핵발전소 인적 오류 분석의 혁신: 인지-기계적 프레임워크(COGMIF) 등장

Xiao Xingyu 등 연구진이 개발한 인지-기계적 프레임워크(COGMIF)는 ACT-R 기반 인간 디지털 트윈과 TimeGAN을 활용하여 핵발전소 인적 오류 분석의 정확성과 효율성을 높였습니다. 고온가스냉각로 시뮬레이터와 베이지안 네트워크를 활용하여 실제 운영 환경에 가까운 분석과 위험 요인 규명을 가능하게 합니다.

기존의 인적 신뢰도 분석(HRA) 방법들은 전문가의 판단과 경험적 규칙에 의존하여 인적 오류의 인지적 기반을 간과하는 경우가 많았습니다. 특히, 최첨단 핵발전소의 새로운 인터페이스와 제한된 운영 데이터로 인해 인간 참여 실험을 수행하는 것은 점점 더 어려워지고 있습니다.

하지만 중국과학원 자동화연구소의 Xiao Xingyu 박사 연구팀은 이러한 문제점을 해결하기 위해 획기적인 인지-기계적 프레임워크(COGMIF)를 개발했습니다. COGMIF는 ACT-R 기반의 인간 디지털 트윈(HDT)과 TimeGAN 기반 시뮬레이션을 통합하여 IDHEAS-ECA 방법론을 향상시켰습니다.

핵심은 무엇일까요?

• ACT-R 모델: 운영자의 인지 과정, 특히 기억 검색, 목표 지향적 절차적 추론, 지각-운동 실행 등을 고온가스냉각로(HTGR) 시뮬레이터에서 얻은 고충실도 시나리오 하에서 시뮬레이션합니다. 이는 마치 실제 운영자의 뇌를 컴퓨터 안에 구현한 것과 같습니다.
• TimeGAN: 대규모 인지 모델링의 자원 제약을 극복하기 위해, ACT-R이 생성한 시계열 데이터를 학습하여 고충실도의 합성 운영자 행동 데이터 세트를 생성합니다. 이는 마치 실제 운영 데이터가 부족하더라도, 가상으로 풍부한 데이터를 만들어내는 마법과 같습니다.
• IDHEAS-ECA: TimeGAN이 생성한 데이터를 사용하여 IDHEAS-ECA 평가를 수행함으로써 인적 오류 확률(HEP)을 확장 가능하고 메커니즘 기반으로 추정합니다. 이는 마치 숙련된 의사가 환자의 증상을 분석하여 질병을 진단하는 것과 같이 정확하고 효율적인 분석을 가능하게 합니다.
• 베이지안 네트워크: 절차적 특징을 베이지안 네트워크에 매핑하여 기여 요인의 영향을 정량화하고 운영 위험의 주요 원인을 밝힙니다. 이는 마치 범죄 수사관이 여러 단서를 분석하여 범인을 추적하는 것과 같이 체계적이고 과학적인 접근 방법입니다.

결론적으로, COGMIF는 인지 이론을 산업 HRA 관행에 통합하는 신뢰할 수 있고 계산 효율적인 경로를 제시하며, SPAR-H와의 비교 분석 및 민감도 평가를 통해 그 강건성과 실용성을 입증했습니다. 이는 핵발전소 안전 운영에 있어 획기적인 발전으로 이어질 것으로 기대됩니다. 앞으로 더욱 발전된 COGMIF를 통해 보다 안전하고 효율적인 핵발전소 운영이 가능해질 것입니다. 👨‍💻🚀