핵심 인력의 인지 메커니즘 분석: 원자력 발전소 사례 연구

Xiao et al.(2025)의 연구는 ACT-R 기반 인간 디지털 트윈과 TimeGAN을 활용한 인지 메커니즘 기반 프레임워크(COGMIF)를 제시하여 기존 인적 신뢰도 분석(HRA)의 한계를 극복하고 원자력 발전소 운영의 안전성 향상에 기여하는 혁신적인 방법을 제시합니다.

소개: 기존의 인적 신뢰도 분석(HRA) 방법들은 전문가 판단과 경험적 규칙에 의존하며, 인적 오류의 인지적 기반을 간과하는 경향이 있습니다. 특히, 첨단 원자력 발전소의 경우 새로운 인터페이스와 제한된 운영 데이터로 인해 인간 참여 실험을 수행하는 것이 점점 더 어려워지고 있습니다.

주요 내용: Xiao et al.(2025)의 연구는 이러한 문제점을 해결하기 위해 인지 메커니즘 기반 프레임워크(COGMIF) 를 제시합니다. 이 프레임워크는 기존의 IDHEAS-ECA 방법론을 ACT-R 기반의 인간 디지털 트윈(HDT)과 TimeGAN 기반 시뮬레이션을 통합하여 개선합니다.

핵심은 ACT-R 모델을 사용하여 작업자의 인지 과정(기억 검색, 목표 지향적 절차적 추론, 지각 운동 실행 등)을 고온가스냉각로(HTGR) 시뮬레이터에서 얻은 고충실도 시나리오 하에서 시뮬레이션하는 것입니다. 대규모 인지 모델링의 자원 제약을 극복하기 위해 TimeGAN을 ACT-R이 생성한 시계열 데이터로 학습시켜 고충실도의 합성 작업자 행동 데이터 세트를 생성합니다. 이러한 시뮬레이션은 IDHEAS-ECA 평가를 주도하여 확장 가능하고 메커니즘을 고려한 인적 오류 확률(HEP) 추정을 가능하게 합니다.

결과: SPAR-H와의 비교 분석 및 민감도 분석을 통해 COGMIF의 견고성과 실질적인 장점을 보여줍니다. 절차적 특징을 베이지안 네트워크에 매핑하여 기여 요인의 영향을 정량화하여 운영 위험의 주요 원인을 밝힙니다. 이 연구는 인지 이론을 산업 HRA 관행에 통합하는 신뢰할 수 있고 계산적으로 효율적인 경로를 제시합니다.

시사점: 이 연구는 인공지능(AI)과 인간-컴퓨터 상호작용(HCI) 분야의 융합을 통해 원자력 발전소 운영의 안전성을 향상시킬 수 있는 새로운 가능성을 제시합니다. 특히, 디지털 트윈과 생성적 적대 신경망(GAN) 기술의 활용은 복잡한 시스템의 인적 오류 분석에 혁신적인 접근법을 제공합니다. 앞으로도 이러한 기술 발전은 다양한 산업 분야의 안전성 향상에 기여할 것으로 예상됩니다. 하지만, ACT-R 모델의 정확성과 TimeGAN의 일반화 성능에 대한 추가적인 검증이 필요합니다. 또한, 다양한 유형의 원자력 발전소 및 작업 환경에 대한 추가적인 연구가 필요합니다.