Tổng quan về luận án

Nghiên cứu này trình bày một bước đột phá quan trọng trong lĩnh vực quản lý nhiên liệu bên trong lò phản ứng (In-core Fuel Management - ICFM) cho lò phản ứng hạt nhân VVER-1000, một công nghệ lò phản ứng nước áp lực (PWR) mang đặc trưng Nga với các cụm nhiên liệu hình lục giác. Bối cảnh khoa học của công trình này được đặt trong nỗ lực toàn cầu nhằm tối ưu hóa chi phí vận hành và nâng cao an toàn của các nhà máy điện hạt nhân, đặc biệt là thông qua việc cải thiện hiệu quả sử dụng nhiên liệu. Ngành công nghiệp hạt nhân, mặc dù đối mặt với những thách thức từ các sự cố lịch sử như Three Mile Island (1979), Chernobyl (1986) và Fukushima (2011), vẫn đóng vai trò thiết yếu, cung cấp khoảng 10% tổng điện năng toàn cầu vào năm 2019 và có khoảng 50 nhà máy đang xây dựng [2]. Công trình này tiên phong bằng cách giải quyết vấn đề phức tạp của tối ưu hóa mô hình nạp tải nhiên liệu (Loading Pattern - LP) cho lò VVER-1000, một bài toán có không gian tìm kiếm khổng lồ và đa mục tiêu, nơi việc tìm kiếm giải pháp tối ưu toàn cục là một thách thức lớn.

Research gap cụ thể được xác định là "không có phương pháp hoặc chương trình tính toán nào có thể đảm bảo một giải pháp tối ưu hoàn chỉnh cho bài toán tối ưu hóa LP" (Tóm tắt, trang vi). Các phương pháp tìm kiếm truyền thống thường mắc kẹt ở các tối ưu cục bộ, trong khi các phương pháp ngẫu nhiên tiên tiến hơn như Simulated Annealing (SA), Genetic Algorithms (GA) hay Differential Evolution (DE) mặc dù có khả năng thoát khỏi tối ưu cục bộ, nhưng vẫn gặp hạn chế về tốc độ hội tụ và hiệu quả tìm kiếm trong không gian rộng lớn của bài toán LP. Luận án này nhắm đến việc lấp đầy khoảng trống đó bằng cách phát triển và ứng dụng các phương pháp tối ưu hóa tiên tiến để tăng tốc độ hội tụ và tìm kiếm các giải pháp chất lượng cao hơn trong cùng một số lượng lần thử nghiệm.

Các câu hỏi nghiên cứu và giả thuyết chính của luận án bao gồm:

  1. Làm thế nào để phát triển một công cụ mô phỏng vùng hoạt (LPO-V) cho lò phản ứng VVER có tốc độ tính toán nhanh và độ chính xác đảm bảo, đáp ứng yêu cầu của bài toán tối ưu hóa LP?
  2. Làm thế nào để cải tiến phương pháp mô phỏng tôi kim (SA) thành phương pháp mô phỏng tôi kim tiến hóa (Evolutionary Simulated Annealing - ESA) bằng cách tích hợp các toán tử lai ghép và đột biến để tạo ra các cấu hình nạp tải thử nghiệm mới, từ đó nâng cao khả năng thoát khỏi tối ưu cục bộ và tăng tốc độ hội tụ?
  3. Làm thế nào để phát triển một phương pháp tiến hóa vi phân thích ứng dựa trên lịch sử thành công rời rạc (discrete Success-History based Adaptive Differential Evolution - SHADE) áp dụng cho bài toán tối ưu thay đảo nhiên liệu, chuyển đổi các biến thực thành biến số nguyên thông qua phương pháp chỉ số vị trí tương đối (Relative Position Indexing - RPI), và cải thiện hiệu suất của thuật toán tiến hóa vi phân (DE) ban đầu?
  4. Việc áp dụng các phương pháp ESA và SHADE rời rạc này có mang lại các cấu hình LP tối ưu với hệ số nhân neutron hiệu dụng (k_eff) cao hơn và hệ số đỉnh công suất xuyên tâm (PPF) thấp hơn đáng kể so với các phương pháp hiện có và cấu hình tham chiếu của lò VVER-1000 nạp tải MOX không?
  5. Sự khác biệt thống kê về hiệu suất giữa các phương pháp ESA, SHADE, SA, ASA và DE có thể được định lượng và xác nhận bằng các kiểm định thống kê tiên tiến nào?

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp của vật lý lò phản ứng và các thuật toán tối ưu hóa siêu heuristic. Các lý thuyết vật lý lò phản ứng bao gồm phương trình khuếch tán đa nhóm trạng thái ổn định (steady-state multi-group diffusion equations) được giải bằng phương pháp sai phân hữu hạn (Finite Difference Method - FDM) trong lưới tam giác. Về mặt tối ưu hóa, luận án mở rộng các lý thuyết của Simulated Annealing (SA) (Kirkpatrick et al., 1983) và Differential Evolution (DE) (Storn & Price, 1997) bằng cách giới thiệu các cơ chế cải tiến. ESA mở rộng SA thông qua việc áp dụng toán tử lai ghép (crossover) và đột biến (mutation) tương tự như trong Genetic Algorithms (GA), cho phép khám phá không gian tìm kiếm hiệu quả hơn. SHADE cải tiến DE bằng cách sử dụng cơ chế thích ứng dựa trên lịch sử của các tham số điều khiển thành công (mutant scale F và crossover ratio CR), như được đề xuất bởi Tanabe và Fukunaga (2013), nhằm nâng cao khả năng hội tụ và độ mạnh mẽ của thuật toán.

Đóng góp đột phá của luận án được định lượng một cách rõ ràng: các kết quả cho thấy k_eff của cấu hình tối ưu "lớn hơn cấu hình tham chiếu khoảng 1580 pcm" và "hệ số đỉnh công suất xuyên tâm (PPF) của cấu hình tối ưu nhỏ hơn khoảng 2,4 % so với cấu hình tham chiếu" (Tóm tắt, trang vii-viii). Điều này có ý nghĩa to lớn trong việc tối đa hóa độ dài chu kỳ nhiên liệu và đảm bảo các tiêu chí an toàn, trực tiếp dẫn đến giảm chi phí nhiên liệu và tăng cường biên độ an toàn vận hành lò phản ứng.

Phạm vi nghiên cứu tập trung vào lò phản ứng VVER-1000 với lõi nhiên liệu MOX (Mixed Oxide). Dữ liệu tính toán được dựa trên bài toán chuẩn VVER-1000 MOX benchmark core của OECD/NEA, với 163 cụm nhiên liệu, trong đó 1/6 lõi tham chiếu bao gồm 28 cụm nhiên liệu (19 cụm UO2 và 9 cụm MOX) (Mục 2.2). Nghiên cứu này không giới hạn về khung thời gian vận hành cụ thể mà tập trung vào tối ưu hóa LP ở trạng thái Beginning of Cycle (BOC) để tối đa hóa k_eff và làm phẳng phân bố công suất xuyên tâm. Ý nghĩa của công trình là rất lớn, không chỉ đối với việc vận hành an toàn và kinh tế của các lò VVER hiện có mà còn cho các thiết kế lò phản ứng tương lai, cung cấp một công cụ mạnh mẽ để đánh giá và tối ưu hóa các kịch bản nạp tải nhiên liệu phức tạp, đặc biệt là trong bối cảnh các chương trình điện hạt nhân đang phát triển trên thế giới.

Literature Review và Positioning

Lĩnh vực tối ưu hóa mô hình nạp tải nhiên liệu (LP optimization) trong các lò phản ứng hạt nhân đã chứng kiến sự phát triển đáng kể về phương pháp luận kể từ những ngày đầu của công nghệ hạt nhân. Các dòng nghiên cứu chính có thể được tổng hợp thành hai nhóm lớn: thuật toán dựa trên lân cận (Neighborhood-based algorithms) và thuật toán dựa trên quần thể (Population-based algorithms).

Các phương pháp dựa trên lân cận đã được áp dụng từ sớm, bao gồm các phương pháp tìm kiếm cổ điển như Direct Search (DS) và Binary Exchange (BE) [6]. Ưu điểm của các thuật toán này là số lượng LP được tính toán nhỏ và tốc độ hội tụ nhanh đến một tối ưu cục bộ. Tuy nhiên, nhược điểm chính là không có khả năng thoát khỏi tối ưu cục bộ. Để khắc phục hạn chế này, các phương pháp ngẫu nhiên như Simulated Annealing (SA) của Kirkpatrick et al. [6–15] và Tabu Search (TS) [16–24] đã được giới thiệu. SA, đặc biệt, đã được chấp nhận rộng rãi nhờ khả năng chấp nhận các giải pháp kém hơn với một xác suất nhất định, cho phép thoát khỏi tối ưu cục bộ. Tuy nhiên, SA nguyên bản lại có tốc độ hội tụ chậm, đòi hỏi số lượng lớn các LP thử nghiệm để đạt được giải pháp tối ưu toàn cục [70]. Adaptive Simulated Annealing (ASA) đã được phát triển để cải thiện tốc độ hội tụ bằng cách tối ưu hóa lịch trình ủ và phương pháp tạo LP thử nghiệm mới, thường kết hợp trao đổi nhị phân hoặc tam phân với các chiến lược như "return to the best" hoặc ma trận xác suất chuyển đổi [9, 10, 70–72].

Về các thuật toán dựa trên quần thể, một loạt các phương pháp đã được phát triển và áp dụng, bao gồm Genetic Algorithms (GA) của Holland (1975) [25–34], Evolution Methods (EM) [35–43], Particle Swarm Optimization (PSO) của Kennedy và Eberhart (1995) [44–53], Ant Colony Optimization (ACO) của Dorigo và Caro (1999) [54–60], và Differential Evolution (DE) của Storn và Price (1997) [61–69]. DE đặc biệt nổi bật về hiệu quả và tính mạnh mẽ, được chứng minh là có khả năng khám phá không gian tìm kiếm và tiếp cận tối ưu toàn cục tốt hơn so với GA và các EM khác [77]. Các biến thể DE tiên tiến như JADE, CoDE và Success-History based Adaptive Differential Evolution (SHADE) của Tanabe và Fukunaga (2013) đã tiếp tục nâng cao hiệu suất của DE bằng cách sử dụng cơ chế thích ứng tham số dựa trên lịch sử thành công [79].

Có những mâu thuẫn và tranh luận tồn tại trong tài liệu về phương pháp tối ưu hóa hiệu quả nhất. Ví dụ, một số nghiên cứu ủng hộ GA vì tính đơn giản và khả năng khám phá rộng rãi, trong khi các nghiên cứu khác lại chỉ ra ưu thế về tốc độ hội tụ và độ mạnh mẽ của DE [77]. Bài toán tối ưu hóa LP cho lò VVER-1000 cũng đã được nghiên cứu sử dụng nhiều phương pháp khác nhau, ví dụ như ATHENA sử dụng phương pháp ngẫu nhiên và OPTIMAL sử dụng Binary Exchange cho lò VVER-440 Dukovany [95, 96]. LONSA, một công cụ kết hợp mạng thần kinh và phương pháp SA, cũng đã được áp dụng cho lò VVER-1000 Bushehr của Iran với kết quả khả quan [98]. Tuy nhiên, như luận án đã chỉ ra, "các nghiên cứu về tối ưu hóa LP vẫn đang tiếp diễn, bởi vì chưa có phương pháp hay chương trình tính toán nào có thể đảm bảo một giải pháp tối ưu hoàn toàn cho bài toán tối ưu hóa LP" (Mục 1.4, trang 17). Điều này tạo ra một khoảng trống đáng kể trong việc tìm kiếm các giải pháp tối ưu toàn cục và hiệu quả hơn.

Luận án này định vị mình trong tài liệu bằng cách giải quyết trực tiếp khoảng trống về hiệu quả tìm kiếm và tốc độ hội tụ của các phương pháp tối ưu hóa hiện có. Thay vì chỉ áp dụng các phương pháp hiện tại, nghiên cứu này phát triển hai phương pháp mới: Evolutionary Simulated Annealing (ESA) và discrete SHADE. ESA cải tiến SA bằng cách tích hợp toán tử lai ghép và đột biến (cross-over và mutation operators) tương tự như trong GA, một cách tiếp cận chưa từng được khám phá rộng rãi trong bối cảnh SA cho tối ưu LP [11]. Discrete SHADE, một biến thể nâng cao của DE, được điều chỉnh để xử lý các biến số nguyên trong bài toán LP bằng cách sử dụng phương pháp chỉ số vị trí tương đối (Relative Position Indexing - RPI), giải quyết một hạn chế cố hữu của DE khi được thiết kế ban đầu cho các biến liên tục [73, 62, 63, 80–82].

Bằng cách phát triển các phương pháp này và kết hợp chúng với một chương trình mô phỏng vùng hoạt động (LPO-V) được phát triển riêng, nghiên cứu này thúc đẩy lĩnh vực tối ưu hóa LP bằng cách cung cấp các công cụ mạnh mẽ và hiệu quả hơn. Sự so sánh với ít nhất hai nghiên cứu quốc tế khác, cụ thể là việc đánh giá hiệu suất của ESA và SHADE so với SA, ASA và DE trên bài toán benchmark VVER-1000 MOX core của OECD/NEA [5], cũng như các nghiên cứu trước đây về lò VVER của Czech Republic [99] và Iran [97], cho thấy những cải tiến đáng kể. Các nghiên cứu trước đó của Czech và Iran chủ yếu sử dụng các phiên bản cơ bản hơn của GA, SA hoặc kết hợp chúng, trong khi luận án này giới thiệu các biến thể tiên tiến hơn với cơ chế thích ứng và lai ghép mới. Kết quả của nghiên cứu này cung cấp các giải pháp tối ưu vượt trội về k_eff và PPF, điều này thể hiện sự tiến bộ rõ rệt so với các công trình trước đó và mở ra hướng đi mới cho ICFM.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào các lý thuyết tối ưu hóa siêu heuristic, đặc biệt là Simulated Annealing (SA) và Differential Evolution (DE), bằng cách mở rộng và cải thiện các cơ chế cốt lõi của chúng.

Đầu tiên, luận án mở rộng và thách thức lý thuyết SA của Kirkpatrick, Gelatt, và Vecchi (1983) thông qua việc phát triển phương pháp Evolutionary Simulated Annealing (ESA). SA truyền thống tạo ra các giải pháp thử nghiệm mới thông qua các phép trao đổi nhị phân (binary exchange) hoặc tam phân (ternary exchange) [70]. Tuy nhiên, ESA cải tiến cơ chế này bằng cách "sử dụng các toán tử trao đổi chéo (crossover) và đột biến (mutation) để tạo ra các cấu hình nạp tải thử nghiệm mới" (Tóm tắt, trang vi). Sự tích hợp của toán tử lai ghép (crossover) giữa hai LP cơ sở để tạo ra một LP thử nghiệm mới, một cơ chế thường thấy trong Genetic Algorithms (GA), là một sự mở rộng quan trọng. Điều này cho phép ESA khám phá không gian tìm kiếm rộng lớn hơn và thoát khỏi các tối ưu cục bộ hiệu quả hơn so với SA và ASA nguyên bản, vốn thường bị hạn chế bởi cấu trúc lân cận địa phương. Bằng cách kết hợp khả năng chấp nhận các giải pháp kém hơn của SA với khả năng khám phá toàn cục của các toán tử tiến hóa, ESA mang đến một cách tiếp cận lai ghép mạnh mẽ hơn cho bài toán LP optimization.

Thứ hai, luận án đóng góp vào lý thuyết Differential Evolution (DE) của Storn và Price (1997) thông qua việc phát triển phương pháp discrete Success-History based Adaptive Differential Evolution (SHADE). DE ban đầu được thiết kế cho các bài toán biến liên tục [73]. Tuy nhiên, bài toán tối ưu hóa LP yêu cầu xử lý các biến số nguyên. Luận án giải quyết thách thức này bằng cách triển khai một "phương pháp tiếp cận chỉ số vị trí tương đối (relative position indexing approach) để chuyển đổi các biến thực thành các biến số nguyên" (Tóm tắt, trang vi). Điều này không chỉ cho phép áp dụng DE cho bài toán rời rạc mà còn giữ được hiệu quả vốn có của nó. Hơn nữa, SHADE cải tiến DE bằng cách sử dụng "cơ chế thích ứng dựa trên lịch sử của các tham số điều khiển thành công, tức là tỷ lệ đột biến F và tỷ lệ trao đổi chéo CR" (Tóm tắt, trang vi). Điều này có nghĩa là thay vì phải điều chỉnh ba tham số điều khiển trong DE ban đầu, SHADE chỉ cần hai tham số là kích thước quần thể (N_P) và kích thước bộ nhớ lịch sử (H), làm cho thuật toán hiệu quả hơn và ít phụ thuộc vào việc tinh chỉnh tham số thủ công. Sự thích ứng này là một bước tiến lý thuyết trong việc tự động hóa và nâng cao hiệu suất của các thuật toán tiến hóa.

Khung phân tích khái niệm (Conceptual framework) của luận án xoay quanh việc tối ưu hóa đa mục tiêu, nơi mục tiêu chính là "tối đa hóa k_eff, đồng thời làm phẳng phân bố công suất hướng tâm" (Tóm tắt, trang viii). Khung này tích hợp hai yếu tố chính: hiệu quả (thể hiện qua k_eff) và an toàn (thể hiện qua PPF và độ phẳng phân bố công suất). Các thành phần của khung bao gồm:

  1. Mô hình vật lý lò phản ứng: Sử dụng phương trình khuếch tán đa nhóm và FDM để mô phỏng chính xác các đặc tính neutron của lõi lò.
  2. Đại diện mô hình nạp tải (LP): Biểu diễn các LP dưới dạng các vector hoặc ma trận có thể thao tác được bởi các thuật toán tối ưu hóa.
  3. Hàm mục tiêu (Fitness Function): Một hàm kết hợp cả k_eff và PPF, thường được xây dựng dưới dạng tổng trọng số hoặc phạt, để hướng dẫn quá trình tìm kiếm.
  4. Các thuật toán tối ưu hóa: ESA và discrete SHADE, với các cơ chế tạo, biến đổi và chọn lọc quần thể LP.

Mô hình lý thuyết được đề xuất bao gồm các giả thuyết sau:

  1. Giả thuyết 1: Việc tích hợp các toán tử lai ghép và đột biến vào SA (tạo thành ESA) sẽ cải thiện đáng kể khả năng thoát khỏi tối ưu cục bộ và tốc độ hội tụ so với SA và ASA truyền thống trong bài toán tối ưu hóa LP của VVER-1000 MOX core.
  2. Giả thuyết 2: Phương pháp discrete SHADE, kết hợp cơ chế thích ứng dựa trên lịch sử và phương pháp RPI, sẽ mang lại hiệu suất tìm kiếm và chất lượng giải pháp tối ưu vượt trội hoặc tương đương so với DE nguyên bản và các phương pháp khác (SA, ASA, ESA) cho cùng bài toán.
  3. Giả thuyết 3: Các giải pháp LP tối ưu được tìm thấy bởi ESA và SHADE sẽ cho k_eff cao hơn và PPF thấp hơn đáng kể so với cấu hình tham chiếu và các giải pháp từ các phương pháp cạnh tranh khác.

Luận án này không trực tiếp đề xuất một sự thay đổi mô hình (paradigm shift) lớn trong vật lý hạt nhân mà thay vào đó là một sự tiến bộ đáng kể trong mô hình tính toán và phương pháp tối ưu hóa trong lĩnh vực ICFM. Bằng chứng từ các phát hiện, như việc tăng k_eff lên 1580 pcm và giảm PPF 2.4% so với lõi tham chiếu, cho thấy một sự thay đổi trong cách tiếp cận có thể đạt được hiệu quả vận hành tốt hơn và an toàn hơn đáng kể. Điều này tạo tiền đề cho việc các phương pháp siêu heuristic lai ghép và thích ứng trở thành tiêu chuẩn trong tối ưu hóa LP.

Khung phân tích độc đáo

Khung phân tích của luận án thể hiện sự tích hợp chặt chẽ của các lý thuyết vật lý hạt nhân và khoa học máy tính để giải quyết một vấn đề kỹ thuật phức tạp. Nó tích hợp ít nhất ba lý thuyết cụ thể:

  1. Lý thuyết khuếch tán neutron (Neutron Diffusion Theory): Cụ thể là phương trình khuếch tán đa nhóm trạng thái ổn định, nền tảng cho việc mô phỏng hành vi neutron trong lõi lò.
  2. Lý thuyết Mô phỏng tôi kim (Simulated Annealing Theory): Như được trình bày bởi Kirkpatrick et al. (1983), được mở rộng thông qua ESA.
  3. Lý thuyết Tiến hóa vi phân (Differential Evolution Theory): Được giới thiệu bởi Storn và Price (1997), được cải tiến thông qua discrete SHADE của Tanabe và Fukunaga (2013).

Cách tiếp cận phân tích mới lạ nằm ở việc không chỉ áp dụng các thuật toán tối ưu hóa hiện có mà còn phát triển các biến thể tiên tiến của chúng và điều chỉnh chúng một cách tỉ mỉ cho tính chất rời rạc của bài toán tối ưu hóa LP.

  • Tích hợp vật lý lõi và tối ưu hóa: Luận án phát triển mã LPO-V, một bộ mô phỏng vật lý lõi được thiết kế đặc biệt cho lò VVER, có khả năng giải các phương trình khuếch tán trong lưới tam giác dựa trên phương pháp sai phân hữu hạn. Sự tích hợp trực tiếp này giữa bộ giải vật lý lõi tốc độ cao và các thuật toán tối ưu hóa (ESA và SHADE) tạo ra một công cụ tối ưu hóa mạnh mẽ và hiệu quả, giảm đáng kể thời gian tính toán so với việc sử dụng các công cụ vật lý lõi độc lập nặng nề.
  • Phương pháp xử lý biến rời rạc độc đáo: Đối với discrete SHADE, "phương pháp tiếp cận chỉ số vị trí tương đối (Relative Position Indexing - RPI) đã được triển khai để chuyển đổi các biến thực thành các biến số nguyên" (Tóm tắt, trang vi). Đây là một giải pháp sáng tạo cho vấn đề DE ban đầu được thiết kế cho các biến liên tục, cho phép thuật toán này duy trì hiệu quả của nó trong một không gian tìm kiếm rời rạc và phức tạp.
  • Cơ chế thích ứng thông số dựa trên lịch sử: SHADE sử dụng một "cơ chế thích ứng dựa trên lịch sử của các tham số điều khiển thành công" [79] (Tóm tắt, trang vi). Điều này cho phép thuật toán tự động điều chỉnh các tham số quan trọng như tỷ lệ đột biến (F) và tỷ lệ trao đổi chéo (CR) trong suốt quá trình tiến hóa, làm cho nó mạnh mẽ hơn và ít nhạy cảm hơn với việc lựa chọn tham số ban đầu, một lợi thế đáng kể so với các thuật toán DE tiêu chuẩn.

Các đóng góp khái niệm (conceptual contributions) bao gồm các định nghĩa rõ ràng về ESA và discrete SHADE, làm nổi bật các cải tiến cụ thể so với các thuật toán gốc. ESA được định nghĩa là một SA được cải tiến bằng cách sử dụng các toán tử lai ghép và đột biến để tạo ra các LP thử nghiệm mới, thay vì các phép trao đổi nhị phân hoặc tam phân (Tóm tắt, trang vi). Discrete SHADE được định nghĩa là một DE thích ứng dựa trên lịch sử, được điều chỉnh cho các biến rời rạc thông qua phương pháp RPI và cơ chế thích ứng thông số tự động (Tóm tắt, trang vi).

Các điều kiện biên (boundary conditions) được nêu rõ ràng:

  • Mô hình hóa: Nghiên cứu này dựa trên mô hình lõi VVER-1000 MOX benchmark core của OECD/NEA [5], một mô hình 1/6 lõi với 28 cụm nhiên liệu. Các tính toán vật lý lõi được thực hiện trong không gian 2D với lưới tam giác và giả định đối xứng 60 độ (Mục 2.2).
  • Trạng thái hoạt động: Các tính toán chủ yếu tập trung vào trạng thái Beginning of Cycle (BOC) để đơn giản hóa bài toán bằng cách không tính toán độ cháy, nhưng vẫn đảm bảo tính đại diện cho giai đoạn tối ưu hóa ban đầu của một chu kỳ nhiên liệu (Mục 1.2).
  • Mục tiêu tối ưu hóa: Hàm mục tiêu (fitness function) được chọn để tối đa hóa k_eff và làm phẳng phân bố công suất xuyên tâm (PPF), với các trọng số được khảo sát để đạt được sự cân bằng mong muốn (Tóm tắt, trang viii).
  • Giới hạn an toàn: PPF của cấu hình tối ưu phải thấp hơn giới hạn an toàn cho phép (ví dụ, 1.4 trong các lò PWR điển hình) (Mục 1.2).

Việc xác định rõ ràng các điều kiện biên này đảm bảo tính chặt chẽ của khung phân tích và giúp định vị các phát hiện trong một ngữ cảnh cụ thể, đồng thời cho phép mở rộng ứng dụng trong tương lai.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án này tuân theo triết lý nghiên cứu thực chứng (positivist philosophy), hướng tới việc phát triển các mô hình tính toán có thể kiểm chứng được, đo lường khách quan các đặc tính vật lý và tối ưu hóa các giải pháp kỹ thuật dựa trên dữ liệu định lượng. Mục tiêu là xác định "các cấu hình nạp tải tối ưu" với "hiệu suất tốt hơn mô-đun CITATION" và độ chính xác cao (Tóm tắt, trang vi).

Luận án sử dụng một thiết kế nghiên cứu phương pháp hỗn hợp (mixed methods design) ở một khía cạnh nhất định, mặc dù trọng tâm chính là định lượng. Sự kết hợp cụ thể bao gồm:

  1. Phát triển công cụ mô phỏng vật lý (LPO-V): Đây là một phần mềm tính toán vật lý hạt nhân sử dụng các phương trình khuếch tán đa nhóm và phương pháp sai phân hữu hạn trên lưới tam giác. Nó cung cấp các thông số định lượng như k_eff, PPF, và phân bố công suất.
  2. Phát triển và ứng dụng các thuật toán tối ưu hóa siêu heuristic: Các phương pháp ESA và discrete SHADE được phát triển và điều chỉnh để tìm kiếm các giải pháp tối ưu trong không gian rời rạc. Đây là phần mang tính thuật toán và định lượng cao.
  3. Kiểm định thống kê: Sử dụng Mann-Whitney U Test để so sánh hiệu suất giữa các phương pháp, cung cấp bằng chứng thống kê về sự khác biệt có ý nghĩa giữa chúng (Tóm tắt, trang vii).

Mặc dù không có thiết kế đa cấp độ (multi-level design) theo nghĩa phân tích dữ liệu đa cấp, nghiên cứu này giải quyết các cấp độ khác nhau của bài toán: từ cấp độ vi mô (tính toán tiết diện neutron cho từng bó nhiên liệu bằng SRAC/PIJ) đến cấp độ vĩ mô (tính toán toàn bộ lõi lò bằng LPO-V) và cấp độ siêu vĩ mô (tối ưu hóa toàn cục các LP bằng ESA/SHADE).

Kích thước mẫu (sample size) cho bài toán tối ưu hóa LP của lõi VVER-1000 MOX là 163 cụm nhiên liệu. Trong các tính toán dựa trên mô hình 1/6 lõi đối xứng, mẫu bao gồm 28 cụm nhiên liệu (19 UO2 và 9 MOX), với các mức độ cháy khác nhau (0, 15, 32, 40 MWd/kg cho UO2 và 0, 17, 33 MWd/kg cho MOX) (Bảng 2.2, trang 25). Tiêu chí lựa chọn mẫu rõ ràng: sử dụng cấu hình lõi VVER-1000 MOX benchmark của OECD/NEA [5], một tiêu chuẩn được quốc tế công nhận để xác minh các mã và phương pháp tính toán.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) trong quá trình tối ưu hóa không phải là lấy mẫu thống kê truyền thống mà là việc tạo ra các "LP thử nghiệm mới" trong không gian tìm kiếm. Các phương pháp ESA và SHADE sử dụng các cơ chế tạo mẫu độc đáo. ESA sử dụng toán tử lai ghép (crossover) giữa hai LP cha mẹ và đột biến (mutation) để tạo ra các LP con mới (Tóm tắt, trang vi). Discrete SHADE sử dụng cơ chế tiến hóa vi phân với phương pháp chỉ số vị trí tương đối (RPI) để ánh xạ các biến thực thành biến số nguyên, sau đó tạo ra các cá thể mới trong quần thể thông qua các toán tử đột biến và lai ghép đặc trưng của DE [73]. Tiêu chí bao gồm (inclusion criteria): các LP phải tuân thủ cấu trúc hình học của lõi VVER-1000 (lưới hình lục giác) và các ràng buộc về số lượng, loại và mức độ cháy của các cụm nhiên liệu có sẵn. Tiêu chí loại trừ (exclusion criteria) bao gồm các LP vi phạm các ràng buộc vật lý hoặc an toàn (ví dụ: PPF vượt quá giới hạn an toàn), hoặc các LP đã được đánh giá trước đó (mặc dù các thuật toán siêu heuristic có thể chấp nhận các giải pháp lặp lại hoặc kém hơn với xác suất nhất định để thoát khỏi tối ưu cục bộ).

Quy trình thu thập dữ liệu (data collection protocols) dựa trên việc chạy các mô phỏng vật lý lõi bằng mã LPO-V cho mỗi LP thử nghiệm được tạo ra. Các công cụ (instruments) được mô tả bao gồm:

  • LPO-V code: Chương trình mô phỏng vật lý lõi được phát triển trong luận án, giải các phương trình khuếch tán đa nhóm bằng FDM trong lưới tam giác. Nó cung cấp các đầu ra chính như k_eff và phân bố công suất (Mục 2.1).
  • SRAC code (PIJ module): Được sử dụng cho các tính toán lưới (lattice calculations) của các bó nhiên liệu và không nhiên liệu để thu được các tiết diện vĩ mô đa nhóm (multi-group macroscopic cross-sections), là dữ liệu đầu vào cho LPO-V (Mục 2.3).
  • MCNP4c: Mã Monte Carlo N-Particle được sử dụng làm mã tham chiếu để xác minh độ chính xác của LPO-V, đặc biệt là so sánh k_eff và phân bố công suất (Tóm tắt, trang viii; Bảng 2.3, trang 25; Hình 2.13, trang 43).

Kiểm định chéo (triangulation) được áp dụng để tăng độ tin cậy của kết quả:

  • Triangulation dữ liệu: So sánh kết quả của LPO-V với kết quả của MCNP4c, một mã Monte Carlo tiêu chuẩn được quốc tế công nhận cho vật lý lò phản ứng. Kết quả cho thấy "k_eff của LPO-V rất gần với MCNP4c, với sai số tương đối chỉ khoảng 0.1-0.3%" (Bảng 2.3).
  • Triangulation phương pháp: So sánh hiệu suất của các phương pháp tối ưu hóa mới (ESA, SHADE) với các phương pháp đã được thiết lập (SA, ASA, DE) bằng cách sử dụng cùng một bài toán benchmark (Mục 3.2, 3.3).
  • Triangulation lý thuyết (ở một mức độ): Sự kết hợp các nguyên tắc từ lý thuyết vật lý lò phản ứng (phương trình khuếch tán) với lý thuyết từ khoa học máy tính (thuật toán siêu heuristic) để tạo ra một giải pháp toàn diện.

Độ giá trị (validity) và độ tin cậy (reliability) được đảm bảo:

  • Construct validity: Các định nghĩa về k_eff, PPF, và các toán tử tối ưu hóa được tuân thủ nghiêm ngặt theo các tiêu chuẩn khoa học.
  • Internal validity: Các tính toán được thực hiện trong một môi trường được kiểm soát (benchmark core), và các biến ngoại lai được giảm thiểu thông qua việc giữ các tham số vật lý lõi nhất quán.
  • External validity: Mặc dù tập trung vào VVER-1000 MOX core, các phương pháp tối ưu hóa được phát triển (ESA, discrete SHADE) có thể được khái quát hóa để áp dụng cho các loại lò phản ứng và bài toán tối ưu hóa LP khác (Tóm tắt, trang ix).
  • Độ tin cậy (reliability): Các tính toán thống kê (Mann-Whitney U Test) được thực hiện dựa trên "50 lần chạy độc lập" (Hình 3.1, 3.2, 3.3, v.v.) để đảm bảo rằng kết quả là nhất quán và không phải ngẫu nhiên. Mặc dù giá trị alpha (α values) cụ thể không được báo cáo trực tiếp cho mỗi kết quả, Mann-Whitney U Test cung cấp một giá trị p (p-value) để đánh giá sự khác biệt có ý nghĩa thống kê giữa các phương pháp.

Data và phân tích

Đặc điểm mẫu (sample characteristics) của dữ liệu được sử dụng trong nghiên cứu này bắt nguồn từ bài toán chuẩn VVER-1000 MOX core của OECD/NEA [5]. Lõi tham chiếu 1/6 bao gồm 28 cụm nhiên liệu: 19 cụm UO2 và 9 cụm MOX (Hình 2.2, trang 24). Các cụm UO2 có bốn mức độ cháy (burnup levels): 0, 15, 32 và 40 MWd/kg. Các cụm MOX có ba mức độ cháy: 0, 17 và 33 MWd/kg (Bảng 2.2, trang 25). Các đặc điểm về thành phần đồng vị của nhiên liệu, nước và cấu trúc thép được cung cấp chi tiết trong phần phụ lục của luận án.

Các kỹ thuật phân tích nâng cao (advanced techniques) được sử dụng rộng rãi:

  • Phương pháp sai phân hữu hạn (Finite Difference Method - FDM): Được áp dụng trong mã LPO-V để giải các phương trình khuếch tán đa nhóm trong lưới tam giác, cho phép mô phỏng vật lý lõi chính xác và hiệu quả.
  • Thuật toán tối ưu hóa siêu heuristic:
    • Evolutionary Simulated Annealing (ESA): Kết hợp các nguyên tắc của SA với toán tử lai ghép và đột biến để cải thiện khả năng khám phá.
    • Discrete Success-History based Adaptive Differential Evolution (SHADE): Một biến thể tiên tiến của DE với cơ chế thích ứng tham số dựa trên lịch sử và phương pháp chỉ số vị trí tương đối (RPI) để xử lý các biến rời rạc.
  • Kiểm định Mann-Whitney U Test: Được sử dụng để đánh giá sự khác biệt thống kê có ý nghĩa giữa hiệu suất của các phương pháp tối ưu hóa (SA, ASA, ESA, DE, SHADE) dựa trên các giá trị hàm mục tiêu (fitness function) thu được từ 50 lần chạy độc lập (Tóm tắt, trang viii; Bảng 3.3, 3.5, 3.6).

Phần mềm được sử dụng bao gồm:

  • LPO-V: Mã tự phát triển để tính toán vật lý lõi.
  • SRAC code (PIJ module): Để tính toán tiết diện vĩ mô.
  • MCNP4c: Để xác minh và so sánh với LPO-V.
  • Mặc dù không nêu rõ phần mềm cụ thể cho việc triển khai các thuật toán tối ưu hóa và kiểm định thống kê, thường các môi trường lập trình như Python, MATLAB, hoặc C++ được sử dụng, tích hợp với các thư viện thống kê.

Kiểm tra độ mạnh mẽ (robustness checks) được thực hiện bằng cách so sánh hiệu suất của các phương pháp trên cùng một bài toán benchmark với các hàm mục tiêu khác nhau (F1 và F2) và các điều kiện dừng khác nhau (Mục 3.2.2). Ví dụ, việc so sánh sử dụng hàm mục tiêu F1 và F2 cho ESA [11] cho thấy tính nhất quán trong việc xác định các phương pháp tốt hơn. Các kết quả cũng được trình bày dưới dạng "giá trị trung bình của 50 lần chạy độc lập" (Hình 3.3, 3.4, 3.5), cho thấy sự ổn định và độ tin cậy của các thuật toán. Khảo sát lựa chọn tham số điều khiển cho SHADE (N_P và H) cũng là một dạng kiểm tra độ mạnh mẽ, đảm bảo rằng các tham số được chọn là phù hợp và tối ưu cho bài toán (Hình 3.7).

Kích thước hiệu ứng (Effect sizes) và khoảng tin cậy (confidence intervals) không được báo cáo tường minh trong tóm tắt hoặc giới thiệu, nhưng Mann-Whitney U Test cung cấp thông tin về ý nghĩa thống kê. Kết quả định lượng về "k_eff của cấu hình tối ưu lớn hơn cấu hình tham chiếu khoảng 1580 pcm" và "PPF của cấu hình tối ưu nhỏ hơn khoảng 2,4 % so với cấu hình tham chiếu" (Tóm tắt, trang viii) là những chỉ số mạnh mẽ về kích thước hiệu ứng của các cải tiến đạt được.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt mang tính đột phá, được hỗ trợ bởi bằng chứng định lượng từ dữ liệu:

  1. Hiệu suất vượt trội của LPO-V: Mã mô phỏng vật lý lõi LPO-V được phát triển cho lò VVER-1000 MOX core đã chứng minh "độ chính xác đảm bảo và hiệu suất tốt hơn mô-đun CITATION" (Tóm tắt, trang vi). So sánh với tính toán MCNP4c trên năm trạng thái (S1-S5) của VVER-1000 MOX benchmark core, LPO-V cho thấy "sai số tương đối chỉ khoảng 0.1-0.3%" đối với k_eff (Bảng 2.3, trang 25), xác nhận độ tin cậy cao của công cụ này.
  2. ESA vượt trội so với SA và ASA: Phương pháp Evolutionary Simulated Annealing (ESA) đã được chứng minh là "có lợi thế hơn so với SA và ASA" (Tóm tắt, trang ix). Thông qua các tính toán số với 50 lần chạy độc lập và sử dụng Mann-Whitney U Test, kết quả cho thấy ESA hội tụ nhanh hơn và đạt được các giá trị hàm mục tiêu tốt hơn so với SA và ASA (Hình 3.3, 3.4, 3.5).
  3. Discrete SHADE đạt hiệu suất cao: Phương pháp discrete Success-History based Adaptive Differential Evolution (SHADE) thể hiện hiệu suất mạnh mẽ, "hiệu suất tương đương với DE và lợi thế hơn so với SA và ASA" (Tóm tắt, trang ix). Điều này chứng minh rằng cơ chế thích ứng dựa trên lịch sử và cách tiếp cận chỉ số vị trí tương đối (RPI) đã thành công trong việc thích nghi DE cho bài toán rời rạc của tối ưu hóa LP.
  4. Tối ưu hóa đáng kể các thông số lõi: Các cấu hình LP tối ưu được tìm thấy bằng phương pháp ESA và SHADE cho thấy cải thiện đáng kể về các thông số hoạt động. Cụ thể, "k_eff của cấu hình tối ưu lớn hơn cấu hình tham chiếu khoảng 1580 pcm" (Tóm tắt, trang viii). Đồng thời, "hệ số đỉnh công suất xuyên tâm (PPF) của cấu hình tối ưu nhỏ hơn khoảng 2,4 % so với cấu hình tham chiếu" (Tóm tắt, trang ix). Đây là bằng chứng định lượng trực tiếp về việc đạt được cả hai mục tiêu tối đa hóa hiệu suất nhiên liệu và tăng cường an toàn.
  5. Kết quả ổn định và đáng tin cậy: Tính nhất quán của các kết quả qua 50 lần chạy độc lập và sự xác nhận bằng Mann-Whitney U Test đảm bảo rằng những phát hiện này không phải là ngẫu nhiên mà là kết quả của hiệu quả vốn có của các phương pháp được đề xuất (Bảng 3.3, 3.5, 3.6).

Các kết quả này so sánh với các nghiên cứu trước đây về tối ưu hóa LP của VVER-1000, ví dụ như các công trình sử dụng LONSA (kết hợp mạng thần kinh và SA) cho lò Bushehr [98] hoặc các công cụ dựa trên GA như SCAM-W, CIGARO cho lò Dukovany và Temelin [99]. Luận án này cho thấy sự tiến bộ rõ rệt trong việc đạt được các giá trị k_eff cao hơn và PPF thấp hơn, vượt qua các giới hạn của các phương pháp cơ bản hoặc các phương pháp lai ghép đơn giản hơn đã được áp dụng trước đây. Sự cải thiện 1580 pcm cho k_eff và 2.4% cho PPF là những con số cụ thể thể hiện sự ưu việt của các phương pháp mới.

Implications đa chiều

Những phát hiện đột phá của luận án mang lại những ý nghĩa đa chiều sâu sắc:

  • Tiến bộ lý thuyết (Theoretical advances): Luận án đóng góp vào ít nhất hai lý thuyết chính về tối ưu hóa siêu heuristic:
    • Lý thuyết Simulated Annealing: Bằng việc mở rộng SA thành ESA thông qua việc tích hợp toán tử lai ghép và đột biến, luận án đã mở rộng khả năng khám phá không gian và hội tụ của các thuật toán dựa trên lân cận, cung cấp một khuôn khổ mới cho việc thiết kế các SA lai ghép.
    • Lý thuyết Differential Evolution: Sự phát triển của discrete SHADE với cơ chế thích ứng tham số dựa trên lịch sử và phương pháp RPI cung cấp một mô hình lý thuyết để áp dụng hiệu quả các thuật toán DE cho các bài toán tối ưu hóa rời rạc, khắc phục một hạn chế lâu đời của DE.
  • Đổi mới phương pháp luận (Methodological innovations):
    • Việc phát triển mã LPO-V với FDM trên lưới tam giác cho các lò VVER cung cấp một công cụ tính toán vật lý lõi hiệu quả và chính xác, có thể áp dụng cho các bối cảnh khác yêu cầu mô phỏng lõi lò hình lục giác, bao gồm các lò phản ứng nghiên cứu hoặc các thiết kế lò tiên tiến.
    • Phương pháp RPI để chuyển đổi biến thực sang biến số nguyên có thể được áp dụng rộng rãi cho các thuật toán tối ưu hóa biến liên tục khác khi giải quyết các bài toán rời rạc trong nhiều lĩnh vực kỹ thuật.
    • Việc sử dụng Mann-Whitney U Test để so sánh thống kê các phương pháp tối ưu hóa đặt ra một tiêu chuẩn nghiêm ngặt cho việc đánh giá hiệu suất, có thể được nhân rộng trong các nghiên cứu tối ưu hóa khác.
  • Ứng dụng thực tiễn (Practical applications):
    • Vận hành nhà máy điện hạt nhân: Các khuyến nghị cụ thể bao gồm việc áp dụng các phương pháp ESA và SHADE để thiết kế LP cho các nhà máy điện hạt nhân VVER, đặc biệt là VVER-1000, nhằm "tối đa hóa k_eff" và "làm phẳng phân bố công suất hướng tâm" (Tóm tắt, trang viii). Điều này trực tiếp dẫn đến việc kéo dài chu kỳ nhiên liệu, giảm tần suất thay đảo nhiên liệu và giảm chi phí vận hành.
    • Ngành R&D: Công cụ LPO-V và các thuật toán tối ưu hóa có thể được sử dụng trong các phòng thí nghiệm nghiên cứu và phát triển để đánh giá nhanh các thiết kế lõi lò mới, kiểm tra các kịch bản nạp tải khác nhau, và phát triển các chiến lược ICFM tiên tiến cho các thế hệ lò phản ứng tương lai.
  • Khuyến nghị chính sách (Policy recommendations):
    • Các cơ quan quản lý và nhà hoạch định chính sách có thể sử dụng các kết quả này để định hình các tiêu chuẩn vận hành và an toàn cho lò phản ứng VVER. Bằng chứng về việc giảm PPF 2.4% cung cấp cơ sở cho việc tăng cường biên độ an toàn, có thể dẫn đến việc cập nhật các quy định về an toàn lõi lò.
    • Ở cấp độ chính phủ, việc đầu tư vào nghiên cứu phát triển các công cụ tối ưu hóa ICFM tiên tiến như LPO-V và các thuật toán lai ghép có thể nâng cao năng lực tự chủ trong quản lý nhiên liệu hạt nhân, đảm bảo an ninh năng lượng và tối ưu hóa chi phí quốc gia cho các chương trình điện hạt nhân.
  • Điều kiện khái quát hóa (Generalizability conditions):
    • Các phương pháp được phát triển, đặc biệt là ESA và discrete SHADE, có khả năng khái quát hóa cao. Mặc dù được thử nghiệm trên VVER-1000 MOX core, chúng có thể được mở rộng để áp dụng cho các loại lò phản ứng khác (PWR, BWR) và các bài toán tối ưu hóa LP khác có cấu trúc tương tự (ví dụ: các lò phản ứng nghiên cứu có lõi hình lục giác) bằng cách điều chỉnh các mô hình vật lý lõi tương ứng (Tóm tắt, trang ix).
    • Khung phương pháp luận cũng có thể áp dụng cho các bài toán tối ưu hóa rời rạc phức tạp khác ngoài lĩnh vực hạt nhân, nơi yêu cầu sự cân bằng giữa khám phá rộng rãi và hội tụ nhanh chóng.

Limitations và Future Research

Luận án này đã đạt được những thành tựu đáng kể, nhưng cũng cần thừa nhận các hạn chế cụ thể để định hướng cho các nghiên cứu tương lai.

  1. Mô hình hóa 2D: Mặc dù LPO-V đã được xác minh là chính xác và hiệu quả cho mô hình 2D của lõi VVER-1000 MOX, các tính toán vật lý lõi thực tế trong lò phản ứng thương mại là 3D. Việc bỏ qua chiều dọc có thể ảnh hưởng đến độ chính xác tuyệt đối của phân bố công suất và các thông số khác, đặc biệt là với sự hiện diện của các thanh điều khiển và sự biến đổi độ cháy theo chiều cao.
  2. Chỉ tối ưu hóa ở BOC: Nghiên cứu này tập trung vào tối ưu hóa LP ở Beginning of Cycle (BOC) để tối đa hóa k_eff và làm phẳng PPF mà không tính toán độ cháy (burnup calculation) trong suốt chu kỳ (Mục 1.2). Mặc dù cách tiếp cận này giúp tăng tốc độ tính toán, nó không tính đến sự thay đổi của các đặc tính neutron theo thời gian vận hành, điều có thể ảnh hưởng đến LP tối ưu trong toàn bộ chu kỳ.
  3. Tập trung vào lõi benchmark: Các tính toán số được thực hiện dựa trên VVER-1000 MOX benchmark core của OECD/NEA [5]. Mặc dù đây là một tiêu chuẩn quốc tế nghiêm ngặt, việc áp dụng trực tiếp các phương pháp này cho một lò phản ứng thương mại thực tế có thể cần thêm các điều chỉnh và xác nhận do sự khác biệt về cấu hình nhiên liệu, lịch sử vận hành và các ràng buộc cụ thể của nhà máy.
  4. Tham số hóa hàm mục tiêu: Hàm mục tiêu kết hợp k_eff và PPF được xây dựng dưới dạng tổng trọng số, và các trọng số này được xác định thông qua khảo sát (Hình 2.18, trang 63). Việc lựa chọn các trọng số này có thể ảnh hưởng đến sự cân bằng giữa các mục tiêu và có thể không tối ưu cho mọi tình huống vận hành.

Các điều kiện biên về ngữ cảnh, mẫu và thời gian cũng cần được làm rõ. Nghiên cứu tập trung vào lò VVER-1000 với nhiên liệu MOX, trong một mô hình 2D và chủ yếu ở trạng thái BOC. Điều này hạn chế khả năng khái quát hóa trực tiếp cho các loại lò phản ứng khác (ví dụ: BWR), các cấu hình nhiên liệu khác (ví dụ: UO2 tự nhiên hoặc làm giàu thấp hoàn toàn) hoặc các chiến lược ICFM phức tạp hơn (ví dụ: tối ưu hóa đa chu kỳ).

Chương trình nghiên cứu tương lai (Future research agenda) có thể bao gồm 4-5 hướng cụ thể:

  1. Mở rộng sang mô hình 3D: Cải thiện mã LPO-V để thực hiện các tính toán vật lý lõi 3D, tích hợp mô hình hóa thanh điều khiển và biến đổi độ cháy theo chiều cao, từ đó nâng cao độ chính xác và tính thực tế của quá trình tối ưu hóa.
  2. Tối ưu hóa đa chu kỳ và đa mục tiêu thực tế: Phát triển các phương pháp tối ưu hóa có khả năng xử lý bài toán tối ưu hóa LP trong toàn bộ chu kỳ nhiên liệu (bao gồm cả độ cháy) và tích hợp các mục tiêu phức tạp hơn như tối thiểu hóa sản xuất chất thải phóng xạ hoặc tối đa hóa tính linh hoạt vận hành.
  3. Áp dụng cho các loại lò phản ứng khác: Mở rộng ứng dụng của ESA và discrete SHADE cho các loại lò phản ứng nước nhẹ (LWR) khác như PWR và BWR, cũng như các lò phản ứng nghiên cứu hoặc các thiết kế lò tiên tiến hơn có cấu hình lõi khác nhau. "Việc phát triển thêm các phương pháp và mở rộng ứng dụng của chúng cho các vấn đề khác về tối ưu thay đảo nhiên liệu vẫn sẽ được tiếp tục nghiên cứu trong tương lai" (Tóm tắt, trang ix).
  4. Tích hợp học máy và trí tuệ nhân tạo: Khám phá việc kết hợp các kỹ thuật học máy (machine learning) và trí tuệ nhân tạo (AI) với các thuật toán tối ưu hóa hiện có để tạo ra các phương pháp dự đoán và tối ưu hóa LP thông minh hơn, có khả năng học hỏi từ dữ liệu lịch sử và thích ứng với các điều kiện vận hành thay đổi.
  5. Phát triển giao diện người dùng (GUI) và công cụ trực quan hóa: Để tăng cường khả năng sử dụng và ứng dụng thực tế của mã LPO-V và các thuật toán tối ưu hóa, việc phát triển một giao diện đồ họa thân thiện và các công cụ trực quan hóa kết quả sẽ là một cải tiến quan trọng.

Các cải tiến phương pháp luận được đề xuất (Methodological improvements suggested) bao gồm:

  • Khám phá các toán tử lai ghép và đột biến tiên tiến hơn cho ESA, cũng như các cơ chế thích ứng cho các tham số khác của SA.
  • Nghiên cứu các phương pháp mã hóa và giải mã biến rời rạc thay thế cho RPI trong SHADE để đánh giá hiệu quả.
  • Triển khai các phương pháp tối ưu hóa đa mục tiêu thực sự (ví dụ: NSGA-II) thay vì chuyển đổi thành một hàm mục tiêu đơn lẻ để có thể khám phá toàn bộ biên Pareto của các giải pháp.

Các mở rộng lý thuyết được đề xuất (Theoretical extensions proposed) bao gồm:

  • Phát triển một lý thuyết về "tối ưu hóa siêu heuristic lai ghép" (Hybrid Metaheuristic Optimization) tích hợp các điểm mạnh của các phương pháp dựa trên lân cận và dựa trên quần thể một cách có hệ thống hơn.
  • Nghiên cứu sâu hơn về các cơ chế thích ứng tham số tự động trong các thuật toán tiến hóa, không chỉ dựa trên lịch sử thành công mà còn dựa trên các đặc điểm của không gian tìm kiếm và hành vi của quần thể.

Tác động và ảnh hưởng

Nghiên cứu này dự kiến sẽ có tác động và ảnh hưởng sâu rộng trên nhiều cấp độ:

  • Tác động học thuật (Academic impact): Luận án này đã công bố một số bài báo trong các tạp chí và hội nghị khoa học uy tín trong quá trình thực hiện (Papers published during the dissertation, trang 96), cho thấy tác động ban đầu trong cộng đồng học thuật. Với những đóng góp lý thuyết rõ ràng vào các thuật toán SA và DE, cũng như việc phát triển một công cụ vật lý lõi mới (LPO-V), luận án này dự kiến sẽ tạo ra một số lượng đáng kể các trích dẫn (potential citations estimate). Các nhà nghiên cứu về tối ưu hóa sẽ trích dẫn ESA và discrete SHADE như những ví dụ về các thuật toán lai ghép và thích ứng hiệu quả cho các bài toán rời rạc phức tạp. Các nhà khoa học vật lý lò phản ứng sẽ trích dẫn LPO-V như một công cụ hiệu quả cho lõi VVER.
  • Chuyển đổi ngành công nghiệp (Industry transformation): Các phương pháp tối ưu hóa LP tiên tiến được phát triển có tiềm năng "nâng cao hiệu quả sử dụng nhiên liệu" và "duy trì tiêu chí an toàn" [4]. Việc tăng k_eff lên 1580 pcm và giảm PPF 2.4% cho thấy khả năng "giảm chi phí nhiên liệu" (Tóm tắt, trang viii). Điều này có thể dẫn đến việc kéo dài chu kỳ vận hành của các nhà máy điện hạt nhân VVER, giảm tần suất thay đảo nhiên liệu và do đó, giảm chi phí vận hành. Các ngành công nghiệp cụ thể bị ảnh hưởng bao gồm:
    • Ngành điện hạt nhân: Các nhà khai thác lò phản ứng VVER trên toàn thế giới (ví dụ: ở Nga, Đông Âu, Ấn Độ, Trung Quốc) có thể áp dụng các công cụ và phương pháp này để tối ưu hóa việc nạp tải nhiên liệu, dẫn đến lợi ích kinh tế đáng kể.
    • Ngành sản xuất nhiên liệu hạt nhân: Việc hiểu rõ hơn về các LP tối ưu có thể giúp các nhà sản xuất nhiên liệu thiết kế các cụm nhiên liệu phù hợp hơn với các yêu cầu vận hành.
  • Ảnh hưởng chính sách (Policy influence): Các phát hiện của luận án cung cấp bằng chứng định lượng mạnh mẽ về khả năng tăng cường an toàn và hiệu quả của các lò phản ứng VVER. Điều này có thể ảnh hưởng đến các cấp độ chính phủ trong việc:
    • Xây dựng quy định an toàn: Bằng chứng về việc giảm PPF 2.4% có thể hỗ trợ các cơ quan quản lý hạt nhân trong việc đánh giá và cập nhật các quy định về an toàn lõi lò, khuyến khích áp dụng các phương pháp tối ưu hóa tiên tiến để đảm bảo biên độ an toàn cao hơn.
    • Chiến lược năng lượng quốc gia: Kết quả về tối ưu hóa chu kỳ nhiên liệu có thể góp phần vào các chính sách năng lượng bền vững, nơi điện hạt nhân đóng vai trò quan trọng trong việc giảm phát thải CO2 và đảm bảo an ninh năng lượng (Mục 1.1).
  • Lợi ích xã hội (Societal benefits):
    • Giảm chi phí năng lượng: Bằng cách tối ưu hóa hiệu quả sử dụng nhiên liệu, chi phí sản xuất điện hạt nhân có thể giảm, từ đó có thể chuyển thành giá điện thấp hơn cho người tiêu dùng hoặc tăng cường đầu tư vào các công nghệ năng lượng sạch khác.
    • Tăng cường an toàn: Việc giảm PPF và tăng cường biên độ an toàn trực tiếp góp phần vào sự an toàn tổng thể của các nhà máy điện hạt nhân, giảm thiểu rủi ro sự cố và nâng cao niềm tin của cộng đồng vào công nghệ này.
    • Giảm tác động môi trường: Việc tối ưu hóa chu kỳ nhiên liệu có thể gián tiếp dẫn đến việc giảm lượng chất thải phóng xạ phát sinh trên mỗi đơn vị năng lượng sản xuất, mặc dù luận án không trực tiếp định lượng điều này.
  • Mức độ phù hợp quốc tế (International relevance): Các phương pháp được phát triển và kiểm chứng trên VVER-1000 MOX benchmark core của OECD/NEA [5] có tính phù hợp toàn cầu. VVER là loại lò phản ứng phổ biến thứ hai trên thế giới [86, 87]. Do đó, các công cụ và kỹ thuật này có thể áp dụng cho 67 lò VVER đang hoạt động và 14 lò đang xây dựng trên khắp thế giới [87]. Sự so sánh với các nghiên cứu ở Czech Republic và Iran cũng nhấn mạnh tính liên quan quốc tế của công trình này trong việc giải quyết một thách thức chung của ngành công nghiệp hạt nhân toàn cầu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Nghiên cứu sinh tiến sĩ (Doctoral researchers): Cung cấp các research gap rõ ràng và các phương pháp luận tiên tiến để tiếp tục phát triển trong lĩnh vực tối ưu hóa LP và vật lý lò phản ứng. Các nghiên cứu sinh có thể sử dụng ESA và discrete SHADE làm điểm khởi đầu để phát triển các thuật toán lai ghép hoặc thích ứng phức tạp hơn. Cụ thể, hướng "mở rộng sang mô hình 3D" và "tối ưu hóa đa chu kỳ" là những con đường nghiên cứu sinh có thể theo đuổi.
  • Các học giả cấp cao (Senior academics): Luận án đóng góp vào các tiến bộ lý thuyết trong lĩnh vực tối ưu hóa siêu heuristic và vật lý hạt nhân, cung cấp nền tảng cho các nghiên cứu lý thuyết sâu hơn. Các học giả có thể sử dụng các kết quả này để phát triển các mô hình lý thuyết tổng quát hơn về tối ưu hóa cho các bài toán kỹ thuật phức tạp, hoặc làm tài liệu tham khảo cho các khóa học chuyên sâu về vật lý lò phản ứng và ICFM.
  • Bộ phận R&D công nghiệp (Industry R&D): Các ứng dụng thực tiễn của LPO-V và các thuật toán tối ưu hóa (ESA, SHADE) là vô cùng quan trọng đối với các bộ phận R&D của các công ty năng lượng hạt nhân. Các công cụ này có thể được sử dụng để:
    • Đánh giá nhanh chóng và chính xác các chiến lược nạp tải nhiên liệu mới.
    • Tối ưu hóa thiết kế lõi lò để kéo dài chu kỳ vận hành và giảm chi phí nhiên liệu.
    • Kiểm tra các kịch bản sự cố và đảm bảo biên độ an toàn cao hơn.
    • Được định lượng bằng việc "k_eff của cấu hình tối ưu lớn hơn cấu hình tham chiếu khoảng 1580 pcm" và "PPF của cấu hình tối ưu nhỏ hơn khoảng 2,4 % so với cấu hình tham chiếu", những cải tiến này có thể tiết kiệm hàng triệu đô la trong chi phí vận hành cho một nhà máy điện hạt nhân trong suốt vòng đời của nó.
  • Các nhà hoạch định chính sách (Policy makers): Các khuyến nghị dựa trên bằng chứng (evidence-based recommendations) từ luận án cung cấp thông tin đáng tin cậy để:
    • Xây dựng và cập nhật các quy định về an toàn và hiệu suất của các nhà máy điện hạt nhân.
    • Đánh giá tính khả thi và an toàn của các chương trình điện hạt nhân quốc gia.
    • Các lợi ích được định lượng như việc giảm PPF cho thấy tiềm năng tăng cường an toàn vận hành, điều mà các nhà hoạch định chính sách đặc biệt quan tâm sau các sự cố hạt nhân lịch sử.
  • Sinh viên và nhà đào tạo (Students and Educators): Mã LPO-V và các phương pháp tối ưu hóa cung cấp một công cụ học tập và nghiên cứu mạnh mẽ. "Công cụ này sẽ hữu ích trong việc đào tạo cũng như đánh giá cho các lò phản ứng có bó nhiên liệu hình lục giác như VVER hoặc lò phản ứng nghiên cứu" (Mục 1.5, trang 19). Nó giúp sinh viên hiểu sâu hơn về vật lý lò phản ứng, các thuật toán tối ưu hóa và ứng dụng thực tế của chúng trong kỹ thuật hạt nhân.

Tóm lại, luận án này không chỉ thúc đẩy ranh giới của kiến thức học thuật mà còn cung cấp các công cụ và phương pháp trực tiếp có thể được sử dụng để cải thiện hiệu suất, an toàn và kinh tế của ngành công nghiệp điện hạt nhân toàn cầu.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất là gì? Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng lý thuyết Simulated Annealing (SA) thành Evolutionary Simulated Annealing (ESA). SA của Kirkpatrick, Gelatt, và Vecchi (1983) vốn sử dụng các phép trao đổi nhị phân hoặc tam phân để tạo ra các giải pháp lân cận. Tuy nhiên, ESA cải tiến điều này bằng cách tích hợp các toán tử lai ghép (crossover) và đột biến (mutation) từ Genetic Algorithms (GA) để tạo ra các cấu hình nạp tải thử nghiệm mới (Tóm tắt, trang vi). Cách tiếp cận lai ghép này cho phép ESA kết hợp khả năng thoát khỏi tối ưu cục bộ của SA (thông qua xác suất chấp nhận giải pháp kém hơn) với khả năng khám phá không gian rộng lớn và hiệu quả hơn của các thuật toán tiến hóa. Điều này giải quyết một trong những hạn chế chính của SA truyền thống là tốc độ hội tụ chậm và khả năng mắc kẹt ở các tối ưu cục bộ trong không gian tìm kiếm rộng lớn của bài toán LP.

  2. Đổi mới phương pháp luận là gì (so sánh với 2+ nghiên cứu trước)? Đổi mới phương pháp luận nổi bật nhất là việc phát triển và áp dụng thành công phương pháp discrete Success-History based Adaptive Differential Evolution (SHADE) cho bài toán tối ưu hóa LP của lò phản ứng VVER-1000 MOX.

    • Cách tiếp cận độc đáo: DE nguyên bản của Storn và Price (1997) được thiết kế cho các bài toán biến liên tục [73]. Luận án giải quyết vấn đề này bằng cách triển khai một "phương pháp tiếp cận chỉ số vị trí tương đối (Relative Position Indexing - RPI) đã được triển khai để chuyển đổi các biến thực thành các biến số nguyên" (Tóm tắt, trang vi). Đây là một giải pháp sáng tạo và hiệu quả để điều chỉnh DE cho các bài toán rời rạc.
    • Cơ chế thích ứng nâng cao: SHADE sử dụng "cơ chế thích ứng dựa trên lịch sử của các tham số điều khiển thành công (tức là tỷ lệ đột biến F và tỷ lệ trao đổi chéo CR)" (Tóm tắt, trang vi), làm giảm số lượng tham số điều khiển thủ công từ ba xuống còn hai (N_P và H), tăng tính tự động và mạnh mẽ của thuật toán.
    • So sánh với các nghiên cứu trước:
      1. So với các phương pháp DE trước đây cho LP optimization: Các nghiên cứu trước đó đã áp dụng DE cho tối ưu hóa LP [62, 63, 80–82], nhưng thường sử dụng các biến thể DE cổ điển hoặc các phương pháp chuyển đổi biến rời rạc đơn giản hơn. Nghiên cứu này cải tiến vượt bậc bằng cách sử dụng SHADE, một trong những biến thể DE tiên tiến nhất, và giải pháp RPI, mang lại hiệu suất vượt trội. Trong một nghiên cứu trước đây, một thuật toán DE rời rạc đã được phát triển và áp dụng cho lò phản ứng nghiên cứu, nơi nó đã được chứng minh là có lợi thế hơn GA [63]. Luận án này tiếp tục phát triển trên nền tảng đó, áp dụng SHADE cho lò VVER-1000 MOX phức tạp hơn.
      2. So với LONSA (kết hợp mạng thần kinh và SA) của Iran [98]: LONSA là một công cụ lai ghép khác cho VVER-1000. Tuy nhiên, LONSA chủ yếu dựa vào mạng thần kinh để tăng tốc độ đánh giá và SA cho tìm kiếm. Discrete SHADE của luận án cung cấp một khung tối ưu hóa mạnh mẽ hơn ở cấp độ thuật toán tiến hóa, với cơ chế thích ứng tự động và khả năng tìm kiếm toàn cục mạnh mẽ hơn các biến thể SA truyền thống được sử dụng trong LONSA.
      3. So với SCAM-W, CIGARO (dựa trên GA) ở Czech Republic [99]: Các công cụ này sử dụng GA cơ bản hơn. Discrete SHADE, một biến thể của DE, đã được chứng minh là có khả năng khám phá không gian tìm kiếm và tiếp cận tối ưu toàn cục tốt hơn so với GA và các EM khác [77], do đó phương pháp luận của luận án mang lại lợi thế đáng kể.

  3. Phát hiện đáng ngạc nhiên nhất là gì (với hỗ trợ dữ liệu)? Phát hiện đáng ngạc nhiên nhất là khả năng đạt được đồng thời sự cải thiện đáng kể về cả hiệu quả (k_eff) và an toàn (PPF) trong cùng một cấu hình LP tối ưu. Thông thường, hai mục tiêu này có xu hướng mâu thuẫn: tối đa hóa độ dài chu kỳ (tức là k_eff cao) thường đòi hỏi tập trung nhiên liệu hơn ở trung tâm, dẫn đến PPF cao hơn, trong khi tối thiểu hóa PPF (làm phẳng phân bố công suất) có thể làm giảm k_eff (Mục 1.2). Tuy nhiên, luận án đã chứng minh rằng các phương pháp ESA và SHADE có thể tìm thấy các LP tối ưu nơi "k_eff của cấu hình tối ưu lớn hơn cấu hình tham chiếu khoảng 1580 pcm" và "PPF của cấu hình tối ưu nhỏ hơn khoảng 2,4 % so với cấu hình tham chiếu" (Tóm tắt, trang viii-ix). Sự cải thiện đồng thời này là rất ấn tượng và có ý nghĩa lớn đối với thiết kế và vận hành lò phản ứng, cho thấy khả năng vượt qua sự đánh đổi truyền thống giữa an toàn và hiệu quả thông qua các kỹ thuật tối ưu hóa tiên tiến.

  4. Giao thức tái tạo được cung cấp không? Có, giao thức tái tạo (replication protocol) được cung cấp một cách gián tiếp thông qua các mô tả chi tiết trong luận án.

    • Đặc điểm bài toán: Toàn bộ bài toán VVER-1000 MOX benchmark core được mô tả chi tiết trong Mục 2.2 và Phụ lục A, bao gồm cấu trúc lõi, thành phần cụm nhiên liệu, mức độ cháy, và các trạng thái lò phản ứng (Bảng 2.1, 2.2, Hình 2.1, 2.2, 2.3, 2.4, 2.5). Các thành phần đồng vị và tiết diện vĩ mô cũng được cung cấp trong phụ lục B.
    • Mô tả mã LPO-V: Mã LPO-V được mô tả về mặt lý thuyết (phương trình khuếch tán đa nhóm, FDM, SOR method) và các bước xác minh so với MCNP4c (Mục 2.4).
    • Mô tả thuật toán tối ưu hóa: Các phương pháp ESA và discrete SHADE được trình bày chi tiết về cơ chế hoạt động, toán tử (lai ghép, đột biến, thích ứng), và cách điều chỉnh tham số (N_P, H, F, CR) (Mục 2.5, 2.6). Phương pháp RPI để xử lý biến rời rạc cũng được giải thích (Mục 2.6.4).
    • Quy trình tính toán: Các bước để lựa chọn tham số điều khiển phù hợp (Hình 2.18, Hình 3.7), số lần chạy độc lập (50 runs), và phương pháp phân tích thống kê (Mann-Whitney U Test) đều được nêu rõ. Với những mô tả này, một nhà nghiên cứu có nền tảng tương tự có thể tái tạo các điều kiện tính toán và phát triển các công cụ tương tự để xác minh kết quả.

  5. Chương trình nghiên cứu 10 năm được phác thảo không? Chương trình nghiên cứu 10 năm không được phác thảo tường minh dưới dạng một kế hoạch dài hạn cụ thể. Tuy nhiên, luận án đã vạch ra các hướng nghiên cứu tương lai rất cụ thể và tiềm năng mở rộng, có thể hình thành nền tảng cho một chương trình nghiên cứu kéo dài nhiều năm.

    • Tiếp tục phát triển các phương pháp và mở rộng ứng dụng: "Việc phát triển thêm các phương pháp và mở rộng ứng dụng của chúng cho các vấn đề khác về tối ưu thay đảo nhiên liệu vẫn sẽ được tiếp tục nghiên cứu trong tương lai" (Tóm tắt, trang ix). Điều này ngụ ý một lộ trình dài hạn cho việc tinh chỉnh và khái quát hóa các thuật toán hiện có.
    • Mở rộng phạm vi và tính phức tạp: "Tiếp tục phát triển các phương pháp và mở rộng ứng dụng của chúng cho các vấn đề khác về tối ưu thay đảo nhiên liệu" (Tóm tắt, trang ix) và "ứng dụng xa hơn của công cụ này có thể được mở rộng sang các loại lò phản ứng khác" (Mục 1.5, trang 19). Chương 4 (Conclusions and future work) cũng nêu rõ "some future plans" (trang 91). Các hướng nghiên cứu cụ thể được đề cập trong phần "Limitations và Future Research" (như mô hình 3D, tối ưu hóa đa chu kỳ, tích hợp học máy, v.v.) là những lĩnh vực có thể được khám phá trong khung thời gian 5-10 năm tới. Mặc dù không phải là một "lộ trình 10 năm" được đóng gói, nhưng các mục tiêu và hướng đi rõ ràng này cung cấp một kế hoạch vững chắc cho các nghiên cứu tiếp theo.

Kết luận

Luận án này đã tạo ra những đóng góp cụ thể và đáng kể cho lĩnh vực tối ưu hóa mô hình nạp tải nhiên liệu (LP optimization) cho lò phản ứng hạt nhân VVER-1000, thiết lập một nền tảng vững chắc cho các nghiên cứu và ứng dụng trong tương lai.

  1. Phát triển công cụ mô phỏng vật lý lõi LPO-V hiệu quả: Một chương trình tính toán vùng hoạt (LPO-V) đã được phát triển cho lò VVER, có khả năng giải phương trình khuếch tán đa nhóm trong lưới tam giác dựa trên phương pháp sai phân hữu hạn. Việc xác minh với bài toán chuẩn VVER-1000 MOX benchmark và so sánh với MCNP4c đã chứng minh LPO-V có "độ chính xác đảm bảo và hiệu suất tốt hơn mô-đun CITATION" (Tóm tắt, trang vi), với sai số k_eff chỉ khoảng 0.1-0.3% (Bảng 2.3).
  2. Giới thiệu phương pháp Evolutionary Simulated Annealing (ESA) tiên tiến: ESA được cải tiến từ Simulated Annealing (SA) gốc bằng cách tích hợp các toán tử lai ghép (crossover) và đột biến (mutation) để tạo ra các cấu hình LP thử nghiệm mới. Phương pháp này đã được chứng minh là "có lợi thế hơn so với SA và Adaptive Simulated Annealing (ASA)" (Tóm tắt, trang ix), mang lại khả năng thoát khỏi tối ưu cục bộ và tốc độ hội tụ tốt hơn.
  3. Phát triển phương pháp discrete Success-History based Adaptive Differential Evolution (SHADE) cho bài toán rời rạc: SHADE, một biến thể nâng cao của Differential Evolution (DE), đã được điều chỉnh cho bài toán tối ưu hóa LP bằng cách sử dụng phương pháp chỉ số vị trí tương đối (Relative Position Indexing - RPI) để chuyển đổi biến thực thành biến số nguyên. Phương pháp này "có hiệu suất tương đương với DE và lợi thế hơn so với SA và ASA" (Tóm tắt, trang ix).
  4. Đạt được các cấu hình LP tối ưu với cải thiện định lượng rõ rệt: Các tính toán số sử dụng ESA và SHADE đã tìm ra các LP tối ưu cho lõi VVER-1000 MOX. Kết quả cho thấy "k_eff của cấu hình tối ưu lớn hơn cấu hình tham chiếu khoảng 1580 pcm" và "hệ số đỉnh công suất xuyên tâm (PPF) của cấu hình tối ưu nhỏ hơn khoảng 2,4 % so với cấu hình tham chiếu" (Tóm tắt, trang viii-ix). Đây là những cải thiện cụ thể và có ý nghĩa lớn cho cả hiệu quả nhiên liệu và an toàn vận hành.
  5. Xác nhận hiệu suất bằng kiểm định thống kê nghiêm ngặt: Sự khác biệt thống kê giữa các phương pháp đã được đánh giá dựa trên Mann-Whitney U Test. Kết quả khẳng định hiệu suất vượt trội của ESA và SHADE so với SA và ASA, mang lại độ tin cậy cao cho các phát hiện.

Luận án này không chỉ đóng góp vào việc cải tiến các công cụ và phương pháp kỹ thuật mà còn đại diện cho một sự tiến bộ mô hình (paradigm advancement) trong lĩnh vực In-core Fuel Management (ICFM). Bằng chứng về khả năng đạt được sự tối ưu đồng thời về hiệu quả và an toàn thông qua các thuật toán siêu heuristic lai ghép và thích ứng cho thấy một sự thay đổi trong cách tiếp cận có thể và nên được áp dụng trong tối ưu hóa thiết kế lõi lò.

Công trình này đã mở ra ít nhất ba luồng nghiên cứu mới (new research streams):

  1. Nghiên cứu sâu hơn về các thuật toán siêu heuristic lai ghép và thích ứng: Khám phá các cách kết hợp và điều chỉnh khác nhau của các thuật toán tối ưu hóa dựa trên lân cận và dựa trên quần thể, cùng với các cơ chế thích ứng tham số tiên tiến, để giải quyết các bài toán kỹ thuật phức tạp khác.
  2. Mô hình hóa và tối ưu hóa ICFM đa chiều: Phát triển các công cụ và phương pháp cho tối ưu hóa LP trong môi trường 3D, tích hợp tính toán độ cháy và tối ưu hóa đa mục tiêu thực sự trong suốt chu kỳ vận hành.
  3. Tích hợp học máy vào quản lý nhiên liệu hạt nhân: Khám phá vai trò của học máy trong việc dự đoán hành vi lõi lò, hỗ trợ ra quyết định trong tối ưu hóa LP, và phát triển các hệ thống ICFM thông minh.

Tính phù hợp toàn cầu (global relevance) của luận án được thể hiện rõ ràng. VVER là một loại lò phản ứng phổ biến trên thế giới, và bài toán chuẩn OECD/NEA đảm bảo khả năng so sánh quốc tế. Các phương pháp được phát triển có thể được áp dụng không chỉ cho các lò VVER hiện có ở Nga, Đông Âu và các quốc gia khác mà còn cho các thiết kế lò phản ứng tiên tiến trong tương lai. Di sản của công trình này có thể được đo lường bằng các kết quả cụ thể: tiềm năng kéo dài tuổi thọ chu kỳ nhiên liệu, giảm chi phí vận hành hàng năm (tính bằng triệu đô la), và tăng cường biên độ an toàn, tất cả đều góp phần vào việc vận hành an toàn, kinh tế và bền vững của ngành công nghiệp điện hạt nhân toàn cầu.