실시간 열수력 시뮬레이션은 소형 모듈형 원자로 (SMRs)의 안전하고 효율적인 운용을 지원하는 디지털 트윈 (DT) 기술에 있어 필수적입니다. 전산 유체 역학 (CFD)은 고충실도 유동 분석을 제공하지만, 높은 계산 비용으로 인해 DT 애플리케이션에 직접 사용하기에는 한계가 있습니다. 이러한 한계를 해결하기 위해 AI 기반 대리 모델링 (Surrogate modeling)이 활발히 연구되어 왔으나, SMR 특유의 기하학적 구조에 대한 CFD 수준의 과도 상태 분석을 위한 뉴럴 오퍼레이터 (Neural operator) 기반 대리 모델은 아직 보고된 바 없습니다. 본 연구는 시스템 통합형 모듈형 첨단 원자로 (SMART)의 나선형 코일 증기 발생기 (HCSG)에 적용되는, 차수 축소 모델 (ROM)과 뉴럴 오퍼레이터를 결합한 통합 프레임워크를 제시합니다. 각 CFD 데이터 유형에 맞춤화된 두 가지 ROM 전략, 즉 비정형 격자 (Unstructured mesh) 데이터를 위한 MLP 기반 오토인코더 (AE)와 정형 격자 (Structured mesh) 데이터를 위한 합성곱 오토인코더 (CAE)를 비교하였으며, 각각을 딥 오퍼레이터 네트워크 (DeepONet)와 결합하여 잠재적 DeepONet (L-DeepONet)을 구축하였습니다. 비교를 위해 푸리에 뉴럴 오퍼레이터 (FNO)도 추가로 채택되었습니다. 스펙트럼 편향 (Spectral bias)을 완화하고 HCSG 내부에서 발생하는 카르만 와열 (Kármán vortex streets)의 예측을 개선하기 위해 두 프레임워크 모두에 멀티스케일 (Multi-scale) 기술을 통합하였습니다. 멀티스케일 L-DeepONet은 속도 및 압력장 모두에서 순시적인 주기적 와동 역학 (Vortex dynamics)을 포착한 반면, FNO 및 그 멀티스케일 변형 모델은 시간 평균된 평균 유동을 예측하고 신뢰할 수 있는 압력 강하 추정치를 제공했습니다. 이러한 상호 보완적인 특성은 CFD 데이터 유형과 요구되는 유동 해상도 수준에 따라 각 아키텍처를 특정 DT 목표와 연결하는 실질적인 모델 선택 가이드라인을 제공합니다.