방재 비상상황에서 개폐장치실(switchgear rooms) 내 케이블과 캐비닛에 대한 손상을 정확히 예측하는 것은 개인의 안전과 중요 기반시설의 유지보수 계획에 매우 중요하다. 전통적인 소프트웨어 도구로는 통합 화재 및 연기 수송(CFAST)과 같은 도구가 있으며, 이는 초기 화재 조건을 바탕으로 화재 비상상황을 시뮬레이션하는 데 사용된다. 그러나 물리 기반 시뮬레이터를 적용하여 복수의 대상에 대해 순차적인 화재 전파로 인한 손상을 모델링하는 것은 상당한 계산 비용 때문에 어렵다. 본 연구에서는 개폐장치실에서 복수 대상의 화재 손상을 실시간으로 예측하기 위해 머신러닝 및 딥러닝 기반 대리(surrogate) 모델을 사용하고자 한다. 대리 모델을 학습하기 위해 개폐장치실에서의 화재 전파를 CFAST 시뮬레이션으로 수행하여 모터 캐비닛 손상 데이터셋을 생성하였다. 또한 캐비닛 손상과 초기 화재 조건 간의 관계를 해석하기 위해 설명가능 인공지능(XAI) 기법인 Shapley additive explanations(SHAP)를 사용한다. 실험 결과, 다층 퍼셉트론(multi-layer perceptron, MLP)이 복수 대상의 화재 손상을 예측하는 데 가장 효과적인 모델임을 보여주었다. 더 나아가 SHAP 기반 해석은 민감도 분석 결과와 매우 밀접하게 일치하여, 모델의 추론 과정에 대한 신뢰할 수 있고 투명한 통찰을 제공한다. 이러한 결과는 본 연구의 프레임워크가 기존 물리 기반 시뮬레이터보다 더 견고하고 효율적인 결과를 제공함을 보여주며, 화재 안전 및 회복탄력성(resilience) 기술의 발전에 기여한다.

원자력발전소 변전실의 개폐기실 내 모터제어센터(Motor Control Center, MCC)에서 발생한 화재는 중대한 설비 손상을 유발할 수 있으며, 치명적인 시스템 고장으로 이어질 가능성이 있고 안전 위험을 크게 초래할 수 있다. 본 연구는 전통적인 물리 기반 모델링 도구의 대안으로서 신경망과 Consolidated Fire and Smoke Transport(CFAST) 시뮬레이션의 활용을 탐색한다. 제안된 신경망은 시간 소요가 큰 CFAST 시뮬레이션에 의존하지 않고 케이블 및 캐비닛의 손상 시간(damage times)을 신속하게 예측하도록 설계되었다. CFAST 모델은 밀폐된 개폐기실에서 화재 시나리오를 시뮬레이션하며, 실 치수(실 1 및 2의 폭, 깊이, 높이), 공기 교환률, 주변 온도와 같은 핵심 입력 변수를 사용한다. 표적 출력은 케이블 및 캐비닛의 표면 온도와 열유속이며, 이는 손상 시간을 예측하는 기계학습 모델의 학습 데이터로 활용된다. 결과는 실 1의 높이가 케이블 및 캐비닛 손상에 가장 큰 영향을 미치며, 높이가 더 큰 실에서 더 빠른 열화가 나타남을 보여준다. 신경망의 예측은 CFAST 시뮬레이션 결과와 밀접하게 일치하여 화재 손상 평가에서 정확성과 효율성을 모두 입증하였다.