Estimación de la vulnerabilidad sísmica multiescenarios de viviendas de albañilería confinada no ingenieril utilizando Machine Learning

Abstract

El objetivo de la presente investigación es estimar la vulnerabilidad sísmica de una vivienda de albañilería confinada no ingenieril ubicada en el área de Lima Metropolitana utilizando modelos de bosques aleatorios. El modelo de bosques aleatorios es un algoritmo de Machine Learning. Para esto en primer lugar se generó una base de datos sintética con los datos de índice de daño promedio e índice de daño máximo de las estructuras, estos valores se calcularon en base a los resultados obtenidos de los análisis dinámicos inelásticos de modelos numéricos simplificados. Los modelos numéricos se elaboraron en base a las 14 tipologías de viviendas típicas consideradas ubicadas en la zona del área de Lima Metropolitana, 5 densidades de muros (1.6/1000, 2.3/1000, 2.8/1000, 3.5/1000, 4/1000) e hipótesis simplificadoras. Con la base de datos sintética se generaron las curvas de vulnerabilidad que relacionan la intensidad del evento sísmico representado por el (PGA) y el nivel de daño en las estructuras. El nivel de daño se representó mediante el IDP (índice de daño promedio) y el IDM (índice de daño máximo). En cuanto a los modelos de bosques aleatorios, en primer lugar, se configuraron los parámetros de cantidad de árboles de decisión que construirá el modelo de bosques aleatorios para tomar una decisión y el número máximo de características que tomará el modelo para dividir un nodo. Luego se entrenaron los modelos de bosques aleatorios con la subbase de datos destinada para el entrenamiento considerando las siguientes características: tipología de la estructura, densidad de muros, peso de la estructura, periodo predominante del suelo, intensidad del espectro, aceleración pico del terreno (PGA) y número de niveles. Finalmente, se evaluaron los modelos a través de su puntuación. En el capítulo final se comparó visualmente las curvas de vulnerabilidad generadas a partir de la base de datos sintética y las generadas con los modelos de bosques aleatorios evaluados con la subbase de datos destinada a la validación de estos. Luego de la comparación se llega a la conclusión de que los modelos de bosques aleatorios son válidos y pueden estimar la vulnerabilidad de una vivienda de albañilería confinada no ingenieril ubicada en el área de Lima Metropolitana a partir de determinadas características consideradas al entrenar los modelos.

The objective of this research is to estimate the seismic vulnerability of a non-engineered confined masonry house located in the Lima Metropolitan area using random forest models. The random forest model is a machine learning algorithm. First, a synthetic database was generated with the average damage index and maximum damage index of the structures. These values were calculated based on the results obtained from the inelastic dynamic analyses of simplified numerical models. The numerical models were developed based on the 14 typical housing typologies considered located in the Lima Metropolitan area, 5 wall densities (1.6/1000, 2.3/1000, 2.8/1000, 3.5/1000, 4/1000), and simplifying assumptions. With the synthetic database, vulnerability curves were generated that relate the intensity of the seismic event represented by (PGA) and the level of damage to the structures. The damage level was represented by IDP (average damage index) and IDM (maximum damage index). As for the random forest models, first, the parameters of the number of decision trees that will build the random forest model to decide and the maximum number of features that will take the model to divide a node were configured. Then, random forest models were trained with the sub-database intended for training considering the following characteristics: typology of structure, wall density, weight of structure, predominant period of soil, intensity of spectrum, peak ground acceleration (PGA), and number of levels. Finally, models were evaluated through their score. In the final chapter, vulnerability curves generated from synthetic databases were visually compared with those generated with random forest models evaluated with sub-databases intended for validation. After comparison, it was concluded that random forest models are valid and can estimate the vulnerability of a non-engineered confined masonry house located in Lima Metropolitan area based on certain characteristics considered when training models.