دانلود رایگان ترجمه مقاله الگوریتم های بهینه سازی در طراحی آب غلیان – 2013

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

2 – مقدمه
از روزی که مهندسان و دانشمندان نیروگاه هسته ای در جستجو طراحی هسته بهینه بوده اند ؛ ریاضی دانان هنوز ازمدت ها قبل در جستجو روش هایی برای یافتن بی نهایت ها بر روی مجموعه نقاط بزرگ بوده اند . اکنون با معرفی کامپیوتر های های قوی یک سری روش های عددی برای تقریب زدن وجود دارند و این کامپیوتر ها وضع های بهینه را برای توابع پیچیده مشخص می سازند . این الگوریتم ها برای هر نوع سیستمی قابل اعمال می باشند که می توان آن سیستم را کوانتیزه نمود و سنگین نمود ؛ کاربرد این الگوریتم هابرای شبیه سازی های هسته ای به پشرفت های چشمگیری در کل جنبه های طراحی راکتور از پین های سوخت گرفته تا الگوی بار گذاری هسته منجر شده اند .
مطابق با طرح هسته در حدود چند صد متغیر اجباری مستقل وجود دارند که می توان تغییر داد و بعضی مواقع تاثیر فیزیکی قابل توجهی دارند . در یک هسته راکتور آب جوشان متوسط که بیش از چهار صد مجموعه سوخت ( گروه سازماندهی شده میله های سوخت ) وجود دارند ، بعضی راکتور ها حاوی نزدیک به یکصد مجموعه سوخت می باشند . هر مجموعه از شبکه 8 در هشت تا 10 در 10 پین هاس سوخت تشکیل می گردد که هر یک با صد ها قرص سوخت پر شده اند . این قرص ها کمترین سطح ساختار قابل تغییر برای ساختن هسته راکتور هستند . فرض بر این که فقط یک متغیر در هر قرص وجود دارد ، در آنجا یک فضای جستجو بزرگ نامعقول با پیکر بندی منحصر به فرد 1020,594,603 ~ 10 107.31′ وجود دارد . در آنجا در مقایسه به طور تقریبی 10 به توان 80 اتم در جامعه قابل مشاهده وجود دارند .
بنابراین ، در صورتی که سوپر کامپیوتری به اندازه چندین عالم وجود نداشته باشد ، روشی برای تضمین طراحی هسته کاملا بهینه وجود ندارد . دستیابی به تقریب های شبه منطقی با استفاده از روش های بهینه سازی امکان پذیر می باشد و معروف ترین آنها عبارتند از الگورتیم ژنتیکی و تبرید شبیه سازی شده . این روش های بهینه سازی بکار گرفته می شوند تا وضع های بهینه تابع نمایده تکی از طریق انواع فرآیند های تکراری پیدا شوند . سطوح گسسته یا میانگین برای کاهش بیشتر چالش محاسباتی بر طبق محدودیت های اتصال تطبیق می یابند .
در آنجا تعداد بی نهایت فاکتور ها ، غنی سازی ها و دانسیته ها در هسته های راکتور برای بررسی وجود دارند ازاینرو کل این جنبه ها بر طبق ساختار بیشتر مجموعه سوخت هستند . شبیه سازی آرایش مجموعه سوخت یک فرآیند متمرکز محاسباتی می باشد که الگوریم ها را به طور جدی به چالش می کشد . GEDBS در سطح طراحی شبکه سوخت درون مجموعه سوخت BWR تست گردید .
GEDBS یک الگوریتمی می باشد که دو پین سوخت را در شبکه با دو پین از پالت موجود پین های مختلف عوض کرده ، پیکر بندی را اندازه گیری نموده و از نتیجه تکرار می گردد . این روش یک رویکرد برنامه سازی پر قدرت نسبت به الگوریتم ژنتیکی یا تبرید شبیه سازی شده می باشد . در نهایت GEDBS با اثربخشی تبرید شبیه سازی شده و الگوریتم ژنتیکی مقایسه گردید .
تبرید شبیه سازی شده ، الگوریتم ژنتیکی و GEDBS همگی از طریق به حداقل رساندن یا حداکثر رساندن تابع تکی شروع می شوند که کل متغیر های مرتبط با مسئله را در بر می گیرند . ارزیابی عددی راه حل بهتر را با ساده سازی حجم بیشتری از پیچیدگی با تابع تکی می توان به راحتی از طریق کامپیوتر شناخت . این تابع اغلب در حدود کران محلی ساکن می گردد بجای این که هدف کران جهانی باشد . مقدار الگوریتم به گونه ای می باشد که از بهترین مقدار فعلی اش منحرف خواهد شد و این وضعیت مشخص خواهد ساخت چگونه یک مانع بالقوه بزرگ می تواند الگوریتم را برعکس سازد از اینرو با این توانایی بر موانع بالقوه بزرگی غلبه می کند که به طور ذاتی همراه با هرج و مرج و ناکارامدی شکل می گیرند . مقدار الگوریتم یک توازن دقیق از این فاکتور ها می باشد که اثربخشی نهایی روش بهینه سازی را اثبات خواهد کرد . برای مثال ، سیستم کاملا فراگیر که هر احتمالی را بررسی کرده بود می توانست به راه حل بهینه دست یابد اما هنوز به فرآوری و بررسی بد ترین راه حل در فرآیند ادامه خواهد داد .الگوی غیر فراگیر ازبهترین الگوی فعلی با میزان های مختلف تکرار خواهد شد و زمان محاسبه در حال بررسی در منطه بد ترین پاسخ ها را به هدر نمی دهد .حذف تصویر شاخص

بخشی از مقاله انگلیسی:

2. Introduction

Since the inception of nuclear power engineers and scientists have pursued optimal core design; for longer still mathematicians have long sought methods for finding extrema over a large set of points. With the introduction of high-powered computers, numerical methods now exist to approximate and find the optima of complex functions. These algorithms are applicable to any system that can be quantized and weighted; their application to nuclear simulations has led to dramatic advancements in all aspects of reactor design, from the fuel pins to the core loading pattern. Within a core design there are hundreds of independent constrained variables that can be altered, sometimes with drastic physical effect. In an average Boiling Water Reactor (BWR) core there are over four hundred fuel bundles, some reactors containing close to one thousand. Each bundle is composed of an 8-by-8 to 10-by-10 grid of fuel pins that are each filled with hundreds of fuel pellets. These pellets are the lowest level alterable structure for building a reactor core. Assuming just one variable per pellet, there is a preposterously large search space of 1020,594,603 ~ 1 0 10′ unique configurations. For comparison there are approximately 1080 atoms in the observable universe. Therefore without a supercomputer the size of several universes there is no way to ensure the absolutely optimal core design. It is possible to achieve reasonably close approximations using optimization methods, the most popular of which are the genetic algorithm and simulated annealing. These optimization methods work to find the extrema of a single representative function by various iterative processes. To further reduce computational challenge, discrete levels or averages are adopted within bounding limits. There are a near infinite number of factors, enrichments, and densities in reactor cores to consider, however all of these aspects are within the greater structure of a fuel bundle. Creating a simulation of fuel bundle arrangement is a computationally intense process that seriously challenges algorithms. The greedy exhaustive dual binary swaps (GEDBS) method was tested on the level of fuel lattice design within a BWR fuel bundle. The GEDBS is an algorithm which replaces two fuel pins in a lattice with two from an available palette of pin types, measures the configuration and iterates from the result. This method is a more brute force approach than either the genetic algorithm (GA) or simulated annealing (SA). Ultimately the GEDBS will be compared with the effectiveness of SA and GA; this could eventually lead to the creation of even more efficient methods to find maxima and minima. SA, GA, and GEDBS are all proceed by minimizing/maximizing a single function which encompasses all of the relevant variables to the problem. By simplifying a great deal of complexity to a single function the numerical evaluation of a ‘better’ solution can be more readily realized by a computer. This function often becomes stagnant around a local extreme rather than its goal of a global extreme. The amount the algorithm is willing to deviate from its current best value will indicate how large a potential barrier the algorithm can traverse, however with this ability to overcome large potential barriers comes inherent chaos and inefficiency. It is the careful balance of these factors that will prove the ultimate effectiveness of any optimization method. For example a fully exhaustive system that checked every possibility could reach the optimal solution, but still continue processing and check the worst solution in the process. A non-exhaustive pattern would iterate from the current best pattern to differing degrees and not waste computation time checking in the area of the worst responses.