⚡ ingeniería eléctrica

Quantifying Epistemic Uncertainty in Ground Motion Prediction Using Bayesian Neural Networks: Application to Peninsular India

Este estudio desarrolla un modelo de movimiento del suelo mediante redes neuronales bayesianas para la India peninsular que separa y cuantifica eficazmente la incertidumbre epistémica de la variabilidad aleatoria, demostrando que la propagación de esta incertidumbre epistémica dependiente del escenario a través del análisis probabilístico de la amenaza sísmica produce estimaciones de aceleración espectral significativamente más altas y precisas que los enfoques tradicionales de solo aleatoriedad, particularmente para periodos de retorno largos en regiones con escasez de datos.

Autores originales: Yellapragada Meenakshi, STG. Raghukanth

Publicado 2026-10-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yellapragada Meenakshi, STG. Raghukanth

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cuando la tierra se sacude, la violencia del suelo bajo nuestros pies no es un número único y predecible. Es un evento complejo y caótico que depende de qué tan grande sea el terremoto, qué tan lejos esté, qué tipo de suelo sostenga el terreno y qué tan profunda sea la ruptura. Para los ingenieros que diseñan hospitales, puentes y rascacielos, conocer la fuerza probable de este movimiento es una cuestión de vida o muerte. Ellos confían en modelos matemáticos para predecir estas fuerzas, pero en muchas partes del mundo, los datos necesarios para construir estos modelos son escasos. En regiones como la India Peninsular, donde los terremotos son menos frecuentes que en lugares como Japón o California, los científicos tienen muy pocos registros de sacudidas reales para estudiar. Esta falta de datos crea un tipo específico de problema: no solo que los modelos puedan estar equivocados, sino que los propios científicos no sepan qué tan equivocados podrían estar. Esto se llama incertidumbre epistémica, una medida de las brechas en el conocimiento humano. Si un modelo pretende ser más seguro de lo que los datos permiten, puede dar lugar a edificios que son peligrosamente débiles o que están sobrediseñados de forma innecesaria.

Un equipo de investigadores del Instituto Indio de Tecnología de Madras ha abordado este problema construyendo una nueva clase de herramienta de predicción para la India Peninsular. En lugar de utilizar un programa informático estándar que ofrece una respuesta única y fija, crearon un sistema basado en redes neuronales bayesianas. Piense en esto como un cerebro digital que no solo aprende un conjunto de reglas, sino que aprende a comprender los límites de su propio conocimiento. Al alimentar al sistema con miles de registros de terremotos de la India y de otras regiones estables, los investigadores le enseñaron a predecir la intensidad del movimiento del suelo, desde la sacudida inicial hasta las ondas largas y ondulantes que la siguen. El resultado es un modelo que no solo dice "la sacudida será de esta intensidad", sino "la sacudida probablemente será de esta intensidad, y aquí está el rango de posibilidades que no podemos descartar".

Los investigadores recopilaron una colección masiva de datos, reuniendo casi 40,000 registros de más de 3,000 terremotos. Debido a que los datos de movimiento fuerte en la India Peninsular son escasos, tuvieron que mezclar estos registros locales con datos de otras regiones continentales estables, como el centro y el este de los Estados Unidos. Esto creó un conjunto de datos rico pero desigual, dominado por terremotos menores y carente de muchos registros de los eventos masivos y poco frecuentes que ocurren en otros lugares. El nuevo modelo aprendió a navegar este paisaje desigual, prediciendo cómo se movería el suelo para diferentes magnitudes, distancias y tipos de suelo. Reprodujo con éxito la realidad física de cómo la sacudida se atenúa con la distancia y cómo se amplifica en suelos más blandos, logrando un alto nivel de precisión en sus predicciones.

Lo que hace que este trabajo sea distinto es cómo separa dos tipos diferentes de incertidumbre. El primero es la variabilidad aleatoria, que es el caos natural y aleatorio de un terremoto. No hay dos terremotos exactamente iguales, incluso si tienen el mismo tamaño y distancia; el suelo siempre se sacudirá de forma diferente. La segunda es la incertidumbre epistémica, que es la incertidumbre en el propio modelo. En este estudio, los investigadores descubrieron que la aleatoriedad natural de la sacudida es bastante grande, con desviaciones estándar que oscilan entre 0.76 y 0.89 en unidades logarítmicas. En contraste, la incertidumbre sobre las propias predicciones del modelo es mucho menor, situándose entre aproximadamente 0.04 y 0.11. Esto significa que el modelo tiene bastante confianza en su estructura, pero el mundo real sigue siendo un lugar ruidoso e impredecible. Crucialmente, el modelo mostró que esta incertidumbre no es la misma en todas partes. Crece para las sacudidas de periodo largo, que afectan a los edificios altos, y en áreas donde los datos son escasos, como en el caso de terremotos muy grandes alejados de las estaciones de registro.

La verdadera prueba de este nuevo enfoque llegó cuando los investigadores lo aplicaron a cálculos de seguridad del mundo real para cuatro importantes ciudades indias: Mumbai, Chennai, Bangalore y Hyderabad. Realizaron simulaciones para ver cómo la inclusión de esta "incertidumbre sobre el modelo" cambiaba las estimaciones finales de seguridad. Descubrieron que la respuesta depende en gran medida de la ciudad específica y del tipo de edificio. Para algunas ubicaciones, ignorar la incertidumbre del modelo llevó a subestimar el riesgo de sacudidas catastróficas y poco comunes. Para otras, la diferencia fue mínima. El estudio demostró que no se puede simplemente añadir un margen de seguridad fijo a una predicción para compensar estos desconocidos. En cambio, la incertidumbre debe estar tejida directamente en el cálculo, cambiando el resultado de manera distinta para un edificio bajo en una ciudad frente a una torre alta en otra.

Los investigadores validaron su modelo comprobándolo con los pocos terremotos importantes que han afectado a la India Peninsular en la historia reciente, como los eventos de Koyna en 1967 y Bhuj en 2001. Las predicciones del modelo coincidieron bien con los patrones de sacudida observados, cayendo dentro del rango de incertidumbre esperado. Esto sugiere que la herramienta es lo suficientemente robusta como para ser utilizada en el diseño de infraestructuras más seguras en una región donde los datos son difíciles de obtener. Al cuantificar explícitamente lo que no saben, los investigadores han proporcionado una imagen más honesta y completa del riesgo sísmico. Su trabajo demuestra que, en ausencia de datos perfectos, la mejor manera de proteger a una ciudad no es pretender que los datos son perfectos, sino construir un modelo que comprenda sus propios límites.

Resumen Técnico: Cuantificación de la Incertidumbre Epistémica en la Predicción de Movimientos del Suelo mediante Redes Neuronales Bayesianas: Aplicación al Península de la India

Planteamiento del Problema
El Análisis Probabilístico de Peligrosidad Sísmica (PSHA, por sus siglas en inglés) en regiones con escasez de datos, como la Península de la India (PI), enfrenta desafíos significativos debido al registro limitado de movimientos fuertes y al muestreo incompleto de magnitud, distancia y condiciones de sitio. Los Modelos de Predicción de Movimientos del Suelo (GMM) existentes para esta región típicamente proporcionan predicciones de la mediana sin cuantificar directamente la incertidumbre epistémica posterior (incertidumbre derivada del conocimiento incompleto y la estructura del modelo). Una caracterización inadecuada de esta incertidumbre puede conducir a predicciones excesivamente confiadas y estimaciones de peligro mal restringidas. Aunque los árboles de lógica se utilizan comúnment de forma común para representar la incertidumbre epistémica, a menudo no logran capturar la plenitud de la incertidumbre específica de la región objetivo o la naturaleza de la incertidumbre del modelo dependiente del periodo y el escenario.

Metodología
Este estudio desarrolla un Modelo de Predicción de Movimientos del Suelo basado en Redes Neuronales Bayesianas (BNN-GMM) específicamente para la Península de la India para abordar estas limitaciones.

Base de Datos: El modelo utiliza una base de datos compuesta de 39,835 registros de 3,010 eventos, compilados del registro PEER NGA-East, el conjunto de datos de Gupta et al. (2017), el archivo plano NEar-Source Strong-motion (NESS) y registros regionales de los terremotos de Bhuj, Jabalpur y Koyna. El conjunto de datos está dominado por eventos de magnitud pequeña a moderada (Mw 3.0–4.0) y depende fuertemente de estimaciones basadas en proxies de $V_{S30}$ .
Arquitectura del Modelo: El modelo predice la Aceleración Pico del Suelo (PGA), la Velocidad Pico del Suelo (PGV) y la Aceleración Pseudo-espectral al 5%-amortiguado (PSA) en 20 periodos (0.01–3.0 s) como funciones de la Magnitud de Momento ( $M_w$ $M_{w}$ ), la Distancia de Joyner–Boore ( $R_{jb}$ $R_{j b}$ ), $V_{S30}$ $V_{S 30}$ y la profundidad focal.
- La red emplea una formulación parcialmente bayesiana con dos capas ocultas donde los pesos y sesgos son tratados como variables aleatorias con distribuciones gaussianas de campo medio.
- La capa de salida permanece determinista, prediciendo la media condicional y la log-varianza para cada medida de intensidad.
- El entrenamiento se realiza mediante inferencia variacional para aproximar la distribución posterior de los parámetros de la red, minimizando el límite inferior de evidencia negativa (ELBO).
- Los hiperparámetros (por ejemplo, tasa de aprendizaje, anchura de la capa oculta) fueron optimizados mediante optimización bayesiana (marco de trabajo Optuna).
Cuantificación de la Incertidumbre:
- Incertidumbre Epistémica: Se cuantifica mediante el muestreo de Monte Carlo de los parámetros de la red posterior (100 muestras por predicción). La variabilidad de estas muestras representa la incertidumbre en la predicción de la mediana del modelo.
- Variabilidad Aleatoria: Se estima de forma independiente mediante la descomposición de los residuos logarítmicos utilizando un modelo de efectos mixtos (REML) para separar los componentes entre eventos, de sitio a sitio y dentro del evento.
Validación y PSHA: El modelo fue validado contra métricas estadísticas, tendencias de residuos y registros de terremotos significativos de la PI (Bhuj y Koyna). Se realizó un análisis de sensibilidad de PSHA para Mumbai, Chennai, Bangalore y Hyderabad, comparando tres escenarios: (i) variabilidad total (aleatoria + epistémica propagada), (ii) solo aleatoria, y (iii) aleatoria con una aproximación de árbol de lógica de tres ramas de la distribución epistémica.

Resultados Clave

Desempeño Predictivo: El BNN-GMM logró un $R^2$ de prueba de 0.817 y un Error Cuadrático Medio (MSE) de 0.824. El modelo reprodujo con éxito el escalamiento físicamente consistente para magnitud, distancia, condiciones de sitio y profundidad focal, sin un sesgo sistemático significativo en los residuos.
Caracterización de la Incertidumbre:
- Variabilidad Aleatoria: Las desviaciones estándar totales de la aleatoriedad ( $\sigma_{total}$ ) oscilaron entre 0.76 y 0.89 unidades de logaritmo natural. Notablemente, el componente de sitio a sitio ( $\phi_{S2S}$ ) superó al componente de estación única ( $\phi_{SS}$ ) en todos los periodos, atribuido a la dependencia de las estimaciones de $V_{S30}$ basadas en proxies en la base de datos.
- Incertidumbre Epistémica: Las desviaciones estándar epistémicas oscilaron aproximadamente entre 0.04 y 0.11 unidades de logaritmo natural. Esta incertidumbre fue dependiente del periodo y del escenario, aumentando en las regiones de muestreo escaso del espacio de predictores (por ejemplo, grandes distancias o rangos específicos de magnitud) y aumentando generalmente con el periodo del oscilador.
Sensibilidad de PSHA: La propagación de la incertidumbre epistémica derivada de BNN a través de la integral de peligro resultó en incrementos sistemáticos en las estimaciones de aceleración espectral en comparación con los tratamientos de solo aleatoriedad, particularmente en periodos de retorno largos (2,475 años) para Mumbai y Hyderabad. El estudio encontró que la incertidumbre epistémica no puede representarse adecuadamente mediante un ajuste uniforme a la mediana del movimiento del suelo; su impacto varía significativamente con el sitio, el periodo espectral y la tasa de excedencia anual.
Aproximación de Árbol de Lógica: El estudio demostró que un árbol de lógica de tres ramas (usando los percentiles 5, 50 y 95 de la distribución epistémica) aproxima eficazmente la propagación continua de la posterior para los casos considerados.

Significancia y Reivindicaciones
El artículo sostiene que el BNN-GMM desarrollado proporciona un marco robusto para la predicción de movimientos del suelo en regiones con escasez de datos mediante la separación y cuantificación explícita de la incertidumbre epistémica de la variabilidad aleatoria. Las contribuciones clave son:

Avance Metodológico: Demostrar la aplicación de la inferencia bayesiana variacional al modelado de movimientos del suelo para regiones continentales estables, yendo más allá de las estimaciones puntuales deterministas hacia distribuciones predictivas completas.
Caracterización del Peligro: Mostrar que la incertidumbre epistémica no es un factor constante, sino que depende altamente del escenario específico (magnitud, distancia, periodo) y de las condiciones del sitio.
Implicación Práctica: Argumentar que para regiones con datos escasos como la Península de la India, los cálculos de peligro deben propagar la incertidumbre epistémica dependiente del periodo y el escenario (ya sea mediante muestreo continuo o ramas de árboles de lógica discretas) en lugar de depender únicamente de la variabilidad aleatoria o de ajustes uniformes. Esto conduce a una caracterización más completa de las probabilidades de excedencia de movimiento del suelo, particularmente para eventos de baja probabilidad y alta consecuencia.

Los autores reconocen las limitaciones, incluyendo la escasez de registros de magnitud grande cerca de la fuente y el uso extensivo de parámetros de sitio basados en proxies, lo que probablemente contribuye a la observada variabilidad de sitio a sitio. Concluyen que, si bien el modelo proporciona estimaciones fiables dentro del rango de interpolación de los datos disponibles, el trabajo futuro debería incorporar parámetros de sitio medidos y registros regionales adicionales para reducir aún más la incertidumbre.

Más como este