Redes neuronales artificiales para representar la atenuación de la intensidad sísmica

• Autores: Eddy Herrera Daza, Alfonso Mariano Ramos Cañón, Julio Alberto García Leal
• Localización: Ingeniería y universidad, ISSN 0123-2126, Vol. 17, Nº. 2, 2013, págs. 277-292
• Idioma: español
• Títulos paralelos:
  • Redes neuronais artificiais para representar a atenuação da intensidade sísmica
  • Artificial neural networks to represent the attenuation of seismic intensity
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    El estudio de atenuación de la intensidad sísmica desempeña un papel importante en los análisis de amenaza que incluyan eventos históricos. El mapeo de la atenuación de la intensidad generalmente se realiza por medio de regresiones de la intensidad en función de la distancia. Hoy existen distintas formas para estudiar las características de un evento sísmico por medios instrumentales; sin embargo, los expertos enfrentan el problema del carácter cualitativo de las fuentes de información y el mapeo de la relación entre intensidad, magnitud y distancia para la generación de escenarios de riesgo con base en información histórica. Este trabajo presenta la alternativa de mapear dicha relación por medio de las redes neuronales artificiales (RNA). Como resultado, se propone un procedimiento que fue validado por medio del mapeo de las intensidades de 68 sismos ocurridos en el norte de Suramérica, entre 1766 y 2004. Se encontró que las RNA presentan ventajas respecto a los modelos convencionales de regresión: a. preservan de mejor manera el primer momento estadístico, b. reflejan un error de aproximación menor y c. la varianza explicada por las RNA se comporta mejor que los modelos de regresión estadística.

  • English

    The study of seismic intensity attenuation plays an important role in the analysis of menace that includes historical events. Mapping the intensity attenuation is usually done by regressing the intensity versus distance. Nowadays there are different ways to examine the characteristics of a seismic event using instrumental means, however, the experts face the problem of qualitative nature of the sources of information and the mapping of the relationship between intensity, magnitude and distance for the generation of risk scenarios based on historical information. This paper presents an alternative to map this relationship through artificial neural networks (ANN). As a result, we propose a procedure that was validated through the mapping of the intensities of 68 earthquakes that occurred northern South America, between 1766 and 2004. We found that ANNs present advantages with respect to the conventional models of regression: a. they preserve in a better way the first statistical moment, b. they reflect a minor approximation error and c. the variance explained by the ANN is better than the one from the models of statistical regression.

  • português

    O estudo de atenuação da intensidade sísmica desempenha papel importante na análise de ameaças que incluem eventos históricos. O mapeamento da atenuação da intensidade geralmente realiza-se por meio de regressões da intensidade em função da distância. Hoje existem diferentes formas para estudar as características de um evento sísmico por meios instrumentais; contudo, os peritos enfrentam o problema do caráter qualitativo das fontes de informação e o mapeamento do relacionamento entre intensidade, magnitude e distância para a geração de cenários de risco com base na informação histórica. Este trabalho apresenta uma alternativa para fazer mapeamento de tal relação por meio das redes neuronais artificiais (RNA). Como resultado, propõe-se procedimento avaliado por meio do mapeamento das intensidades de sessenta e oito sismos acontecidos no norte de Sul-américa, entre 1766 e 2004. Encontrou-se que as RNA demonstraram vantagens no que diz respeito dos modelos convencionais de regressão: a. Melhor preservação do primeiro momento estadístico, b. Re-fletem um menor erro de aproximação e c. A variância explicada pelas RNA tem melhor desempenho do que os modelos de regressão estadística.