Enfoque combinado de aprendizaje automático y física 3D para la evaluación de daños en edificios: el caso de L’Aquila 2009

Por qué esto importa para las personas que viven con terremotos

Tras un terremoto fuerte, la pregunta más urgente es qué edificios son seguros para volver a ocupar y cuáles deben permanecer vedados. Tradicionalmente esto requiere inspecciones lentas sobre el terreno y se apoya en mapas amplios de sacudida que pueden pasar por alto particularidades locales del paisaje y la trama urbana. Este estudio se centra en el devastador terremoto de 2009 en L’Aquila, Italia, y muestra cómo la combinación de modelos informáticos avanzados de la sacudida con inteligencia artificial puede ayudar a señalar rápidamente los edificios más dañados y a prepararse mejor para futuros seísmos.

Una mirada más de cerca a una ciudad italiana

Los autores usan L’Aquila como caso de prueba real porque el choque principal fue fuerte, estuvo bien registrado y ampliamente estudiado, y porque la geología de la ciudad ha sido cartografiada con un detalle excepcional. Trabajan con datos de alrededor de 3.000 edificios cuyos daños se encuestaron cuidadosamente tras el evento de magnitud 6.1. Para cada estructura conocen no solo cuán gravemente resultó dañada sino también cómo se construyó, qué tamaño tiene, cuándo se edificó y dónde se sitúa respecto a la falla y al terreno local. Este cuadro detallado les permite explorar qué factores controlan realmente si un edificio sobrevive a un temblor con daños leves o se ve empujado al borde del colapso.

Simulando el subsuelo para mejorar las estimaciones de sacudida

Las herramientas estándar de evaluación de daños sísmicos suelen partir de ShakeMaps, que combinan un número limitado de sensores de tierra con fórmulas simplificadas para estimar la intensidad de la sacudida en una región. En su lugar, el equipo construye un modelo digital tridimensional detallado de la corteza y de las cuencas sedimentarias alrededor de L’Aquila, hasta unos 20 kilómetros de profundidad y abarcando cerca de 60 kilómetros en cada dirección horizontal. Usando computación de alto rendimiento y un código especializado, simulan cómo las ondas sísmicas viajaron desde la falla a través de este complejo paisaje subterráneo. Luego extienden estas simulaciones para cubrir tanto bajas como altas frecuencias de movimiento, produciendo medidas realistas de cuán rápido se movió el suelo y cuán violentamente se aceleró en miles de puntos donde realmente se ubican los edificios.

Enseñando a un bosque digital a reconocer daños

Con esta visión edificio por edificio de la sacudida, los investigadores entrenan modelos de aprendizaje automático —específicamente, conjuntos de árboles de decisión conocidos como random forests— para predecir niveles de daño. Para hacer el problema más manejable, reagruparon las seis categorías de daño originales en dos o tres clases más amplias, como “leve frente a moderado-grave” o “leve-moderado frente a grave”. Cada modelo utiliza una mezcla de características relacionadas con el edificio (como altura, planta y antigüedad) y características del emplazamiento (como distancia a la falla y propiedades locales del terreno), junto con medidas de sacudida simuladas o las extraídas de ShakeMaps. También manejan información faltante, como años de construcción desconocidos, mediante estrategias cuidadosas de completado de datos y equilibran tamaños de clase desiguales con ejemplos sintéticos para que los casos raros pero importantes de daños severos no sean ignorados.

Lo que los modelos revelan sobre el riesgo

El análisis muestra que los predictores más influyentes del daño son la superficie media del edificio o del bloque, la distancia al tramo de la falla donde ocurrió la mayor parte del deslizamiento, la rigidez local del terreno y —crucialmente— las medidas de sacudida calculadas a partir de simulaciones basadas en la física. En contraste, los valores análogos extraídos de ShakeMaps apenas figuran entre las variables principales. Cuando los modelos se basan en la sacudida simulada, alcanzan precisiones de alrededor del 80 por ciento para los problemas más simples de dos clases y funcionan de forma robusta en un conjunto de prueba separado de edificios no visto previamente. Esto sugiere que capturar la verdadera trayectoria tridimensional de las ondas sísmicas, en lugar de suavizarla con fórmulas regionales amplias, puede agudizar sustancialmente nuestra capacidad para distinguir estructuras con daños leves de aquellas seriamente comprometidas.

Qué significa esto para futuros terremotos

Para los no especialistas, la conclusión principal es que emparejar simulaciones informáticas realistas de cómo se mueve realmente el terreno con algoritmos modernos de reconocimiento de patrones puede convertir mediciones dispersas y registros de edificios en una herramienta práctica para la respuesta en crisis. En un futuro terremoto, un sistema construido en estas líneas podría destacar rápidamente los barrios donde es más probable que haya daños graves, orientando inspecciones, planificación de refugios y la reconstrucción a más largo plazo. Los autores advierten que su modelo actual está calibrado para una región y un parque edificado específicos, y debe probarse y adaptarse antes de usarse en otros lugares. Aun así, sus resultados apuntan a un futuro en el que gemelos digitales detallados del subsuelo, combinados con modelos inteligentes basados en datos, ayuden a las comunidades a comprender y gestionar mejor su riesgo sísmico.

Cita: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

Palabras clave: daños por terremoto, aprendizaje automático, simulación basada en física, riesgo de edificios, L’Aquila 2009