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

dc.contributor.advisorSáez Robert, Esteban
dc.contributor.authorDíaz Fernández, Juan Pablo
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2022-01-06T15:30:24Z
dc.date.available2022-01-06T15:30:24Z
dc.date.issued2021
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021
dc.description.abstractLa 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.
dc.format.extentxiv, 160 páginas
dc.fuente.origenAutoarchivo
dc.identifier.doi10.7764/tesisUC/ING/63126
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/63126
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/63126
dc.information.autorucEscuela de Ingeniería ; Sáez Robert, Esteban ; 0000-0001-5433-0388 ; 1007694
dc.information.autorucEscuela de Ingeniería ; Díaz Fernández, Juan Pablo ; S/I ; 236289
dc.language.isoen
dc.nota.accesoTexto completo
dc.rightsacceso abierto
dc.subjectAmplificación sísmica de sitioses_ES
dc.subjectSusceptibilidad sísmicaes_ES
dc.subjectAprendizaje automáticoes_ES
dc.subjectAmenaza sísmicaes_ES
dc.subject.ddc551.22
dc.subject.deweyCiencias de la tierraes_ES
dc.subject.otherSismicidad inducidaes_ES
dc.subject.otherAnálisis de riesgo de terremotoses_ES
dc.subject.otherPredicción de terremotoses_ES
dc.subject.otherAprendizaje de máquinaes_ES
dc.titleUse 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, Chilees_ES
dc.typetesis de maestría
sipa.codpersvinculados1007694
sipa.codpersvinculados236289
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
TESIS_JPDíaz_Firma Final.pdf
Size:
7.7 MB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description: