Development of experimental core configurations to clarify k variations by nonuniform core configurations

不均一な炉心構成によるk変化の解明に向けた実験用炉心構成の開発

郡司 智  ; 荒木 祥平   ; 須山 賢也

Gunji, Satoshi; Araki, Shohei; Suyama, Kenya

東京電力福島第一原子力発電所の事故で発生した燃料デブリには、非均質な組成だけでなく、不均一な組成も予想される。同様に原子炉容器内に残っている損傷した燃料集合体も一部の燃料棒が欠損しているため組成が不均一になっている。これらの不均一性は中性子増倍率の変化を引き起こす可能性がある。このような不均一性が中性子増倍率に及ぼす影響を計算により明らかにして、臨界管理に用いる計算の実験的検証の可能性を検討する。本研究では、日本原子力研究開発機構の新臨界集合体STACYにおいて、ウラン酸化物燃料棒,コンクリート棒,ステンレス鋼棒を不均一に配置した複数の炉心構成の臨界効果を調べ、ベンチマーク化の可能性を確認した。これらの配置の違いによって、中性子増倍率は1$以上変化し、局所的な中性子減速条件の変化と特定の部材のクラスター化がこの効果をもたらすことを確認した。さらに不均一配置のベンチマーク実験炉心の実現可能性も評価した。このような実験のベンチマークデータ化を実現できれば、計算コードの妥当性の検証、計算コードの検証、及び機械学習による臨界管理手法の開発に役立つと考えられる。

The fuel debris generated by the accident at the Tokyo Electric Power Company's Fukushima Daiichi Nuclear Power Plant is expected to have not only heterogeneous but also nonuniform compositions. Similarly, damaged fuel assemblies remaining in the reactor vessels also have nonuniform configurations due to some missing fuel rods. This non-uniformity may cause changing neutron multiplication factors. The effect of non-uniformity on the neutron multiplication factor is clarified by computations, and the possibility of experimentally validating the computations used for criticality management is being investigated. For this purpose, in this study the criticality effects of several core configurations of a new critical assembly, STACY, of the Japan Atomic Energy Agency with nonuniform arrangements of uranium oxide fuel rods, concrete rods, and stainless-steel rods were studied to confirm benchmarking potential. The difference in these arrangements changed the neutron multiplication factor by more than 1 $. We confirmed that changes in local neutron moderation conditions and the clustering of specific components caused this effect. In addition, the feasibility of benchmark experimental cores with nonuniform arrangements is evaluated. If benchmarking of such experiments could be realized, it would help to validate calculation codes and to develop criticality management methods by machine learning.