R. Flores Mendoza, Josué Uriel Rodríguez Alcántara, Adrián Pozos Estrada, Roberto Gómez
Se desarrollan modelos de red neuronal artificial para predecir la duración del movimiento fuerte del terreno de eventos de subducción en suelos firme y blando. Para entrenar la red neuronal artificial se emplea una base de datos con un total de 3153 registros sísmicos con dos componentes horizontales para eventos de interplaca e intraslab. El método de componente principal es usado para realizar una reducción dimensional de los parámetros de entrada para desarrollar los modelos de red neuronal artificial. Los valores predichos de la duración del movimiento fuerte del terreno por la red neuronal entrenada son comparados con aquellos estimados con expresiones empíricas. En general, la duración del movimiento fuerte del terreno predicha con la red neuronal artificial sigue la misma tendencia que la calculada con las ecuaciones empíricas, aunque en algunos casos, ésta presenta cambios repentinos en su comportamiento. Por esta razón, es recomendado llevar a cabo varias verificaciones de los modelos entrenados de la red neuronal artificial antes de usarlos para más aplicaciones ingenieriles, por ejemplo, la simulación de registros sintéticos o la evaluación de índices sísmicos de daño.
Artificial neural network models are developed to predict strong ground motion duration of subduction events for soft and firm soils. To train the artificial neural network a database with a total of 3153 seismic records with two horizontal components for interplate and inslab earthquakes is employed. The principal component method is used to carry out a dimensionality reduction of the input parameters to develop the artificial neural network models. The predicted values of the strong ground motion duration trained by the artificial neural network models are compared with those estimated with empirical expressions. In general, the strong ground motion duration predicted with the artificial neural networks follows the same tendency of that calculated with the empirical equations, although in some cases, the strong ground motion duration predicted by using the artificial neural network models presents sudden changes in its behavior. For this reason, it is recommended to carry out several verifications of the trained artificial neural network models before using them for further engineering applications, for example the simulation of synthetic records or the evaluation of seismic damage indices.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados