[논문 리뷰] MOF: A Modular Framework for Rapid Application of Optimization Methodologies to General Engineering Design Problems

Brian M. Andersen, Gregory Delipei외 2명|arXiv (Cornell University)|2022. 04. 01.

Nuclear reactor physics and engineering인용 수 6

한 줄 요약

이 논문은 일반적인 공학 설계 문제에 최적화 알고리즘—특히 유전 알고리즘(GA)과 시뮬레이티드 어닐링(SA)—를 빠르게 적용할 수 있도록 하는 파이썬 기반의 모듈러 프레임워크인 MOF를 소개한다. MOF의 객체 지향 아키텍처는 새로운 알고리즘과 설계 문제의 원활한 통합을 가능하게 하며, 빔 검증 결과를 통해 원자로 핵심 로딩 패턴과 연료 랙의 효과적인 최적화를 입증한다.

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.

연구 동기 및 목표

• 복잡한 공학 설계 문제에 최적화 방법론을 적용하기 위한 유연하고 확장 가능한 프레임워크를 개발하기 위해.
• 원자로 핵심 로딩 및 열교환기 설계와 같은 공학 문제에서 큰 비선형 해 공간에 직면한 도전 과제를 해결하기 위해.
• 연구자와 공학자들이 핵심 인프라를 다시 작성하지 않고도 최적화 알고리즘을 신속하게 프로토타이핑하고 비교할 수 있도록 하기 위해.
• 신규 최적화 방법론을 원자력 공학 분야에서 평가하기 위한 표준화된 빔 검증 사례를 제공하기 위해.
• 복합 조합 최적화를 위한 고급 알고리즘(예: 딥 강화 학습(DRL))의 향후 통합을 지원하기 위해.

제안 방법

• MOF는 모듈러 설계와 확장성을 보장하기 위해 객체 지향 프로그래밍을 사용하여 파이썬 3에서 구현된다.
• 프레임워크는 설계 문제, 최적화 파rameter 및 제약 조건을 정의하기 위한 공통 입력 파일을 사용하여 쉽게 구성하고 비교할 수 있도록 한다.
• GA 및 SA와 같은 최적화 알고리즘은 표준화된 인터페이스를 통해 코어 프레임워크와 상호작용하는 플러그인 모듈로 구현된다.
• 프레임워크는 결정 변수를 해 공간으로 매핑하고, 다중 목표를 평가하기 위해 이동 변환 함수(TMf)를 적용한다.
• 목표 함수는 가중치 또는 제약 조건 기반의 공식을 사용하여 단일 스칼라 값으로 집계된다.
• 프레임워크는 제약 조건이 있는 문제와 없는 문제 모두를 지원하며, 물리적 및 운영 제한 조건(예: 용해성 붕소, FΔH)에 대한 내장된 제약 조건 처리 기능을 제공한다.

실험 결과

연구 질문

• RQ1 모듈러하고 확장 가능한 프레임워크가 공학 설계 문제에 새로운 최적화 알고리즘을 적용하는 데 소요되는 시간과 노력을 크게 줄일 수 있는가?
• RQ2 GA와 SA는 복잡한 물리적 제약 조건을 가진 대규모 제약 조건이 있는 원자로 핵심 로딩 최적화 문제를 해결하는 데 어떻게 성능을 발휘하는가?
• RQ3 MOF는 다양한 공학 응용 분야에서 최적화 방법론의 일관되고 재현 가능한 빔 검증을 얼마나 잘 지원할 수 있는가?
• RQ4 MOF의 아키텍처는 딥 강화 학습과 같은 신규 최적화 기법의 통합을 효과적으로 지원할 수 있는가?
• RQ5 복잡한 설계 공간에서 SA의 성능은 GA에 비해 솔루션 품질과 반복 실행 간 일관성 측면에서 어떻게 비교되는가?

주요 결과

• MOF는 GA와 SA를 삼중의 다른 원자력 공학 최적화 문제에 성공적으로 적용하였으며, 이는 제약 조건이 없는 연료 랙 최적화와 제약 조건이 있는 핵심 로딩 패턴 최적화를 포함한다.
• 3루프 PWR의 첫 번째 사이클 최적화에서, GA와 SA는 모두 공학적 경험과 일치하는 설계를 생성하였고, 사이클 수명 연장 최대화 측면에서 유사한 성능를 보였다.
• 4루프 PWR의 세 번째 사이클 최적화에서, GA는 일관되게 타당한 해를 생성하며 높은 목표 값 성능를 보였고, SA는 변동성이 더 컸으며, 최고 결과는 GA보다 약 20 EFPD 높은 성능를 기록했다.
• 가장 열악한 SA 결과는 최소한의 GA 결과보다 약 30 EFPD 낮은 성능를 보였으며, 이는 냉각 매개변수 선택(α)에 민감할 수 있음을 시사한다. 이는 온도 단계가 너무 크지 않아서일 수 있다.
• 두 알고리즘에서 최적화된 로딩 패턴은 예상되는 물리적 배열—핵심 중심과 가장자리에 고갈된 연료—를 보였으며, 이는 물리적으로 타당하고 실현 가능한 설계임을 나타낸다.
• MOF의 모듈러 설계 덕분에 최적화 작업의 구성과 실행이 신속하게 가능했으며, 향후 알고리즘 개발과 빔 검증을 위한 재사용 가능한 플랫폼으로서의 잠재력을 입증했다.