Ingeniería Civil con mención en Gestión de Riesgos Naturales

URI permanente para esta colecciónhttp://54.81.141.168/handle/123456789/171482

Explorar

Mostrando 1 - 2 de 2

Texto completo enlazado
Análisis de vulnerabilidad física para la prevención del riesgo sísmico en el AH Lomo de Corvina, Villa El Salvador
(Pontificia Universidad Católica del Perú, 2022-08-11) Fasabi Ruiz, Marco Aurelio; Kahhat Abedrabbo, Ramzy Francis
El Perú es un país ubicado en la zona conocida como el Cinturón de Fuego del Pacífico, una zona propensa a la ocurrencia de movimientos sísmicos. Esto lo convierte en un territorio susceptible a eventos sísmicos. Dentro del territorio peruano existen zonas con mayor grado de vulnerabilidad física que otras ya sea por el tipo de suelo, condiciones geográficas entre otros, siendo una de las que tienen un alto grado de vulnerabilidad física como lo es Lomo de Corvina, distrito de Villa El Salvador. A fin de evaluar el grado de vulnerabilidad en el que se encuentra, este estudio emplea una metodología debidamente secuenciada para medir la vulnerabilidad física en base a la cantidad de escombros generados después de un evento sísmico. Esta metodología implica una etapa de caracterización, una etapa de estimación probabilística de daños en base a funciones de escombros usando la herramienta CAPRA – GIS y una etapa de análisis de flujo de materiales. Con esta última etapa se caracterizan y cuantifican los escombros asociados a un evento sísmico y la cantidad de nuevos materiales para la etapa de reconstrucción. Los resultados obtenidos demuestran que realmente esta zona es de alta vulnerabilidad física, susceptible a eventos sísmicos de gran magnitud. Se obtuvieron 202 mil toneladas de escombros para el escenario leve, 635 mil toneladas de escombros para el escenario moderado y 1.11 millones de toneladas de escombros para el escenario severo. En base al porcentaje de daños con respecto al stock de materiales es posible estimar que el asentamiento humano de Lomo de Corvina tiene un alto nivel de riesgo sísmico. Finalmente, se realiza un análisis de flujo de materiales para las viviendas de albañilería Con el que se estima que se necesitarán 271 mil toneladas de concreto y 517 mil toneladas de ladrillo para reconstruir la zona. Se concluye que la zona es altamente vulnerable. Con esta conclusión se hacen recomendaciones para la realidad de la zona y para la evacuación de escombros tras un sismo de gran magnitud.
Texto completo enlazado
Identificación de edificaciones colapsadas mediante imágenes satelitales, curvas de fragilidad, mapas de demanda y redes neuronales
(Pontificia Universidad Católica del Perú, 2024-09-09) Portillo Cazorla, Aymar Raúl; Moya Huallpa, Luis Angel
Esta tesis presenta un método innovador para identificar con rapidez las áreas afectadas por sismos. El método se distingue por su capacidad para operar con información limitada y aún así obtener resultados precisos. Utiliza una combinación de imágenes satelitales previas y posteriores al evento, inventarios de edificaciones, curvas de fragilidad, mapas de demanda sísmica y muestras etiquetadas recopiladas poco después del desastre. La característica central del método es su uso de redes neuronales que con una mínima cantidad de muestras etiquetadas, tan pocas como seis, como se demostró en el terremoto de Kumamoto de 2016, pueden clasificar grandes cantidades de datos sobre la fragilidad de las edificaciones en las áreas afectadas. Estas muestras se obtienen de fuentes verificables, se geolocalizan y se registran para su uso en la calibración de la red neuronal, lo que permite una evaluación rápida y precisa de áreas colapsadas. Los resultados obtenidos con este enfoque han demostrado ser efectivos, alcanzando una precisión promedio del 87% en el terremoto de Kumamoto de 2016 y del 82% en el terremoto de Turquía-Siria de 2023. El método destaca por su capacidad para analizar áreas extensas de manera eficiente, lo que lo hace ideal para ser utilizado como parte de la respuesta inmediata tras sismos importantes. Aunque el método es funcional y rápido, se han identificado oportunidades para mejoras futuras. Por ejemplo, es necesario optimizar la arquitectura de la red neuronal y evaluar el impacto del número de muestras etiquetadas utilizadas para la calificación. Además, probar el método en diversos contextos es crucial para validar su versatilidad y detectar posibles deficiencias que pueden ser corregidas posteriormente.