Integrated MCNP Reliability Diagnosis Framework using Data-Driven Pattern Analysis and Physics-Informed Neural Network

본 연구는 Monte Carlo N-Particle(MCNP) 시뮬레이션의 수렴성 판정 시 발생하는 판정 일관성 부족과 통계적 불확실성을 해소하기 위해, 데이터 주도형 분석과 물리 정보 신경망(PINN)을 결합한 통합 진단 프레임워크를 제안한다. 이를 위해 LSTM과 ResNet을 활용하여 MCNP의 시계열 및 정적 통계 지표를 분석하였으며, ResNet의 은닉 레이어 수와 활성화 함수에 대한 그리드 탐색(4×4=16 조합)결과 13개 조합이 동일한 최고 성능을 기록하였으며, 이 중 모델 복잡도가 가장 낮은 Layers=1, Tanh 구조를 최종 구조로 선정하고 난수 고정(seed=42) 적용으로 95.0%(57/60)의 판정 정확도를 달성하였다. 또한, 볼츠만 수송 방정식으로부터 유도된 직선 감쇄 지배방정식을 손실 함수에 내재화한 PINN 모델을 설계하였으며, Physics Loss 가중치(λ)에 대한 체계적 탐색을 통해 λ=1.0을 최적값으로 선정하였다. 전체 300 case × 3,000 epoch을 통한 정식 재학습 결과, Physics Loss를 0.001617 수준으로 수렴하였으며, 정식 학습 결과 직선 감쇄 지배방정식 준수율 100.00%(300/300 case)를 달성하였다. 본 연구는 통계적 패턴과 물리 지배 방정식의 이중 검증 체계를 구축함으로써 가짜 수렴 오판을 차단하기 위한 기반을 마련하며, 폐쇄망 환경에서 즉시 적용 가능한 객관적 신뢰도 평가 절차를 제시한다.