نوع مقاله : مقاله پژوهشی

نویسندگان

1 پژوهشکده چرخه سوخت هسته‌ای، پژوهشگاه علوم و فنون هسته‌ای، سازمان انرژی اتمی ایران، صندوق پستی: 8486-11365، تهران- ایران

2 دانشکده مهندسی، دانشگاه مازندران، صندوق پستی، 416، بابلسر ـ ایران

3 شرکت فن‌آوری‌های پیشرفته ایران، سازمان انرژی اتمی، صندوق پستی :55431-14399، تهران- ایران

چکیده

در هنگام طراحی زنجیره­های مخروطی به دلیل مشکلات هیدرودینامیکی، هر زنجیره­ای قابلیت عملیاتی شدن ندارد. در این مقاله روش طراحی و بهینه‌سازی زنجیره مخروطی به منظور جداسازی ایزوتوپ‌های پایدار چند جزیی با در نظر گرفتن ملاحظات عملیاتی ماشین سانتریفیوژ شرح داده می‌شود. در این روش طراحی زنجیره، در مرحله اول مشخصات هیدرولیکی و جداسازی ماشین سانتریفیوژ تعیین می‌شود و سپس با استفاده از این اطلاعات و الگوریتم­های بهینه‌سازی، زنجیره بهینه با کم‌ترین تعداد ماشین سانتریفیوژ طراحی می­شود. در این مقاله برای یافتن زنجیره بهینه الگوریتم بهینه‌سازی گرگ خاکستری به کار گرفته شده و با استفاده از پارامترهای هیدرولیکی ماشین سانتریفیوژ، عملیاتی بودن زنجیره بررسی می‌شود و قید عملیاتی بودن زنجیره از لحاظ هیدرولیکی به تابع هدف در بهینه‌سازی اضافه می‌شود. برای تعیین مشخصات هیدرولیکی ماشین با استفاده از شبیه‌سازی هیدرودینامیکی ماشین سانتریفیوژ در حالت گذرا، ارتباط مابین فشارهای خط محصول و پسماند، خوراک ورودی و ضریب برش ماشین سانتریفیوژ تعیین می‌شود. با استفاده از روش طراحی ارایه شده، یک زنجیره با قابلیت عملیاتی بودن از منظر هیدرودینامیکی با استفاده از ماشین سانتریفیوژ 12TC- برای جداسازی ایزوتوپ اورانیم 235 از سوخت مصرف شده تا غنای 4 درصد طراحی شده و نحوه تغییرات فشار در زنجیره ارایه شده است.

کلیدواژه‌ها

عنوان مقاله [English]

Design and optimization of a tapered cascade for the separation of a multi-component mixture by consideration of the hydraulic and operational parameters of the gas centrifuge machine

نویسندگان [English]

  • A.R. Keshtkar 1
  • A. Rashidi 2
  • J. Karimi Sabet 1
  • A. Noroozi 3

1 Nuclear Fuel Cycle Research School, Nuclear Science and Technology Research Institute, AEOI, P.O.Box:11365-8486, Tehran-Iran

2 Facility of Engineering, Mazandaran University, P.O.BOX: 416, Babolsar - Iran

3 Advanced Technologies Company of Iran, AEOI, P.O. Box: 14399-55431, Tehran - Iran

چکیده [English]

In the design of tapered cascades, due to hydrodynamic problems, not every cascade can be operated. This paper describes the method of designing and optimizing a tapered cascade for the separation of stable multi-component mixtures by considering the operational parameters of the gas centrifuge machine. In this method, the hydraulic specifications and separation of the centrifuge machine are determined in the first stage. Then, using this information and optimization algorithms, the optimal cascade is designed with the least number of centrifugal machines. This paper uses the grey wolf optimization algorithm to find the optimal cascade. The cascade operation is checked using the hydraulic parameters of the gas centrifuge,. The operational limitation of the cascade is added hydraulically to the fitness function in optimization. To determine the hydraulic characteristics of the gas centrifuge, a transient simulation of the gas centrifuge hydrodynamic is presented and the relationship between product and waste pressure lines, feed flow, and cut is determined. Using the proposed design method, an operational cascade is designed using a TC-12 centrifuge machine to separate the uranium 235 isotope from the reprocessed fuel to a 4% enrichment. And the pressure variation in the cascade is presented.

کلیدواژه‌ها [English]

  • Design
  • Tapered cascade
  • Optimization
  • Centrifuge machine
  • Control valve
1. Y. Fu, Y. Zeng, S. Hou, Simulation of the hydraulic status in gas centrifuge cascades, Qinghua Daxue Xuebao/Journal Tsinghua Univ., (2005).
 
2.             M. Alam, et al, Flow induced vibrations in gas tube assembly of centrifuge, J. Nucl. Sci. Technol., 23, 819–827, (Mar. 2012), doi: 10.1080/18811248.1986.9735059.
 
3.             M. Nazeer, et al, Mathematical modeling and computer simulation of transient flow in centrifuge cascade pipe network with optimizing techniques, Comput. Math. with Appl., 36, 63–76, (Aug. 1998), doi: 10.1016/S0898-1221(98)00141-2.
 
4.             A. Norouzi, et al, Parameters optimization of a counter-current cascade based on using a real coded genetic algorithm, Sep. Sci. Technol., - Separ. Sci. Technol, 46, (Sep. 2011), doi: 10.1080/01496395.2011.595473.
 
5.             V. Palkin, Optimization of a centrifuge cascade for separating a multicomponent mixture of isotopes, At. Energy, 115, (Dec. 2013), doi: 10.1007/s10512-013-9757-0.
 
6.             J. Safdari, A. Norouzi, R. Tumari, Using a real coded PSO algorithm in the design of a multi-component counter-current cascade, Sep. Sci. Technol., 52, (Sep. 2017), doi: 10.1080/01496395.2017.1375524.
 
7.             F. Mansourzadeh, et al, Comparison of optimum tapered cascade and optimal square cascade for separation of xenon isotopes using enhanced TLBO algorithm, Sep. Sci. Technol., 53, 1–14, (Mar. 2018), doi: 10.1080/01496395.2018.1443135.
 
8.             M. Nazeer, et al, Global solution algorithm with some assisting techniques for modeling of unsteady flow in centrifuge cascade pipe network, Comput. Methods Appl. Mech. Eng., -Comput Method Appl Mech Eng, 173, 257–269, (Apr. 1999), doi: 10.1016/S0045-7825(98)00250-3.
 
9.             E. Bender, Simulation of dynamic gas flows in networks including control loops, Comput. Chem. Eng., 3(1), 611–613, (1979), doi: https://doi.org/10.1016/0098-1354(79)80109-X.
 
10.          T. Kiuchi, An implicit method for transient gas flows in pipe networks, Int. J. Heat Fluid Flow, 378–383, (1994).
 
11.          P. Thomas, Simulation of Industrial Processes for Control Engineers, Elsevier Science & Technology Books.
 
12. S. Zeng, G.A. Sulaberidze, V. Borisevich, The Q-Cascade Explanation Separation Science and Technology The Q-Cascade Explanation, no. November 2014, (2012), doi: 10.1080/01496395.2012.661826.
 
13. S. Zeng, G.A. Sulaberidze, V. Borisevich, Isotopically Selective Mass Transfer in the Q-Cascade with Losses of Working Separation Science and Technology Isotopically Selective Mass Transfer in the Q-Cascade with Losses of Working Substance, no. November 2014, 13–21, (2012), doi: 10.1080/01496395.2012.676139.
 
14.          S. Mirjalili, S. Mirjalili, A. Lewis, Grey Wolf Optimizer, Adv. Eng. Softw., 69, 46–61, (Mar. 2014), doi: 10.1016/j.advengsoft.2013.12.007.
 
15.          A. Jaafari, et al., Meta optimization of an adaptive neuro-fuzzy inference system with grey wolf optimizer and biogeography-based optimization algorithms for spatial prediction of landslide susceptibility, Catena, (Dec. 2018), doi: 10.1016/j.catena.2018.12.033.
 
16.          M. Pradhan, P. Roy, T. Pal, Oppositional based grey wolf optimization algorithm for economic dispatch problem of power system, Ain Shams Eng. J., 9, (Feb. 2017), doi: 10.1016/j.asej.2016.08.023.
 
17.          S. Zeng, C. Ying, A Robust and Efficient Calculation Procedure for Determining Concentration Distribution of Multicomponent Mixtures, Sep. Sci. Technol., 35(4), 613–622, (Jan. 2000), doi: 10.1081/SS-100100179.
 
18.          A. Glaser, Characteristics of the Gas Centrifuge for Uranium Enrichment and Their Relevance for Nuclear Weapon Proliferation, Sci. Glob. Secur., 16, (Oct. 2008), doi: 10.1080/08929880802335998.