No caso de uma liberação radiológica acidental de um reator de usina nuclear ou instalação industrial, rastrear a nuvem aérea de radiação até sua fonte em tempo hábil pode ser um fator crucial para equipes de emergência, avaliadores e investigadores de risco.

Usando dados coletados durante um experimento com rastreador atmosférico, três décadas atrás, na Usina Nuclear de Diablo Canyon, na costa central da Califórnia, dezenas de milhares de simulações de computador e um modelo estatístico, pesquisadores do Laboratório Nacional Lawrence Livermore (LLNL) criaram métodos que podem estimar a fonte de uma liberação atmosférica com maior precisão do que antes.

Os métodos incorporam dois modelos de computador:o modelo U.S. Weather Research and Forecasting (WRF), que produz simulações de campos de vento, e o modelo de dispersão da comunidade FLEXPART, que prevê plumas de concentração com base no tempo, quantidade e localização de um lançamento. Usando esses modelos, os cientistas atmosféricos Don Lucas e Matthew Simpson do National Atmospheric Release Advisory Center (NARAC) do LLNL realizaram simulações desenvolvidas para fins de segurança nacional e resposta a emergências.

Em 1986, para avaliar o impacto de uma possível liberação radioativa na planta de Diablo Canyon, Pacific Gas &Electric (PG&E) lançou um gás não reativo, hexafluoreto de enxofre, na atmosfera e dados recuperados de 150 instrumentos colocados na usina e seus arredores. Esses dados foram disponibilizados para os cientistas do LLNL, apresentando-lhes uma oportunidade rara e valiosa de testar seus modelos computacionais, comparando-os com dados reais.

"Ocasionalmente, os modelos que usamos no NARAC estão em desenvolvimento e precisamos testá-los, "Lucas disse." O case do Diablo Canyon é uma referência que podemos usar para manter nossas ferramentas de modelagem afiadas. Para este projeto, usamos nossos modelos meteorológicos de última geração e tivemos que voltar no tempo até a década de 1980, usando dados meteorológicos antigos para recriar, da melhor maneira que pudemos, as condições em que foram realizados. Estávamos desenterrando todos os dados, mas fazer isso não foi suficiente para determinar os padrões climáticos exatos naquela época. "

Por causa da topografia complexa e microclima em torno do Canyon Diablo, Lucas disse, a incerteza do modelo era alta, e ele e Simpson tiveram que criar grandes conjuntos de simulações usando modelos de tempo e dispersão. Como parte de um projeto recente de Pesquisa e Desenvolvimento Dirigido por Laboratório (LDRD) liderado pelo cientista aposentado do LLNL Ron Baskett e pelo cientista do LLNL Philip Cameron-Smith, eles correram 40, 000 simulações de plumas, alterando parâmetros como vento, local do lançamento e quantidade de material, cada um levando cerca de 10 horas para ser concluído.

Um de seus principais objetivos era reconstruir a quantia, o local e a hora da liberação quando o tempo estiver incerto. Para melhorar esta capacidade de modelagem inversa, eles pediram a ajuda de Devin Francom, um Lawrence Graduate Scholar no Grupo de Estatística Aplicada do LLNL. Sob a direção de Bruno Sanso no Departamento de Estatística da UC Santa Cruz, e sua mentora LLNL e estatística Vera Bulaevskaya, Francom desenvolveu um modelo estatístico que foi usado para analisar a saída de concentração de ar obtida a partir dessas corridas e estimou os parâmetros da liberação.

Este modelo, chamados de splines de regressão adaptativa multivariada bayesiana (BMARS), foi o assunto da dissertação de Francom, que ele recentemente defendeu com sucesso. BMARS é uma ferramenta muito poderosa para análise de simulações como as obtidas por Simpson e Lucas. Por ser um modelo estatístico, não produz apenas estimativas pontuais de quantidades de interesse, mas também fornece uma descrição completa da incerteza nessas estimativas, o que é crucial para a tomada de decisões no contexto da resposta a emergências. Além disso, BMARS foi particularmente adequado para o grande número de execuções neste problema porque, em comparação com a maioria dos modelos estatísticos usados ​​para emular a saída do computador, é muito melhor para lidar com grandes quantidades de dados.

"Conseguimos resolver o problema inverso de descobrir de onde vem o material com base nos modelos avançados e instrumentos de campo, "Francom disse." Poderíamos dizer, 'veio desta área e acabou neste período de tempo e é assim que foi lançado.' Mais importante, poderíamos fazer isso com bastante precisão e dar uma margem de erro associada às nossas estimativas. Esta é uma estrutura totalmente probabilística, então a incerteza foi propagada a cada passo do caminho. "

Surpreendentemente, a localização sugerida pelo método de Francom conflitava com as informações dos relatórios técnicos do experimento. Isso foi investigado mais a fundo, o que revelou uma discrepância no registro das coordenadas quando o teste de 1986 foi realizado.

"Quando voltamos e olhamos para a localização gravada do lançamento de 1986, não parecia corresponder à descrição qualitativa dos pesquisadores, "Francom disse." Nossa previsão sugeria que a descrição qualitativa do local era mais provável do que o local de lançamento registrado. Não esperávamos encontrar isso. Foi legal ver que poderíamos encontrar a possível imprecisão nos registros, e aprender o que pensamos ser a verdadeira localização por meio de nossos modelos de dispersão de partículas e do emulador estatístico. "

"Esta análise é um exemplo muito poderoso dos modelos físicos, Métodos estatísticos, dados e arsenal computacional moderno se juntando para fornecer respostas significativas a questões envolvendo fenômenos complexos, "Bulaevskaya disse." Sem todas essas peças, teria sido impossível obter estimativas precisas das características de liberação e descrever corretamente o grau de confiança que temos nesses valores. "

Lucas disse que os pesquisadores eventualmente gostariam de ter um modelo que pudesse ser executado rapidamente porque em um evento real, eles precisariam saber quando e onde a liberação ocorreu e quanto foi liberado imediatamente. "Emuladores rápidos, como BMARS, nos dá a capacidade de obter estimativas dessas quantidades com bastante rapidez, "Lucas disse." Se o material radiológico for liberado para a atmosfera e detectado por sensores a favor do vento, o emulador pode fornecer informações sobre áreas perigosas e pode potencialmente salvar vidas. "

Francom seguirá para o Laboratório Nacional de Los Alamos para continuar seu trabalho em emuladores estatísticos para a análise de códigos de computador complexos. Lucas e Simpson, junto com Cameron-Smith e Baskett, tem um artigo sobre modelagem inversa dos dados do Diablo Canyon que está sendo revisado para o jornal Química Atmosférica e Física . Francom e co-autores enviaram outro artigo, focando em BMARS neste problema, para um jornal de estatísticas e está passando por revisão por pares.