임계열유속 예측 머신러닝 신뢰도

임계열유속(CHF) 예측은 수냉식 원자로의 핵심 열수력 요구사항입니다. OECD/NEA 벤치마크 1단계 연구에서 머신러닝 모델들은 높은 예측 정확도를 보였으나, 데이터 분포 변화(distribution shift) 상황에서의 신뢰도는 제대로 평가되지 않았습니다. 본 연구는 4가지 머신러닝 모델(랜덤 포레스트, XGBoost, 다층 퍼셉트론, 베이즈 신경망)의 신뢰도를 세 가지 프로토콜(S1: 무작위 분포 내 테스트, S2: 10개 미사용 시설 교차 검증, S3: 16 MPa 이상 고압 외삽)로 평가했습니다. 분포 내(S1)에서는 XGBoost가 가장 높은 정확도(R²=0.986)를 보였으나, 교차 검증(S2)에서는 R² 0.905, 고압 외삽(S3)에서는 R² 0.648로 크게 하락했습니다. 공신력 있는 90% 수준으로 보정된 예측 구간은 교차 검증 시 71%, 고압 외삽 시 63%로 신뢰도가 각각 19%p, 27%p 감소했으며, 가중 공형 예측으로도 회복되지 않았습니다. 신경망 모델은 시드(seed) 민감도가 두드러져, MLP의 R² 표준편차는 S1에서 S3로 갈수록 0.0014에서 0.196으로 급증했습니다. 반면 트리 기반 모델은 0.009 이하를 유지했습니다. 앙상블 기법은 시드 민감도를 줄였으나 예측 구간 신뢰도를 회복하지 못했으며, 물리 기반 특성 추가나 보우링 상관관계에 모델을 고정하는 방식은 외삽 정확도를 오히려 저하시켰습니다. 결론적으로, 무작위 분할 벤치마크의 정확도는 CHF-ML 시스템의 실제 배포 신뢰도를 과대평가하고 있습니다. 본 연구의 모든 데이터 분할, 모델 및 스크립트는 공개되었습니다.