Novel methods of scenario analysis for the probabilistic risk assessment of nuclear waste storage and disposal facilities

The safety of nuclear waste management facilities is typically assessed by considering accident scenarios in which the containment function may be compromised. In some scenario analysis approaches, relatively few scenarios are built based on the available knowledge. Then, the containment performance of the facility and the resulting radiological impact is analyzed separately for each scenario. Alternatively, other approaches consider scenarios within a structured probabilistic safety assessment. Probabilistic safety assessment systematically accounts for the aleatory uncertainty about the evolution of the nuclear waste management facility under a set of accident scenarios. Thus, the probabilities and impacts of these scenarios are aggregated into an estimate of the overall risk. The scarcity and imprecision of the data utilized in the safety assessment also involves epistemic uncertainty, as it is hard to assign precise values to event probabilities and other model parameters. This dissertation addresses the modeling of uncertainties in estimating the risk of nuclear waste management facilities, and what this implies for the comprehensiveness of scenario analysis as a support to risk-informed decision making. Specifically, it is suggested that comprehensiveness is achieved when the uncertainty about risk is sufficiently small to assess conclusively whether the facility is safe or not. The main challenges in the attainment of comprehensiveness are also identified, and novel methodologies for probabilistic scenario analysis are presented. In particular, Bayesian networks and probabilistic cross-impact analysis are developed to describe systemic dependencies. Epistemic uncertainties are characterized through probability distributions or regions of feasible values. The uncertainties are propagated to the risk estimate by using Monte Carlo simulation or solving optimization problems. Risk importance measures are introduced and calculated to identify which scenarios contribute most to the overall risk level. This offers relevant information for risk management decisions.

L'analisi di sicurezza degli impianti per la gestione di rifiuti nucleari si fonda tipicamente su scenari in cui il corretto funzionamento delle barriere di contenimento può essere compromesso. Tra tali approcci, detti di analisi di scenario, alcuni considerano un limitato numero di scenari. In particolare, la funzione di contenimento e l'eventuale impatto radiologico dell'impianto sono analizzati separatamente per ognuno di questi scenari. In alternativa, altri approcchi all'analisi di scenario sono basati su più strutturati metodi probabilistici di analisi di rischio. L'analisi di rischio probabilistica fornisce una caratterizzazione sistematica dell'incertezza aleatoria circa l'evoluzione dell'impianto in un insieme di scenari. Le probabilità e gli impatti di questi scenari sono infatti aggregati in una stima globale del rischio. Ad ogni modo, la scarsità e l'imprecisione dei dati a disposizione dell'analisi aggiungono incertezza epistemica, poiché è difficile valori puntuali a probabilità e altri parametri del modello di rischio. La presente tesi affronta la descrizione delle incertezze nella stima del rischio degli impianti per la gestione di rifiuti nucleari, con particolare attenzione alle implicazioni per l'esaustività dell'analisi di sceanario come supporto al processo decisionale. In concreto, si propone di considerare l'analisi di scenario esaustiva quando l'incertezza circa il rischio è sufficientemente ridotta per concludere se l'impianto è sicuro o no. La tesi discute inoltre le principali difficoltà nell'ottenere un'analisi di scenario esaustiva, e presenta delle innovative metodologie probabilistiche di analisi di scenario. Per esempio, le dipendenze tra le variabili del sistema sono caratterizzate tramite reti Bayesiane o matrici probabilistiche di interazione. Le incertezze epistemiche sono quantificate per mezzo di distribuzioni di probabilità o regioni di valori plausibili. Queste incertezze sono propagate dai parametri del modello alla stima del rischio utilizzando simulazioni Monte Carlo o risolvendo problemi di ottimizzazione. Come ulteriore supporto alle decisioni per la gestione del rischio, sono anche introdotti e calcolati alcuni indicatori di importanza al fine di riconoscere quali scenari contribuiscono maggiormente al livello totale di rischio.