Análisis de algoritmos de machine learning para predicción de aceleraciones sísmicas máximas en México

Abstract

Este trabajo tiene como objetivo realizar un análisis de algoritmos de aprendizaje automático para determinar cuál modelo explica mejor el comportamiento de los datos de aceleración sísmica en México. Se detallan los procesos de recolección de datos provenientes de las bases del Instituto de Ingeniería UNAM y del Centro de Instrumentación y Registro Sísmico, así como su procesamiento previo. Se implementan diversos algoritmos, incluidos métodos lineales, reducción de dimensionalidad, árboles de decisión y métodos compuestos. Los resultados se evalúan utilizando el coeficiente de determinación (R^2) y el error cuadrático medio (RMSE), encontrando que el algoritmo de gradiente extremo (XGBoost) produce las mejores predicciones, con una precisión del 75.8%. Se presenta un ejemplo en el que se comparan los valores obtenidos por el modelo de predicción con los valores reales, demostrando su alta capacidad para adaptarse a la complejidad de los datos sísmicos analizados. Además, se ilustra su aplicación en la simulación de la respuesta sísmica del país ante dos eventos hipotéticos de magnitudes 6.8 y 7.8 en la escala de momento, ambos con epicentro en la trinchera mesoamericana. Se sugiere la posible aplicación de este algoritmo para mejorar la predicción de aceleraciones sísmicas, con el objetivo de optimizar la preparación de los servicios de protección civil ante estos eventos, aunque se reconocen sus limitaciones debido a la falta de datos de calidad para el entrenamiento.