비균일 가열 임계열유속 예측 위한 트랜스포머 보정

비균일 축방향 가열 조건에서 임계열유속(CHF) 예측은 국부 열적 여유가 국부 열역학적 조건뿐만 아니라 상류 가열 이력에도 의존하기 때문에 여전히 어려운 과제입니다. 기존의 비균일 CHF 예측 방법은 경험적 보정 계수를 통해 열 이력 효과를 설명하지만, 본 연구에서는 트랜스포머 모델을 활용하여 이 보정 계수를 학습하고 기존의 예측 공식을 유지합니다. 먼저, 대규모 균일 가열 CHF 데이터베이스로 사전 학습된 신경망을 고정하고 기준 균일 가열 CHF 예측에 사용합니다. 이후 비균일 CHF 데이터에 대해 인과적 트랜스포머 모델을 훈련하여 정규화된 축방향 위치, 평형 건도, 정규화된 열유속 형상을 포함하는 순서화된 축방향 시퀀스로부터 국부 보정 계수를 예측하며, 질량 유속은 전역 조건 변수로 활용됩니다. 인과적 어텐션 마스크는 각 축방향 위치의 보정에 하류 위치가 기여하는 것을 방지합니다. 제안된 모델은 입구 피크형, 중간 피크형, 출구 피크형, 스파이크형 축방향 출력 프로파일을 포함하는 벤치마크 비균일 CHF 데이터베이스를 사용하여 평가되었습니다. 트랜스포머 기반 보정은 보정 없는 균일 가열 신경망, K5 또는 Tong F 보정을 적용한 동일 신경망, 그리고 LUT 기반 예측과 비교되었습니다. 추가 연구에서는 입력 제거, 축방향 해상도 전이, 훈련 시드 강건성, 프로파일 계열 제외 일반화 등을 분석했습니다. 주요 테스트 세트에서 트랜스포머 기반 보정은 고전적인 보정 계수 기준선 대비 예측 산포를 감소시켰습니다. 추가 시드 및 프로파일 계열 제외 테스트는 훈련 초기화 및 미학습 프로파일 계열에 대한 민감도가 남아 있음을 시사합니다. 트랜스포머가 선택한 핵비등 이탈비율(MDNBR) 최소 지점에서의 어텐션 프로파일은 학습된 시퀀스 표현에 대한 정성적 진단으로 분석되었습니다.