[붙임] 연구결과 개요

1.연구배경

많은 지진 사례에서 볼 수 있듯이, 원자력발전소 보조건물(auxiliary building) 내 전기 제어반, 배전반, 변압기, 디젤 발전기와 같은 주요 기기들이 지진이 발생했을 때 구조체 손상보다 먼저 고장을 일으켜 원자로 정지 및 광범위한 점검을 유발하는 것으로 나타났다. 예를 들어, 2016년 경주 지진에서는 구조적 안전에 문제가 없었음에도 불구하고 월성 1–4호기에서 수백 개의 캐비닛과 패널에 대한 점검이 필요하여 발전소가 수동으로 정지되었다. 해외 사례로는 2011년 버지니아 지진 시 노스애나(North Anna) 원전의 디젤 발전기 고장, 2007년 카시와자키-카리와(Kashiwazaki-Kariwa) 원전의 변압기 화재, 2019년 르 테일(Le Teil) 지진으로 인한 크뤼아-메이세(Cruas-Meysse) 원전의 예방적 정지 등이 보고된 바 있다.

기존 규제에 따르면 지진 발생 시 모든 기기에 대해 현장 점검(walk-down inspection)을 수행해야 하지만, 이는 방사선 구역의 접근 제한, 높은 비용, 과도한 유지보수 부담으로 인해 비효율적이다. 특히 비대칭적이고 다층 구조를 가진 보조건물의 특성상 수백 개 이상의 센서를 설치해야 하므로, 물리적 센서망 구축은 현실적으로 어렵다. 따라서 고비용·고위험의 물리적 센서를 대체하거나 보완할 수 있는 인공지능 기반 가상 센서 기술 개발이 시급한 상황이다.

2.연구내용

이번 연구에서는 잔차 블록 기반의 1차원 합성곱 신경망을 활용한 가상 센서 시스템을 제안했다. 건물 바닥에 설치된 단일 지진계 데이터를 입력으로 받아 139개 위치의 가속도 응답을 동시에 예측하는 방식이다. 여섯 개의 잔차 블록을 계층적으로 적용해 저주파에서 고주파까지 다양한 지진파 성분을 효과적으로 학습할 수 있도록 설계했다.

모델 학습에는 300개의 인공지진 데이터가 활용됐으며, 이 가운데 240개는 학습용, 60개는 검증용으로 쓰였다. 모델은 10dB 신호 대 잡음비(SNR) 조건에서 훈련됐고, 실제 지진 데이터(NGA-West 2)를 미국 원자력규제위원회 RG 1.60 스펙트럼과 한국형 UHS 스펙트럼에 맞춰 성능을 검증했다.

성능 검증 결과 잡음이 없는 경우 예측 오차는 0.44%에서 0.59% 사이에 불과했다. 20dB 조건에서는 1.19%에서 1.70% 수준이었으며, 10데dB 조건에서는 3.30%에서 4.66% 수준을 보였다. 데시벨 수치가 낮을수록 신호에 비해 잡음이 커져 모델이 더 어려운 상황을 맞게 되는데, 그럼에도 불구하고 낮은 오차 범위를 유지하며 안정적인 성능을 발휘했다. 또한 훈련 과정에서 노이즈 제거 기능(denoising) 까지 스스로 익혔다는 점도 확인됐다.

모델의 계산 효율성도 입증됐다. 약 200만 개의 매개변수로 구성된 딥러닝 모델은 엔비디아 RTX 4090 GPU 기준으로 0.07초 만에 139개 지점에서 30초 동안 지속 되는 지진 응답을 예측할 수 있었다. 이는 실시간 모니터링 요구조건에도 부합하는 속도로, 실제 원전 운영 환경에서 즉각적인 대응이 가능함을 보여준다.

3.기대효과

이 가상 센서 시스템은 원전 지진 모니터링의 여러 문제를 동시에 해결할 수 있을 것으로 기대된다. 수백 개의 센서를 물리적으로 설치하지 않고도 단일 지진계만으로 다수 위치의 응답을 추정할 수 있어 설치·유지보수 비용을 크게 줄일 수 있다. 지진 발생 직후 특정 위치의 흔들림이 임계치를 넘어섰는지를 바로 확인할 수 있어 점검 우선순위를 신속히 결정할 수 있으며, 전수 점검에 비해 효율적으로 대응할 수 있으므로 원전 가동 중단에 따른 경제적 손실도 최소화할 수 있다. 방사선 구역에서의 불필요한 작업을 줄여 작업자의 노출 위험과 절차적 제약도 완화된다. 무엇보다 잡음이 많은 환경에서도 안정적인 성능을 보장하기 때문에 실제 운전 환경에서도 적용 가능한 차세대 원전 안전 모니터링 기술로 발전할 수 있는 기반을 마련했다.

[붙임] 용어설명

1.가상 센서(Virtual Sensor)

물리적 센서를 직접 설치하지 않고 소프트웨어 기반으로 특정 지점의 물리량을 추정하는 기술

2.잔차 합성곱 신경망(Residual CNN)

인공지능의 한 구조로, 여러 층을 거치며 학습할 때 정보가 희미해지거나 사라지는 문제(기울기 소실)를 해결하기 위해 개발됐다. ‘잔차 블록’이라는 특별한 연결 방식을 사용해 입력 정보를 뒤쪽 층으로 바로 전달해 주는 것이 특징이다. 덕분에 더 깊고 복잡한 신경망(더 다양한 단계를 거치는 경우)도 안정적으로 학습할 수 있다.

3.mMAPE(Maximum Mean Absolute Percentage Error)

예측 성능을 평가하는 지표로, 최대 절댓값을 기준으로 한 평균 절대 백분율 오차

4.SNR(Signal-to-Noise Ratio)

신호 대 잡음비, 측정 환경의 노이즈 수준을 나타내는 지표

[붙임] 그림설명

그림설명. 지진 사후 원자력 발전소 보조 건물 모니터링 비교. (좌측) 건물 내에 설치된 물리적 센서를 통해 가속도 응답을 직접 측정하는 기존 방식. (우측) 딥러닝 기반 가상 센서(Virtual sensors)를 이용해 가속도 응답을 실시간으로 추정함으로써 물리적 센서를 대체하거나 보완하는 방식. 센서 설치 및 유지 비용을 절감하고, 더 많은 위치에서 구조 응답을 실시간으로 추정할 수 있는 원전 점검 효율을 높일 수 있다.