Thesis: Estimación de Series de Inundación por Tsunamis Utilizando Datos de Sistemas de Navegación Global por Satélite (GNSS) mediante Redes Neuronales
| datacite.subject.fos | Engineering and technology::Civil engineering | |
| dc.contributor.correferente | Valle Vidal, Carlos (Pontificia Universidad Católica de Valparaíso) | |
| dc.contributor.department | Departamento de Obras Civiles | |
| dc.contributor.guia | Catalan Mondaca, Patricio Andres | |
| dc.contributor.patrocinante | Otro | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Nuñez Codoseo, Jorge Eliseo | |
| dc.date.accessioned | 2025-08-18T14:25:41Z | |
| dc.date.available | 2025-08-18T14:25:41Z | |
| dc.date.issued | 2025-08-05 | |
| dc.description.abstract | Los sistemas de alerta temprana ante tsunamis requieren métodos eficientes y precisos para estimar el peligro en tiempo real. Aunque las modelaciones numéricas basadas en las ecuaciones de aguas poco profundas permiten calcular con alta fidelidad la propagación y la inundación por tsunami, su elevado costo computacional y la dependencia de una estimación precisa de la fuente sísmica limitan su aplicación en contextos operativos. En este trabajo, se propone un modelo basado en redes neuronales convolucionales unidimensionales (CNN-1D) que, a partir de registros GNSS de menos de 9 minutos, calcula la serie de inundación en tierra sin necesidad de estimar la fuente ni de esperar registros prolongados en el mar. Se comparan distintas metodologías, incluyendo un enfoque directo; un esquema en dos etapas que primero predice series de la elevación instantánea de la superficie libre (η) y luego la inundación; y una arquitectura Branch-CNN que busca mejorar la predicción de la inundación incorporando series η durante el entrenamiento. Los modelos fueron entrenados con una base de datos sintética compuesta por 13.000 escenarios generados mediante modelaciones numéricas del movimiento cinemático de la corteza terrestre, la propagación del tsunami y la inundación. Los resultados indican que el enfoque en dos etapas alcanza el mejor desempeño general. Por su parte, la arquitectura Branch-CNN mejora el proceso de aprendizaje al ajustar dinámicamente los pesos de pérdida, aunque no supera la precisión del enfoque en dos etapas. Adicionalmente, se validó el modelo utilizando registros GNSS reales del terremoto y tsunami de Illapel 2015 (Mw 8.4), obteniendo resultados altamente precisos para el pronóstico en Viña del Mar (ViB). Si bien en el caso de Coquimbo (CoB) la predicción no es tan exacta, está coincidió con el nivel de peligrosidad observado, lo que refuerza el potencial de esta herramienta como una alternativa rápida y eficaz para el cálculo de series de tsunamis en sistemas de alerta temprana. | es |
| dc.description.abstract | Tsunami early warning systems require efficient and accurate methods to assess hazard in real time. Although numerical simulations based on the shallow water equations can compute tsunami propagation and inundation with high fidelity, their high computational cost and reliance on an accurate estimation of the seismic source limit their applicability in operational contexts. This work proposes a model based on one-dimensional convolutional neural networks (1D-CNN) that, using GNSS records shorter than 9 minutes, directly estimates the inland inundation time series without the need to estimate the source or wait for long offshore recordings. Several methodologies are compared, including a direct approach; a two-stage scheme that first predicts time series of the instantaneous free-surface elevation (η) and then the inundation; and a Branch-CNN architecture that aims to enhance inundation prediction by incorporating η series during training. The models were trained on a synthetic dataset comprising 13,000 scenarios generated through numerical simulations of the kinematic motion of the seafloor, tsunami propagation, and coastal inundation. Results show that the two-stage approach achieves the best overall performance. The Branch-CNN architecture, while improving the learning process by dynamically adjusting loss weights, does not surpass the accuracy of the two-stage scheme. Additionally, the model was validated using real GNSS records from the 2015 Illapel earthquake and tsunami (Mw 8.4), achieving highly accurate predictions for the Viña del Mar (ViB) case. While the prediction for Coquimbo (CoB) was less accurate, it still matched the observed hazard level, highlighting the potential of this tool as a fast and effective alternative for tsunami time series forecasting in early warning systems. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Civil | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 75 páginas. | |
| dc.identifier.doi | 10.71959/pk3v-vw81 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3947 | |
| dc.identifier.uri | https://doi.org/10.71959/pk3v-vw81 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Series de inundación por tsunami | |
| dc.subject | Redes neuronales convolucionales (CNN) | |
| dc.subject | Sistemas de Navegación Global por Satélite (GNSS). | |
| dc.subject.ods | 11 Ciudades y comunidades sostenibles | |
| dc.subject.ods | 3 Salud y bienestar | |
| dc.title | Estimación de Series de Inundación por Tsunamis Utilizando Datos de Sistemas de Navegación Global por Satélite (GNSS) mediante Redes Neuronales | |
| dspace.entity.type | Tesis |
Política de Privacidad 
