사용후핵연료 처리공정 생성물 특성화를 위한 인공지능 기반 중성자 및 감마선 검출 데이터 분석 = A Characterization of Reprocessed Spent Nuclear Fuel through Artificial Intelligence-based Analysis of Neutron and Gamma Detection

국문 초록 (Abstract)

사용후핵연료 및 그 처리공정 생성물은 핵비확산 관점에서 주요 감시 대상이며, 이들로부터 방출되는 중성자 및 감마선은 비파괴분석을 통해 특정핵물질을 특성화하는 데 활용될 수 있다. 그러나 기존 비파괴분석 기법들은 계측기를 통해 수집한 반응정보에서 제한된 특징값만을 추출해 분석하기 때문에, 계측 데이터의 고차원적 정보가 충분히 반영되지 못하는 구조적 한계가 있었다. 본 연구는 이러한 한계를 극복하고자, 사용후핵연료 처리공정 생성물인 파이로공정 잉곳을 대상으로 기존 비파괴분석에서 크게 주목받지 못했던 중성자 다중도 및 핵분열 비등방성의 기계학습 적용 적합성을 평가하고, 중성자 및 감마선 계측기 반응 정보들을 인공지능 기반으로 직접 처리하여 특정핵물질을 보다 정밀하게 특성화하는 방법론을 제안한다.
우선 중성자 다중도와 핵분열 비등방성의 값들이 잉곳의 초기조건 및 기하구조 변화에 따라 민감하게 반응하며 충분한 분산을 나타내는지를 분석한 결과, 특히 연소도가 예측 성능에 가장 크게 기여함을 확인하였다. 반면 핵분열 비등방성은 전방위 계측 환경에서는 자발적 핵분열 핵종 간 구분이 가능했으나, 현실적인 12개 검출기 구성에서는 절대 계측효율의 한계로 유의미한 차별성이 확보되지 않았다. 이후 계측 데이터를 기반으로 중성자 다중도 포인트 모델의 과대평가 편향을 기계학습으로 보정하여 240Pu 유효질량 추정의 평균 상대오차를 17%에서 2.4%로 낮췄고, 시계열 반응정보를 C2C-GRU 심층학습 모델에 직접 입력하여 초기조건 추정 성능도 향상시켰다. 특히 연소도에 대해 평균 제곱근 상대오차를 0.112에서 0.077로 줄일 수 있었으며, 이 과정에서 즉발 감마선이 예측 성능에 가장 큰 기여를 함을 확인하였다.
결론적으로, 본 연구는 파이로공정 잉곳을 대상으로 인공지능 기반 비파괴 분석의 적용 가능성을 실증하였으며, 핵분열률 및 초기조건 추정 정밀도를 개선함으로써 고차원 계측 데이터를 효과적으로 활용할 수 있는 새로운 분석 방법론의 가능성을 제시하였다. 이는 향후 핵물질 감시 및 검증 기술의 정밀도와 신뢰성을 높이는 데 기여할 수 있는 중요한 기술적 기반이 될 것이다.

다국어 초록 (Multilingual Abstract)

Spent nuclear fuel and its reprocessed byproducts are key targets for monitoring in a nuclear nonproliferation perspective. The neutrons and gamma rays emitted from these special nuclear materials can be utilized to characterize such materials through non-destructive assay techniques. However, conventional methods rely on extracting a limited set of features from detector response data, which results in the loss of much of the high-dimensional and complex information inherent in the original measurements. To overcome this limitation, this study focused on pyroprocessed ingots—byproducts of spent fuel reprocessing—proposes a novel artificial intelligence-based characterization methodology. This approach evaluates the machine learning applicability of neutron multiplicity and fission anisotropy, which have not been prominently utilized in traditional non-destructive assay, and directly applies artificial intelligence to neutron and gamma detector response data for more precise characterization.
First, the study analyzes whether neutron multiplicity and fission anisotropy exhibit sufficient sensitivity and variance with respect to changes in initial conditions and geometry of the ingots—critical prerequisites for effective machine learning. The results confirm that multiplicity vary clearly depending on ingots' initial conditions, with burnup identified as the most influential factor for improving prediction performance. In contrast, while fission anisotropy showed potential for distinguishing between spontaneous fission isotopes in an ideal full-coverage detector setup, its discriminative power was significantly diminished under realistic conditions involving only 12 detectors, primarily due to limitations in absolute detection efficiency. This issue persisted even after applying energy threshold, cross-talk correction, and time gate application.
Subsequently, the study enhances characterization performance by applying artificial intelligence models to detector data. The conventional neutron multiplicity point model for estimating fission rate showed incorrigible overestimated bias, particularly in predicting the effective mass of 240Pu. By introducing a machine learning-based correction model, the mean relative error was reduced from 17% to 2.4%. Furthermore, for estimating ingots' initial conditions—such as enrichment, burnup, and cooling time—our proposed deep learning model C2C-GRU was directly trained on sequential detector responses without post-processing. This significantly improved prediction accuracy, with the relative root mean square error for burnup reduced from 0.112 to 0.077. The analysis also identified prompt gamma rays emitted from the ingot as the most important contributor to this improvement.
In conclusion, this study empirically demonstrates the feasibility of applying artificial intelligence–based non-destructive assay techniques to pyroprocessed ingots and evaluates the applicability of neutron multiplicity and fission anisotropy for machine learning–driven analysis. By improving the accuracy of fission rate and initial condition estimations, the proposed approach highlights the potential of leveraging high-dimensional detector data for next-generation non-destructive characterization. This lays an important technical foundation for enhancing the precision and reliability of future nuclear material monitoring and verification systems.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 특정핵물질 비파괴검사 기술 1
• 1. 특정핵물질 비파괴검사 기술 개념 및 종류 1
• 2. 차세대 안전조치 이니셔티브에 명시된 비파괴검사 기술 3
• 제 2 절 파이로공정 개요 7
• 제 3 절 인공지능 기반 비파괴검사 10
• 1. 인공지능 적용의 필요성 및 장점 10
• 2. 인공지능 적용사례 분석 12
• 제 4 절 연구개발 목표 및 범위 14
• 제 2 장 배경 이론 및 원리 15
• 제 1 절 중성자 다중도 15
• 1. 중성자 다중도의 개념 15
• 2. 중성자 다중도 포인트 모델 16
• 3. 핵분열 모델 19
• 제 2 절 핵분열 비등방성 22
• 제 3 절 인공지능의 기본원리 24
• 1. 인공지능의 개념 및 하위 분야 개요 24
• 2. 인공지능 모델의 학습 및 적용 절차 24
• 제 3 장 연구 방법 28
• 제 1 절 특정핵물질에 대한 중성자·감마선 측정시스템 모델링 28
• 1. ORIGEN/SCALE을 이용한 특정핵물질 모델링 28
• 2. MCNP 전산모사를 통한 측정시스템 모델링 30
• 제 2 절 중성자 다중도의 기계학습 적용적합성 평가 32
• 1. MCNP PTRAC 파일 분석 32
• 제 3 절 핵분열 비등방성의 기계학습 적용적합성 평가 35
• 1. 전방위 계측기 비치 시 적용적합성 평가 35
• 2. 12개 계측기 비치 시 적용적합성 평가 36
• 제 4 절 중성자 다중도 기반 핵분열률 추정 38
• 제 5 절 시계열 반응정보를 활용한 심층학습 분석 40
• 1. 시계열 반응정보 기반 심층학습 분석 연구 흐름도 40
• 2. 기존 비파괴분석 방법론 적용 시 도출 가능 결과물 41
• 3. 시계열 데이터 분석 용 심층학습 모델 구축 43
• 제 4 장 결 과 46
• 제 1 절 특정핵물질에 대한 중성자·감마선 측정시스템 모델링 46
• 1. 특정핵물질 발 방사선의 핵반응 별 에너지 분포 46
• 2. 특정핵물질 발 방사선의 핵반응 별 세기 48
• 제 2 절 중성자 다중도의 기계학습 적용적합성 평가 50
• 1. 특정핵물질 초기조건에 따른 다중도인자 50
• 2. 초기조건 변화가 유효질량 추정에 미치는 통계적 영향 51
• 제 3 절 핵분열 비등방성의 기계학습 적용적합성 평가 53
• 1. 전방위 계측기 비치 시 적용적합성 평가 결과 53
• 2. 12개 계측기 비치 시 적용적합성 평가 결과 54
• 제 4 절 중성자 다중도 기반 핵분열률 추정 58
• 제 5 절 시계열 반응정보를 활용한 심층학습 분석 60
• 1. 각 비파괴분석 기술 적용 시 초기조건 예측 60
• 2. 종합적 비파괴분석 기술 적용 시 초기조건 예측 63
• 제 4 장 결 론 66
• 참고문헌 68
• Abstract 75
• 감사의 글 78