Double shell targets are a promising potential avenue to obtain robust neutron yield at current laser facilities. Similar to single shell designs, double shells require the symmetric implosion of an ablator in order to uniformly compress and heat a fuel volume, with the goal of achieving thermonuclear burn. Significant differences between double and single shells include the usage of an aluminum ablator as well as a reverse ramp laser pulse. In addition, double shells require a different convergence than single shells for fuel ignition. Numerical implosion studies at various energies with comparisons to experimental outcomes are required to gain confidence that simulations can capture the ablator shape from subscale to full scale. The current work builds on previous implosion experiments conducted at 1-MJ laser energy to confirm achieved ablator symmetry at 1.25 and 1.5 MJ. Average ablator P2 and P4 shapes measured in these experiments are within 5% of the simulated shape, which merits the platforms for further experimental studies.

This work provides a numerical study of how double shell capsule deformations caused by drive asymmetries and fabrication imperfections affect implosion symmetry and neutron yield. Hydrodynamics simulations are performed in two dimensions and focus on low-mode deformations that are caused by corresponding asymmetries in the Hohlraum drive, component offsets, and ablator joint gaps. By providing a parameter study of these features, our goal is to understand the dominant sources for inner shell deformation and yield degradation. The discussed capsules are composed of an aluminum ablator with a chromium inner shell. The latter encloses a carbon-deuterium foam ball that serves as fuel. We find that for clean capsules, even-numbered low-mode asymmetries in the drive are imprinted on the ablator and smoothly transferred to the inner shell during shell collision. The resulting deformation of the inner shell is more pronounced with larger fuel radius, while the yield is inversely proportional to the amplitude of the drive asymmetry and varies by factors ≤4 in comparison with clean simulations. Capsule component offsets in the vertical direction and ablator thickness nonuniformity result in p1-type deformations of the imploding inner shell. Finally, joint gaps have the largest effect in deforming the ablator and inner shell and degrading yield. While small gap widths (1 μm) result in prolate inner shells, larger gap widths (4 μm) cause an oblate deformation. More importantly, capsules with a small outer gap (1 μm) experience a dramatic drop in yield, typically <3% of a clean simulation.

Noise is a consistent problem for x-ray transmission images of High-Energy-Density (HED) experiments because it can significantly affect the accuracy of inferring quantitative physical properties from these images. We consider experiments that use x-ray area backlighting to image a thin layer of opaque material within a physics package to observe its hydrodynamic evolution. The spatial variance of the x-ray transmission across the system due to changing opacity serves as an analog for measuring density in this evolving layer. The noise in these images adds nonphysical variations in measured intensity, which can significantly reduce the accuracy of our inferred densities, particularly at small spatial scales. Denoising these images is thus necessary to improve our quantitative analysis, but any denoising method also affects the underlying information in the image. In this paper, we present a method for denoising HED x-ray images via a deep convolutional neural network model with a modified DenseNet architecture. In our denoising framework, we estimate the noise present in the real (data) images of interest and apply the inferred noise distribution to a set of natural images. These synthetic noisy images are then used to train a neural network model to recognize and remove noise of that character. We show that our trained denoiser network significantly reduces the noise in our experimental images while retaining important physical features.