[論文レビュー] MOF: A Modular Framework for Rapid Application of Optimization Methodologies to General Engineering Design Problems

Brian M. Andersen, Gregory Delipei+2 more|arXiv (Cornell University)|Apr 1, 2022

Nuclear reactor physics and engineering被引用数 6

ひとこと要約

本論文では、遺伝的アルゴリズム（GA）およびシミュレーテッドアニーリング（SA）を用いた一般の工学的設計問題への最適化アルゴリズムの迅速な適用を可能にする、PythonベースのモジュラーなフレームワークMOFを紹介する。MOFのオブジェクト指向アーキテクチャにより、新しいアルゴリズムや設計問題のシームレスな統合が可能であり、原子炉炉心の燃料装荷パターンや燃料格子の最適化において、効果的な最適化がベンチマーク結果で示された。

ABSTRACT

A variety of optimization algorithms have been developed to solve engineering design problems in which the solution space is too large to manually determine the optimal solution. The Modular Optimization Framework (MOF) was developed to facilitate the development and application of these optimization algorithms. MOF is written in Python 3, and it used object-oriented programming to create a modular design that allows users to easily incorporate new optimization algorithms, methods, or engineering design problems into the framework. Additionally, a common input file allows users to easily specify design problems, update the optimization parameters, and perform comparisons between various optimization methods and algorithms. In the current MOF version, genetic algorithm (GA) and simulated annealing (SA) approaches are implemented. Applications in different nuclear engineering optimization problems are included as examples. The effectiveness of the GA and SA optimization algorithms within MOF are demonstrated through an unconstrained nuclear fuel assembly pin lattice optimization, a first cycle fuel loading constrained optimization of a three-loop pressurized water reactor (PWR), and a third cycle constrained optimization of a four-loop PWR. In all cases, the algorithms efficiently searched the solution spaces and found optimized solutions to the given problems that satisfied the imposed constraints. These results demonstrate the capabilities of the existing optimization tools within MOF, and they also provide a set of benchmark cases that can be used to evaluate the progress of future optimization methodologies with MOF.

研究の動機と目的

• 複雑な工学的設計問題に最適化手法を適用するための柔軟で拡張可能なフレームワークの開発。
• 原子炉炉心の装荷や熱交換器設計などの、大規模で非線形な解空間を有する工学的問題の課題に対処すること。
• 研究者やエンジニアがコアインfra構造を再実装することなく、最適化アルゴリズムを迅速にプロトタイピングおよび比較できるようにすること。
• 新しい最適化手法の評価を可能にする、標準化されたベンチマークケースの提供。
• 組合せ最適化に向けた深層強化学習（DRL）を含む先進的アルゴリズムの今後の統合を支援すること。

提案手法

• MOFは、モジュラー設計と拡張性を実現するため、オブジェクト指向プログラミングを用いてPython 3で実装されている。
• フレームワークは、設計問題、最適化パラメータ、制約を定義する共通の入力ファイルを用い、簡単な設定と比較が可能である。
• GAやSAのような最適化アルゴリズムは、標準化されたインターフェースを通じてコアフレームワークと相互作用するプラグインモジュールとして実装されている。
• フレームワークは意思決定変数を解空間にマッピングし、複数の目的を評価するための変換関数（TMF）を適用する。
• 目的関数は重み付けまたは制約付きの定式化を用いて、最適化のための単一のスカラー値に集約される。
• フレームワークは制約付きおよび制約なしの最適化問題をサポートしており、物理的および運用上の制限（例：可溶性ホウ酸、FΔH）に対する組み込み制約処理が可能である。

実験結果

リサーチクエスチョン

• RQ1 モジュラーで拡張可能なフレームワークは、工学的設計問題への新しい最適化アルゴリズムの適用に要する時間と労力を顕著に削減できるか？
• RQ2 GAおよびSAは、複雑な物理的制約を伴う大規模で制約付きの原子炉炉心装荷最適化問題に対して、どのように性能を発揮するか？
• RQ3 MOFは、異なる工学的応用分野において、最適化手法の一貫性ある再現可能なベンチマークをどの程度効果的にサポートできるか？
• RQ4 MOFのアーキテクチャは、深層強化学習のような新興の最適化技術の統合を効果的に支援できるか？
• RQ5 複雑な設計空間において、解の質と一貫性の観点から、SAの性能はGAに比べてどの程度劣るか？

主な発見

• MOFは、GAおよびSAを、非制約付き燃料格子および制約付き炉心装荷パターン最適化を含む、3つの異なる核工学的最適化問題に成功して適用した。
• 最初のサイクル3ループPWR最適化において、GAおよびSAの両方が工学的経験に合致した設計を生成し、すべての制約を満たし、サイクル長の最大化において類似した性能を示した。
• 第3サイクル4ループPWR最適化において、GAは一貫して妥当な解を生成し、高い目的関数値を達成したが、SAはばらつきが大きく、最高の結果がGAを約20 EFPD上回った。
• 最悪のSAの結果は、最も悪いGAの結果よりも約30 EFPDも劣っており、冷却パラメータ（α）の選択に敏感である可能性が示唆された。これは、十分に小さな温度ステップが与えられていない可能性を示唆している。
• 両アルゴリズムから得られた最適化された装荷パターンは、期待される物理的配置（中心部および縁部に焼却済み燃料）を示しており、物理的に妥当で実現可能な設計であることが確認された。
• MOFのモジュラー設計により、最適化タスクの迅速な設定と実行が可能となり、今後のアルゴリズム開発およびベンチマークの再利用可能なプラットフォームとしての可能性が示された。