Resumen

La mayora de los informes sobre accidentes nucleares solan indicar los precursores implcitos que no son fciles de cuantificar como factores subyacentes. La actual Evaluacin Probabilista de la Seguridad (PSA) es capaz de cuantificar la importancia de las causas de los accidentes en un mbito limitado. Por tanto, resulta difcil lograr una toma de decisiones cuantificable para la asignacin de recursos. En este estudio se presentan la metodologa que facilita la cuantificacin de estos precursores y un estudio de caso. En primer lugar, se han obtenido cuatro precursores implcitos mediante la evaluacin de la causalidad y la estructura jerrquica de diversos factores de accidente. Al final, result que representan la falta de conocimiento. Una vez seleccionados los cuatro precursores, se investigaron los subprecursores y se implement su relacin causa-consecuencia mediante la red bayesiana de creencias (BBN). Para priorizar los precursores, la probabilidad a priori se estima inicialmente mediante el juicio de expertos y se actualiza en funcin de las observaciones. La importancia por pares entre precursores se calcula mediante el Proceso de Jerarqua Analtica (AHP) y los resultados se convierten en tablas de probabilidad de nodos del modelo BBN. Con este mtodo se puede analizar la sensibilidad y la probabilidad posterior de cada precursor, lo que permite establecer prioridades para los factores. Intentamos priorizar las lecciones aprendidas del accidente de Fukushima para demostrar la viabilidad de la metodologa propuesta.

• Materias:Energía cinética Equipos de seguridad Combustible fundido Bucle simétrico Accidente nuclear
• Subjects:Kinetic energy Safety equipment Molten fuel Symmetrical loop Nuclear accident
• Palabras claves:Informes de accidentes nucleares; Precursores implícitos; Evaluación probabilística de la seguridad (PSA); Toma de decisiones; Asignación de recursos; Red bayesiana de creencias (BBN)
• Keywords:Nuclear accident reports; Implicit precursors; Probabilistic Safety Assessment (PSA); Decision-making; Resource allocation; Bayesian Belief Network (BBN)