Resumen

Examinar el efecto de fuertes movimientos del terreno en estructuras de ingeniería civil es importante, ya que afecta a la seguridad pública. El presente estudio selecciona inicialmente veintiún puentes de más de 500 m de longitud en la autopista Formosa de Taiwán y recoge una serie de datos sísmicos registrados en estaciones de control cercanas a estos puentes. A continuación, se utilizan tres parámetros sísmicos: profundidad focal, distancia del epicentro y magnitud local como conjuntos de datos de entrada, y se desarrolla un modelo para estimar el parámetro sísmico clave -la aceleración pico del terreno- para cada uno de los puentes utilizando el enfoque de red neuronal. Este modelo se combina finalmente con un método de distribución simple y un nuevo método basado en el peso para estimar la aceleración pico del terreno en cada uno de los puentes a lo largo de la autopista. Basándose en el valor de diseño sísmico del código de edificación vigente como criterio de evaluación, el modelo identifica cinco puentes, de todos los investigados, que pueden estar sometidos a aceleraciones horizontales máximas del terreno significativamente superiores a las recomendadas para el diseño en el código de edificación. Así pues, el método presentado en este estudio proporciona una valiosa referencia para tratar datos sísmicos no lineales mediante el desarrollo de modelos de redes neuronales, y el enfoque presentado también es aplicable a otras áreas de interés en todo el mundo.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:puentes, aceleración máxima del terreno, modelo, aceleraciones máximas del terreno horizontales más elevadas, estructuras de ingeniería civil, código de edificación vigente, conjuntos de datos de entrada, parámetro sísmico clave, enfoque de red neuronal, modelo de red neuronal
• Keywords:bridges, peak ground acceleration, model, higher horizontal peak ground accelerations, civil engineering structures, current building code, input data sets, key seismic parameter, neural network approach, neural network model