CEDYAT IMPULSA I+D+I PARA EL SECTOR NUCLEAR INTERNACIONAL: "IA PARA APS NIVEL 3"

En la industria nuclear, APS significa Análisis Probabilístico de Seguridad (conocido en inglés como PSA o Probabilistic Safety Assessment). Es una metodología sistemática y estructurada para evaluar los riesgos asociados a una instalación nuclear, combinando el comportamiento de los equipos, las acciones humanas y los procedimientos ante situaciones de emergencia. En los nuevos escenarios tecnológicos mundiales requiere más que nunca la incorporación de la Inteligencia Artificial para optimizar los resultados de su alta complejidad computacional.

Diego Tellerias (Austria - Viena)

Rolando Matkovic (Argentina - Buenos Aires)

En ese contexto, el CEDyAT fue convocado para unirse a un equipo internacional de expertos para incorporar IA a la enorme complejidad computacinal debido a la cantidad de variables dinámicas (clima, densidad de población, topografía, comportamiento humano y química de los radionucleidos) a través de los equipos profesionales del Instituto Argentino de Inteligencia Artificial  logrando una sineria exponencial positiva para la sociedad en general.

Esta iniciativa privada representa un desafío enorme y sumamente necesario para el sector nuclear mundial. La incorporación de la Inteligencia Artificial en este ámbito marca un antes y un después, ya que los modelos tradicionales de dispersión y cálculo de consecuencias suelen verse desbordados por la cantidad de variables concurrentes.

Teniendo en cuenta que, en toda actividad industrial, además de obtenerse un producto que es el objetivo de la instalación, se generan también efectos indeseados o daños, que además tienen la particularidad de que suelen afectar a seres vivos (incluyendo personas), entornos u objetos distintos de los que resultan beneficiados por el producto de la instalación.

Esto hace difícil estimar la aceptabilidad del daño en función del beneficio obtenido. Aunque el recurso a estudios costo/beneficio es frecuente aún en estos casos, es inevitable definir otros criterios de aceptabilidad del daño y utilizar dichos estudios solamente como criterio complementario.

En una instalación nuclear, el daño último que se trata de evitar es la dosis radiológica a las personas (trabajadores y público), al medio ambiente o al patrimonio.

Ello justifica que la industria nuclear sea regulada con rigor en el principio fundamental de la Seguridad Nuclear de proteger a individuos, sociedad y ambiente de los daños radiológicos estableciendo las adecuadas defensas que los previenen o mitigan.

Los mecanismos que pueden llevar a la generación de un daño radiológico son de una complejidad considerable y su ocurrencia se ha limitado interponiendo sucesivas barreras a la dispersión de elementos contaminantes.

Esta filosofía de protección por barreras o defensa en profundidad reduce la posibilidad de ocurrencia de daños, sin que por ello puedan ser ignorados ya que también son de una magnitud importante. Esto hace que la seguridad nuclear sea una disciplina de particular dificultad y que sea necesario aplicarla en todos los niveles (diseño, regulación, verificación, operación, etc.).

La magnitud adecuada para medir la verosimilitud de la ocurrencia de un fenómeno a lo largo del tiempo es la frecuencia esperada de dicho fenómeno. En particular, el estudio de la seguridad de la instalación se enfoca a determinar la frecuencia con la que se puede producir un daño mayor que uno dado, lo que se denomina frecuencia de excedencia del daño. Ésta es la magnitud que debe estar limitada en una instalación para asegurar que tiene un nivel de riesgo aceptable.

Solamente cuando se determina un periodo de observación se puede hablar de probabilidad de ocurrencia y su valor se puede obtener a partir de la frecuencia esperada con mayor o menor dificultad. Sin embargo, en los estudios de riesgo de las instalaciones no existe normalmente un periodo temporal de referencia por lo que es mucho más adecuado trabajar con frecuencias que con probabilidades.

Definimos como riesgo de una instalación la relación entre la magnitud del daño y su frecuencia de excedencia.

El riesgo es, por tanto, un concepto bidimensional, es decir, una relación entre dos variables, que se puede representar mediante una curva, pero difícilmente mediante un número. No es sencillo encontrar cuál es la curva que caracteriza el riesgo de una determinada instalación, pero sí se puede definir con no mucha dificultad una curva límite que no puede ser superada por la curva característica de la instalación.

SINTESIS TECNICA EJECUTIVA 2026

Para un proyecto de esta envergadura la IA se estructurará su intervención en varias capas clave para resolver esa complejidad computacional:

---

1. Reducción de la Complejidad Atmosférica y Química (Emuladores de IA)

La simulación de la dispersión de la pluma radiactiva y la deposición de radionucleidos (química y decaimiento) requiere resolver ecuaciones diferenciales extremadamente pesadas.

• Redes Neuronales de Operadores de Fourier (FNO): Se pueden utilizar para "aprender" la física de los fluidos. En lugar de resolver la dinámica de fluidos computacional (CFD) paso a paso, el emulador de IA predice la dispersión de la pluma en segundos en lugar de horas.

• Reducción de dimensionalidad: Simplificar las infinitas variables meteorológicas (viento, humedad, gradientes térmicos) a componentes principales para acelerar las corridas de modelos como MACCS o COSYMA.

2. Modelado del Comportamiento Humano y Evacuación Dinámica

El factor más impredecible en un APS Nivel 3 es el comportamiento de la población ante una alerta.

• Modelos Basados en Agentes (ABM) optimizados por IA: Permiten simular el comportamiento de miles de personas de forma individual (pánico, tiempos de respuesta, rutas elegidas).

• Optimización de rutas en tiempo real: Algoritmos de aprendizaje por refuerzo (Reinforcement Learning) que adaptan las instrucciones de evacuación a medida que la pluma radiactiva cambia de dirección, evitando que la población sea dirigida hacia la zona de peligro.

3. Integración de la Densidad de Población y Topografía (GIS Inteligente)

• La IA puede procesar imágenes satelitales y datos de sistemas de información geográfica (GIS) en tiempo real para estimar la densidad de población dinámica (por ejemplo, diferencias entre día/noche, días laborales o festivos).

• Los modelos de redes neuronales convolucionales (CNN) pueden evaluar cómo la topografía del terreno (valles, montañas, barreras urbanas) altera los flujos de aire locales a microescala, algo que los modelos macro climáticos suelen ignorar.

4. Gestión de la Incertidumbre (Cuantificación de Incertidumbre - UQ)

En un APS Nivel 3, el análisis de sensibilidad es vital.

• Utilizando técnicas de Machine Learning para la Cuantificación de la Incertidumbre, el equipo puede realizar millones de simulaciones virtuales (métodos de Monte Carlo acelerados por IA) para definir con extrema precisión los límites de seguridad y las curvas de excedencia de daño.

Recordemos que los APS se dividen en tres niveles de análisis progresivos, siendo el Nivel 3 el que evalúa el impacto final en la sociedad y el entorno:

---

Los Tres Niveles del APS

• APS Nivel 1: Se centra en el interior de la central. Analiza las secuencias de eventos que podrían provocar un daño severo al núcleo del reactor (frecuencia de daño al núcleo).

• APS Nivel 2: Toma los resultados del Nivel 1 y evalúa cómo se comportaría la contención física del reactor (el edificio que lo protege). Su objetivo es estimar la frecuencia, cantidad y tipo de gases o productos radiactivos que podrían liberarse al medio ambiente si la contención falla.

• APS Nivel 3: Es el nivel más externo y global. Analiza las consecuencias radiológicas, ambientales y socioeconómicas fuera del emplazamiento (off-site consequences) debidas a la liberación de material radiactivo calculada en el Nivel 2.

---

¿Qué evalúa específicamente el APS Nivel 3?

El Nivel 3 combina los modelos de escape radiactivo con factores externos a la planta nuclear:

1. Dispersión Atmosférica y Meteorología: Cómo se desplaza la pluma radiactiva según los vientos, lluvias y geografía local.

2. Impacto en la Salud Pública: Estima las dosis de radiación que recibiría la población, calculando tanto efectos agudos inmediatos como riesgos a largo plazo (por ejemplo, incremento probabilístico en tasas de cáncer).

3. Planes de Emergencia y Protección: Evalúa la efectividad de contramedidas como la evacuación, el confinamiento en hogares, la distribución de pastillas de yodo o la restricción de alimentos.

4. Impacto Económico y Ambiental: Modela los costos derivados de la contaminación de tierras, evacuaciones masivas, pérdida de cultivos, descontaminación del suelo y pérdida de patrimonio.

---

APS Nivel 3 e Inteligencia Artificial (IA)

Tradicionalmente, realizar un APS Nivel 3 es una tarea de enorme complejidad computacional debido a la cantidad infinita de variables dinámicas (clima, densidad de población, topografía, comportamiento humano y química de los radionucleidos).

La integración de la Inteligencia Artificial en este campo está permitiendo:

• Simulaciones en tiempo real: Procesar de forma instantánea modelos de dispersión de contaminantes mucho más precisos ante un escenario cambiante.

• Optimización de planes de evacuación: Diseñar rutas óptimas de evacuación dinámica de poblaciones basadas en datos de tráfico y meteorología en tiempo real.

• Reducción de la incertidumbre: Analizar patrones históricos para ajustar los márgenes de error de los modelos predictivos tradicionales de la OIEA (Organismo Internacional de Energía Atómica).

Para abordar la enorme complejidad computacional y la naturaleza tan diversa de las variables en un APS Nivel 3 (física de fluidos, comportamiento humano, geografía y toma de decisiones), no existe un único modelo de IA que pueda resolver todo el problema.

Lo más conveniente y eficiente es diseñar una arquitectura híbrida o sistema multi-agente que combine diferentes tipos de IA especializados para cada subsistema:

---

1. Para la Dispersión Atmosférica y Química: Physics-Informed Neural Networks (PINNs)

Los modelos tradicionales de dinámica de fluidos (CFD) resuelven ecuaciones diferenciales pesadísimas en horas o días.

• Por qué son convenientes: Las PINNs (Redes Neuronales Guiadas por la Física) y los operadores de Fourier (FNO) no solo aprenden de los datos, sino que integran las leyes de la física (conservación de la masa, energía y cantidad de movimiento) en sus funciones de pérdida.

• Resultado: Permiten emular la dispersión de radionucleidos en segundos con precisión casi idéntica a la física real, habilitando simulaciones en tiempo real ante condiciones climáticas cambiantes.

2. Para el Comportamiento Humano y Evacuación: Reinforcement Learning (RL) + Modelos Basados en Agentes (ABM)

Predecir cómo reaccionará la población y cómo se congestionarán las rutas es un problema dinámico y caótico.

• Por qué son convenientes: El Aprendizaje por Refuerzo (el tipo de IA que aprende por prueba y error para maximizar una recompensa) puede interactuar con simulaciones de agentes autónomos que imitan el comportamiento humano (pánico, demoras, toma de decisiones).

• Resultado: El sistema de IA puede "entrenar" planes de evacuación dinámicos que se adaptan y recalculan las rutas de escape de manera óptima a medida que la pluma radiactiva se desplaza o las carreteras colapsan.

3. Para el Análisis Geográfico y Topográfico: Redes Convolucionales (CNN) y Graph Neural Networks (GNN)

La topografía (montañas, valles) y la infraestructura urbana dictan cómo se moverán tanto el viento contaminado como las personas.

• Por qué son convenientes: Las CNN son excelentes procesando datos espaciales e imágenes satelitales (densidad de población dinámica), mientras que las GNN (Redes Neuronales de Grafos) son perfectas para modelar redes de transporte, topología de carreteras y conexiones de infraestructura.

• Resultado: Permiten analizar cómo interactúa la pluma con el relieve terrestre a microescala y cómo fluye el tráfico por las arterias de la región.

4. Para la Cuantificación de Incertidumbre y Curvas de Riesgo: Surrogate Models (Modelos Sustitutos) de Machine Learning

El APS Nivel 3 requiere calcular la frecuencia de excedencia del daño mediante millones de simulaciones estadísticas (métodos de Monte Carlo).

• Por qué son convenientes: Modelos como los Procesos Gaussianos (Kriging) o los bosques aleatorios (Random Forests) actúan como "metamodelos" rápidos que aproximan los resultados de los escenarios más complejos.

• Resultado: Reducen radicalmente el tiempo necesario para correr análisis de sensibilidad masivos, permitiendo trazar curvas de riesgo precisas con intervalos de confianza bien definidos.

---

Resumen de la Arquitectura I+D+I+ Preliminar

Subsistema del APS Nivel 3	Tipo de IA Recomendado	Función Principal
Pluma Radiactiva y Clima	PINNs (Física Integrada) / FNO	Simular la dispersión química en tiempo real.
Evacuación y Emergencia	Reinforcement Learning / Agentes	Optimizar rutas de escape dinámicas bajo presión.
Topografía y Población	GNNs (Grafos) / CNNs espaciales	Mapear el terreno y la densidad demográfica.
Análisis de Riesgo (Curvas)	Modelos Sustitutos (Surrogate Models)