핵심 요약
핵폐기물 처리는 원자력 에너지 확산의 주요 걸림돌로 작용해 왔다. MIT 박사과정생 다우렌 사르센바예프는 방사성 폐기물에서 발생하는 붕괴열을 추출하여 에너지원으로 재활용하는 모델을 개발하고 있다. 특히 복잡한 방사성 핵종 이동 시뮬레이션의 계산 시간을 단축하기 위해 AI 기반 대리 모델(Surrogate Models)을 도입했다. 이 연구는 핵폐기물을 단순한 부채가 아닌 탄소 중립 에너지원으로 재정의하며 원자력 에너지의 수용성을 높이는 데 기여한다.
배경
원자력 공학 기초, 반응성 수송 모델링(Reactive Transport Modeling), 머신러닝 기초
대상 독자
원자력 공학 연구자, 에너지 정책 전문가, 물리 기반 AI 모델링 개발자
의미 / 영향
핵폐기물을 에너지 자원으로 재정의함으로써 원자력 발전의 경제성과 환경적 타당성을 동시에 개선할 수 있다. AI를 통한 시뮬레이션 가속화는 복잡한 환경 영향 평가의 효율성을 높여 원자력 에너지 도입의 병목 현상을 해결하는 데 기여할 것이다.
섹션별 상세
방사성 폐기물의 붕괴열을 활용한 인공 지열 에너지 시스템을 제안했다. 핵폐기물 캐니스터 하나는 보수적인 가정하에서도 약 1,000제곱미터 면적의 태양광 패널과 맞먹는 에너지를 생성할 수 있다. 연구팀은 150도에 달하는 캐니스터의 열을 이진 사이클 시스템(Binary Cycle System)을 통해 전력으로 변환하는 개념 모델을 구축했다. 초기 모델링 결과는 핵폐기물을 에너지 자원으로 전환할 수 있는 가능성을 입증했다.
지질 저장소 내 방사성 핵종의 장기적 이동 경로를 예측하는 정밀 모델을 개발했다. 시멘트 기반 재료와 점토 장벽 사이의 복잡한 화학적 상호작용을 반영하여 모델의 견고함을 높였다. 이 모델의 예측 결과는 스위스 몽 테리(Mont Terri) 연구소의 실제 실험 데이터와 일치하는 높은 정확도를 보였다. 이는 미래 세대가 직면할 수 있는 환경적 영향을 미리 파악하는 데 중요한 도구가 된다.
계산 효율성을 극대화하기 위해 AI 기반 대리 모델(Surrogate Models)을 통합한 프레임워크를 구축했다. 기존의 반응성 수송 모델링은 고성능 클러스터에서도 수일에서 수주가 소요되는 한계가 있었다. 사르센바예프는 시뮬레이션 데이터를 학습한 AI 알고리즘을 통해 물리적 시스템을 근사함으로써 예측 속도를 획기적으로 개선했다. 이를 통해 복잡한 물리·화학적 공정을 훨씬 적은 계산 자원으로 시뮬레이션할 수 있다.
실무 Takeaway
- AI 대리 모델을 활용하여 물리 기반 시뮬레이션의 계산 비용과 시간을 획기적으로 절감할 수 있다.
- 핵폐기물의 붕괴열을 이진 사이클 지열 시스템과 결합하여 추가적인 탄소 중립 에너지를 확보할 수 있다.
- 방사성 핵종 이동의 정확한 예측은 핵폐기물 저장소의 안전성 확보와 대중적 수용성 제고에 필수적이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료