Estimation of peak ground accelerations for Mexican subduction zone earthquakes using neural networks

Resumen

Un análisis exhaustivo de la base de datos mexicana de sismos fuertes se llevó a cabo utilizando técnicas de cómputo aproximado, SC (soft computing). En particular, una red neuronal, NN, es utilizada para estimar ambos componentes ortogonales de la máxima aceleración horizontal del terreno, PGA_h, y la vertical, PGA_v, medidas en sitios en roca durante terremotos generados en la zona de subducción de la República Mexicana. El trabajo discute el desarrollo, entrenamiento, y prueba de este modelo neuronal. El fenómeno de atenuación fue caracterizado en términos de la magnitud, la distancia epicentral y la profundidad focal. Aproximaciones neuronales fueron utilizadas en lugar de técnicas de regresión tradicionales por su flexibilidad para tratar con incertidumbre y ruido en los datos. La NN sigue de cerca la respuesta medida exhibiendo capacidades predictivas mejores que las mostradas por muchas de las relaciones de atenuación establecidas para la zona de subducción mexicana. Para profundizar la evaluación de la NN, ésta fue también aplicada a sismos generados en las zonas de subducción de Japón y América del Norte, y para la base de datos usada en este artículo, los residuales de las predicciones de la NN y una regresión obtenida del mejor ajuste a los datos son comparados.