Modelo de movimiento del suelo basado en XGBoost para espectros de respuesta de aceleración inelástica de resistencia constante

Por qué la agitación importa para edificios reales

Los terremotos rara vez dejan los edificios perfectamente elásticos; las paredes se agrietan, las vigas fluyen y las estructuras se deforman más de lo que indican los planos de diseño. Sin embargo, la mayoría de las herramientas que usan los ingenieros para estimar la agitación todavía asumen que los edificios permanecen elásticos. Este estudio presenta un enfoque basado en datos para predecir con qué intensidad es probable que edificios reales, ligeramente dañados, vibren en futuros terremotos, ayudando a mejorar el diseño sísmico, las comprobaciones de seguridad y las estimaciones de riesgo para las ciudades.

De simples gráficas de agitación al comportamiento real

Tradicionalmente, los ingenieros sísmicos confían en modelos de movimiento del suelo que convierten información básica sobre un terremoto y un emplazamiento en medidas de agitación como la aceleración pico. Estos modelos alimentan los espectros de respuesta, curvas que muestran cuánto vibraría un edificio perfectamente elástico a distintos periodos de vibración natural. Sin embargo, ante terremotos de intensidad moderada a fuerte, la mayoría de los edificios superan ese rango elástico. Sus respuestas reales pueden diferir drásticamente de las predicciones elásticas, lo que dificulta evaluar daños, planificar refuerzos o establecer normas de diseño realistas usando solo espectros elásticos.

Una visión más completa de la agitación para edificios que ceden

Para cerrar esta brecha, los autores se centran en los espectros de respuesta de aceleración inelástica, que describen cuánta aceleración experimentará un edificio con resistencia limitada cuando entra en fluencia. Se concentran en una versión llamada aceleración espectral inelástica de resistencia constante, que fija un factor de reducción de resistencia para representar cuánto puede deformarse inelásticamente la estructura. Usando más de quince mil registros de movimiento del suelo de 171 terremotos en una amplia base de datos internacional, simulan la respuesta de numerosos sistemas idealizados de un grado de libertad que imitan el comportamiento del hormigón armado. Estos edificios virtuales abarcan una amplia gama de periodos de vibración, tipos de sitio, distancias a la falla, magnitudes y niveles de resistencia inelástica.

Enseñar a un modelo a aprender de los terremotos

El núcleo del trabajo es un método de aprendizaje automático llamado XGBoost, que combina muchos árboles de decisión simples en un predictor potente. En lugar de forzar a los datos a ajustarse a una fórmula matemática fija, el modelo aprende relaciones complejas entre el tamaño del terremoto, la distancia, las condiciones del suelo, el periodo del edificio y la resistencia inelástica. Los autores también integran el modelo en un marco de efectos mixtos que separa las diferencias entre terremotos de las diferencias dentro de un mismo evento, emulando cómo los modelos sísmicos tradicionales tratan la variabilidad. Emplean herramientas modernas para interpretar el aprendizaje automático, incluidas la importancia por permutación y los valores SHAP, para ver qué entradas son más relevantes y cómo influyen en las predicciones hacia arriba o hacia abajo.

Qué controla la agitación en esta nueva visión

Ambas herramientas de interpretabilidad dibujan un panorama consistente: la magnitud del terremoto, el periodo del edificio y la distancia a la falla dominan la agitación predicha, con el factor de resistencia inelástica y la velocidad de la onda cortante en la superficie ocupando papeles secundarios pero aún significativos. Terremotos mayores y emplazamientos más cercanos conducen a mayores aceleraciones inelásticas, mientras que los edificios de periodo más largo y los suelos más blandos muestran los cambios esperados en la respuesta. El modelo alcanza alta precisión en datos no vistos, con más del 92% de la varianza en las aceleraciones inelásticas simuladas explicada, y sus residuos muestran poco sesgo sistemático respecto a magnitud, distancia o condiciones del sitio.

Conexión con las herramientas de diseño conocidas

Para comprobar el realismo físico, los autores comparan sus predicciones del modelo de aprendizaje automático, en el caso especial en que el edificio permanece elástico, con una ecuación tradicional de movimiento del suelo ampliamente utilizada. Las formas y tendencias de las curvas coinciden estrechamente, especialmente para los periodos típicos de diseño, mientras que el nuevo enfoque se extiende de forma natural al rango inelástico que el modelo antiguo no cubre. Esto significa que los ingenieros pueden usar el nuevo modelo para construir curvas de peligro y espectros que reflejen directamente el comportamiento no lineal de los edificios, en lugar de ajustar resultados elásticos con factores de corrección aproximados.

Cómo ayuda esto a ciudades más seguras

En términos sencillos, el estudio muestra que el aprendizaje automático puede ofrecer predicciones precisas y transparentes de cuánto vibrarán en el futuro edificios reales y ligeramente dañados, usando información sobre el terremoto, el sitio y el propio edificio. Al trabajar directamente con medidas de respuesta inelástica e identificar claramente qué factores importan más, el modelo ofrece una base más realista para el diseño basado en el rendimiento, el desarrollo de normativas y la evaluación rápida del riesgo, sin dejar de ser consistente con las herramientas de diseño elástico conocidas.

Cita: Gong, Y., Zhao, J. XGBoost-based ground motion model for constant-strength inelastic acceleration response spectra. Sci Rep 16, 15653 (2026). https://doi.org/10.1038/s41598-026-46656-x

Palabras clave: ingeniería sísmica, modelos de movimiento del suelo, aprendizaje automático, espectros de respuesta inelástica, diseño sísmico