Traducido del inglés al español - www.onlinedoctranslator.

com

Tecnología nuclear

ISSN: (Imprimir) (En línea) Página de inicio de la revista:https://www.tandfonline.com/loi/unct20

Aplicación de la inteligencia artificial en la detección y

mitigación de errores del factor humano en centrales
nucleares: una revisión

Meenu Sethu, Bhavya Kotla, Darrell Russell, Mahboubeh Madadi, Nesar

Ahmed Titu, Jamie Baalis Coble, Ronald L. Boring, Klaus Blache, Vivek
Agarwal, Vaibhav Yadav y Anahita Khojandi

Para citar este artículo:Meenu Sethu, Bhavya Kotla, Darrell Russell, Mahboubeh Madadi, Nesar
Ahmed Titu, Jamie Baalis Coble, Ronald L. Boring, Klaus Blache, Vivek Agarwal, Vaibhav Yadav y
Anahita Khojandi (2023) Aplicación de la inteligencia artificial en la detección y mitigación del factor
humano Errores en las centrales nucleares: una revisión, Tecnología nuclear, 209:3, 276-294, DOI:
10.1080/00295450.2022.2067461

Para vincular a este artículo:https://doi.org/10.1080/00295450.2022.2067461

© 2022 El autor(es). Publicado con Publicado en línea: 27 de junio de 2022.

licencia de Taylor & Francis Group, LLC.

Envíe su artículo a esta revista. Vistas del artículo: 3180

Ver artículos relacionados Ver datos de Crossmark

Artículos que citan: 1 Ver artículos que citan

Los términos y condiciones completos de acceso y uso se pueden encontrar en

https://www.tandfonline.com/action/journalInformation?journalCode=unct20
 TECNOLOGÍA NUCLEAR·VOLUMEN 209·276-294·MARZO 2023
©2022 El autor(es). Publicado con licencia de Taylor & Francis Group, LLC.
DOI: https://doi.org/10.1080/00295450.2022.2067461
Revisión crítica

Aplicación de la inteligencia artificial en la detección y mitigación de

errores del factor humano en centrales nucleares: una revisión

Meenu Sethu,aBhavya Kotla,aDarrell Russell,bMahboubeh Madadi,a*Nesar Ahmed Titu,bJamie Baalis

Coble,bRonald L. Aburrido,CKlaus Blache,bVivek Agarwal,CVaibhav Yadav,Cy Anahita Khojandib
aUniversidad Estatal de San José, One Washington Square, San José, California 95192-0069
bLaUniversidad de Tennessee, Knoxville, Tennessee 37996
CLaboratorio Nacional de Idaho, PO Box 1625, Idaho Falls, Idaho 83415-3840

Recibido el 27 de enero de 2022 Aceptado para

publicación el 13 de abril de 2022

Abstracto—Los factores humanos y la ergonomía han desempeñado un papel esencial en el aumento de la seguridad y el
rendimiento de los operadores de la industria de la energía nuclear. En esta revisión crítica, examinamos cómo se pueden
aprovechar las tecnologías de inteligencia artificial (IA) para mitigar los errores humanos, mejorando así la seguridad y el
desempeño de los operadores de centrales nucleares (NPP). Primero, analizamos las diversas causas de los errores humanos en las
centrales nucleares. A continuación, examinamos las formas en que la IA se ha introducido e incorporado en diferentes tipos de
sistemas de soporte al operador para mitigar estos errores humanos. Examinamos específicamente (1) sistemas de soporte al
operador, incluidos sistemas de soporte a la toma de decisiones, (2) sistemas de detección de fallas de sensores, (3) sistemas de
validación de operación, (4) sistemas de monitoreo del operador, (5) sistemas de control autónomo, (6) sistemas de mantenimiento
predictivo , (7) sistemas automatizados de análisis de texto y (8) sistemas de evaluación de seguridad. Finalmente, proporcionamos
algunas de las deficiencias de las tecnologías de IA existentes y discutimos los desafíos que aún quedan por delante para su mayor
adopción e implementación para proporcionar direcciones de investigación futuras.

Palabras clave—Factores humanos, errores humanos, centrales nucleares, inteligencia artificial, sistemas de apoyo al
operador.

Nota—Algunas figuras podrán estar en color únicamente en la versión electrónica.

I. INTRODUCCIÓN que la alta carga de trabajo y el estrés durante eventos anormales

Los errores humanos en sistemas críticos para la seguridad,
como las centrales nucleares (NPP), han sido un tema importante de
investigación en el campo de los factores humanos. Los accidentes de
Three Mile Island y Chernobyl despertaron el interés por la seguridad
nuclear en todo el mundo. Estos accidentes revelaron que los
operadores de plantas no siempre manejan y procesan
adecuadamente el gran volumen de información y
pueden afectar gravemente su desempeño. De hecho, se informa
que los errores humanos representaron el 40% de las fallas durante
la operación de arranque y parada entre 1997 y 2017 en las centrales
nucleares de Corea debido a la carga para el operador que surge de
monitorear cientos de parámetros durante un período prolongado.1
Un estudio de la Comisión Reguladora Nuclear (NRC) de Estados
Unidos de 1985 demostró que más del 65% de las fallas de los
sistemas nucleares comerciales involucran errores humanos.2
Los accidentes causados por el hombre siguen siendo raros y la mayoría de los

* Correo electrónico:mahboubeh.madadi@sjsu.edu
Este es un artículo de Acceso Abierto distribuido bajo los términos de la
Licencia Creative Commons Atribución-No Comercial-SinDerivadas (http://
creativecommons.org/licenses/by-nc-nd/4.0/), que permite la reutilización,
distribución y reproducción sin fines comerciales en cualquier medio,
siempre que la obra original esté debidamente citada y no sea alterada,
transformada o construida de ninguna manera.
errores humanos no tienen impacto en la seguridad de la planta. No obstante, los
errores humanos pueden provocar tiempos de inactividad en las plantas a medida que
los sistemas se reinician o reparan y se realizan análisis de la causa raíz para garantizar
la continuidad de las operaciones seguras.
El análisis de los incidentes ocurridos en la industria nuclear durante
las últimas décadas ha generado una gran cantidad de investigaciones.

276
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
sobre el papel fundamental que desempeñan los factores humanos a
la hora de garantizar bajas tasas de error humano y mantener la
fiabilidad de las centrales nucleares. Los recientes avances en
tecnología digital, tecnología de la información y ergonomía han
acelerado la digitalización y la innovación en el diseño en la industria
nuclear. En concreto, ha recibido considerable atención la
participación de factores humanos en el diseño de las centrales
nucleares. Los sistemas de alarma tradicionales y muchos
instrumentos y pantallas analógicos ya han sido reemplazados por
sistemas digitalizados más recientes. Se han creado muchos sistemas
de apoyo al operador para ayudar a los operadores a evaluar las
condiciones, proporcionar procedimientos computarizados y regular
sus operaciones en respuesta a circunstancias cambiantes. Más allá
de la operación, los errores humanos relacionados con el
mantenimiento y las modificaciones también tienen una influencia
significativa en la seguridad de la planta.2–5
Aunque las centrales nucleares se han vuelto cada vez más digitales a lo
largo de los años, el diseño de soluciones digitales no siempre se ha optimizado
para simplificar el trabajo de los operadores. Es necesario construir sistemas de
apoyo al operador "inteligentes" que puedan evaluar con precisión el estado de
seguridad de la central nuclear en tiempo real y realizar una interacción
inteligente entre el hombre y la máquina. En concreto, estos sistemas
inteligentes deberían ayudar a los operadores a tomar decisiones de misión
crítica y realizar acciones oportunas para reducir el riesgo en la seguridad
operativa de las centrales nucleares.
La tecnología de inteligencia artificial (IA) tiene el potencial de aportar este
tipo de inteligencia y revolucionar esta importante industria. La inteligencia
artificial se puede definir como el estudio de “agentes inteligentes”: cualquier
dispositivo que percibe su entorno y realiza acciones que maximizan sus
posibilidades de éxito.6En las últimas décadas, la IA, y especialmente el
aprendizaje profundo, que es un método de aprendizaje automático basado en
redes neuronales artificiales (RNA), ha logrado avances considerables.7Los
sistemas modernos impulsados por IA, como dispositivos inteligentes,
teléfonos móviles y asistentes virtuales, son omnipresentes en la actualidad.
Con el desarrollo y la popularidad de la IA, muchos investigadores han
considerado cómo se podría aplicar esta tecnología a las centrales nucleares
para reducir los errores en general (no solo los errores humanos), brindar
orientación útil a los operadores y ayudarlos a tomar decisiones precisas y
rápidas, garantizando al mismo tiempo y potencialmente mejorando. la
seguridad de la producción de energía nuclear.
Este trabajo revisa los errores humanos comunes en la operación y el
mantenimiento de las centrales nucleares y explora el papel que puede
desempeñar la tecnología de inteligencia artificial para mitigar el riesgo de
fallas humanas y mejorar el desempeño de las centrales nucleares.
II. FONDO
El análisis de confiabilidad humana (HRA) es el estudio
de las contribuciones humanas al error humano y la
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
277
Cuantificación del error humano (p. ej., tasas, probabilidades) para su
uso en modelos de riesgo generales. Históricamente, los factores
humanos y la confiabilidad humana han divergido, por lo que la
ingeniería de factores humanos ha tendido a centrarse en
comprender los factores que influyen en el desempeño humano en
sistemas sociotécnicos para mejorar el diseño de esos sistemas,
mientras que la HRA ha tendido a centrarse en factores de seguridad
y riesgo, incluidos -Construyó sistemas como las instalaciones
nucleares existentes.8Estos dos campos convergen con la
introducción de nuevas herramientas analíticas como la IA. La HRA
tradicional utiliza hojas de trabajo y expertos en la materia para
predecir los factores que contribuirán a los errores humanos. Este
enfoque depende de la subjetividad de los analistas y puede dar
lugar a una considerable variabilidad entre analistas. La llegada de
técnicas de IA en la HRA promete la oportunidad de minimizar dicha
subjetividad y proporcionar una herramienta más consistente para la
HRA. Además, cuando se identifican las causas del error humano, la
IA puede proporcionar tecnología para ayudar a los operadores a
prevenir y mitigar errores.
II.A. Causas del error humano
El desempeño humano es el producto del contexto en el que
opera el ser humano. Si bien los humanos tienen algunas
tendencias a cometer errores incluso en los contextos más
positivos, dichos errores se consideran aleatorios. Sin embargo,
algunos contextos claramente impulsan el éxito o el fracaso. En
HRA, la revisión sistemática de estos contextos se trata a través
de factores que configuran el desempeño (PSF), también
conocidos como factores que influyen en el desempeño y
características de desempeño comunes en diferentes partes de
la comunidad de investigación.
El primer método HRA, la técnica de predicción de la tasa de error
humano9(THERP) captura la mayoría de los contextos como escenarios
predefinidos. El analista relaciona los escenarios analizados con estos
escenarios predefinidos en THERP. Este proceso resulta algo limitado
porque los escenarios predefinidos no son extensibles, lo que da como
resultado un grado de ajuste de fuerza. THERP tiene una cobertura
limitada de PSF para cubrir los niveles de estrés y experiencia del
operador, que sirven como modificadores de los niveles nominales de
probabilidad de error humano extraídos de la comparación de escenarios.
Descendientes de THERP, como el método de análisis estándar de riesgo
de planta-análisis de confiabilidad humana (SPAR-H),10ampliar el proceso
para permitir que los PSF cubran la mayor parte del contexto sin
coincidencia de escenarios. SPAR-H presenta una lista de ocho PSF: tiempo
disponible, estrés/factores estresantes, complejidad, experiencia/
capacitación, procedimientos, ergonomía/interfaz hombre-máquina,
aptitud para el trabajo y procesos de trabajo. El analista de SPAR-H asigna
un nivel para cada PSF, lo que resulta en un efecto positivo, efecto neutral
o nominal, o un efecto negativo en el desempeño. El nivel subjetivo de la
influencia del PSF.
278 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
se traduce en un multiplicador de una probabilidad nominal de error
humano.
La proliferación de métodos HRA para cubrir diferentes aplicaciones
y contextos da como resultado una lista cada vez mayor de posibles PSF. Si
bien los métodos HRA se basan principalmente en sus conjuntos
específicos y fijos de PSF, la impresión entre los métodos es que ningún
método HRA cubre todos los PSF posibles. Han surgido esfuerzos para
estandarizar la lista de PSF relevantes. NUREG-1792, "Buenas prácticas
para implementar análisis de confiabilidad humana",11proporciona una
lista estándar de 15 PSF para cubrir acciones humanas en respuesta a
condiciones alteradas de las plantas:
1. aplicabilidad e idoneidad de la formación y
experiencia
2. idoneidad de los procedimientos y controles
administrativos pertinentes
3. disponibilidad y claridad de la instrumentación
4. tiempo disponible y tiempo requerido para completar
la acción
5. la complejidad del diagnóstico y la respuesta
requeridos
6. carga de trabajo, presión de tiempo y estrés
7. Dinámica del equipo/tripulación y características de la tripulación.
8. personal y recursos disponibles
9. Calidad ergonómica de la interfaz hombre-
sistema (HSI)
10. entorno en el que se debe realizar la acción
11. accesibilidad y operatividad de los equipos a
manipular
12. necesidad de herramientas especiales
13. comunicaciones
14. necesidades físicas especiales
15. consideración de desvíos y desviaciones de la secuencia de
accidentes “realistas” (por ejemplo, alarmas extrañas,
instrumentos fallidos, discusiones externas).
Esta lista no pretende ser exhaustiva, sino más bien el
conjunto mínimo de factores a considerar en una HRA. Si
bien la lista incluye casi el doble de PSF que SPAR-H, el
tratamiento de las PSF podría cruzarse fácilmente con la
mayoría de los métodos HRA. En el caso de SPAR-H, por
ejemplo, un único PSF cubre múltiples elementos que se
tratan como PSF separados en NUREG-1792.
NUREG/CR-4862 (Árbitro. 12) presenta la herramienta de
modelado de simulación del entorno cognitivo que se puede utilizar
investigar qué situaciones y factores conducen a fallas intencionales,
qué acciones se derivan de fallas intencionales (por ejemplo, errores
de omisión, errores de comisión), la capacidad de recuperarse de
errores o fallas adicionales de las máquinas, y los efectos de los
cambios en el personal de la central nuclear. sistema de la máquina.
Al darse cuenta de que los matices contextuales proporcionan
un número casi infinito de posibles PSF, se han realizado esfuerzos
para desarrollar categorías de PSF que podrían enmarcar influencias
amplias y al mismo tiempo permitir exploraciones más matizadas
dentro de los métodos individuales de HRA. Groth y Mosleh13revisó
las bases de datos HRA disponibles para identificar las PSF en uso y
desarrolló una red de creencias bayesianas de las interacciones entre
las PSF. El número óptimo de categorías para mantener la
ortogonalidad es cinco, como sigue: (1) factores organizacionales
relacionados con la capacitación, acciones correctivas, cultura de
seguridad y actividades de gestión; (2) factores de equipo
relacionados con las comunicaciones, la supervisión directa, la
coordinación del equipo y la cohesión del equipo; (3) factores
personales relacionados con la atención cognitiva, las capacidades
físicas y psicológicas, la moral y la motivación, el conocimiento y la
experiencia, las habilidades, la familiaridad y los prejuicios; (4)
factores situacionales relacionados con el entorno externo, hardware
y software, eventos condicionantes, factores específicos de la tarea y
toma de decisiones; y (5) factores de diseño de la máquina, como el
HSI y las respuestas del sistema.
III. TIPOS DE ERROR HUMANO
Así como existen multitud de PSF para catalogar las causas
de los errores, existen numerosas formas de clasificar los tipos
de errores humanos. Por ejemplo, las taxonomías de errores
populares sugieren que existen errores de omisión y comisión,9
reflejando acciones omitidas o realizadas además de las tareas
requeridas, respectivamente. Otra taxonomía sugiere que un
error puede considerarse un desliz, un lapso, un error o una
elusión.14Pueden ocurrir errores antes de un evento
(preiniciadores), causando el evento (eventos de inicio) o en
respuesta al evento (postiniciadores).11Los errores pueden ser
latentes o activos, lo que significa que tienen un efecto retardado
o inmediato.14
Y pueden ocurrir errores en todas las actividades que involucran a la
instalación nuclear, desde las fases de diseño, fabricación e
instalación; a las actividades operativas, involucrando a operadores
de sala de control y de campo; a operaciones de emergencia; a
actividades de mantenimiento; al desmantelamiento.
La base cognitiva de los errores humanos descrita en
Whaley et al.15Ancla diferentes causas y tipos de errores según
funciones macrocognitivas. Las funciones macrocognitivas
representan los procesos básicos de la actividad mental humana,
abarcando diferentes etapas: detectar y notar,
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
en el que la información sensorial se introduce en el ser humano;
dar sentido y comprender, en el que esta información está
imbuida de significado; toma de decisiones, en la que se
determinan cursos de acción o inacción; acción, en la que las
decisiones se convierten en comportamientos; y trabajo en
equipo, que complementa las otras etapas al proporcionar
personas suplementarias para realizar cada etapa y transmitir
información entre sí. Cada función macrocognitiva presenta
oportunidades únicas de cometer errores. Por ejemplo, es
posible que se pierdan señales e información clave si no se
perciben, no se prestan atención o se perciben erróneamente.
Este error cognitivo en la etapa inicial afecta las etapas
posteriores y puede conducir a una comprensión, toma de
decisiones y acciones incorrectas. Los PSF, como la calidad de la
información o la carga de trabajo, establecen el contexto para
detectar y notar, y los PSF deficientes pueden generar una mayor
probabilidad de error.
Afortunadamente, los errores humanos rara vez llegan a tener
consecuencias significativas en las plantas. Las plantas están diseñadas
con redundancias, de modo que ningún fallo puntual provoque un
accidente. Del mismo modo, las actividades humanas presentan controles
y equilibrios, desde personal de segundo control para detectar errores,
hasta controles de procedimientos para el correcto desempeño de las
tareas y sistemas de seguridad de hardware para evitar efectos no
deseados de errores humanos. Por lo tanto, el propósito de las
herramientas de IA para respaldar las operaciones no es específicamente
abordar los problemas de seguridad, sino más bien ayudar a los
operadores en las operaciones diarias en la planta y proporcionar una
defensa adicional en profundidad durante posibles condiciones adversas.
Los sistemas basados en inteligencia artificial en las centrales nucleares
ayudan principalmente a garantizar la eficiencia, la facilidad de uso y la
confiabilidad de las operaciones. En algunos casos, pueden reforzar las
prácticas de seguridad para proporcionar márgenes de seguridad aún
mayores en las centrales nucleares.
IV. MITIGAR LOS ERRORES HUMANOS UTILIZANDO LA IA
Para reducir las consecuencias de los errores humanos en las
centrales nucleares, se han realizado muchos esfuerzos para desarrollar
sistemas avanzados de apoyo a los operadores, como sistemas de apoyo a
la toma de decisiones, sistemas de detección de fallas de sensores,
sistemas de validación de operaciones, sistemas de monitoreo de
operadores, sistemas de control autónomo, sistemas de mantenimiento
predictivo, sistemas automatizados. sistemas de análisis de textos y
sistemas de evaluación de seguridad. De particular interés es el uso de
tecnologías de IA para garantizar el funcionamiento seguro y fiable de una
central nuclear. En esta sección, examinamos los diversos métodos
basados en IA que se han investigado en la literatura para mitigar los
errores humanos en las centrales nucleares.
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
279
IV.A. Sistemas de Soporte a la Decisión
En las últimas décadas se ha investigado ampliamente el uso de
sistemas de soporte inteligentes para ayudar a la capacidad de toma de
decisiones de los operadores. Un sistema de soporte de decisiones bien
diseñado debe ayudar al proceso cognitivo de los operadores y permitir
una operación conveniente de la sala de control principal (MCR). Esto es
particularmente importante durante transitorios anormales y
perturbaciones del proceso en las centrales nucleares, donde los
operadores necesitan evaluar las situaciones actuales con prontitud y
precisión. Un sistema de alarma típico en un MCR tiene mil o más alarmas
además de visualizaciones de datos analógicos. En caso de una
emergencia, como un accidente por pérdida de refrigerante o una rotura
de una línea de agua de alimentación, se activan cientos de alarmas
simultáneamente. Esto provoca una sobrecarga de información y estrés
en los operadores, afectando gravemente a su capacidad de toma de
decisiones.
Un sistema de diagnóstico de fallas es un tipo de sistema de
soporte a la decisión cuyo objetivo es facilitar la tarea de diagnóstico
de fallas y reducir las posibilidades de errores humanos. Los
operadores a menudo necesitan realizar actividades de gran carga de
trabajo mental en los primeros minutos después de que ocurre una
falla. La sobrecarga de información y la presión de tiempo en estas
condiciones de emergencia causan estrés, afectando gravemente la
capacidad de toma de decisiones de los operadores cuando más se
necesita. Los sistemas de diagnóstico de fallas alivian la carga de
trabajo de los operadores al sugerir rápidamente fallas probables en
función de la probabilidad de ocurrencia y proporcionar información
relacionada con accidentes.
Se han propuesto varios métodos basados en IA para construir
sistemas inteligentes de apoyo a la toma de decisiones para el diagnóstico
de fallas (que incluyen la detección transitoria de muchas condiciones/
estados de reactores) y la predicción de accidentes en las centrales
nucleares. La gama de técnicas de IA estudiadas abarca desde métodos
basados en el conocimiento, como los sistemas expertos, hasta
algoritmos basados en datos más avanzados y sofisticados, como las
RNA, las máquinas de vectores de soporte (SVM) y los algoritmos
genéticos.16-22
Las redes neuronales artificiales han sido una de las técnicas de
modelado de IA más populares para el diagnóstico de fallas y el análisis de
transitorios en plantas nucleares.dieciséis,23–31Por ejemplo, Mo et al.dieciséisy
Lee et al.23proponer un sistema de asesoramiento y diagnóstico de fallos
basado en redes neuronales dinámicas, que son un tipo de red neuronal
de perceptrón multicapa (MLP) para mejorar la capacidad de toma de
decisiones de los operadores y reducir su carga de trabajo mental. Mo et
al.dieciséisUtilice una arquitectura clasificadora de dos niveles para el
diagnóstico de fallas. El clasificador de primer nivel reconoce el tipo de
transitorio y, en consecuencia, el clasificador de segundo nivel realiza la
detección de la ubicación de la falla y la predicción de la gravedad,
proporcionando información detallada sobre el accidente. Lee y cols.23
mejorar esta falla
280 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
Sistema de diagnóstico que utiliza dos redes neuronales paralelas,
que consta de una red neuronal dinámica modificada y una red
neurodifusa dinámica. Las dos redes realizan diagnósticos de fallas
independientes utilizando diferentes entradas para generar una
variable de salida más confiable. Basándose en los resultados del
diagnóstico, un sistema computarizado de búsqueda de
procedimientos selecciona un procedimiento operativo apropiado y
necesario para gestionar la situación actual de modo que los errores
de omisión de los operadores puedan reducirse considerablemente.
Con los recientes avances en la arquitectura de redes neuronales y
los procedimientos de entrenamiento en la última década, la efectividad
de los modelos basados en aprendizaje profundo como un poderoso
extractor de características para realizar predicciones de alta precisión ha
recorrido un largo camino. Muchos trabajos de investigación han
explorado el uso de sistemas basados en aprendizaje profundo para el
problema de identificación de accidentes nucleares.32–36Santos et al.-
32demostrar el rendimiento de una red neuronal rectificadora
profunda que puede identificar muchas situaciones operativas
rápidamente y con altas tasas de precisión en tiempos de
entrenamiento razonables. Zhang et al.33proponen una red neuronal
de memoria a largo plazo (LSTM) modificada, una versión mejorada
de la red neuronal recurrente, para identificar niveles de agua del
presurizador (PWL) anormales o falsos en reactores de agua a
presión. Específicamente, al modificar la función de pérdida para
incluir un factor de ponderación sensible al costo, el modelo LSTM
puede superar el problema de las correlaciones de cambio de tiempo
y el desequilibrio de ejemplo en la predicción de PWL. Esta
identificación de los niveles reales de agua de los presurizadores
puede reducir la dificultad de la operación y reducir la probabilidad
de errores humanos. Yang y Kim34Desarrollar un algoritmo de
diagnóstico de accidentes utilizando LSTM que permita modelar
dependencias de tiempo más largas en los datos de entrada. Choi y
Lee35proponer un algoritmo de diagnóstico automatizado en
situaciones de emergencia utilizando un modelo de desintegración
de unidades recurrente cerrado, una evolución del modelo LSTM,
para manejar mejor los datos faltantes de mediciones de sensores
defectuosos. Yang y Kim36Desarrollar un algoritmo de diagnóstico de
accidentes para el modo de arranque de centrales nucleares en el
que las anomalías son más difíciles de detectar debido a los diversos
modos de operación durante el arranque.
La identificación rápida y precisa del estado de las fallas es de suma
importancia para reducir el error humano bajo presión y garantizar el
funcionamiento seguro y confiable de una central nuclear. Se ha
demostrado que la precisión de los métodos de diagnóstico de fallas
basados en redes neuronales mejora al aplicar el análisis de
componentes principales para la reducción de dimensionalidad y el
filtrado de ruido de los datos de la planta en la etapa de prediagnóstico.25,
26Para reconocer averías a tiempo, Yu y Liu24evaluar un método de
diagnóstico de fallas en tiempo real utilizando una arquitectura de red
neuronal de dos etapas. La primera RNA realiza un prediagnóstico rápido
mientras que la segunda
ANN verifica el diagnóstico y lo hace más preciso. Al utilizar esta
arquitectura de red neuronal de dos etapas, el método no solo
puede diagnosticar las fallas aprendidas con precisión con una
baja tasa de preterminación, sino también identificar fallas no
aprendidas en diferentes condiciones operativas en tiempo real.
Ming et al.25estudie un enfoque híbrido de dos pasos similar para
el diagnóstico de fallas en el que primero un modelo de flujo
múltiple (MFM) localiza la falla y luego una ANN realiza un
diagnóstico profundo y preciso al verificar el resultado del MFM.
El método MFM basado en el conocimiento mejora la
comprensibilidad de los procesos y resultados de diagnóstico,
mientras que la ANN mejora la tasa de éxito de la identificación.
Muchos estudios sugieren enfoques de IA para diagnosticar
posibles escenarios de accidentes; sin embargo, si se presenta un
escenario de accidente desconocido (o no entrenado), el desempeño
de las aproximaciones supervisadas tiende a deteriorarse. Para
abordar estas preocupaciones, Yang et al.30Desarrollar un algoritmo
de diagnóstico de accidentes que incluya la respuesta "no sé"
utilizando redes neuronales LSTM y una función de detección de
novedades del codificador automático. Pinheiro et al.31aumentar los
sistemas de última generación basados en aprendizaje profundo
para el problema de identificación de accidentes nucleares con
detección de novedades y demostrar un rendimiento sobresaliente
en términos de clasificaciones correctas de "no sé".
Además de las RNA, algunos estudios han explorado modelos
basados en vectores de soporte, concretamente el clasificador SVM y el
regresor de vectores de soporte, para la identificación de fallas e
información detallada sobre accidentes.17,37–39También se ha informado
que los algoritmos evolutivos, como los algoritmos genéticos, funcionan
de manera sólida en términos de diagnóstico de fallas.18,19
Más allá de la identificación y el diagnóstico precisos de fallas, las
RNA también se han utilizado en el contexto de errores de diagnóstico y
estimación de incertidumbre en plantas nucleares.20,27,40
El error/incertidumbre de la predicción, estimado mediante una
red neuronal auxiliar, permite a los operadores de la planta
examinar la credibilidad del diagnóstico de fallas y así tomar
decisiones confiables de manera oportuna.
Si bien la mayor parte de la investigación sobre sistemas de
apoyo a la toma de decisiones se basa en algoritmos modernos de
aprendizaje automático, en la literatura se han informado varios
sistemas inteligentes de apoyo al operador que adoptaron sistemas
basados en el conocimiento (KBS).21,22,29,41–43El sistema de IA basado
en el conocimiento más popular es un sistema experto. Un sistema
experto es un programa de IA que emula la capacidad de toma de
decisiones de un experto humano. Uhrig21proporciona un estudio de
las diferentes aplicaciones potenciales de los sistemas expertos en
plantas nucleares para reducir los errores del operador y aumentar la
seguridad, confiabilidad y eficiencia de la planta. Vardé et al.44
implementar un sistema experto híbrido que combine las
ventajas de las ANN y KBS para mejorar la toma de decisiones
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
capacidad del operador para hacer frente a los requisitos operativos,
especialmente durante condiciones anormales. En este estudio, la
ANN monitorea el estado de seguridad del reactor mientras el
módulo KBS realiza el diagnóstico de fallas y la generación de
procedimientos. Uhrig y Tsoukalas29discutir el uso de un sistema
experto que tiene una red neuronal en su base de conocimiento,
llamado sistema experto conexionista, para la identificación de
transitorios en centrales nucleares que arrojó grandes beneficios en
términos de velocidad, robustez y adquisición de conocimiento.
Además, informan del sólido rendimiento de los enfoques híbridos
neuro-difusos que combinan un sistema experto basado en reglas
con RNA previamente entrenadas utilizando lógica difusa en
presencia de ruido.
La sobrecarga cognitiva/informativa del operador y la falta de
conocimiento son factores importantes que contribuyen a los accidentes
nucleares. Como tal, los sistemas de apoyo de expertos tienen el potencial de
reducir los errores de los operadores en las centrales nucleares (Árbitro. 45). Por
ejemplo, Mampaey et al.46discutir el problema del estrés del operador y la
sobrecarga de información que surgen del uso de procedimientos escritos en
situaciones posteriores a un accidente y proponer un sistema experto que
pueda actuar como un programador de tareas verdaderamente dinámico, en
lugar de una pantalla de procedimiento computarizada convencional para
minimizar los errores de omisión del operador en las centrales nucleares.
Una investigación reciente de Hanna et al.22demuestra el
uso de un novedoso enfoque de IA declarativa, a saber, la
programación de conjuntos de respuestas, para representar el
conocimiento cualitativo de la central nuclear en forma de reglas
lógicas. El conocimiento representado se estructura para formar
un sistema de apoyo al operador basado en el razonamiento y se
muestra capaz de diagnosticar fallas, informar al operador sobre
diferentes escenarios y consecuencias, y generar acciones de
control recomendadas.
IV.B. Sistemas de detección de fallas de sensores
Los sensores se utilizan para medir una variedad de parámetros (por
ejemplo, temperatura, presión, flujo, nivel de fluido, radiación) en las
centrales nucleares y son una de las fuentes esenciales de datos. La
mayoría de las decisiones automatizadas e iniciadas por humanos se
basan total o parcialmente en estos datos, por lo que es importante
garantizar la confiabilidad del sensor y la precisión de sus lecturas. Los
datos incorrectos de los sensores podrían llevar a que los humanos o los
sistemas de automatización tomen decisiones incorrectas. También
pueden ocurrir errores humanos cuando los operadores diagnostican
erróneamente un accidente y toman acciones basadas en mediciones de
parámetros de falla de la planta. Por lo tanto, la detección de fallos de
sensores es un componente extremadamente útil de los sistemas de
control de procesos, donde un fallo no controlado puede resultar costoso
y potencialmente peligroso.
Un estudio de Uhrig47informa el uso de redes neuronales probabilísticas
para diagnosticar fallas de instrumentos en centrales nucleares.
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
281
Cuando un sensor comienza a desviarse, los valores predichos por la
red neuronal entrenada y los parámetros observados de la planta
comienzan a diferir. Al monitorear estas desviaciones, se puede
identificar una deriva o una falla del sistema de instrumentación.
Uhrig y Tsoukalas29estudie un sistema de inferencia neuronal difusa
adaptativo que utiliza lógica difusa y la prueba de relación de
probabilidad secuencial (SPRT) para la detección de fallas del sensor.
El sistema no sólo detecta la falla sino que también aísla el canal en el
que se produjo la falla. Zvaljevski y Gross48implementar una
combinación del núcleo de la técnica de estimación de estado
multivariante con el método SVM para demostrar propiedades
superiores de generalización y detección de fallas del sensor.
Shaheryar et al.49Desarrollar un modelo de sensor autoasociativo sin
ruido basado en aprendizaje profundo para superar los problemas de
regularización deficiente y robustez que afectan a los modelos de
sensores empíricos basados en redes neuronales autoasociativas.
Si bien se han desarrollado varias técnicas de monitoreo en
línea para monitorear el estado de los sensores durante las
operaciones normales de la central nuclear,29,47–49son inapropiados
en situaciones de emergencia donde los parámetros de la planta
sufren cambios complejos y no lineales debido al disparo del núcleo
del reactor.48–51Choi y Lee52,53construir un sistema de detección de
sensores anormales para centrales nucleares utilizando un modelo
de aprendizaje automático basado en LSTM que adopta un índice de
consistencia. El uso del etiquetado de índice de consistencia hace
posible detectar el error del sensor inmediatamente y localizar el
sensor donde ocurrió el error. Yoo et al.37Desarrollar un modelo de
regresión kernel autoasociativo y SPRT para diagnosticar fallos de
instrumentos en escenarios de accidentes graves en centrales
nucleares.
Se han investigado y propuesto varios métodos de IA basados
en datos para el diagnóstico de fallas en el campo nuclear. Sin
embargo, para aplicaciones reales, los sistemas de identificación de
fallas desarrollados deben ser resistentes a anomalías de los
sensores, como fallas de sensores y ruido. Choi y Lee54
Desarrollar un sistema de diagnóstico de accidentes con sensores
tolerantes a fallas que pueda aplicarse durante situaciones
anormales y operaciones de arranque y parada de centrales
nucleares, así como en otras industrias que requieren reacciones
basadas en parámetros de proceso sensibles a fallas de sensores. Los
autores desarrollan un modelo de regresión aleatorio iterativo
basado en bosques y una unidad recurrente cerrada basada en una
red neuronal recurrente (RNN) con modelo de decadencia y
demuestran que el enfoque propuesto recupera con éxito la
degradación en el rendimiento debido a errores del sensor.54
IV.C. Sistema de Validación de Operación
Un sistema de validación de operaciones es un sistema de asesoramiento utilizado para
supervisar y validar las acciones de los operadores en las centrales nucleares.
282 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
Los sistemas de validación de operaciones proporcionan dos funciones
importantes para los operadores: validar las acciones del operador y
realizar un análisis de los efectos de las acciones propuestas. Al
proporcionar estas funciones para validar las acciones del operador en el
panel de control, se pueden reducir eficazmente los errores de puesta en
marcha del operador que pueden surgir en situaciones de emergencia de
alto estrés.
Las redes neuronales se han utilizado para modelar el
análisis de efectos de las acciones del operador y reducir el error
de puesta en marcha en las centrales nucleares (Árbitros. 23,55a
través de58). Lee y cols.23y Mo et al.55Proponer un sistema de
validación de operaciones que evalúe cada acción del operador y
simule posibles resultados utilizando ANN. El sistema
proporciona análisis de efectos tanto cualitativos como
cuantitativos de las acciones del operador. Con base en las
predicciones, se brindan sugerencias/advertencias a los
operadores para mitigar los errores humanos durante la
operación en escenarios de emergencia. Los operadores pueden
examinar los posibles resultados de sus acciones esperadas y, en
consecuencia, optar por confirmar o cancelar sus acciones. De
manera similar, Bae et al.58proponen una estrategia recursiva
que emplea una ANN como modelo de predicción para predecir
las tendencias futuras de parámetros importantes de la planta
para determinar si una acción realizada es un error o no. En este
estudio, se comparan dos tipos de ANN, a saber, redes MLP y
LSTM, con su utilidad para detectar y recuperar errores humanos
en situaciones de emergencia en centrales nucleares. Se observa
que las tendencias futuras de los parámetros de la planta se
predicen con bastante precisión mediante el modelo LSTM. Ahn
et al.56proponen un sistema de detección de actos inseguros
basado en redes de Petri de colores (CPN) y redes neuronales
profundas para determinar si una acción del operador es un
error y descubrir su efecto sobre la integridad de la planta. El
sistema propuesto reduce el error humano en el MCR al reducir
la carga de trabajo mental y mejorar la conciencia situacional de
los operadores.
Ahn y Lee57proponer un sistema de verificación de
cumplimiento de procedimientos (PCC) basado en modelado CPN y
redes neuronales. El modelo CPN convierte los procedimientos
operativos de emergencia de la central nuclear en un lenguaje de
modelado y se utiliza en situaciones donde no se necesitan
decisiones o sólo se necesitan decisiones simples. En situaciones en
las que es difícil implementar respuestas basadas en reglas, como la
observación continua de cambios en las tendencias de un parámetro,
se emplea un algoritmo de aprendizaje profundo para ayudar en la
toma de decisiones complejas. Se juzga un incumplimiento de
procedimiento cuando la acción de un operador es inconsistente con
la planificación de respuesta prevista por el sistema. El sistema PCC
propuesto puede ayudar a reducir las violaciones de procedimientos
y los errores humanos y, por lo tanto, reducir la probabilidad de error
humano en situaciones operativas de emergencia.
IV.D. Sistema de monitoreo del operador
La aptitud de los operadores para el servicio (FFD), definida
como la capacidad física y mental de los operadores para realizar
sus tareas de manera segura, se ha destacado como una de las
principales razones del error humano en accidentes industriales
y nucleares.14,59,60Por ejemplo, la NRC ha publicado los requisitos
para los programas FFD en instalaciones nucleares en el Código
de Regulaciones Federales (CFR), a saber, 10 CFR 26 (Árbitro. 61).
Para seguir cumpliendo con 10 CFR 26, los titulares de licencias
de centrales nucleares han implementado programas de gestión
de FFD que abordan la aptitud física de los operadores, pruebas
de drogas y alcohol, gestión de la fatiga y pruebas psicológicas.62
Sin embargo, estos sistemas han estado lejos de ser efectivos en
la práctica.63Muchos elementos del programa implican pruebas
que son subjetivas y poco frecuentes (sólo una o dos veces al
año) y previas al acceso o se llevan a cabo como eventos únicos y,
por lo tanto, sólo pueden desempeñar un papel complementario.
Por lo tanto, un sistema de monitoreo continuo de operadores
puede superar muchos de los desafíos de los enfoques FFD
existentes.
Ha habido algunos trabajos notables para estimar
objetivamente el desempeño del operador para reducir el error
humano y mejorar el desempeño humano.64–67Jo et al.64proponer un
sistema de estimación del rendimiento basado en expresiones
faciales utilizando una red LSTM. El sistema procesa las imágenes
faciales de los operadores mientras realizan tareas de diagnóstico de
accidentes nucleares y proporciona un análisis inmediato de su
desempeño de manera discreta. Los hallazgos de este estudio son
consistentes con investigaciones anteriores que muestran que las
expresiones faciales relacionadas con las emociones reflejan
respuestas biológicas al estrés que afecta el rendimiento.68
Varios estudios han investigado la viabilidad de utilizar
sistemas de biomonitoreo para predecir y minimizar así el
riesgo de error humano en las instalaciones nucleares.65–67
Un estudio de Suh y Yim66muestra el potencial de un enfoque basado
en el aprendizaje automático para monitorear el estado de FFD de un
trabajador mediante señales biológicas. Los estados de FFD
considerados incluyen el uso de sustancias psicoactivas (consumo de
alcohol), el estado psicológico (depresión, estrés, ansiedad) y el
estado fisiológico (privación de sueño). Los marcadores de bioseñales
importantes de FFD se seleccionan en función de un análisis de
varianza multivariado y se alimentan a un clasificador SVM multiclase
y de clase binaria para lograr una identificación rápida de un
trabajador potencial en riesgo. En un estudio diferente realizado por
Kim et al.,67La electroencefalografía (EEG) y las señales de
movimiento ocular se utilizan para medir de forma remota los niveles
de atención del operador en tiempo real y proporcionar
retroalimentación a los supervisores. Específicamente, el estudio
demostró que, con algunas características de EEG y movimientos
oculares, la presencia o ausencia de atención humana puede ser
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
clasificado con hasta un 90% de precisión utilizando los modelos de
clasificación SVM y k-vecino más cercano. En la misma línea, Zhang et
al.69proponen el uso de sensores de dispositivos portátiles para la
adquisición en tiempo real de información fisiológica para respaldar
el monitoreo automático de factores cognitivos mediante algoritmos
de minería de datos.70,71El uso de estos sistemas inteligentes de
seguimiento de la atención y la aptitud basados en bioseñales
puede ayudar a prevenir errores humanos y mejorar el rendimiento
humano en las MCR de centrales nucleares.
La operación segura de una central nuclear se puede garantizar
aún más mediante una adecuada coordinación y trabajo en equipo
entre los operadores del MCR.72Esto es particularmente importante
en los entornos MCR basados en tecnología digital, donde la falta de
interacciones y comunicaciones personales puede reducir el
desempeño de un equipo.73,74Kim y cols.74sugerir indicadores
cuantitativos para estimar las intenciones implícitas de los
operadores de reactores de mitigar tales preocupaciones.
Específicamente, proponen un clasificador basado en SVM para
clasificar intenciones implícitas de acuerdo y desacuerdo. La
clasificación se basa en datos de EEG medidos por los operadores
mientras realizaban tareas operativas utilizando controles suaves.
Los indicadores propuestos respaldan verificaciones entre pares y
verificaciones simultáneas/independientes para ayudar a
diagnosticar y prevenir errores humanos a través de comunicaciones
mejoradas con los operadores.
Además del uso de dispositivos portátiles para el seguimiento del
operador, Zhang et al.69sugieren el uso de procesamiento del lenguaje natural
(NLP) y tecnologías de visión por computadora para monitorear los factores
cognitivos del operador y reducir los errores humanos en las centrales
nucleares. La tecnología PNL puede permitir la evaluación automática de la
conciencia situacional y la carga de trabajo mental de un operador a través de
evaluaciones orales. La PNL simplifica el proceso de medición al reducir la carga
de trabajo y las interrupciones causadas por las medidas cognitivas
tradicionales basadas en encuestas. Además, a través de la extracción
automatizada de rico conocimiento semántico del registro de diferentes eventos
durante la operación y el mantenimiento de las centrales nucleares, la PNL
puede ayudar a comprender procesos complejos de equipo (por ejemplo,
cognición de equipo). Los conocimientos adquiridos allí pueden mejorar la
conciencia situacional del equipo y reducir su carga de trabajo mental. El
seguimiento humano basado en visión por computadora se puede utilizar para
detectar el comportamiento anómalo de los trabajadores de campo en las
centrales nucleares, lo que a su vez puede ayudar a anticipar y evitar accidentes.
Además, la detección automática de los patrones de desplazamiento de los
operadores puede reducir la pérdida de tiempo y los errores durante las
transferencias y mejorar el conocimiento situacional del equipo directivo
manteniéndolos informados.
HE. Sistemas de control autónomo
Un sistema de control autónomo tiene el poder de autogobernarse
en el desempeño de funciones de control.75Semejante
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
283
un sistema está compuesto de hardware y software que pueden
ejecutar la función de control requerida durante períodos
prolongados sin intervención humana. Al eliminar a los humanos del
circuito de control, los algoritmos de operación autónoma pueden
reducir la carga del operador y la posibilidad de errores humanos en
las centrales nucleares.
Los sistemas de control autónomos en la industria nuclear
se han basado en controladores clásicos proporcionales-
integrales-derivativos (PID). La estrategia de control óptima en
Edwards et al.76utiliza control asistido por retroalimentación de
estado junto con un controlador clásico para lograr un
rendimiento óptimo del reactor en una amplia gama de
escenarios operativos. El trabajo demostró que el control asistido
por retroalimentación de estado se adaptaba más eficazmente a
los errores y perturbaciones del modelado de la planta que un
controlador convencional. Muchos métodos basados en IA,
como redes neuronales, lógica difusa, algoritmos genéticos y
sistemas expertos, ya se han aplicado para avanzar hacia un
mayor nivel de automatización.1,21,77–83
Ramaswamy et al.82y Liu y Chan80ampliar la aplicación de
controladores clásicos para incluir estrategias de control
anticipativo utilizando un enfoque neurodifuso. basher y neal81
estudiar el estado y las prácticas de la industria sobre sistemas
autónomos para el control y las operaciones de reactores
nucleares. Esta encuesta destaca el potencial para aumentar la
seguridad de la planta y reducir el costo de operación.
Específicamente, postulan que es más fácil lograr un mayor
grado de autonomía en el control de sistemas complejos como
las centrales nucleares mediante la integración de métodos de
control convencionales con componentes inteligentes, como
lógica difusa, redes neuronales, algoritmos genéticos y sistemas
expertos. Investigan la viabilidad de dicha integración en
diferentes aspectos de las operaciones del reactor, como el
arranque del reactor, la parada en situaciones de emergencia, la
detección y diagnóstico de fallas, el procesamiento y diagnóstico
de alarmas del reactor nuclear y las operaciones de seguimiento
de la carga del reactor, por nombrar algunos.
Uhrig21describe el uso de sistemas expertos para el seguimiento y
control de las centrales nucleares. Dichos sistemas expertos de control
toman una acción (por ejemplo, abrir una válvula) automáticamente al
identificar una discrepancia en el monitoreo de la planta a lo largo del
tiempo. Lee y kim78Desarrollar un algoritmo autónomo basado en
aprendizaje profundo para controlar los sistemas de seguridad de una
central nuclear. El algoritmo analiza los sistemas de las centrales eléctricas
y logra un alto grado de automatización de las nueve funciones de
seguridad de las centrales nucleares. También se han propuesto RNN, un
tipo de ANN con conexiones de retroalimentación que normalmente se
utilizan para el seguimiento y las predicciones de series temporales, para
construir sistemas de control automatizados.77–79Lee y cols.77sugerir un
algoritmo de control autónomo para los sistemas de seguridad de
centrales nucleares utilizando un LSTM y
284 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
un marco jerárquico basado en funciones (FHF). El FHF modela los
objetivos, funciones, sistemas y componentes de seguridad de la
central nuclear. Luego, la estructura jerárquica se transforma en una
red LSTM que controla las funciones de seguridad. Se ha demostrado
que los algoritmos automatizados responden a los accidentes más
rápido que el control automático más humano. De manera similar,
Boroushaki et al.79diseñar un controlador inteligente en línea del
núcleo del reactor para operaciones de seguimiento de carga de
centrales nucleares utilizando RNN y sistemas de lógica difusa.
Además de las condiciones operativas normales, los sistemas de
control totalmente autónomos que reducen la participación humana en
las operaciones de la planta durante situaciones transitorias y de
emergencia tienen un gran potencial para prevenir errores humanos.83–87
Kim y cols.87presentar un diseño conceptual para un sistema de operación
autónomo en toda la planta basado en aprendizaje profundo que puede
realizar las funciones de control necesarias para la operación de
emergencia de una central nuclear con intervención humana reducida.
Yang y Kim34demostrar la viabilidad del diagnóstico de accidentes y la
respuesta correcta en las operaciones de inicio utilizando control
autónomo con una red neuronal LSTM y análisis de requisitos funcionales
(FRA). La red neuronal garantiza la operación segura (al realizar tanto el
diagnóstico de accidentes como el control de protección) mientras que la
FRA se realiza para definir el objetivo, las funciones, los procesos, los
sistemas y los componentes para el control de protección. De manera
similar, Kim et al.83proponer un marco para desarrollar un sistema de
control basado en LSTM para evitar errores humanos durante los
arranques y paradas de las centrales nucleares.
Aunque estos sistemas de control inteligentes automatizan la
mayoría de las operaciones de la central nuclear, hay algunas situaciones,
por ejemplo, cuando un operador debe tomar una decisión crítica o el
sistema autónomo no puede gestionar la situación, en las que se requiere
la intervención de un operador. Los sistemas de control autónomos que
no aprovisionan correctamente el HSI hacen que sea más difícil detectar y
recuperarse de errores y desafían la capacidad humana para mantener el
conocimiento de los modos de operación de la central nuclear.
NUREG-0700, “Pautas de revisión del diseño de interfaz humano-sistema”,
proporciona pautas de factores humanos para las características físicas y
funcionales del diseño HSI para los distintos niveles de automatización.88El
prototipo de sistema autónomo de operación de emergencia de Kim et al.
87considera la interacción humano (operador)-sistema autónomo como
una de las características clave del diseño del sistema y establece
requisitos de alto nivel para abordar los ampliamente conocidos
problemas de automatización relacionados con los factores humanos que
se analizan con más detalle enSegundo. IV.
IV.F. Sistemas de mantenimiento predictivo
Se requiere el mantenimiento del equipo en condiciones
óptimas para proporcionar mayor disponibilidad y confiabilidad.
en las instalaciones de la CN. El monitoreo y la detección temprana
de problemas emergentes debido a equipos defectuosos son
cruciales para la seguridad operativa y la mejora del rendimiento. Sin
embargo, realizar dicho mantenimiento preventivo y correctivo de
rutina puede aumentar significativamente los gastos operativos. La
realización de un mantenimiento correctivo y predictivo de los
sistemas, estructuras y componentes de las centrales nucleares
puede aliviar este problema.
Una desviación de las circunstancias normales de funcionamiento
puede deberse a una falla de un solo componente o a varias fallas en
muchos componentes. Puede resultar difícil para un operador detectar
dichos problemas y localizar el equipo problemático de manera oportuna,
especialmente si el problema se desarrolla lentamente. Las centrales
nucleares han implementado eficazmente estrategias de mantenimiento
preventivo y correctivo durante varias décadas; sin embargo, estas
estrategias están demostrando tener costos prohibitivos y requerir mucha
mano de obra, lo que desafía la estabilidad económica de la flota actual en
mercados energéticos competitivos. Para abordar estos desafíos, las
plantas están haciendo la transición a una estrategia de mantenimiento
predictivo que utiliza datos recopilados de sensores instalados
permanentemente y de actividades de inspección periódicas. Los
enfoques avanzados de análisis de datos y aprendizaje automático pueden
automatizar la detección y el diagnóstico de fallas y la predicción de la vida
útil restante. Esto, combinado con la generación automatizada de
paquetes de trabajo, puede optimizar la asignación de recursos y
maximizar la disponibilidad de los activos de la planta, al tiempo que
minimiza la posibilidad de posibles errores humanos tanto en la
planificación como en la ejecución del mantenimiento.
Los transformadores elevadores son un activo de alto valor
crucial para exportar energía desde una central nuclear a la red.
Aizpurúa et al.89presentar un nuevo enfoque de estimación de la vida
útil del transformador que integra modelos de incertidumbre,
modelos de pronóstico basados en datos y modelos experimentales
basados en modelos para aumentar la precisión de la predicción en
un marco de filtrado de partículas bayesiano. El uso de algoritmos de
aumento de gradiente para la previsión mostró el mejor rendimiento
de predicción. El enfoque propuesto permite modelar estos
contextos dinámicos con precisión y al mismo tiempo tener en cuenta
las incertidumbres.
Tsoukalas90desarrolla una metodología de pronóstico
inteligente para predecir los efectos del envejecimiento que afectan
el rendimiento a largo plazo de los componentes y sistemas
nucleares. El enfoque es particularmente adecuado para predecir el
rendimiento de sistemas de reactores nucleares que tienen bajas
probabilidades de falla. Estos componentes y sistemas a menudo se
consideran periféricos al reactor y se dejan en cierta medida
desatendidos. Se desarrolla y estudia un marco de monitoreo de
agentes inteligentes basado en ANN utilizando casos de prueba. De
manera similar, Ahsan y Hassan91construir un sistema automático de
predicción de fallas para ser utilizado en caso de fallas.
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
Monitoreo mediante árboles de decisión y algoritmos ANN. Gohel et
al.92Desarrollar un sistema avanzado de análisis de mantenimiento
predictivo para infraestructura nuclear utilizando algoritmos de
aprendizaje automático para garantizar operaciones eficientes y
seguras. Para realizar la predicción se utilizan modelos SVM y de
regresión logística. Específicamente, la probabilidad de que falle un
componente en un ciclo determinado y las posibilidades de que falle
el componente en el siguiente.norteSe estiman los ciclos y se
contrastan los resultados con trabajos anteriores.
IV.G. Sistemas automatizados de análisis de texto
La industria de la energía nuclear tiene muchos informes de
eventos generados por licencias. Un análisis exhaustivo de estos
informes podría arrojar información útil para mejorar la operación y
la seguridad de la central nuclear. Sin embargo, la estructura de texto
libre de los informes hace que dicho análisis sea difícil y requiera
mucho tiempo. Para ello se han propuesto varios enfoques de
análisis automatizado basados en técnicas de PNL.69,93–95
Zhang et al.69discutir el uso de PNL para lograr la extracción
automatizada de información semántica rica de la documentación de
diversos eventos durante la operación y el mantenimiento de las centrales
nucleares. Estos sistemas automatizados pueden apoyar el análisis de
errores del personal de la CN, violaciones de seguridad, procedimientos
inadecuados o problemas de supervisión. Además, dichos sistemas
pueden ayudar a comprender los procesos dinámicos del equipo, como la
cognición del equipo durante las interrupciones, proporcionando
conocimientos e información sobre habilidades complejas del equipo para
aumentar la conciencia situacional del equipo y minimizar la fatiga mental
e incluso identificar intervenciones óptimas.
Un estudio preliminar de Zhao et al.93investiga la viabilidad y
proporciona la base para desarrollar una herramienta automatizada para
analizar informes de eventos basados en texto. El estudio tiene como
objetivo identificar relaciones causales entre los eventos descritos en el
informe en la base de datos del Informe de eventos del licenciatario (LER)
de la NRC. Para este fin, primero se identifica una lista de palabras clave
que indican relaciones causales examinando un conjunto de informes de
muestra. Luego, estas palabras clave se consideran junto con el
etiquetado de partes del discurso y el análisis de dependencia de una
oración utilizando técnicas de PNL de última generación para identificar
los eventos causales y consecuentes en la oración. En un trabajo
relacionado, Zhao et al.94
proponen el uso de un sistema experto basado en reglas que
puede identificar más del 86% de las relaciones causales en los
datos de prueba automáticamente. Está previsto que los
métodos propuestos se utilicen en varias áreas, como el análisis
de PSF y la reconstrucción del escenario en un evento.
Pence y otros.95avanzar en el análisis de riesgos “sociotécnicos”
incorporando explícitamente factores organizacionales en las
evaluaciones probabilísticas de riesgos (PRA) y cuantificándolos
utilizando técnicas de análisis de datos. Al integrar texto
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
285
Al realizar minería para medir factores organizacionales y PRA, se
extraen características útiles de datos de texto libre no estructurados
y se utiliza un clasificador SVM para estimar la probabilidad de tener
una “deficiencia de capacitación” como una de las causas de los
eventos reportados. La metodología se aplica a un estudio de caso
sobre un conjunto de LER de la base de datos para demostrar la
eficacia del paso de minería de texto.
IV.H. Evaluación de la seguridad
Al diseñar una central nuclear, se imponen requisitos de diseño
estrictos para garantizar que todos los componentes puedan
soportar condiciones de funcionamiento anormales. Como resultado
de un accidente en la instalación, pueden producirse condiciones
climáticas adversas, actividad sísmica o calor y presión extremos. Este
método de diseñar una planta y sus componentes que incluye
requisitos y márgenes de seguridad para tener en cuenta
condiciones anormales anticipadas se denomina análisis de
seguridad determinista. A partir de la década de 1980, las PRA
(también llamadas evaluaciones probabilísticas de seguridad) se
establecieron como una forma de calcular el riesgo que surge de la
interacción entre fallas de equipos y errores humanos. Los modelos
PRA analizan el riesgo general para una central nuclear en
condiciones anormales utilizando probabilidades. Las PRA ayudan a
los operadores a comprender mejor cada central nuclear y a
identificar áreas donde se puede mejorar la seguridad.
Kim y Seong96Desarrollar una nueva metodología de evaluación
de la seguridad para las centrales nucleares adoptando el concepto
de puntuación de alerta temprana procedente del ámbito médico. La
metodología propuesta supera los desafíos de las metodologías
existentes, como PRA o indicadores de desempeño de seguridad, al
manejar casos que no están incluidos en el modelo y permite la
evaluación de seguridad en tiempo real.
Abrishami et al.97estudiar el uso de redes bayesianas para
mejorar el rendimiento de los modelos de índice de probabilidad de
éxito (SLIM), una de las técnicas deterministas ampliamente utilizadas
en HRA para manejar la incertidumbre que surge de las opiniones de
los expertos y de los datos insuficientes. El modelo BN-SLIM
propuesto considera la incertidumbre asociada con las tasas de PSF
utilizando distribuciones de probabilidad y puede proporcionar una
mejor estimación de la probabilidad de error humano al considerar
dependencias condicionales resultantes de PSF comunes. La función
de actualización de probabilidad del BN-SLIM se puede utilizar para
determinar qué PSF son los más responsables de los eventos de falla
humana. Para obtener resultados más precisos y realistas de las PRA,
es necesario reflejar la dinámica más completa de las centrales
nucleares. Kim y cols.98proponer un modelo de ejecución rápida que
utilice técnicas de aprendizaje profundo para obtener escenarios de
accidentes plausibles y al mismo tiempo reducir los recursos
necesarios para realizar una PRA completa. El método propuesto
puede reducir
286 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
incertidumbre en los PRA y contribuir con una técnica clave para los
PRA dinámicos.
V. DISCUSIÓN
Varios estudios realizados a lo largo de los años indican que la
ocurrencia de errores humanos es un factor importante en los
incidentes relacionados con la seguridad y las operaciones y
mantenimiento efectivos de las centrales nucleares. Se han
desarrollado muchos sistemas tradicionales de toma de decisiones y
funciones de inteligencia de datos basados en modelos y algoritmos
estáticos para ayudar a las actividades cognitivas de los operadores.
Si bien estos sistemas han logrado grandes avances, a menudo su
impacto es limitado cuando se trata de entornos complejos de toma
de decisiones y el volumen y la complejidad de los datos en rápido
aumento.99Por ejemplo, Hsieh et al.100desarrollar un sistema de
apoyo a la toma de decisiones basado en un programa informático
determinista y una base de datos para entornos operativos
anormales en las centrales nucleares. Sin embargo, la combinación
de estados del sistema creada por cambios de parámetros dinámicos
y complicados puede rápidamente hacer que el tamaño de esta base
de datos sea poco práctico de administrar y eventualmente conducir
a estados y fallas del sistema impredecibles.
Aunque el concepto de sistemas de control automatizados en las
centrales nucleares existe desde hace décadas, el grado de
automatización de las funciones de seguridad sigue siendo bajo y la
intervención del operador sigue siendo una parte crucial del sistema de
control. Se han propuesto extensiones a las estrategias tradicionales de
control anticipativo y automatizado basadas en PID para avanzar en el
funcionamiento de las centrales nucleares y reducir la dependencia de las
acciones humanas.82Sin embargo, un sistema eficaz y totalmente
autónomo aún está lejos de su implementación práctica en la industria
nuclear. Además, también existe una automatización insuficiente en otros
aspectos además de las funciones de seguridad, como el control de
potencia, donde los métodos de control tradicionales son dominantes.101
Como se describió en la sección anterior, la tecnología de IA puede
superar muchos de estos desafíos de los sistemas tradicionales de soporte
al operador. La infusión de IA en sistemas de apoyo directo, como
asesores inteligentes, sistemas de alarma, sistemas de diagnóstico de
fallas y sistemas de validación de operaciones, puede ayudar a los
operadores de plantas en la evaluación de la situación y la planificación e
implementación de respuestas. Los sistemas de monitoreo del estado
físico impulsados por inteligencia artificial que rastrean continuamente el
bienestar de los trabajadores y los sistemas de evaluación de la seguridad
son cruciales para construir un entorno seguro. Se requieren sistemas de
mantenimiento predictivo y sistemas de detección de fallas de sensores
para monitorear y detectar problemas emergentes desde el principio para
garantizar la seguridad operativa y la mejora del rendimiento de las
centrales nucleares. Sistemas automatizados de análisis de texto que
extraen información semántica rica de
los informes de eventos durante la operación y el mantenimiento de las
centrales nucleares proporcionan información útil para mejorar la
operación y la seguridad de las centrales nucleares.Figura 1Resume los
diferentes sistemas de soporte inteligentes discutidos en la literatura y las
diversas tecnologías de IA utilizadas en ellos.
Los sistemas basados en inteligencia artificial también
tienen sus limitaciones. Si bien en los últimos años se han visto
avances significativos en las tecnologías de IA, ha habido un
creciente debate sobre la escalabilidad, explicabilidad y
confiabilidad de estas tecnologías de IA, y por qué se tomó una
decisión particular.102,103Arranque y facturación104
Explique cómo los sistemas autónomos a veces pueden crear sorpresas
para los operadores cuando se enfrentan a un comportamiento del
sistema impredecible y difícil de entender en el contexto de operaciones
en curso. Construir sistemas de IA explicables es de suma importancia,
especialmente para aplicaciones de misión crítica como la gestión de
paradas de centrales nucleares. Además, el rendimiento de cualquier
sistema de IA depende en gran medida de los datos utilizados para
entrenar y evaluar el sistema. Dado que las medidas de seguridad y
protección de la información de las centrales nucleares aún están en su
infancia,105,106hay que tener cuidado con las nuevas amenazas y desafíos a
los datos y la ciberseguridad. Por ejemplo, los sistemas eléctricos de las
centrales nucleares que se utilizan hoy en día carecen de medidas de
protección eficaces y sus capacidades de protección de la seguridad de la
información son débiles.106También vale la pena señalar que las
inferencias extraídas de estudios anteriores sobre la utilidad de la
tecnología de IA para reducir los errores humanos se basan en
experimentos controlados o simulaciones de eventos nucleares y su
implementación práctica en las centrales nucleares aún no se ha logrado.
Si bien los sistemas digitales habilitados por IA tienen la
capacidad de mejorar la automatización de la planta y automatizar
actividades tediosas y propensas a errores, los diseñadores de
plantas deben decidir qué automatizar y cómo integrar la interacción
del operador con la automatización para utilizar estos sistemas en su
máximo potencial. Por lo tanto, se necesitan enfoques novedosos
para optimizar el rendimiento general de la planta asignando
funciones entre operadores y sistemas autónomos en función de sus
fortalezas y debilidades y diseñando HSI que respalden la interacción
entre humanos y automatización.
Las interacciones entre los sistemas humanos y autónomos
son cruciales para el rendimiento y la confiabilidad del sistema
de la planta. En la literatura se han abordado varias cuestiones
relacionadas con factores humanos relacionadas con la
interacción entre el ser humano y el sistema autónomo.87,104,107,
108Arranque y facturación104Describir cómo un número
considerable de problemas y fallas imprevistos están
relacionados en su mayor parte con fallas en la interacción entre
operadores humanos y sistemas automatizados y explicar los
principios y beneficios de un enfoque centrado en el ser humano
y no en la tecnología para el diseño de sistemas.
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
Fig. 1. Resumen de diferentes sistemas de soporte inteligentes y tecnologías de IA utilizados para mitigar errores de factor humano en centrales nucleares.
sistemas automatizados. O'Hara107presenta directrices para el diseño
de interfaces que mejoran la capacidad de los operadores para
monitorear y supervisar la automatización y facilitar una mayor
cooperación entre agentes humanos y autónomos. O'Hara107También
describe una metodología cualitativa que se puede utilizar para
asignar funciones a sistemas automáticos, operadores de plantas o
alguna combinación de ambos en función del papel relativo de los
humanos y la automatización. De manera similar, O'Hara y Higgins109
Desarrollar una guía general para las interacciones entre humanos y
automatización. kim y parque110enumere consideraciones para
diseñar HSI utilizando investigaciones previas sobre interacciones
persona-computadora o interacciones persona-robot.
Específicamente, consideran la asignación de tareas y los cinco
atributos de las interacciones entre humanos y automatización para
optimizar el rendimiento del sistema conjunto de automatización
entre humanos basado en Goodrich y Schultz.111a saber, autonomía e
interacción, intercambios de información, estructura de equipo,
adaptación, aprendizaje y formación, y forma de la tarea.
Kim y cols.87discutir la interacción entre el ser humano y el sistema
autónomo como una de las características clave del diseño de un sistema
de soporte avanzado y describir tres problemas clave de factores
humanos: (1) desconocimiento fuera del circuito (OOTL), en el que puede
resultar una falta de comprensión del comportamiento autónomo en
dificultades para los operadores humanos cuando asumen el control
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
287
control de la operación, (2) la tendencia de los diseñadores a crear
sistemas multimodales que poseen mayor complejidad y ciclos de
retroalimentación constantes de mayor tiempo, y (3) la autoridad de
decisión crítica, especialmente en relación con la seguridad, asignada
a los sistemas autónomos. Kaber y Endsley112
También discutiremos la cuestión crítica del rendimiento de OOTL en
sistemas totalmente autónomos. Los operadores de sistemas altamente
automatizados a menudo están separados del control directo y en tiempo
real del sistema, ya sea para determinar si se requiere intervención de
control de procesos, detectar un evento crítico del sistema o aprobar o
rechazar las acciones de un sistema de control automatizado. El
rendimiento de OOTL se asocia con muchas consecuencias negativas,
como una vigilancia reducida (el operador no observa los cambios en el
sistema), complacencia (exceso de confianza humana en las
computadoras), pérdida de conciencia de la situación (debido a una mala
observabilidad del sistema) y deterioro de las habilidades del operador. Se
ha descubierto que estas consecuencias afectan el desempeño humano
tanto en condiciones operativas normales como anormales, con un mayor
efecto en estas últimas.113
Esto causa importantes problemas con la capacidad de los
operadores para desempeñar su función cuando trabajan junto con
sistemas autónomos. Kaber y Endsley112presentar un nivel de
taxonomía de automatización para mejorar los problemas de
rendimiento de OOTL. Utilizando este marco, identifican
combinaciones óptimas de control humano y informático de varios
288 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
Funciones del sistema, tales como monitoreo, planificación y selección e
implementación de opciones, que producen mejoras en el desempeño del
sistema en niveles intermedios. Los resultados sobre su utilidad en una
tarea de control dinámico indicaron disminuciones en el número de
procesos/tareas del sistema pasados por alto por los operadores. Se
espera que estas mejoras sean relevantes para los sistemas generales de
control de procesos y podrían generar ahorros de costos debido a una
mayor seguridad operativa.
Los procedimientos tradicionales basados en computadora y los
dispositivos portátiles impulsados por IA también pueden desempeñar
un papel clave en la mejora del proceso de gestión del trabajo de la
planta, aumentando así la productividad del operador y disminuyendo los
costos. Rashdan et al.114y Rashdan y Agarwal115proponer una tecnología
de paquete de trabajo automatizado (AWP) para mejorar el proceso de
gestión del trabajo de la planta de una manera que aumente la eficiencia y
reduzca el error humano. AWP utiliza la condición de la planta, el estado
de los recursos y el progreso del usuario para impulsar de manera
adaptativa el proceso de trabajo utilizando la información adquirida de
varios sistemas de una central nuclear e incorpora varias tecnologías
avanzadas de instrumentación y control junto con técnicas modernas de
factores humanos.
Más allá de crear sistemas inteligentes de apoyo a los
operadores, la tecnología de IA también se puede aprovechar para
crear sistemas mejorados de apoyo a los operadores indirectos. Estos
incluyen HSI inteligentes que admiten interacciones ricas, sistemas
de visualización avanzados y sistemas de información para mejorar
las percepciones de los operadores y las capacidades de conciencia
para las actividades de monitoreo y detección.
También existe un gran potencial para la transferencia cruzada de
conocimientos desde otros sectores e industrias, incluidas las industrias
del petróleo y el gas, la atención médica, la aviación y la manufactura, que
han adoptado e implementado tecnologías de inteligencia artificial para
mitigar los errores humanos. En particular, en el caso de la industria de la
salud, la IA ayuda a detectar y mitigar errores médicos evitables. Los tipos
de errores médicos mensurables o prevenibles más comunes y costosos
en los Estados Unidos en 2008 fueron las infecciones posoperatorias
(3.400 millones de dólares); úlceras por presión (3.300 millones de
dólares); una complicación mecánica de un dispositivo, implante o injerto
no cardíaco (1.100 millones de dólares); y el síndrome poslaminectomía
(mil millones de dólares), que representa casi la mitad de todos los costos
estimados asociados a errores médicos ese año.116,117Para combatirlos, los
sistemas de apoyo basados en IA podrían ayudar a los médicos a decidir
qué tratamiento proporcionar a los pacientes, teniendo en cuenta grandes
cantidades de datos y encontrando patrones que los médicos
normalmente podrían pasar por alto, especialmente en entornos de alto
estrés. Algunos de los modelos de IA que ya están en práctica incluyen el
ingreso computarizado de pedidos médicos de hospitales para errores en
los pedidos de medicamentos,118análisis de imágenes en radiología y
dermatología, e histopatología de aprendizaje profundo para identificar el
cáncer de mama metastásico.119
Otra industria donde las metodologías de aprendizaje automático
están demostrando ser útiles es la industria de la aviación. Se reconoce
que los errores humanos son la causa primaria o secundaria de la mayoría
de los accidentes o incidentes residuales en la industria de la aviación.120
Errores como un vuelo controlado contra el terreno y la pérdida de control
siguen siendo las causas predominantes de pérdida de vidas en la aviación
en todo el mundo, lo que convierte a los seres humanos en uno de los
eslabones débiles de la seguridad de las aeronaves.121En este caso, la IA
demuestra ser útil para mitigar errores. Las aplicaciones que ya son útiles
en la práctica se pueden ver en el aumento de la tecnología de drones
para la precisión del vuelo, la construcción de cabinas inteligentes para la
seguridad y programas de mantenimiento inteligentes para detectar y
rastrear posibles fallas.122
A pesar de los desafíos existentes, la IA tiene un inmenso
potencial para acelerar el desarrollo tecnológico en los
campos nucleares aprovechando oportunidades y tomando
prestadas ideas de diferentes sectores e industrias. Como
mencionó Mikhail Chudakov, Director General Adjunto del
Organismo Internacional de Energía Atómica y Jefe del
Departamento de Energía Nuclear:
Para ser competitivas y estar integradas en la
combinación de sistemas energéticos modernos, las
centrales nucleares, además de ser seguras y confiables,
también deben ser económicas y eficientes.123
Aunque casi todos los subsectores de la industria de la energía
nuclear tienen implementaciones de IA, aún existe la necesidad de
estandarización y cooperación. Aceptar un conjunto de estándares
internacionalmente aceptables permite una adopción aún más
amplia de la IA con el potencial de desarrollarse a partir de los
estándares actuales. Dado que la IA depende de la disponibilidad y
calidad de los datos, a medida que haya más datos seleccionados
disponibles, será más fácil para los algoritmos identificar patrones en
ciertos fenómenos y así hacer mejores predicciones. Por lo tanto, la
cooperación internacional para obtener, desarrollar, mantener y
analizar datos globales con la ayuda de la IA en diversos campos
nucleares es clave para acelerar el desarrollo tecnológico y
aprovechar todo el potencial de la IA (Ref. 123). Junto con esto, la
colaboración entre diferentes disciplinas para establecer plataformas
comunes de intercambio de conocimientos para coordinar y apoyar
asociaciones entre investigadores de distintos dominios para el
desarrollo de directrices relacionadas con regulaciones, educación y
capacitación en IA permitirá a investigadores de todo el mundo
compartir experiencias. , conocimientos y buenas prácticas.123
VI. CONCLUSIÓN
Se ha identificado que los errores humanos son la principal causa de
incidentes relacionados con la seguridad en la industria nuclear. A pesar de
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al. 289

Algunas centrales nucleares se han digitalizado después de décadas de uso, ORCIDO

pero muchas aún utilizan métodos tradicionales de operación y control, lo que
reduce el rendimiento operativo y aumenta el riesgo de accidentes. El desarrollo Mahboubeh Madadi http://orcid.org/0000-0002-2787-
de sistemas avanzados de soporte al operador que aprovechen los últimos 722X
avances en tecnología de inteligencia artificial puede mejorar las operaciones, lo Jamie Baalis Coble http://orcid.org/0000-0002-0736-
que podría generar beneficios adicionales para la seguridad y confiabilidad 673X
general de la planta. Esta revisión crítica proporciona una visión profunda a Ronald L. Aburrido http://orcid.org/0000-0001-5460-
través de la revisión de la literatura y el análisis crítico del potencial de la 9610
tecnología de inteligencia artificial para mitigar los errores humanos y sus Vivek Agarwal http://orcid.org/0000-0003-1334-0509
consecuencias en las centrales nucleares. Si bien la incidencia de errores Anahita Khojandi http://orcid.org/0000-0001-6818-
humanos que conducen a eventos en las centrales nucleares es poco común, la 2048
llegada de la tecnología de IA aumenta el margen de seguridad en las centrales
y allana el camino para introducir conceptos de operación basados en la IA en

futuras plantas. Referencias

Se introducen las causas de los errores humanos en las actividades
de las centrales nucleares y se proporciona su clasificación. Una revisión
exhaustiva de los diferentes tipos de sistemas de soporte al operador, a
saber, sistemas de soporte a la toma de decisiones, sistemas de detección
de fallas de sensores, sistemas de validación de operación, sistemas de
monitoreo del operador, sistemas de control autónomo, sistemas de
control autónomo, sistemas de mantenimiento predictivo, sistemas
automatizados de análisis de texto y seguridad. Se presentan los sistemas
de evaluación y cómo los investigadores han integrado las tecnologías de
IA en las centrales nucleares. A través de diversos estudios de
investigación, se analiza la aplicación de tecnologías de inteligencia
artificial para ayudar a los operadores de plantas a diagnosticar fallas más
rápidamente y tomar decisiones críticas para una operación segura y
continua de la planta. Estos sistemas inteligentes de apoyo a los
operadores allanarán el camino para el funcionamiento seguro,
económico, fiable y eficiente de las centrales nucleares en los próximos
años.
Expresiones de gratitud
1. JM KIM y SJ LEE, “Marco para desarrollar un sistema
operativo autónomo inteligente artificial para plantas de
energía nuclear”,En t. Conf. Gestión de interfaz humana.
Información.,8, 508 (2018).
2. T. RYAN, "El factor humano en la operación y mantenimiento
de sistemas complejos de alta confiabilidad", Sim. Mantener el
sistema aeroespacial.,21, 5064 (1989).
3. I. SALO y O. SVENSSON, “Factores humanos en el mantenimiento:
desarrollo e investigación en plantas de energía nuclear suecas”,
Central sueca. Inspección de energía(2001).
4. M. SHEIKHALISHAHI, L. PINTELON y
A. AZADEH, "Factores humanos en el mantenimiento: una
revisión",J. Calificación. Mantenimiento. Ing.,22,3, 218 (2016).
https://doi.org/10.1108/JQME-12-2015-0064
5. G. MOMIN, R. PANCHAL y D. LIU, “Estudio de caso: Mejora de la
confiabilidad humana con inteligencia artificial y herramientas de
realidad aumentada para el mantenimiento nuclear”, Conferencia
de energía ASME, Lake Buena Vista, Florida, 24 al 28 de junio de
2018.

6. S. RUSSELL y P. NORVIG,Inteligencia artificial: un

Este trabajo de autoría fue preparado como un relato del trabajo
enfoque moderno, 3ª ed., Pearson Education, Inc.,
patrocinado por el Departamento de Energía de los EE. UU., una agencia
Upper Saddle River; Nueva Jersey (2009).
del gobierno de los EE. UU., bajo la subvención no. DE-NE0008978 a la
Universidad de Tennessee-Knoxville. Los autores también desean 7. Y. LECUN, Y. BENGIO y G. HINTON, "Aprendizaje
agradecer a Erica Christine Swift y Stephen Lamar Farlett por sus profundo",Naturaleza,521, 7553, 436 (2015).https://doi.
conocimientos sobre el diseño del estudio. Ni el gobierno de los EE. UU., ni org/10.1038/naturaleza14539
ninguna agencia del mismo, ni ninguno de sus empleados ofrece ninguna
8. RL BORING y A. BYE, “Uniendo los factores humanos y el
garantía, expresa o implícita, ni asume ninguna responsabilidad legal por
análisis de confiabilidad humana”,Proc. 52ª Reunión Anual
la exactitud, integridad o utilidad de cualquier información, aparato,
de la Sociedad de Factores Humanos y Ergonomía, 52, 733
producto o proceso divulgado. o declara que su uso no infringiría
(2008).
derechos de propiedad privada.
9. AD SWAIN y HE GUTTMANN, “Handbook of Human
Reliability Analysis with Emphasis on Nuclear Power
Plant Applications”, Comisión Reguladora Nuclear de
Declaración de divulgación
EE.UU. (1983).

Los autores no informaron ningún posible conflicto de 10. D. GERTMAN et al., “The Spar-H Method”, Comisión
intereses. Reguladora Nuclear de EE. UU. (2005).

TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023

290 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
11. A. KOLACZKOWSKI et al., “Buenas prácticas para
implementar el análisis de confiabilidad humana (HRA)”,
Comisión Reguladora Nuclear de EE. UU. (2005).
12. DD WOODS y EM ROTH, “Simulación del entorno cognitivo: un
sistema de inteligencia artificial para la evaluación del
desempeño humano: técnica de análisis de confiabilidad
cognitiva”, Westinghouse Res. Desarrollo. Centro (1987).
13. K. GROTH y A. MOSLEH, “Un modelo basado en datos de
factores de configuración del desempeño para su uso en
análisis de confiabilidad humana”, Universidad de Maryland,
Departamento de Ingeniería Mecánica (2009).
14. J. RAZÓN,Error humano, Cambridge University Press,
Cambridge, Reino Unido (1990).
15. AM WHALEY et al., “Cognitive Basis for Human
Reliability Analysis”, Comisión Reguladora Nuclear
de EE. UU. (2016).
16. K. MO, SJ LEE y PH SEONG, "Un modelo dinámico de
agregación de redes neuronales para el diagnóstico
transitorio en plantas de energía nuclear",Prog. Núcleo.
Energía,49,3, 262 (2007).https://doi.org/10.1016/
j.pnucene.2007.01.002
17. CM ROCCO y E. ZIO, “Un sistema integrado de
máquinas de vectores de soporte para la clasificación
de anomalías operativas en componentes y sistemas
nucleares”,Confiable. Ing. Sistema. Seguro.,92,5, 593
(2007). https://doi.org/10.1016/j.ress.2006.02.003
18. Z. YANGPING, Z. BINGQUAN y W. DONGXIN, “Aplicación de
algoritmos genéticos al diagnóstico de fallas en plantas de
energía nuclear”.Confiable. Ing. Sistema. Seguro.,67,3
(2000).
19. VHC PINHEIRO y R. SCHIRRU, “Programación genética
aplicada a la identificación de accidentes de una planta
de energía nuclear PWR”,Ana. Núcleo. Energía,124, 335
(2019).https://doi.org/10.1016/j.anu cene.2018.09.039
20. K. KIM y EB BARTLETT, “Predicción de errores para un
asesor de diagnóstico de fallas de una planta de energía
nuclear utilizando redes neuronales”.Núcleo. Tecnología.,
108,2, 283 (1994).https://doi.org/10.13182/NT94-A35035
21. RE UHRIG, “Uso de sistemas expertos en plantas de energía
nuclear”, Laboratorio Nacional Oak Ridge (1989).
22. B. HANNA, TC SON y N. DINH, “Sistema de apoyo al
operador basado en el razonamiento guiado por IA para la
gestión de centrales nucleares”,Ana. Núcleo. Energía, 154,
C, 108079 (2021).https://doi.org/10.1016/
j.anucene.2020.108079
23. SJ LEE, K. MO y PH SEONG, “Desarrollo de un sistema integrado de apoyo
a la toma de decisiones para ayudar a las actividades cognitivas de las
operaciones en las principales salas de control de las centrales
nucleares”.Proc. Síntoma IEEE. Inteligencia computacional en la toma de
decisiones multicriterio,146, 703 (2007).
24. R. YU y F. LIU, "Un método de diagnóstico de fallas en línea
para centrales nucleares basado en una red neuronal artificial
combinada",Proc. Conferencia de Ingeniería de Energía y
Energía de Asia y el Pacífico, 1, Instituto de Ingenieros
Eléctricos y Electrónicos (2010).
25. Y. MING et al., “Un enfoque híbrido para el diagnóstico de
fallas basado en modelos de flujo multinivel y redes
neuronales artificiales”, presentado en el Int. Conf. en
Inteligencia Computacional para Modelado, Control y
Automatización e Int. Conf. en Agentes Inteligentes Web Tech.
e Int. Commerce, Sydney, Nueva Gales del Sur, Australia, del
29 de noviembre al 1 de diciembre de 2006.
26. A. AYODEJI, YK LIU y H. XIA, “Sistema de apoyo al operador de
base de conocimientos para el diagnóstico de fallas de plantas
de energía nuclear”,Prog. Núcleo. Energía,105, 42 (2018).
https://doi.org/10.1016/j.pnucene.2017.12.013
27. K. KIM, “Un asesor de diagnóstico de fallas de red
neutral artificial para una planta de energía nuclear
con predicción de errores” (1992).
28. TV SANTOSH et al., “Sistema de diagnóstico para la
identificación de escenarios de accidentes en plantas de
energía nuclear utilizando redes neuronales artificiales”,
Confiable. Ing. Sistema. Seguro.,94,3, 759 (2009).https://
doi.org/10.1016/j. ress.2008.08.005
29. RE UHRIG y LH TSOUKALAS, “Tecnologías de
computación blanda en aplicaciones de ingeniería
nuclear”, Prog. Núcleo. Energía,34,1, 13 (1999).https://
doi.org/10. 1016/S0149-1970(97)00109-1
30. J. YANG, S. LEE y J. KIM, “Algoritmo de diagnóstico de
accidentes en plantas de energía nuclear que incluye la
función de detección de novedades mediante LSTM”.Proc. En
t. Conf. Factores Humanos Aplicados y Ergonomía,965, 644,
Washington, DC, 24 al 28 de julio de 2019, pág. 644 (2019).
31. VHC PINHEIRO et al., “Sistema de identificación de accidentes
en plantas de energía nuclear con capacidad de respuesta “No
sé”: nuevos enfoques basados en el aprendizaje profundo”
Ana. Núcleo. Energía,137, 107111 (2020).https://doi.org/
10.1016/j.anucene.2019.107111
32. MC SANTOS et al., “Red neuronal rectificadora profunda
aplicada al problema de identificación de accidentes en
una planta de energía nuclear PWR”,Ana. Núcleo. Energía,
133, 400 (2019).https://doi.org/10.1016/j.anucene.2019.05.
039
33. J. ZHANG et al., "Aplicación de LSTM sensible a los costos en la
predicción del nivel de agua para el presurizador de reactores
nucleares",Núcleo. Ing. Tecnología.,52,7, 1429 (2020). https://
doi.org/10.1016/j.net.2019.12.025
34. J. YANG y J. KIM, "Un algoritmo de diagnóstico de
accidentes que utiliza memoria a largo plazo",Núcleo.
Ing. Tecnología.,50,4, 582 (2018).https://doi.org/10.
1016/j.net.2018.03.010
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
35. J. CHOI y SJ LEE, "Estrategia para el diagnóstico de
accidentes en estados de error de sensores",Trans.
Sociedad Nuclear Coreana.,20, 20 (2020).
36. J. YANG y J. KIM, "Algoritmo de diagnóstico de accidentes durante la
operación de inicio con LSTM",Proc. de la reunión de primavera de
2019 de la Sociedad Nuclear Coreana., Daejeon, Corea, 23 y 24 de
mayo de 2019.
37. KH YOO et al., “Sistema de soporte inteligente para diagnosticar
accidentes severos en plantas de energía nuclear”,Núcleo. Ing.
Tecnología.,50,4, 562 (2018).https://doi.org/10.1016/j.net.
2018.03.007
38. C. GOTTLIEB, V. ARZHANOV y W. GUDOWSKI, “Estudio de
viabilidad sobre identificación transitoria en plantas de
energía nuclear utilizando máquinas de vectores de soporte”,
Núcleo. Tecnología.,155,1, 67 (2006).https://doi.org/10.13182/
NT06-A3746
39. H. WANG et al., “Una metodología híbrida de diagnóstico
de fallas con máquina de vectores de soporte y
optimización mejorada del enjambre de partículas para
plantas de energía nuclear”.ISA Trans.,95,5, 358 (2019).
https://doi.org/10.1016/j.isatra.2019.05.016
40. K. KIM y EB BARTLETT, “Diagnóstico de fallas de plantas de
energía nuclear utilizando redes neuronales con estimación
de errores por asociación de series”,Traducción IEEE. Núcleo.
Ciencia.,43, 2373 (1996).
41. BK HAJEK y DW MILLER,Instalación y evaluación de un
asesor de operador de central nuclear basado en
tecnología de inteligencia artificial, Universidad Estatal
de Ohio (1989).
42. JS WU, GE APOSTOLAKIS y D. OKRENT, “Evaluación
probabilística de riesgos y sistemas inteligentes de apoyo
a las decisiones”.Núcleo. Ing. Des.,113,2, 269 (1989).
https://doi.org/10.1016/0029-5493(89)90078-2
43. Y. TAKIZAWA et al., “Un sistema inteligente hombre-máquina
para futuras centrales nucleares”,Núcleo. Tecnología., 107,1,
72 (1994).https://doi.org/10.13182/NT94-A34999
44. PV VARDE, S. SANKAR y AK VERMA, “Un sistema de apoyo al
operador para operaciones de reactores de investigación y
diagnóstico de fallas a través de un marco conexionista y
sistemas de conocimiento basados en PSA”,Confiable. Ing.
Sistema. Seguro.,60,1, 53 (1998).https://doi.org/10.1016/
S0951-8320 (97)00154-3
45. C. VENKATESH y K. SUBRAMANIUM, “Un sistema de apoyo al
operador basado en el conocimiento para condiciones de
emergencia en plantas de energía nuclear”, Proc. Conf. Sobre
las aplicaciones de la IA en las ciencias físicas, 534, F3.1,
Centro de Investigación Atómica Bhabha, Bombay, India
(1992).
46. L. MAMPAEY et al.,Inteligencia artificial y otras
aplicaciones informáticas innovadoras en la industria
nuclear, 1ª ed., Springer, Boston, Massachusetts (1988).
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
291
47. RE UHRIG, “Uso de redes neuronales en centrales
nucleares”,ISA Trans.,32,2, 139 (1993).https://
doi.org/10.1016/0019-0578(93)90036-V
48. N. ZVALJEVSKI y KC GROSS, “Detección de fallas de sensores en
plantas de energía nuclear utilizando técnicas de estimación
de estado multivariante y máquinas de vectores de soporte”,
Laboratorio Nacional Argonne (2000).
49. A. SHAHERYAR et al., “Un modelo autoasociativo basado en
eliminación de ruido para el monitoreo de sensores robustos en
plantas de energía nuclear”,Ciencia. Tecnología. Núcleo. En s.,2016,
1 (2016).https://doi.org/10.1155/2016/9746948
50. J. GARVEY et al., “Validación de técnicas de monitoreo
en línea para datos de plantas nucleares”,Núcleo. Ing.
Tecnología.,39,2, 133 (2007).https://doi.org/10.5516/
NET.2007.39.2.133
51. JB COBLE et al., “Una revisión del monitoreo de la calibración de
sensores para la extensión del intervalo de calibración en plantas
de energía nuclear”, Laboratorio Nacional del Noroeste del Pacífico
(2012).
52. J. CHOI y SJ LEE, “Sistema de detección de fallas de sensores
basado en índices de consistencia para situaciones de
emergencia en plantas de energía nuclear utilizando una red
LSTM”. Sensores,20,6, 1651 (2020).
53. J. CHOI y SJ LEE, “Detección de sensores anormales utilizando el
índice de consistencia en situaciones de accidente”, presentado en
la reunión de otoño de la Sociedad Nuclear Coreana, Goyang,
Corea, del 9 al 14 de febrero de 2019.
54. J. CHOI y SJ LEE, "Un sistema de diagnóstico de accidentes con
sensor tolerante a fallas",Sensores,20,20, 5839 (2020).https://doi.
org/10.3390/s20205839
55. K. MO, SJ LEE y PH SEONG, “Un sistema de guía de
operación basado en redes neuronales para la
presentación de procedimientos y validación de operación
en plantas de energía nuclear”,Ana. Núcleo. Energía,34,10,
813 (2007).https://doi.org/10.1016/j.anucene.2007.04.008
56. J. AHN, J. BAE y SJ LEE, “Un sistema de detección de errores
humanos en las operaciones de centrales nucleares”, Proc.
11.ª Tecnologías de interfaz hombre-máquina de control de
instrumentación de plantas nucleares, NPIC HMIT, Orlando,
Florida, 9 al 14 de febrero de 2019.
57. J. AHN y SJ LEE, “Sistema de verificación de cumplimiento de
procedimientos basado en aprendizaje profundo para la operación de
emergencia de plantas de energía nuclear”,Núcleo. Ing. Des.,370,15,
110868 (2020).https://doi.org/10.1016/j.nucengdes.2020.110868
58. J. BAE, J. AHN y SJ LEE, “Comparación del perceptrón
multicapa y la memoria a corto plazo para la predicción de
tendencias de parámetros de plantas”Núcleo. Tecnología.,
206,7, 951 (2020).https://doi.org/10.1080/00295450.
2019.1693215
292 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
59. M. MARIANA, TR SAHRONI y T. GUSTIYANA, “Análisis de fatiga y
errores humanos en la operación de plantas petroquímicas y
de petróleo y gas”, presentado en la octava edición anual Int.
Conf. sobre Ingeniería Industrial y Gestión de Operaciones,
Bandun, Indonesia, 6 al 8 de marzo de 2018.
60. JA YEOW et al., “Efectos del estrés, la repetición, la fatiga y
el entorno laboral sobre el error humano en las industrias
manufactureras”.J. Aplica. Ciencia.,14, 24 (2014). https://
doi.org/10.3923/jas.2014.3464.3471
61. “Programas de aptitud para el servicio”registro Federal,73,62,
16965 (2008).
62. MC BARNES et al., “Aptitud para el servicio en la industria de la
energía nuclear: una revisión de cuestiones técnicas”,
Regulación nuclear de EE. UU. Comisión (1988).
63. C. WESTRA et al., “Fitness for Duty in the Nuclear Power
Industry”, Comisión Reguladora Nuclear de EE. UU.
(1994).
64. CW JO, YH CHAE y PH SEONG, “Estimación del rendimiento
mediante análisis de expresiones faciales basado en aprendizaje
profundo”, presentado en la reunión virtual de primavera de la
Sociedad Nuclear Coreana, 9 y 10 de julio de 2020.
65. JH KIM, Y. SUH y MS YIM, “Una investigación de la
identificación de errores humanos basada en un
sistema de biomonitoreo (análisis de EEG y ECG)”,
Proc. 9° Int. Conf. sobre Factores Humanos
Aplicados y Ergonomía, pag. 145, Springer
Internacional. Editorial (2018).
66. YA SUH y MS YIM, “Identificación del estado de aptitud para el
servicio de un trabajador basada en bioseñales para reducir el
error humano en las plantas de energía nuclear”,Núcleo.
Tecnología., 206,12, 1840 (2020).https://doi.org/10.1080/00295450.
2020.1731405
67. JH KIM et al., “Monitoreo de atención basado en bioseñales para
apoyar las tareas relevantes para la seguridad del operador
nuclear”, Frente. Computadora. Neurociencias.,14(2020).https://
doi.org/10. 3389/fncom.2020.596531
68. DF DINGES et al., “Reconocimiento óptico por computadora de
expresiones faciales asociadas con el estrés inducido por
demandas de desempeño”.Entorno espacial de la aviación.
Medicina., 76,6, B172 (2005).
69. C. ZHANG et al., “Automatización centrada en el ser humano para el control de
interrupciones de plantas de energía nuclear resilientes”,Automático.
Construcción,14, 179 (2017).
70. SL HWANG et al., “Un modelo de alerta en tiempo real para el
desempeño del trabajo en equipo y la seguridad del sistema
en plantas de energía nuclear”,Seguro. Ciencia.,47,3, 425
(2009).https://doi.org/10.1016/j.ssci.2008.07.011
71. CS LIEW et al., “Extracción de datos personales mediante
teléfonos inteligentes y dispositivos portátiles: una encuesta”,
Sensores,15,2, 4430 (2015).
72. S. KIM, J. PARK y YJ KIM, “Algunas ideas sobre las características
de las comunicaciones observadas en condiciones fuera de lo
normal de las plantas de energía nuclear”, Tararear. Factores
Ergón. Fabricante. Serv. Indiana,21,4, 361 (2011).https://
doi.org/10.1002/hfm.20270
73. SW LEE et al., “Medición del conocimiento de la situación
del equipo operativo en diferentes entornos de sala de
control principal de plantas de energía nuclear”,Núcleo.
Ing. Tecnología.,48,1, 153 (2016).https://doi.org/10.1016/j.
neto.2015.09.008
74. JH KIM et al., “Monitoreo de intención basado en
electroencefalografía para apoyar las comunicaciones de los
operadores nucleares para tareas relevantes para la
seguridad”,Núcleo. Tecnología.,207,11, 1753 (2021).https://
doi.org/10.1080/ 00295450.2020.1837583
75. PJ ANTSAKLIS, KM PASSINO y SJ WANG, "Introducción a
los sistemas de control autónomos", Revista del
sistema de control IEEE.,11,4, 5 (1991).
76. RM EDWARDS, KY LEE y A. RAY, “Control óptimo y
robusto de reactores nucleares y plantas de energía”,
Núcleo. Tecnología.,98,2, 137 (1992).https://doi.org/10.
13182/NT92-A34669
77. D. LEE, PH SEONG y J. KIM, “Algoritmo de operación
autónoma para sistemas de seguridad de centrales
nucleares mediante el uso de memoria a corto plazo y
un marco jerárquico basado en funciones”.Ana.
Núcleo. Energía,119, 287 (2018).https://doi.org/
10.1016/j.anu cene.2018.05.020
78. D. LEE y J. KIM, "Algoritmo autónomo para sistemas de
seguridad de la central nuclear mediante el uso del
aprendizaje profundo",En t. Conf. sobre Factores Humanos
Aplicados y Ergonomía,599, 72 (2017).
79. M. BOROUSHAKI et al., “Un controlador central de
reactor nuclear inteligente para operaciones de
seguimiento de carga, utilizando redes neuronales
recurrentes y sistemas difusos”,Ana. Núcleo. Energía,
ht tps: / /doi .org/10.1016/S0306-4549(02)
30,1, 63 (2003).
00047-6
80. XJ LIU y CW CHAN, "Control predictivo generalizado
neurodifuso de la temperatura del vapor de la caldera",
Traducción IEEE. Conversaciones de energía.,21,4, 900 (2006).
https://doi. org/10.1109/TEC.2005.853758
81. H. BASHER y JS NEAL, “Control autónomo de plantas de
energía nuclear”, Laboratorio Nacional Oak Ridge
(2003).
82. P. RAMASWAMY, RM EDWARDS y KY LEE, “Controlador
lógico difuso para centrales nucleares”, Proc. 2do Int.
Foro sobre Aplicaciones de Redes Neuronales a
Sistemas de Energía, 35, Volúmenes de procedimientos
de la IFAC, Instituto de Ingenieros Eléctricos y
Electrónicos (1992).
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
 INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO·SETHU et al.
83. H. KIM et al., "Estudio sobre el sistema de automatización para el
modo de inicio y apagado utilizando inteligencia artificial",Proc.
Sociedad Nuclear Coreana,50,40(2018).
84. SS CHOI, SH CHANG y DH LEE, “Estrategias de
automatización de operación de emergencia para un
cierre óptimo en reactores de agua a presión”,
Traducción IEEE. Núcleo. Ciencia.,45,1, 17 (1998).
85. D. LEE y J. KIM, "Algoritmo autónomo para la puesta en
marcha de centrales nucleares mediante el uso de
LSTM",Proc. En t. Conf. en Apl. Ergonomía de los
factores humanos,787, 465 (2018).
86. J. YANG, D. LEE y J. KIM, “Diagnóstico de accidentes y
control autónomo de funciones de seguridad durante la
puesta en marcha de plantas de energía nuclear que
utilizan LSTM”,Proc. En t. Conf. sobre Factores Humanos
Aplicados y Ergonomía,787, 488 (2018).
87. J. KIM et al., “Diseño conceptual de un sistema autónomo
de operación de emergencia para centrales nucleares y su
prototipo”.Núcleo. Ing. Tecnología.,52,2, 308 (2020).
88. JM O'HARA, “Pautas de revisión del diseño de la interfaz
humano-sistema”, Comisión Reguladora Nuclear de EE.
UU. (1996).
89. JI AIZPURUA et al., “Predicciones de vida útil de transformadores de
potencia adaptativos mediante aprendizaje automático y
modelado de incertidumbre en plantas de energía nuclear”,
Traducción IEEE. Indiana electrón.,66,6, 4726 (2018).
90. L. TSOUKALAS, “Monitoreo inteligente de componentes para
plantas de energía nuclear”, Universidad Purdue (2010).
91. SN AHSAN y SA HASSAN, “Sistema de predicción de fallas
basado en aprendizaje automático para el sistema de
transporte de calor primario del reactor de agua pesada
presurizada tipo CANDU”, presentado en la Int. Conf. sobre
sistemas y tecnologías de código abierto, Lahore, Pakistán, 16
al 18 de diciembre de 2013.
92. HA GOHEL et al., “Desarrollo de arquitectura de mantenimiento
predictivo para infraestructura nuclear mediante aprendizaje
automático”.Núcleo. Ing. Tecnología.,52,7, 1436 (2020). https://
doi.org/10.1016/j.net.2019.12.029
93. Y. ZHAO, X. DIAO y C. SMIDTS, “Estudio preliminar del análisis
automatizado de informes de eventos de plantas de energía
nuclear basado en técnicas de procesamiento del lenguaje
natural”, Universidad Estatal de Ohio, Departamento de
Ingeniería Mecánica y Aeroespacial (2018).
94. Y. ZHAO et al., "Identificación automatizada de relaciones
causales en informes de eventos de plantas de energía
nuclear", Núcleo. Tecnología.,205,8, 1021-1034 (2019).https://
doi. org/10.1080/00295450.2019.1580967
95. J. PENCE et al., “Enfoque teórico de datos para el análisis de
riesgos sociotécnicos: licenciatario de minería de textos
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023
293
Informes de eventos de plantas de energía nuclear de EE. UU.”,Seguro.
Ciencia., 124, 104574 (2020).https://doi.org/10.1016/j.ssci.2019. 104574
96. SG KIM y PH SEONG, “Desarrollo de un método de evaluación
de la seguridad de plantas de energía nuclear para la
aplicación de algoritmos de automatización”,Proc. Reunión de
otoño de 2016 de la Sociedad Nuclear Coreana, Kyungju,
Corea, 26 al 28 de octubre de 2016.
97. S. ABRISHAMI et al., “BN-SLIM: Una metodología de red
bayesiana para la evaluación de la confiabilidad humana
basada en el método del índice de probabilidad de éxito
(Slim)”,Confiable. Ing. Sistema. Seguro.,193, 106647 (2020).
https://doi.org/10. 1016/j.ress.2019.106647
98. H. KIM, J. CHO y J. PARK, “Aplicación de una técnica de
aprendizaje profundo al desarrollo de un identificador
rápido de escenarios de accidentes”,Acceso IEEE,8,
177363 (2020).
99. M. MA et al., “Inteligencia de datos y decisiones para
sistemas ciberfísicos humanos en el circuito: modelo de
referencia, avances y desafíos recientes”.J. Proceso de
Señal. Sistema.,90,8, 1167 (2018).https://doi.org/10. 1007/
s11265-017-1304-0
100. M. HSIEH et al., "Un sistema de apoyo a la decisión para
identificar procedimientos operativos anormales en una
planta de energía nuclear",Núcleo. Ing. Des.,249, 413
(2012).https://doi.org/10.1016/j.nucengdes.2012.04. 009
101. FR ISKANDAR y PI WAHYONO, “Diseño del sistema de
control de potencia para el funcionamiento automático del
reactor Kartini”,J. Física. Conf. Ser.,1436,1, 012066 (2020).
102. A. RUBEL,La sociedad de la caja negra: los algoritmos
secretos que controlan el dinero y la información, pag.
320, Harvard University Press, Cambridge,
Massachusetts (2016).
103. F. EMMERT-STREIB, O. YLI-HARJA y M. DEHMER,
“Inteligencia artificial explicable y aprendizaje automático:
Una realidad arraigada en la perspectiva”,Conocimientos de minería de datos
de WIRE. Descubrimiento,10,6, El368:1 (2020).
104. FB STARTER, DD WOODS y CE BILLINGS, Manual de
factores humanos y ergonomía., 2ª ed., John Wiley &
Sons, Inc., Hoboken, Nueva Jersey (1997).
105. J. LI et al., "Investigación y sugerencias sobre la seguridad de la
información de las centrales nucleares",Ingeniero de ciencias nucleares.
,36,6, 803 (2016).
106. C. CUI et al., “Investigación sobre la seguridad de la información de los sistemas
eléctricos en todo el ciclo de vida de las centrales nucleares”. Aplicación de
tecnología de seguridad de red.,4, 297 (2018).
107. J. O'HARA, “Guía para el diseño y uso de la automatización en
plantas de energía nuclear”,Instituto de Investigación de
Energía Eléctrica(2005).
294 SETHU et al.·INTELIGENCIA ARTIFICIAL EN DETECCIÓN Y MITIGACIÓN DE ERRORES DE FACTOR HUMANO
108. JM O'HARA y S. FLEGER, “Adaptive Automation:
Potential for Improving Human-Automation Team
Performance”, presentado en la Regulatory
Information Conf., North Bethesda, Maryland, del
13 al 15 de marzo de 2018.
109. JM O'HARA y JC HIGGINS, “Interfaces del sistema
humano con sistemas automáticos: guía de revisión y
base técnica”, Comisión Reguladora Nuclear de EE. UU.
(2010).
110. Y. KIM y J. PARK, "Visualización de las interacciones entre humanos y
automatización para responder a situaciones de emergencia de centrales
nucleares: un punto de vista para la interacción entre humanos y
computadoras", Trans.Reunión de otoño de la Sociedad Nuclear Coreana.,
Yeosu, Corea, 25 de octubre de 2018.
111. MA GOODRICH y AC SCHULTZ, "Interacción humano-
robot: una encuesta",Fundamentos y tendencias en la
interacción persona-computadora,1,3, 203 (2007).
https://doi.org/10.1561/1100000005
112. DB KABER y MR ENDSLEY, "Problemas de rendimiento fuera del
circuito y el uso de niveles intermedios de automatización
para mejorar el funcionamiento y la seguridad del sistema de
control",Proceso de seguridad. Prog.,dieciséis,3, 126 (1997).
https://doi.org/10.1002/prs.680160304
113. MR ENDSLEY, "Nivel de efectos de automatización en el
rendimiento, conocimiento de la situación y carga de
trabajo en una tarea de control dinámico",Ergonomía,42,3,
462 (1999).https://doi.org/10.1080/001401399185595
114. A. AL-RASHDAN, J. OXSTRAND y V. AGARWAL, “Paquetes de
trabajo automatizados: capacidades del futuro”, Núcleo.
Tecnología.,202, 2 (2018).https://doi.org/10.1080/
00295450.2017.1406774
115. A. AL-RASHDAN y V. AGARWAL, “Un modelo de datos para
paquetes de trabajo de centrales nucleares”,Núcleo.
Tecnología.,205,8, 1053 (2019).
116. M. PAREDES, “¿Puede la inteligencia artificial ayudar a
reducir los errores médicos humanos? Dos ejemplos
de ICUS en EE. UU. y Perú”, Techpolicy Institute (2021).
117. J. VANDEN. BOS et al., "El problema de los 17.100 millones de
dólares: el coste anual de los errores médicos mensurables",
Asuntos de salud,30,4, 596 (2011).
118. R. KOPPEL et al., “Papel de los sistemas computarizados de
ingreso de órdenes médicas para facilitar los errores de
medicación”, jama,293,10, 1197 (2005).https://doi.org/
10.1001/ jama.293.10.1197
119. DD MILLER y EW BROWN, “Inteligencia artificial en
la práctica médica: ¿La pregunta a la respuesta?”
Soy. J. Med.,131,2, 129 (2018). https://doi.org/
10.1016/j.amjmed.2017.10.035
120. X. ZHANG y S. MAHADEVAN, "Modelos conjuntos de aprendizaje
automático para la predicción de riesgos de incidentes de
aviación", Sistema de soporte de decisiones.,116, 48 (2019).https://
doi.org/10.1016/j.dss.2018.10.009
121. Z. XU y JH SALEH, "Aprendizaje automático para
aplicaciones de seguridad e ingeniería de confiabilidad:
revisión del estado actual y oportunidades futuras".
Confiable. Ing. Sistema. Seguro.,211, 107530 (2021).
https://doi.org/10.1016/j.ress.2021.107530
122. J. OEHLING y DJ BARRY, “Uso de métodos de aprendizaje automático
en el monitoreo de datos de vuelos de aerolíneas para generar
nuevos conocimientos sobre seguridad operacional a partir de
datos existentes”.Seguro. Ciencia.,114, 89 (2019).https://doi. org/
10.1016/j.ssci.2018.12.018
123. N. WATSON y A. PEEVA, “Nuclear Sector Is Capitaliz-ing
on Opportunities in Artificial Intelligence, UIT-OIEA
Events Hear”, Agencia Internacional de Energía
Atómica (2021).
TECNOLOGÍA NUCLEAR·VOLUMEN 209·MARZO 2023