Bayesian-Framework Echtzeit-Bewertung der Situationsbewusstheit in Kernkraftwerken

In der hochkomplexen Umgebung von Kernkraftwerken ist die Situationsbewusstheit der Betreiber entscheidend für die Zuverlässigkeit des Systems. Traditionelle Messmethoden wie SAGAT und SART liefern jedoch nur statische, retrospektive Einblicke und vernachlässigen die dynamischen kognitiven Prozesse, die das Risiko beeinflussen.

Um diese Lücke zu schließen, wurde das dynamische Bayesian- und Machine-Learning-Framework (DBML SA) entwickelt. Das System kombiniert probabilistische Logik mit datengetriebener Intelligenz, um die Situationsbewusstheit quantitativ, interpretierbar und vorhersagbar zu modellieren.

Auf Basis von 212 operativen Ereignisberichten aus dem Zeitraum 2007 bis 2021 rekonstruierte das Framework die kausale zeitliche Struktur von 11 Leistungsfaktoren über mehrere kognitive Ebenen. Der Bayesian-Teil ermöglicht eine zeitlich evolvierende Inferenz der Zuverlässigkeit der Situationsbewusstheit unter Unsicherheit, während ein neuronales Netzwerk eine nichtlineare Vorhersage von SART‑Scores liefert. Die Vorhersagegenauigkeit liegt bei einem mittleren absoluten Prozentfehler von 13,8 % und ist statistisch konsistent mit subjektiven Bewertungen (p > 0,05).

Die Analyse zeigt, dass die Qualität der Schulung und die Stressdynamik die Haupttreiber für einen Abfall der Situationsbewusstheit sind. DBML SA übertrifft herkömmliche Fragebogenerhebungen, indem es Echtzeit‑Monitoring, Sensitivitätsanalysen und Frühwarnvorhersagen ermöglicht.

Damit ebnet das Framework den Weg für intelligentes Management der Mensch-Maschine‑Zuverlässigkeit in modernen digitalen Hauptsteuerungslokalen und trägt wesentlich zur Sicherheit und Effizienz von Kernkraftwerken bei.