심적인 정보가 됩니다.

실험실 프로토타입에서 실용 도구로

프로토타입 결과는 피어 리뷰 저널 *Scientific Reports*에 게재되었습니다. 논문은 시스템이 아직 실험실 검증 단계에 머물며 상용화나 규제 인증을 받지 않았다고 강조합니다.

• 내부 지지 구조에 내장된 광섬유 센서
• 여덟 알고리즘 테스트 후 선택된 XGBoost 모델
• 고위험 차단에 대한 0.99 재현율
• 샤플리 기반 설명 가능성으로 센서 기여도 추적
• 약 5 000개의 합성·노이즈 데이터셋으로 검증

Tech Xplore는 2026년 9월 22일 보도에서 실시간 AI 모니터링이 전면 규모 원자로에 적용될 경우 비예정 정지를 감소시키고 부품 수명을 연장할 수 있다고 전했습니다.

이 시스템이 제공하는 설명 가능성은 운영자가 알람 원인을 즉시 파악하도록 돕는다. 샤플리 값이 높은 센서 구역은 고체염이 축적되는 위험 부위를 직접 가리키며, 이를 통해 유지보수 팀은 전체 교환기를 분해하지 않고도 국소적인 점검을 수행할 수 있다. 결과적으로 작업 시간과 인적 위험이 크게 감소하고, 교환기 구조의 무결성을 유지하면서도 문제 부위를 정확히 식별하는 절차가 확립된다. 이러한 투명성은 규제 기관이 요구하는 검증 가능성 기준을 충족시키는 데 핵심적인 역할을 한다.

모델의 한계는 미세한 변동을 구분하지 못하는 데 있다. 정상 운전 상태와 거의 동일한 온도·압력 변동이 발생할 경우, 현재의 민감도는 차단 초기 징후를 놓칠 위험이 있다. 이는 데이터셋이 합성·노이즈 보강에 의존한 결과이며, 실제 현장에서 발생하는 복합적인 잡음 패턴을 완전히 반영하지 못한다는 점에서 검증이 필요하다. 따라서 향후에는 실제 운전 데이터 기반의 추가 학습이 요구된다.

검증 절차는 실험실 환경에서의 재현성을 중점으로 수행되었다. 동일한 조건 하에 여러 번 반복 테스트를 진행했으며, 각 실험에서 재현율과 정밀도 값을 기록했다. 이 과정에서 모델이 일정 수준 이상의 재현율을 유지하는지, 그리고 오탐률이 허용 가능한 범위 내에 머무는지를 통계적으로 분석하였다. 이러한 검증은 상용화 전 단계에서 필수적인 품질 보증 활동으로 자리 잡는다.

실용적인 적용 시나리오에서는 실시간 데이터 스트리밍과 AI 추론이 결합된 모니터링 플랫폼이 필요하다. 센서에서 수집된 온도·변형 데이터는 즉시 전처리 과정을 거쳐 모델에 입력되고, 알람 발생 시 해당 채널과 주변 영역의 샤플리 기여도를 시각화한다. 운영자는 이 정보를 기반으로 차단 위험이 높은 채널을 우선 순위로 지정해 점검 일정을 조정한다. 따라서 전반적인 유지보수 효율이 향상되고, 비예정 정지 시간을 최소화한다.

규제 측면에서 설명 가능한 AI는 투명성 요구를 충족시키는 중요한 요소다. 모델 결정 과정이 명확히 드러나면, 검증 기관은 알고리즘의 신뢰성을 평가하고, 필요 시 추가 검증 절차를 지정할 수 있다. 이는 기존의 블랙박스형 AI보다 인증 절차를 간소화하고, 산업 전반에 걸친 AI 활용 확대에 기여한다. 다만, 규제 기준이 지속적으로 변화함에 따라 지속적인 모델 업데이트와 문서화가 필수적이다.

향후 확장 가능성은 두 가지 축으로 나뉜다. 첫째는 센서 네트워크를 확대해 더 많은 채널을 실시간으로 감시하는 것이고, 둘째는 모델을 다중 클래스 분류로 전환해 고체염 차단 외에도 미세한 누수나 부식 징후까지 포착하도록 하는 것이다. 이러한 발전은 기존 설비에 최소한의 추가 비용으로 적용할 수 있으며, 장기적으로는 원자력 설비 전체의 안전 마진을 크게 높이는 효과를 기대한다.

한국에서 용융염 원자를 운영하거나 계획 중인 기관에 이 혁신은 흐름을 방해하는 고체화 현상을 조기에 감지하고, 치명적인 과열 위험을 낮추며, 데이터 기반 유지보수 일정을 가능하게 하는 잠재적 경로를 제공합니다. 아직 인증되지 않았지만 설명 가능한 특성은 투명성 및 규제 준수를 중시하는 산업 요구와 부합해 향후 안전 업그레이드 후보로 주목받고 있습니다.