Identificación de edificaciones colapsadas mediante imágenes satelitales, curvas de fragilidad, mapas de demanda y redes neuronales

• Autor: Portillo Cazorla, Aymar Raúl
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.pucp.edu.pe:20.500.14657/201944
• Enlace del recurso: http://hdl.handle.net/20.500.12404/28836
• Nivel de acceso: acceso abierto
• Materia: Análisis estructural (Ingeniería)--Normas; Ingeniería antisísmica; Construcciones antisísmicas--Diseño y construcción; https://purl.org/pe-repo/ocde/ford#2.01.01

Esta tesis presenta un método innovador para identificar con rapidez las áreas afectadas por sismos. El método se distingue por su capacidad para operar con información limitada y aún así obtener resultados precisos. Utiliza una combinación de imágenes satelitales previas y posteriores al evento, inventarios de edificaciones, curvas de fragilidad, mapas de demanda sísmica y muestras etiquetadas recopiladas poco después del desastre. La característica central del método es su uso de redes neuronales que con una mínima cantidad de muestras etiquetadas, tan pocas como seis, como se demostró en el terremoto de Kumamoto de 2016, pueden clasificar grandes cantidades de datos sobre la fragilidad de las edificaciones en las áreas afectadas. Estas muestras se obtienen de fuentes verificables, se geolocalizan y se registran para su uso en la calibración de la red neuronal, lo que permite una evaluación rápida y precisa de áreas colapsadas. Los resultados obtenidos con este enfoque han demostrado ser efectivos, alcanzando una precisión promedio del 87% en el terremoto de Kumamoto de 2016 y del 82% en el terremoto de Turquía-Siria de 2023. El método destaca por su capacidad para analizar áreas extensas de manera eficiente, lo que lo hace ideal para ser utilizado como parte de la respuesta inmediata tras sismos importantes. Aunque el método es funcional y rápido, se han identificado oportunidades para mejoras futuras. Por ejemplo, es necesario optimizar la arquitectura de la red neuronal y evaluar el impacto del número de muestras etiquetadas utilizadas para la calificación. Además, probar el método en diversos contextos es crucial para validar su versatilidad y detectar posibles deficiencias que pueden ser corregidas posteriormente.