原子炉の通常の運転中、原子炉のコア内の核燃料は継続的に「燃焼」されています。つまり、核分裂性物質 (通常はウランまたはプルトニウム) が継続的に消費され、枯渇しています。したがって、定期的に燃料を補給しなければならないため、大半の原子炉は 18 ～ 24 か月のサイクルで運転されています。
この燃料交換の停止は、複雑で費用のかかる手順であり、通常は原子炉を停止し、原子炉圧力容器を開く必要があります。燃料の枯渇は炉心全体に均一に分布しておらず、通常、最も劣化した燃料集合体 (FA) の 3 分の 1 が燃料補給のたびに交換されます。ロードされた新しい FA は、残りの部分的に燃焼されたものとともに、再配置されます 新しいコア構成を形成します。 アレンジメント コア内の核 FA の量は、「ローディング パターン」または単に LP と呼ばれます。新しいコア構成は、競合する可能性のあるいくつかの目的を達成する必要があります。たとえば、すべての安全上の制限と運用上の制約を満たしながら、その後の燃料補給の停止までエネルギー生産を最大化します。
結果として得られるコアが安全性と運用上の要件を可能な限り最良の方法で満たすように、最適な LP を見つけるというこの課題は、古典的な離散最適化問題です。この問題は巨大な探索空間を特徴とし、多目的、非線形、非凸、NP 困難な組み合わせ問題です。標準的な加圧水型原子炉では、通常約 200 の異なる FA があり、可能な異なる LP の数は約 200 です!各 LP は、複雑な計算と集中的なコンピューター シミュレーションを使用して評価、分析、特徴付けする必要がある異なる核コアを構成します。 1 つのコアを評価するのに 1 秒かかると仮定すると、検索空間全体をトラバースするには 10 年かかります。宇宙の年齢がわずか 10 年であることを考えると、この問題を解決するには別の方法を見つけなければなりません.
この種の最適化問題に対処するために使用されるよく知られた方法は、進化的アルゴリズム、より具体的には遺伝的アルゴリズム (GA) です。 GA は、勾配ベースの方法などのより直接的な方法が適用できない巨大な検索スペースに適応した検索ツールです。 GA は、ダーウィンの進化論である適者生存の概念に基づいています。 GA の根底にある概念は、検索空間の一部をカバーするソリューション (個体) の集団を取得し、それに「進化」のプロセスを実行することで構成されます。
私たちの場合、進化のプロセスは、各 LP を母集団内の個体と見なし、最適化の目的にどれだけ「適合」するかに応じて、より良いものを親として選択し (選択)、それらを交配 (クロスオーバー) し、最後に突然変異させることによって模倣されます。それらは子孫の解決策を繁殖させます。このプロセスは世代を超えて繰り返され、より優れた (最も適した) 個体が親として支持されるため、優れた子孫ソリューションが出現します。
最近 Annals of Nuclear Energy に掲載された研究では 、 Dr. Erez Gilad および Ph.D. Ben-Gurion University of the Negev (BGU) の原子力工学ユニットの学生である Ella Israeli は、炉心設計 (LP) の最適化に GA を使用するときに発生する重大な問題のいくつかに取り組んでいます。たとえば、この分野の多くの研究では、コアの幾何学的構造などの問題に関連する重要な情報を無視して、基本的な、さらには時代遅れの GA 実装を採用したり、アルゴリズムの実行時間を短縮するために不必要な対称制限を課したりしています。ギラッド博士とイスラエル女史は研究において、原子炉の LP 設計のさまざまなケーススタディを使用して、新しい GA 手法を開発、実装、評価しています。
彼らの研究では、BGU の研究者は、染色体の表現を順列と見なす改良された交叉および突然変異演算子を開発しました。原子炉炉心の LP は、基本的に、燃料、吸収体、反射体など、さまざまな種類の材料を含む 2 次元配列です。これは、「遺伝子」がコア内の FA のさまざまな位置と種類を表す「染色体」によって表されます。染色体表現は、コアの異なる材料および要素の所定の量を保存するために、コア構造の置換となるように選択される。この表現は、集団の遺伝的分散にシンプルで直感的な物理的意味を与えます。つまり、遺伝的分散が低いということは、コア内の類似の場所に類似の FA を配置するという意味で、多くの染色体が類似していることを示します。
このアルゴリズムのもう 1 つの新しい機能は、コアの空間構造を考慮して問題の幾何学的性質を考慮することです。研究者は、この情報を利用する新しい幾何学的交差演算子を開発し、その実装は優れた結果を示しています。クロスオーバーは、選択された親から新しいソリューションを作成する責任を負う遺伝的オペレーターです。 2 つの親染色体間で遺伝子セグメントを交換し、それらの遺伝子データを混合して子孫を作成します。この研究のために開発された適応交差演算子は、2 つの選択された LP 親間で隣接する FA の (さまざまなサイズの) 長方形セグメントを交換することに基づいています。
BGU の研究者はまた、集団の瞬間的な遺伝的分散に基づいて、高度に適応性のある突然変異戦略を開発しました。このアルゴリズムは、集団の遺伝的多様性を継続的に監視し、集団の均一性のレベルに応じて突然変異率を自動的に変更します。集団が均質であるほど、突然変異率は高くなります。この機能により、アルゴリズムのパフォーマンスが大幅に向上することが示されています。
最後に、BGU の研究者は、LP 最適化の分野全体の根底にある対称コア設計の伝統的な仮定に挑戦しています。この仮定は、原子炉のさまざまな一次冷却材ループが公称運転中に同様の熱水力条件を維持しなければならず、炉心の出力分布に対称性を課すために行われます。さらに、対称 LP ははるかに直感的であり、原子力エンジニアは、コア LP の設計における直感と経験にある程度依存しています。これらの対称性制約は、他のタイプの原子炉または重要な施設 (研究原子炉、SMR) が考慮されると取り除かれます。この研究は、場合によっては最良の LP が対称的ではなく、非常に驚くべき直感に反するものになる可能性があるという、重要かつ型にはまらない結論を示しています。
この研究は、進化的アルゴリズムと原子炉物理学の両方の専門知識の組み合わせが必要であるという意味で、真に学際的な性質のものです。この研究分野は活発で関連性がありますが、このような問題を解決するための最新の進化的アルゴリズムの適用はまだ始まったばかりです。
これらの調査結果は、ジャーナル Annals of Nuclear Energy に最近掲載された、コア物理ヒューリスティックに基づく負荷パターン最適化のための新しい遺伝的アルゴリズムというタイトルの記事で説明されています。 この作業は、ネゲブのベングリオン大学の E. Israeli と E. Gilad によって実施され、一部はイスラエルのエネルギー省から資金提供を受けています。契約番号 216-11-008 です。
