극한 환경을 위한 반폐회로 호흡 자동화: 물리‑화학·신경 융합 AI 제어 시스템

본 논문은 “Physicochemical‑Neural Fusion for Semi‑Closed‑Circuit Respiratory Autonomy in Extreme Environments”라는 제목으로, 극한 화재 현장에서 소방관이 착용할 양압 방호복에 통합된 반폐회로 호흡 시스템(Life Support System, LSS)의 설계·분석·제어를 종합적으로 다룬다. 1. **서론**에서는 기존 개방형 자체 호흡 장치(SCBA)가 산소 활용 효율이 낮고, 폐쇄형 재브리어(CCBA)가 CO₂ 축적·수분 관리에 높은 위험을 내포함을 지적한다. 이를 해결하기 위해 반폐회로 구조를 채택하고, AI 기반 실시간 자원 관리가 필요함을 제시한다. 2. **시스템 개요**에서는 LSS의 주요 구성요소를 상세히 설명한다. (i) 양압 방호복과 5 mbar‑5 bar 수준의 크랙 압력으로 작동하는 일방향 배기 밸브; (ii) 두 개의 브러시리스 DC 팬으로 구성된 공기 순환 시스템; (iii) 입자형 소다라임(칼슘·수산화물) 베드로 CO₂를 중화하는 스크러버; (iv) 실리카 겔 베드로 수분을 흡착하는 탈습 장치; (v) 고압 산소 탱크와 비례 밸브를 통한 산소 주입; (vi) 호흡 백(카운터‑런)으로 압력 변동을 완충; (vii) 3계층 센서 스위트와 AI 컨트롤러. 3. **공기 흐름 경로**에서는 가스가 배기 팬 → 소다라임 스크러버 → 실리카 겔 탈습 → 산소 주입 → 흡입 팬 순으로 흐르는 최적 토폴로지를 제시한다. 이 순서는 (1) 스크러버가 충분한 수분을 확보해 효율적인 CO₂ 흡수를 보장하고, (2) 실리카 겔이 스크러버에서 발생한 반응 수분과 호흡 수분을 동시에 제거함으로써 습도 제한(RH≤60 %)을 만족한다. 또한, 산소 주입 전 가스가 충분히 냉각돼 35 °C 이하의 온도로 유지되며, “핫 헤어드라이어” 현상을 방지한다. 4. **탄산가스 관리**에서는 소다라임의 화학 반응식(Ca(OH)₂ + CO₂ → CaCO₃ + H₂O)과 반응 엔탈피, 몰당 흡수 용량을 기반으로 스크러버 용량(1 kg)과 최대 CO₂ 제거율(≈0.068 mol·min⁻¹)을 계산한다. 스크러버 포화 시점과 교체 주기를 정의하고, 과다 CO₂ 축적이 발생하면 경보와 함께 팬 속도·산소 주입을 조절한다. 5. **수분 관리**에서는 실리카 겔의 GAB 등온선을 이용해 흡착 용량을 온도·습도 함수로 모델링하고, 흡착 열(≈2550 kJ·kg⁻¹)이 가스 흐름에 미치는 열 부하를 정량화한다. 열 부하가 179 W에 달함을 고려해 추가 냉각(패시브 방열판) 옵션을 제안한다. 6. **산소 보충**에서는 고압 산소 탱크(200 bar, Z≈0.95)와 실제 가스 방정식을 적용해 저장량을 3.16 kg으로 산정한다. 산소 주입은 비례 밸브와 전자식 흐름 제어기로 구현되며, 배기 밸브를 통한 가스 손실이 산소 풍부화를 유도한다는 점을 강조한다. 산소 농도는 19.5 %–23 % 사이를 유지하고, 과다 농도는 화재 위험을 초래하므로 CBF 필터가 이를 억제한다. 7. **공기 흐름 물리·압력 동역학**에서는 이상 기체법칙과 몰 보존식을 결합해 내부 압력 변화, 배기 밸브 개방 시 가스 손실, 그리고 카운터‑런 부피 변동을 수식화한다. 압력 유지와 가스 재순환 효율을 동시에 고려한 최적 제어 목표를 정의한다. 8. **통합 질량 균형**에서는 CO₂, H₂O, O₂, N₂ 등 모든 성분의 질량 흐름을 전역적으로 연결해 시뮬레이션 모델을 구축한다. 이 모델은 후속 AI 제어 설계의 기반이 된다. 9. **AI 기반 제어 시스템**에서는 (a) **센서 융합**: 외부 온·압·가스, 내부 O₂·CO₂·습도, 그리고 화재진의 심박·피부 온도·운동량을 삼중 중복 O₂ 전극과 중앙값 투표로 결함 허용성을 확보한다. (b) **학습된 메타볼릭 모델**: 실시간 심박·운동량 데이터를 입력으로 대사량(O₂·CO₂ 소비율)을 추정한다. (c) **예측제어(MPC)**: 18‑state, 3‑control 비선형 모델을 사용해 제한된 자원(소다라임·실리카·산소)과 안전 제약(O₂ 19.5‑23 %, CO₂ ≤5 %, 압력 ≤+5 mbar)을 포함한 비용함수를 최소화한다. 여기서 ‘자원 희소성 승수’를 도입해 남은 자원량에 따라 제어 가중치를 동적으로 조정한다. (d) **강화학습(RL) 정책 어드바이저**: 과거 시뮬레이션 데이터를 활용해 초기 제어 시퀀스를 제공, MPC의 수렴 속도를 가속한다. (e) **제어‑장벽 함수(CBF) 안전 필터**: 모든 후보 명령이 물리·안전 제약을 만족하도록 보장한다. 10. **상황 인식 통합**에서는 열 위협 평가, 활동 분류(IMU 기반), 실시간 대기 이상 탐지, 그리고 화재 근접도 추정을 통해 제어 전략을 동적으로 전환한다. 11. **비상 프로토콜 및 점진적 퇴화**에서는 센서 고장, 산소 고갈, 혹은 배기 밸브 고장 시 자동 전환 모드(예: 고압 산소 전용, 배기 차단)와 안전 탈출 절차를 정의한다. 12. **시뮬레이션 결과**에서는 3가지 작업 시나리오(경량, 중간, 고강도)와 2가지 환경 조건(정상, 급격한 온도·압력 변동)을 테스트했다. MPC+RL+CBF 조합은 평균 22 %~34 %의 임무 지속시간 증가와, O₂·CO₂·습도 편차를 기존 PID 대비 40 % 이상 감소시켰다. 13. **논의**에서는 모델 파라미터(소다라임·실리카 교체 주기, 산소 탱크 압력)와 센서 정확도가 전체 성능에 미치는 영향을 민감도 분석으로 제시하고, 실제 화재 현장의 화학적 오염(유독 가스)과 급격한 압력 파동에 대한 추가 실험 필요성을 강조한다. 14. **결론**에서는 물리‑화학 기반의 정밀 모델링과 AI‑융합 제어가 반폐회로 호흡 시스템의 효율과 안전성을 크게 향상시킬 수 있음을 입증했으며, 향후 현장 시험과 하드웨어 최적화를 통해 실전 적용을 목표로 한다.