STEM (Science, Technology, Engineering, Math) 분야에 종사하는 여성은 소수입니다. 아시아의 젊은 여성과학자들이 모이는 자리인 2020 차세대 국제여성과학기술인 캠프 (2020 YWS Camp)와 같이 여성 과학자 간에 연대하는 자리가 있다는 것이 고무적이고, 또 이러한 자리에서 수상한 것에 감사합니다.

국문 연구내용 요약

본 연구의 목적은 사용후핵연료 재활용 기술인 파이로프로세싱의 안전조치성을 강화하기 위한 기술을 개발하는 것이다. 파이로프로세싱과 같은 핵연료주기시설에는 핵물질의 전용을 차단할 수 있는 안전조치 이행이 필수이다. 그러나, 현재 안전조치기술은 주로 물질수지에 기초를 두고 있으므로, 파이로프로세싱의 독특한 특성에 의해, 현재의 안전조치 기술을 적용하여 안전조치 목적을 달성하는 것에는 불확실성이 있다. 이러한 문제를 극복하고자 새로운 안전조치 접근법과 기술이 제안되었다. 공정모니터링(Process monitoring, PM)은 대안책 중 하나이다. PM은 시설 내 특정 장소에 설치된 다양한 센서로부터 (준)실시간으로 획득한 다양한 종류의 신호를 통해 특수핵물질의 이동을 간접적으로 추적하는 것이 가능하다. 비록 신호 자체만으로는 공정운전상태에 대한 정보를 유추할 수 없으나, 데이터 수집과 이를 기반한 통계적 접근법으로 공정신호로부터 공정상태의 진단이 가능하다. 이러한 관점에서, 기계학습을 통계적 접근법에 활용할 수 있다.

본 연구에서는 파이로프로세싱의 안전조치성 강화를 위한 기계학습 기반의 PM 활용 가능성에 대해 연구하였다. 정해정련공정의 음극전위를 공정 상태(정상 또는 비정상)를 판별하는 목표신호(target)로 선택하였다. 음극전위 데이터는 실험실 규모에서 일련의 용융염에서의 전착실험을 통해 생산하였다. 실험에는 특수핵물질의 대체물질로써, 공전착 환경 조성을 위해, 서로 인접한 표준환원전위를 가지는 란타나이드족 원소(La, Ce, Gd)를 사용하였다. 전착물의 조성은 유도결합플라즈마 원자방출분광기(inductively coupled plasma atomic emission spectroscopy, ICP-OES)를 통해 분석하여 학습데이터를 분류하였다. 학습 전에, 학습에 적합한 데이터 준비를 위해, 데이터 복잡성(complicity)과 양(quantity)을 개선하는 데이터 전처리를 수행하였다. 학습에는 신경망 (neural network, NN)모델과 순환신경망(recurrent neural network, RNN) 모델일 사용되었다. 학을 최적화하기 위해 시행오차법을 통해 다양한 변수들을 조정하였다. 결과로, 80%의 정확도로 공정 신호를 분류한 2층의 RNN(optimizer = AMSGrad)이 가장 우수한 성능을 보였다. 현재 결과의 정확도를 개선하기 위한 추가 실험(시행오차)을 수행하고 있으며, 더 나아가, 비정상 데이터의 획득을 지양하는 안전조치의 특수 상황을 고려하여, 정상 데이터만 사용한 분류기(모델) 개발을 추후 연구로 계획 중이다. 현재 연구 중인 방법(기계학습 기반의 PM 활용)을 통한 안전조치성 강화가 가능하다면, 본 방법은 전해정련공정 뿐 아니라 파이로프로세싱의 다른 단위공정을 포함한 전체 시설에 적용할 수 있을 것이다.