水銀標的の気泡注入性能向上のための機械学習を用いた最適化

Optimization of mercury flow with microbubbles in the target-vessel design by means of machine learning

粉川 広行  ; 二川 正敏  ; 羽賀 勝洋  ; 都築 峰幸*; 村井 哲郎*

Kogawa, Hiroyuki; Futakawa, Masatoshi; Haga, Katsuhiro; Tsuzuki, Takayuki*; Murai, Tetsuro*

大強度陽子加速器施設(J-PARC)の物質・生命科学実験施設では、ステンレス製の水銀標的容器内で流動する水銀にパルス陽子ビームを繰り返し入射し、核破砕反応により生成する中性子を最先端科学実験に供する。パルス陽子ビーム入射に伴い、水銀中には圧力波が発生し、圧力波の伝播と容器変形の相互干渉に起因するキャビテーション損傷、特に陽子ビーム入射部の損傷が標的容器の寿命を支配する。圧力波及び損傷の低減対策として、ヘリウムの微小気泡を水銀中に注入する方法を開発し、圧力波及び損傷の低減を実証した。所期の1MWの大強度陽子ビーム下における水銀標的容器の耐久性を向上させるには損傷をさらに低減する必要がある。微小気泡による圧力波低減効果の向上には、水銀中での直径が150m以下である気泡の体積含有率を高めることが求められる。気泡生成器から注入した気泡は浮力による上昇や流動過程での合泡などを起こし、水銀内を流動中に気泡の体積含有率は低下する。気泡生成器の設置位置を損傷が激しいビーム入射部に近づければ、ビーム入射部近傍の気泡体積含有率の低下を防ぐことが可能である。しかし、ビーム入射部に近づくほど、気泡生成器の設置空間が狭く流動抵抗が大きくなるため、冷却に十分な水銀流量の確保が困難になることや、水銀流速の低下により生成気泡径が大きくなる等の弊害が生じる。そこで、標的容器のビーム入射部近傍でより小さな気泡を高い密度で分布できるように、標的容器内部における気泡生成器の形状や設置位置、さらに水銀流動案内羽根の形状に関して機械学習による設計の最適化を試みた。気泡分布を考慮した水銀標的構造の設計では、多数の設計変数を考慮する必要があることから、ラテン超方格法に基づき約1000ケースの設計変数について数値解析を実施し、その結果を学習データとしてビーム入射部近傍での気泡分布(サイズや数密度)が最適になる設計を決定した。水銀の流量は標的容器の温度に、気泡生成器の形状は製作性や生成気泡径に影響を及ぼすことから、これらを制約条件とした。その結果、ビーム入射部近傍で半径が150m以下の気泡の密度を約20%増大できる解を見出した。

In a mercury target of the J-PARC (Japan Proton Accelerator Research Complex), pulsed proton beams repeatedly bombard the flowing mercury which is confined in a stainless-steel vessel (target vessel). Cavitation damage caused by the propagation of the pressure waves is a factor of the life of the target vessel. As a measure to reduce damages, we developed a bubbler to inject the gas microbubbles into the flowing mercury, which can reduce the pressure waves. To operate the mercury target vessel stably with the 1 MW high-intensity proton beams, further reduction of the damage is required. The bubbler setting position should be closer to the beam window to increase the bubble population, which could enhance the reduction effect on the pressure waves and damage. However, the space at the beam window of the target vessel is restricted. The bubbler design and setting position as well as the vane design for the mercury flowing pattern are optimized by means of a machine learning technique to get more suitable bubble distribution, increasing in bubble population and optimizing bubble size nearby the beam window of the target vessel. The results of CFD analyses performed with 1000 cases were used for machine learning. Since the flow rate of mercury affects the temperature of the target vessel, this was used for the constraint condition. As a result, we found a design of mercury target vessel that can increase the bubble population by ca. 20% higher than the current design.