Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción

Aceleraciones espectrales en algunos sitios de la zona del lago: medido vs evaluado (García, 2012). Las tecnologías relacionadas con el CC proporcionan oportunidades únicas para establecer ambientes de análisis coherentes en los cuales la incertidumbre y el conocimiento de datos son sistemáticamente manejados. Combinando el aprendizaje, la adaptación y la evolución, el CC complementa los enfoques ingenieriles con desarrollos de conocimientos más amplios y fáciles de asimilar, lo que ayudan a un mejor entendimiento del problema. El uso del CC como herramienta de aproximación es muy valioso ya que puede representar ciertas ventajas en el desarrollo de los proyectos, una de ellas se ve ampliamente reflejada en el costo de exploración. El operador de estas técnicas computacionales debe tener un amplio conocimiento del fenómeno o del problema a modelar con la finalidad de realizar una buena interpretación de los resultados. III.1. Redes Neuronales El ser humano constantemente busca la manera de solucionar problemas de una forma rápida, sencilla y confiable. El desarrollo del cómputo en las últimas décadas ha facilitado tal objetivo proponiendo soluciones alternativas y generando resultados convincentes apoyados en el juicio ingenieril. Esto ha conducido a un desarrollo exponencial de un campo multidisciplinario del conocimiento conocido como Inteligencia Artificial IA. Este campo se divide en dos clases llamadas macroscópica y microscópica.

Curva neuronal de atenuación: evento 19/09/1985 En la Fig. IV.18 se presenta la curva de atenuación del valor de AMS en dirección H2. Los registros obtenidos en Ciudad Universitaria, Tacubaya y Tlalpan son bien pronosticados por el trazo neuronal. En esta componente horizontal se encuentran diferencias más notables entre lo medido y lo estimado si se compara con el módulo H1. En la Fig. IV.19 las estaciones ubicadas en Guerrero y Acapulco registraron AMS que se separan ligeramente de la curva H2, sin embargo, la aproximación es prácticamente aceptable.

Curvas neuronales de atenuación para diferentes magnitudes: dirección H1, PF = 15 km Las estimaciones neuronales son acertadas. La población de AMS registradas en las estaciones descritas es eficientemente pronosticada. Especial énfasis se hace en el sismo sucedido en Chile en 2010 con M8.8, uno de los diez sismos más grandes sufridos en la historia reciente. El evento, entre las curvas M8 y M9, está contenido en lo estimado por el módulo H1. En la Fig. IV.23 se presentan otros dos sismos relevantes el de Sumatra en 2007 con M8.4; y el de Tohoku en 2011 con M9. Se observa la exitosa predicción neuronal con la curva de 9 grados. Sobre la actividad sísmica en los EU, en la Fig. IV.24 se observan las curvas generadas por el módulo H2 para PF de 15 km. El sismo registrado en San José, California en 1989 con M7.1 cae sobre la curva neuronal M7. Sin duda la catastrófica experiencia en Sumatra, Chile y Japón son validaciones importantes para cualquier modelo que intente actualizar sus perspectivas de cálculo. Los módulos neuronales reproducen el patrón de comportamiento de los sismos extremos de la zona de subducción-Pacífico con gran eficacia.

Curvas neuronales de atenuación para diferentes magnitudes: dirección H1, PF = 30 km

Arquitectura óptima para la variación espacial de AMS H1 En la Fig. V.4 se presentan los valores medidos contra los estimados con el modelo neuronal óptimo. Se observa una buena congruencia entre los patrones naturales y los que encontró el proceso de entrenamiento. Sin embargo a través de este espacio de análisis no se pueden generar conclusiones sobre la aptitud del esquema para definir la variación espacial de AMS. Es importante aclarar que por el número reducido de sismos se decidió sobre la generación de clusters (grupos) con individuos que no se alejen del típico notablemente. Con esta figura lingüística fue posible generar tres grupos de intensidades sísmicas: BAJAS, MEDIAS y ALTAS. Con estos grupos la generación de conclusiones sobre aptitud del modelo y la conveniencia de usar los mapas de AMS es más directa y transparente.