⚡ electrical engineering

Physics-Constrained Conditional Generative Adversarial Networks for Synthetic Seismic Ground Motion Generation in Andean Low-Seismicity Subduction Zones: A Data-Augmentation Framework with Engineering Validation for Peru

Este estudo introduz uma estrutura de GAN condicional com restrições físicas que gera movimentos do solo sísmicos sintéticos e em conformidade com normas de engenharia para zonas de subducção andinas com escassez de dados, reduzindo significativamente a incerteza de perigo e permitindo estratégias de reforço estrutural de baixo custo para os assentamentos informais do Peru.

Autores originais: PAUL RICARDO PRUDENCIO GALVEZ

Publicado 2026-06-29

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: PAUL RICARDO PRUDENCIO GALVEZ

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: A "Biblioteca Vazia" de Terremotos

Imagine que você está tentando aprender a fazer o bolo perfeito, mas tem apenas três receitas para estudar. A maioria das melhores padarias do mundo (como no Japão ou na Califórnia) possui milhares de receitas, então elas sabem exatamente como fazer um bolo que não desmorone.

Mas em lugares como a costa central do Peru, a "biblioteca de terremotos" está quase vazia. Existem pouquíssimos registros de terremotos registrados lá porque eles ocorrem raramente (às vezes apenas uma vez a cada 150 anos). Como os engenheiros não têm dados reais de terremotos suficientes, eles estão adivinhando como os edifícios devem ser construídos. Isso leva a dois resultados ruins:

Subdimensionado: Os edifícios são fracos demais e podem cair.
Superdimensionado: Os edifícios são construídos com excesso de aço e concreto, desperdiçando dinheiro e recursos.

A Solução Antiga: O "Artista com Venda nos Olhos"

Os engenheiros tentaram usar computadores para inventar registros de terremotos falsos para preencher a biblioteca.

Métodos Matemáticos Antigos: Eles precisam de uma biblioteca enorme (mais de 100 registros reais) para funcionar. Como o Peru não tem isso, esses métodos falham.
IA Antiga (GANs): Modelos de IA mais novos conseguem aprender com bibliotecas pequenas (mesmo com apenas 30 registros). No entanto, esses modelos de IA são como artistas com venda nos olhos. Eles podem desenhar uma imagem que parece um terremoto, mas se você olhar de perto, a física está errada. Eles podem criar um terremoto que possui "energia negativa" (o que é impossível na vida real) ou que vibra em frequências que não fazem sentido. Os engenheiros não podem usar esses desenhos porque eles não seguem as leis da física.

A Nova Solução: O "Chef que Verifica a Física"

Este artigo apresenta um novo modelo de IA chamado gan condicional com restrição de física (pc-cGAN). Pense nisso não como um artista com venda nos olhos, mas como um chef que é estritamente supervisionado por um inspetor de segurança alimentar.

A IA tenta gerar registros de terremotos falsos, mas antes de poder "servir" o prato, ela deve passar por três testes rigorosos baseados em regras reais de engenharia:

O "Teste de Agitação" (PSA): O terremoto falso sacode os edifícios com a intensidade certa na velocidade certa? (Baseado nos códigos de construção dos EUA e do Peru).
O "Teste de Energia" (Intensidade de Arias): O terremoto falso possui a quantidade certa de energia total? Ele não pode criar energia do nada, nem deixá-la desaparecer.
O "Teste de Solo" (Vs30): A agitação condiz com o tipo de solo onde ela ocorre? A agitação em lama mole é diferente de uma agitação em rocha dura. A IA deve acertar isso.

Se a IA falhar em qualquer um desses testes, ela tem que tentar novamente. Ela continua aprendendo até produzir um terremoto falso que seja 98% complacente com a física do mundo real.

Os Resultados: Um Mapa Melhor para o Peru

Os pesquisadores treinaram esta IA usando 213 registros reais de terremotos da rede pública do Peru. Eles então a testaram em 40 registros que a IA nunca tinha visto.

Precisão: Os terremotos falsos da IA corresponderam aos reais com uma pontuação de 0,94 de 1,0. (Os métodos antigos pontuavam apenas em torno de 0,70).
Confiabilidade: 98% das saídas da IA passaram nos testes de física. Os métodos de IA antigos passavam apenas 32% das vezes.
O Impacto: Ao usar esta IA para preencher as lacunas na biblioteca de terremotos do Peru, a incerteza nos mapas de segurança caiu 38%.

Por Que Isso Importa para Lima

Em Lima, cerca de 70% dos edifícios são assentamentos informais (casas construídas sem licenças oficiais ou verificações de engenharia). Estes são os mais vulneráveis.

Como esta nova IA pode criar milhares de cenários de terremotos realistas e que respeitam a física a partir de pouquíssimos dados, os engenheiros agora podem:

Prever melhor como essas casas informais reagirão a um grande terremoto.
Criar diretrizes de reforço (retrofitting) mais baratas e precisas (como fortalecer casas existentes).
Parar de adivinhar e começar a projetar com confiança, potencialmente salvando vidas e dinheiro.

A Conclusão

Este artigo prova que você não precisa de uma biblioteca massiva de dados de terremotos para construir estruturas seguras em regiões de baixa atividade sísmica. Ao ensinar a IA a seguir as regras estritas da física (como um chef seguindo uma receita), podemos gerar dados de terremotos de alta qualidade e realistas que ajudam os engenheiros a proteger as pessoas em lugares como o Peru, mesmo quando os dados reais são escassos.

Resumo Técnico: GANs Condicionais com Restrições de Física para Movimentos do Solo Sísmicos Sintéticos em Zonas Andinas de Baixa Sismicidade

Definição do Problema
A avaliação do risco sísmico em regiões de baixa sismicidade — definidas como áreas com menos de 10 registros históricos de terremotos com magnitude $M_w > 6,5$ — enfrenta um desafio crítico de escassez de dados. Embora essas regiões abriguem 60% da população global, elas representam apenas 12% dos registros sísmicos mundiais. Essa escassez introduz incertezas nos mapas de perigo de até 45%, resultando em infraestruturas ou subdimensionadas ou superdimensionadas. Os métodos tradicionais de simulação estocástica exigem catálogos que excedam 100 registros para funcionar efetivamente, um limiar inalcançável nas zonas de subducção andinas, onde os intervalos de recorrência para eventos de grande magnitude excedem 150 anos. Por outro lado, embora as Redes Adversárias Generativas (GANs) não restritas possam aprender com conjuntos de dados menores (menos de 30 registros), elas frequentemente geram acelerogramas não físicos (ex: épocas de energia negativa, picos espectrais impossíveis) que são incompatíveis com os padrões de projeto de engenharia e com a Engenharia de Terremotos Baseada no Desempenho (PBEE).

Metodologia
O estudo propõe uma Rede Adversária Generativa Condicional com Restrições de Física (pc-cGAN) especificamente calibrada para a cinemática de subducção da placa de Nazca na costa central do Peru.

Conjunto de Dados: O modelo foi treinado em 213 acelerogramas de três componentes públicos da Rede Sismológica Nacional do Peru (RSNP), cobrindo magnitudes $M_w$ 6,5–8,0, incluindo metadados como distância epicentral, profundidade focal e velocidade de onda cisalhante ( $V_{s30}$ ). A validação foi realizada em um conjunto de teste de 40 registros usando validação cruzada de 10 dobras (10-fold cross-validation).
Arquitetura:
- Gerador: Aceita um vetor latente Gaussiano de 100 dimensões concatenado com um vetor de condicionamento $c = [M_w, R_{epi}, V_{s30}]$ . Utiliza cinco camadas de convolução transposta com ativação LeakyReLU e normalização por lote (batch normalization) para realizar o upsampling do dado de entrada em um histórico de aceleração de 6.000 amostras (60 s a 100 Hz).
- Discriminador: Uma rede convolucional de quatro camadas com Dropout ( $p=0,3$ ) que distingue entre sinais reais e sintéticos condicionados aos mesmos parâmetros.
Função de Perda com Restrições de Física: A inovação central é uma função de perda multiobjetivo ponderada ( $L_{total}$ $L_{t o t a l}$ ) que incorpora três restrições de engenharia civil verificáveis:
1. Correspondência de Aceleração Pseudo-Espectral (PSA): Garante a conformidade com a ASCE 7–22 e a Norma E.030-2018 ao minimizar o Erro Quadrático Médio (MSE) entre as curvas de PSA sintéticas e alvo nos períodos $T \in \{0,2, 0,5, 1,0, 2,0\}$ s.
2. Conservação de Energia Sísmica: Garante que a Intensidade de Arias ( $I_a$ ) e a Velocidade Absoluta Cumulativa (CAV) dos sinais sintéticos alinhem-se com as leis físicas (Hanks & Kanamori, 1979; FEMA 440).
3. Compatibilidade de Velocidade de Onda Cisalhante: Impõe compatibilidade espectral baseada em $V_{s30}$ e propriedades do solo (Aki & Richards, 2002).
- A perda total é formulada como $L_{total} = L_{adv} + \lambda_1 L_{PSA} + \lambda_2 L_{energy} + \lambda_3 L_{Vs}$ , com pesos calibrados via busca em grade (grid search) ( $\lambda_1=0,40, \lambda_2=0,30, \lambda_3=0,30$ ).
Validação: Os registros sintéticos foram validados contra equações de equilíbrio dinâmico de Grau de Liberdade Único (SDOF) e formulações de força cortante de base sísmica peruana (Norma E.030-2018).

Principais Contribuições

Arquitetura: Desenvolvimento de uma pc-cGAN que opera simultaneamente em catálogos pequenos, característicos das zonas de subducção andinas, enquanto incorpora a física da engenharia civil verificável diretamente na função de perda.
Benchmarking: Uma comparação validada por 10 dobras demonstrando que o modelo proposto supera tanto as simulações estocásticas tradicionais quanto as GANs não restritas.
Aplicação de Localização Específica: Demonstração de uma redução de 38% na incerteza do perigo sísmico para a costa central do Peru (Lima–Ica), abordando especificamente o risco de assentamentos informais, que constituem 70% do estoque de edifícios de Lima.
Escalabilidade: Uma análise mostrando o potencial de aplicabilidade do framework em outras zonas de subducção da América Latina com escassez de dados (ex: Chile, Equador, Colômbia) com retreinamento mínimo.

Resultados
A pc-cGAN alcançou as seguintes métricas de desempenho no conjunto de teste ( $n=40$ ):

Correlação de PSA: Um coeficiente de correlação de Pearson ( $R$ ) de 0,94 para as curvas de PSA (0,2–2,0 s), significativamente superior às GANs não restritas ( $R=0,71$ ) e simulações estocásticas ( $R=0,69$ ).
Conformidade Física: 98% dos sinais sintéticos atenderam simultaneamente às três restrições físicas, comparado a apenas 32% das GANs não restritas.
Métricas de Erro: O RMSE de PSA foi de 0,12 g (alvo < 0,15 g), e o CAV-RMSE foi de 0,05 g·s.
Redução de Incerteza: Ao aumentar o catálogo real (27 registros) com 1.000 registros sintéticos, o coeficiente de variação (CoV) para o PSA em $T=1,0$ s foi reduzido, resultando em uma redução de 38% na incerteza do perigo sísmico.
Eficiência: O modelo eliminou a necessidade de filtragem manual pós-geração, reduzindo os custos computacionais em aproximadamente 60% em comparação com fluxos de trabalho que exigem rejeição de sinais não físicos.

Significância e Alegações
O artigo alega que o framework pc-cGAN preenche a lacuna entre o aprendizado profundo baseado em dados e o rigor da engenharia. Ao garantir que os movimentos do solo gerados sejam não apenas estatisticamente semelhantes aos registros reais, mas também fisicamente consistentes com a ASCE 7–22 e a Norma E.030-2018, o modelo produz entradas diretamente utilizáveis para o projeto estrutural em conformidade com as normas sem intervenção manual.

Os autores destacam a significância prática para o Peru, onde os registros gerados permitem avaliações de vulnerabilidade probabilística mais precisas para assentamentos informais. Especificamente, a redução da incerteza do perigo permite uma mudança na classificação de risco (ex: de "Alta Incerteza" para "Moderada Incerteza" sob a ASCE 41–17), potencialmente evitando ordens de demolição desnecessárias e apoiando políticas de reforço estrutural baseadas em evidências sob o framework SINAGERD. O estudo conclui que esta abordagem oferece uma solução escalável e de baixo custo para a mitigação do risco sísmico em regiões com escassez de dados, embora reconheça limitações relativas a zonas de falhas crustais, correlação espacial e não linearidade de liquefação, que são identificadas como alvos para trabalhos futuros.