Dublin Core
Title
Use of machine learning techniques for the estimation of the seismic susceptibility and the quantitative assesment of the seismic hazard. Application to the maipo river basin, Chile
Subject
Amplificación sísmica de sitios
Susceptibilidad sísmica
Aprendizaje automático
Amenaza sísmica
551.22
Ciencias de la tierra
Sismicidad inducida
Análisis de riesgo de terremotos
Predicción de terremotos
Aprendizaje de máquina
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021
La amplificación sísmica de sitios y los mapas de amenaza sísmica son insumos cruciales para la toma de decisiones y evaluación del riesgo en lugares donde la sismicidad impone un riesgo significativo para la vida humana y la infraestructura. En Chile, uno de los países con mayor actividad sísmica de la Tierra, las técnicas de vanguardia utilizadas para construir mapas de amenaza sísmica se basan principalmente en datos geológicos
cualitativos o indirectos, con una consideración limitada de los parámetros dinámicos que dictan la respuesta sísmica del sitio. En este trabajo, proponemos una metodología novedosa para la integración de datos de naturaleza cualitativa y cuantitativa para mapear la susceptibilidad sísmica y la amplificación dinámica mediante aprendizaje automático (AA). Nuestro método utiliza mediciones de velocidades de onda de corte superficial
(Vs30) y frecuencias predominantes (f0) en sitios aleatoriamente distribuidos, combinados con mapas de anomalía gravimétrica para para actualizar la extensión geográfica de las unidades de amplificación sísmica. Seleccionamos la Cuenca del Río Maipo como nuestra región de prueba para este modelo debido a su importancia estratégica y a la numerosa población e infraestructura critica expuestas a amenazas sísmicas. La aplicación de este método al caso de estudio resultó en (i) un mapa de susceptibilidad sísmica refinado, y (ii) mapas de Vs30 y f0 estimados con gran precisión en el área de estudio. Las mejores predicciones, obtenidas mediante técnicas de AA y validadas mediante validación cruzada, se deben posiblemente a la inclusión de covariantes espaciales en el entrenamiento de los algoritmos, mejorando la capacidad del modelo para capturar las correlaciones espaciales entre datos geológicos, geofísicos y geotécnicos. La estimación de las frecuencias predominantes es considerablemente mejorada al incluir la gravedad como covariante. La precisión de las predicciones de f0 aparentemente depende más de la elección de las covariantes que del algoritmo utilizado, mientras que las predicciones de Vs30 son más sensibles al algoritmo escogido. Estos resultados ilustran el gran potencial de los algoritmos predictivos de aprendizaje automático en el mapeo digital de suelos, que superan a las técnicas geoestadísticas tradicionales. Adicionalmente, y usando las mejores predicciones, se generaron mapas de amenaza sísmica para el caso de estudio, a través de un software de acceso libre diseñado para generar indicadores de movimiento fuerte para diferentes modelos de sismicidad y ecuaciones de predicción de movimiento de suelo bajo distintos escenarios. La principal contribución de este trabajo es introducir una metodología novedosa de estimación basada en modelos de inteligencia artificial para extender mediciones locales de las propiedades dinámicas de los sitios en un área de interés. Esta información se puede utilizar para estimar cuantitativamente la amenaza sísmica a una escala regional.
cualitativos o indirectos, con una consideración limitada de los parámetros dinámicos que dictan la respuesta sísmica del sitio. En este trabajo, proponemos una metodología novedosa para la integración de datos de naturaleza cualitativa y cuantitativa para mapear la susceptibilidad sísmica y la amplificación dinámica mediante aprendizaje automático (AA). Nuestro método utiliza mediciones de velocidades de onda de corte superficial
(Vs30) y frecuencias predominantes (f0) en sitios aleatoriamente distribuidos, combinados con mapas de anomalía gravimétrica para para actualizar la extensión geográfica de las unidades de amplificación sísmica. Seleccionamos la Cuenca del Río Maipo como nuestra región de prueba para este modelo debido a su importancia estratégica y a la numerosa población e infraestructura critica expuestas a amenazas sísmicas. La aplicación de este método al caso de estudio resultó en (i) un mapa de susceptibilidad sísmica refinado, y (ii) mapas de Vs30 y f0 estimados con gran precisión en el área de estudio. Las mejores predicciones, obtenidas mediante técnicas de AA y validadas mediante validación cruzada, se deben posiblemente a la inclusión de covariantes espaciales en el entrenamiento de los algoritmos, mejorando la capacidad del modelo para capturar las correlaciones espaciales entre datos geológicos, geofísicos y geotécnicos. La estimación de las frecuencias predominantes es considerablemente mejorada al incluir la gravedad como covariante. La precisión de las predicciones de f0 aparentemente depende más de la elección de las covariantes que del algoritmo utilizado, mientras que las predicciones de Vs30 son más sensibles al algoritmo escogido. Estos resultados ilustran el gran potencial de los algoritmos predictivos de aprendizaje automático en el mapeo digital de suelos, que superan a las técnicas geoestadísticas tradicionales. Adicionalmente, y usando las mejores predicciones, se generaron mapas de amenaza sísmica para el caso de estudio, a través de un software de acceso libre diseñado para generar indicadores de movimiento fuerte para diferentes modelos de sismicidad y ecuaciones de predicción de movimiento de suelo bajo distintos escenarios. La principal contribución de este trabajo es introducir una metodología novedosa de estimación basada en modelos de inteligencia artificial para extender mediciones locales de las propiedades dinámicas de los sitios en un área de interés. Esta información se puede utilizar para estimar cuantitativamente la amenaza sísmica a una escala regional.
Creator
Díaz Fernández, Juan Pablo
Date
2022-01-06T15:30:24Z
2022-01-06T15:30:24Z
2021
Contributor
Sáez Robert, Esteban
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xiv, 160 páginas
application/pdf
Language
en
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/63126
https://doi.org/10.7764/tesisUC/ING/63126
https://repositorio.uc.cl/handle/11534/63126