DOI:

https://doi.org/10.14483/23448350.18556

Publicado:

2022-09-01

Número:

Vol. 45 Núm. 3 (2022): septiembre-diciembre

Sección:

Ciencia y Tecnología

Inteligencia artificial aplicada al método Backward Seismic Analysis

Artificial Intelligence Applied to the Backward Seismic Analysis Method

Autores/as

  • Patricia-Andrea Möller-Acuña Universidad Autónoma de Chile https://orcid.org/0000-0003-0980-7735
  • Patricio-Andrés Pineda-Nalli PPN Ingeniería y consultoría

Palabras clave:

Learning Automatic, Anchored, Backward, , Random Forest, Tanks, Subduction (en).

Palabras clave:

Aprendizaje Automático, Anclado, Backward, Estanque, Random Forest, Subducción (es).

Descargas

Resumen (es)

Este trabajo presenta aplicaciones del método Backward Seismic Analysis (BSA) para estanques de acero de acuerdo con una base de datos que recopila más de 382 estanques de acero en operación durante terremotos de subducción: el ocurrido en Valdivia en 1960, en Chile Central en 1985, en Tocopilla en 2007, el último de gran magnitud registrado en el Maule en 2010, en Alaska en 1964 y otros de Estados Unidos entre 1933 y 1995 (subductivos y corticales). Se ha registrado que gran parte de los estanques sin sistemas de anclajes han fallado durante grandes terremotos. Estos han sido diseñados principalmente con los códigos API 650-E, AWWA-D100 y NZSEE, los cuales proponen procedimientos equivalentes para estimar las demandas sísmicas, pero con métodos de diseño distintos. Durante diferentes conferencias se evaluaron las causas que originaron las fallas, concluyendo que los estanques estaban diseñados principalmente con el estándar API 650-E y no disponían de sistemas de anclajes. Además, los códigos de diseño más utilizados no consideran en la actualidad los aspectos relevantes que condicionan la respuesta sísmica de los estanques de acero. Este trabajo desarrolla un modelo de predicción basado en la información histórica ya descrita, capaz de predecir de manera eficiente si un estanque presentará fallas durante algún terremoto. Se evaluaron diversos algoritmos, encontrando que el método Random Forest exhibe los mejores resultados. Los resultados obtenidos en la predicción de fallas de estanques alcanzan más del 90 % de eficiencia en la mayoría de los escenarios evaluados.

Resumen (en)

This work presents applications of the Backward Seismic Analysis (BSA) method for steel storage tanks using a data base of more than 382 steel storage tanks in operation during large subductive earthquakes: Valdivia 1960, Central Chile 1985, Tocopilla 2007, El Maule 2010, Alaska 1964, and others in the United States between 1933 and 1995 (subductive and cortical). It has been recorded that most of the steel storage tanks without anchor systems have failed during large earthquakes. These have been designed with the standards API 650-E, AWWA-D100, and NZSEE, which propose similar procedures for estimating seismic forces, but with different design methods. During different conferences, the causes of the failures were evaluated, concluding that the tanks were designed mainly with the API 650-E code and were unanchored. Moreover, the design codes employed do not consider relevant aspects that condition the seismic response of steel storage tanks. This work develops a prediction model based on the historical information already described, which is capable of efficiently predicting if a steel storage tank will suffer any failures during an earthquake. Various algorithms were evaluated, finding that the Random Forest method exhibits the best results. The results obtained in the prediction of steel storage tank failures reach more than 90% efficiency in most of the evaluated scenarios.

Referencias

American Petroleum Institute (API). (2013). API Standard 650: Welded Tanks for Oil Storage

American Water Works Association (AWWA) (2011). AWWA D100-11: Welded Carbon Steel Tanks for Water Storage

Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324

CRAN. (s.f.a). The Comprehensive R Archive Network. https://cran.r-project.org

CRAN. (s.f.b). randomForest. https://cran.r-project.org/web/packages/randomForest/randomForest.pdf

CRAN. (s.f.c). RWeka. https://cran.r-project.org/web/packages/RWeka/RWeka.pdf

Dagnino, S. (2014). Ánalisis de varianza. Revisa Chilena de Anestesia, 43(4), 306-310

Deshmukh, R., Wangikar, V. (2015). Data cleaning: Current approaches and issues. En IEEE International Conference on Knowledge Engineering

Hernández, J. (2007). Introducción a la minería de datos. Alhambra

Instituto Chileno del Acero (ICHA). (2021). Anteproyecto Norma Técnica Chilena. Diseño sísmico de estanques atmosféricos de acero apoyados en el suelo. Chile

Japkowicz, N. (2000). Learning from imbalanced data sets: A comparison of various strategies. AAAI Workshop (pp. 10-15)

McHugh, M. L. (2013). The Chi-square test of independence Lessons in biostatistics. Biochemia Medica, 23(2), 143-149. https://doi.org/10.11613/bm.2013.018

Mitchell, T. (1990). An Artificial Intelligence Approach

Möller-Acuña, P., Ahumada-García, R., Reyes-Suárez, J. A. (2017). Machine learning for prediction of frost episodes in the Maule region of Chile. En Ubiquitous Computing and Ambient Intelligence (pp. 715-720). https://doi.org/10.1007/978-3-319-67585-5_69

New Zealand Society for Earthquake Engineering (NZSEE). (2009). Seismic Design of Storage Tanks.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E., (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830

Pineda, P. (2019). Análisis sísmico Backward de estanques atmosféricos de acero. (Tesis de Magíster). Universidad de Chile

Pineda, P. (2020). Tank design recommendations for seismic codes on critical industrial facilities. En 17th World Conference on Earthquake Engineering

Pineda, P. (2021). Proposal of seismic coefficient and estimate for horizontal sliding for steel tanks by Backward Seismic Analysis (BSA) method. En 10th International Conference on the Behaviour of Steel Structures in Seismic Areas. https://doi.org/10.1007/978-3-031-03811-2_120

Pineda, P., Saragoni, G. R. (2003). Backward seismic analysis of steel tanks. En 8th International Conference on Behaviour of Steel Structures in Seismic Areas

Pineda, P., Saragoni, G. R. (2017). Analysis of steel tanks in Chile subduction earthquakes. En 16th World Conference on Earthquake Engineering

Pineda, P., Saragoni, G. R. (2019). Diseño sísmico de estanques de acero basado en el método análisis sísmico Backward. En XII Congreso Chileno de Sismología en Ingeniería Sísmica

Pineda P., Saragoni, G. R., Arze, E. (2011). Performance of steel tanks in Chile 2010 and 1985 earthquakes. En 7th International Conference on Behaviour of Steel Structures in Seismic Areas (pp. 337-342)

Rish, I. (2001). An empirical study of the naive Bayes classifier. En JCAI Workshop on Empirical Methods in AI

Wang, Q. Q., Yu S. C., Qi X., Hu Y. H., Zheng W. J., Shi J. X., Yao H. Y. (2019). Overview of logistic regression model analysis and application. Chinese Journal of Preventive Medicine, 53(9), 955-960

Cómo citar

APA

Möller-Acuña, P.-A., & Pineda-Nalli, P.-A. (2022). Inteligencia artificial aplicada al método Backward Seismic Analysis. Revista Científica, 45(3), 369–377. https://doi.org/10.14483/23448350.18556

ACM

[1]
Möller-Acuña, P.-A. y Pineda-Nalli, P.-A. 2022. Inteligencia artificial aplicada al método Backward Seismic Analysis. Revista Científica. 45, 3 (sep. 2022), 369–377. DOI:https://doi.org/10.14483/23448350.18556.

ACS

(1)
Möller-Acuña, P.-A.; Pineda-Nalli, P.-A. Inteligencia artificial aplicada al método Backward Seismic Analysis. Rev. Cient. 2022, 45, 369-377.

ABNT

MÖLLER-ACUÑA, P.-A.; PINEDA-NALLI, P.-A. Inteligencia artificial aplicada al método Backward Seismic Analysis. Revista Científica, [S. l.], v. 45, n. 3, p. 369–377, 2022. DOI: 10.14483/23448350.18556. Disponível em: https://revistas.udistrital.edu.co/index.php/revcie/article/view/18556. Acesso em: 26 sep. 2022.

Chicago

Möller-Acuña, Patricia-Andrea, y Patricio-Andrés Pineda-Nalli. 2022. «Inteligencia artificial aplicada al método Backward Seismic Analysis». Revista Científica 45 (3):369-77. https://doi.org/10.14483/23448350.18556.

Harvard

Möller-Acuña, P.-A. y Pineda-Nalli, P.-A. (2022) «Inteligencia artificial aplicada al método Backward Seismic Analysis», Revista Científica, 45(3), pp. 369–377. doi: 10.14483/23448350.18556.

IEEE

[1]
P.-A. Möller-Acuña y P.-A. Pineda-Nalli, «Inteligencia artificial aplicada al método Backward Seismic Analysis», Rev. Cient., vol. 45, n.º 3, pp. 369–377, sep. 2022.

MLA

Möller-Acuña, P.-A., y P.-A. Pineda-Nalli. «Inteligencia artificial aplicada al método Backward Seismic Analysis». Revista Científica, vol. 45, n.º 3, septiembre de 2022, pp. 369-77, doi:10.14483/23448350.18556.

Turabian

Möller-Acuña, Patricia-Andrea, y Patricio-Andrés Pineda-Nalli. «Inteligencia artificial aplicada al método Backward Seismic Analysis». Revista Científica 45, no. 3 (septiembre 1, 2022): 369–377. Accedido septiembre 26, 2022. https://revistas.udistrital.edu.co/index.php/revcie/article/view/18556.

Vancouver

1.
Möller-Acuña P-A, Pineda-Nalli P-A. Inteligencia artificial aplicada al método Backward Seismic Analysis. Rev. Cient. [Internet]. 1 de septiembre de 2022 [citado 26 de septiembre de 2022];45(3):369-77. Disponible en: https://revistas.udistrital.edu.co/index.php/revcie/article/view/18556

Descargar cita

Visitas

12

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.