EAST液态锂限制器分配盒参数对锂流动性影响

为考察溢流孔结构几何参数及壁面电导率对液态锂流动的影响,通过数值模拟方法对不同尺寸、形状及壁面电导率的溢流孔中液态锂的流动进行了数值模拟。结果表明：溢流孔的截面宽度越小,其出口的速度分布越均匀,速度峰值也越小,但溢流孔进出口之间的压力降会显著增加;且随着壁面电导率增大,MHD压降也随之增大。对于圆形及椭圆形截面的溢流孔,其出口的速度分布远比矩形溢流孔均匀。另外,关于限制器热平衡的计算有助于保证限制器的安全稳定运行。结果对分配盒几何参数的设计、电磁泵及冷却系统的设计具有重要的指导意义。     

EAST中加热功率对弹丸注入加料效率的影响

介绍了 EAST 装置气动加速氘弹丸注入加料系统和不同加热功率条件下弹丸加料效率的实验结果。 当等离子体加热功率从 1MW 逐渐增加到 10MW 时,弹丸加料效率从 60%降低到 10%。加热功率的升高导致弹 丸粒子的沉积深度 λp/a 降低达 50%左右,从而导致大量的弹丸粒子沉积在等离子体边界。     

流动液态锂回路的设计与初步实验研究

对流动的液态锂限制器回路平台的热力学及流动性进行了分析。通过ANSYS分析发现,限制器工作在350℃的温度下,通过真空室壁内侧添加的热屏蔽层及氦冷的应用,可以有效地控制真空室壁的温度在180℃以下。对注锂管法兰的温度分析发现,通过流速2.5m•s^-1的水冷设计,能够控制法兰刀口位置的温度在60℃左右。根据液态锂2m³.h^-1的流量设计要求,分别估算了液态锂回路中沿程阻力损失及局部阻力损失,综合回路中的锂流动盘与电磁泵之间的高度压差,计算出液态锂驱动所需的电磁泵压头为14.2m。根据流动液态锂实验回路的热力学及流动性分析,设计完成了液态锂回路并开展了流动液态锂实验。实验结果表明,系统温度控制合适,没有出现真空室或注锂法兰过热引起的泄漏。同时电磁泵能够克服阀门及管道的阻力等顺利的驱动液态锂流动形成闭合的循环回路。     

HT-7装置液态锂限制器实验中锂的腐蚀与沉积特性的研究

在磁约束聚变等离子体装置中, 面对等离子体的第一壁将直接影响高温等离子体性能及第一壁寿命, 具有表面自我修复的、能有效抑制边界粒子再循环的液态金属锂第一壁越来越被重视, 其中液态锂第一壁与等离子体相互作用的研究尤其重要. 本文研究了HT-7装置液态锂限制器实验中锂的表面腐蚀及在装置内沉积特性、及其对等离子体性能影响. 实验表明, 当锂与等离子体相互作用较弱时, 锂以微弱的蒸发及溅射形式从表面腐蚀并进入等离子体, 表现为锂的线辐射有所增强, 等离子体内杂质水平降低, 氢再循环降低, 有利于等离子体约束性能提高; 当锂与等离子体间的相互作用比较强时, 锂主要以锂滴形式直接进入等离子体, 引起锂的辐射爆发, 最终引发等离子体放电破裂. 通过对锂斑及样品的分析发现, 锂主要沉积在限制器周围, 并且在低场侧及沿着等离子体电流方向沉积居多, 表现为极向和环向分布不均匀, 这也导致边界粒子再循环分布的不均匀. 这些实验为研究液态锂第一壁与等离子体相互作用, 分析液态锂第一壁在托卡马克装置上应用具有重要参考意义.     

����Һ̬﮻�·����������ʵ���о�

对流动的液态锂限制器回路平台的热力学及流动性进行了分析.通过ANSYS分析发现,限制器工作在350℃的温度下,通过真空室壁内侧添加的热屏蔽层及氦冷的应用,可以有效地控制真空室壁的温度在180℃以下.对注锂管法兰的温度分析发现,通过流速2.5m.s-1的水冷设计,能够控制法兰刀口位置的温度在60℃左右.根据液态锂2m3.h-1的流量设计要求,分别估算了液态锂回路中沿程阻力损失及局部阻力损失,综合回路中的锂流动盘与电磁泵之间的高度压差,计算出液态锂驱动所需的电磁泵压头为14.2m.根据流动液态锂实验回路的热力学及流动性分析,设计完成了液态锂回路并开展了流动液态锂实验.实验结果表明,系统温度控制合适,没有出现真空室或注锂法兰过热引起的泄漏.同时电磁泵能够克服阀门及管道的阻力等顺利的驱动液态锂流动形成闭合的循环回路.     

Prediction of multifaceted asymmetric radiation from the edge movement in density-limit disruptive plasmas on Experimental Advanced Superconducting Tokamak using random forest

Multifaceted asymmetric radiation from the edge(MARFE) movement which can cause density limit disruption is often encountered during high density operation on many tokamaks. Therefore, identifying and predicting MARFE movement is meaningful to mitigate or avoid density limit disruption for the steady-state high-density plasma operation. A machine learning method named random forest(RF) has been used to predict the MARFE movement based on the density ramp-up experiment in the 2022’s first campaig...