Académique Documents
Professionnel Documents
Culture Documents
Santiago, Chile
2019
GMPEs PARA UN SISTEMA DE ALERTA TEMPRANA DE TERREMOTOS
Santiago, Chile
2019
Dedicado al Seba.
Aunque no vibremos igual,
te siento a mi lado aún.
Solo son momentos.
Agradecimientos
Agradecer a Abelardo Julio por aceptarme en su oficina para realizar mis prácticas,
por contribuir en mi desarrollo profesional y por incentivarme a ser una geotécnica.
Todo este estudio está impulsado por la motivación que significa la posibilidad de
implementar en Chile el nuevo sistema de alerta temprana de terremotos japonés,
que permita en tiempo real y de manera simplificada, estimar la intensidad sísmica
basada en predicciones de magnitud para terremotos de subducción interplaca.
v
Abstract
vi
Índice de Contenidos
RESUMEN .............................................................................................................. V
ABSTRACT ........................................................................................................... VI
vii
5.1 FORMA FUNCIONAL ....................................................................................... 51
5.2 MÉTODO DE REGRESIÓN ................................................................................ 53
5.3 ANÁLISIS DEL PARÁMETRO DISTANCIA ............................................................. 59
5.4 CURVA DE ATENUACIÓN JAPÓN ...................................................................... 62
5.5 RESULTADOS COEFICIENTES .......................................................................... 63
5.5.1 Gap sísmico 1 ..................................................................................... 63
5.5.2 Gap sísmico 2 ..................................................................................... 65
5.5.3 Gap sísmico 3 ..................................................................................... 67
5.6 MODELACIÓN DE RESIDUALES Y RESULTADOS FINALES ..................................... 69
5.6.1 Gap sísmico 1 ..................................................................................... 72
5.6.2 Gap sísmico 2 ..................................................................................... 75
5.6.3 Gap sísmico 3 ..................................................................................... 78
viii
APÉNDICE D ................................................................................................. 165
D.1 CURVA GAP SÍSMICO 1 Y 2 CON PGD GAP SÍSMICO 3 ...................................... 165
D.2 CURVA GAP SÍSMICO 2 Y 3 CON PGD GAP SÍSMICO 1 ...................................... 169
D.3 CURVAS GAP SÍSMICO 3 Y 1 CON PGD GAP SÍSMICO 2. ................................... 173
ANEXO E....................................................................................................... 178
ix
Índice de Gráficos
xi
Gráfico 26: Variabilidad de los residuales en función de la distancia hipocentral del
gap sísmico 2. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S;
(c) Residual con ajuste onda P; (d) Residual con ajuste onda S. .................. 76
Gráfico 27: Variabilidad de los residuales en función de la profundidad del gap
sísmico 2. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c)
Residual con ajuste onda P; (d) Residual con ajuste onda S......................... 77
Gráfico 28: Variabilidad de los residuales en función de la magnitud, Mw del gap
sísmico 3. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c)
Residual con ajuste onda P; (d) Residual con ajuste onda S......................... 78
Gráfico 29: Variabilidad de los residuales en función de la distancia hipocentral del
gap sísmico 3. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S;
(c) Residual con ajuste onda P; (d) Residual con ajuste onda S. .................. 79
Gráfico 30: Variabilidad de los residuales en función de la profundidad del gap
sísmico 3. (a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c)
Residual con ajuste onda P; (d) Residual con ajuste onda S......................... 79
Gráfico 31: Evaluación del dominio de Mw en los GMPEs. .................................. 90
Gráfico 32: Evaluación del dominio de R en forma lineal en los GMPEs. ............. 91
Gráfico 33: Evaluación del dominio de R en forma logarítmica en los GMPEs. .... 95
Gráfico 34: Evaluación del dominio de H en los GMPEs. ..................................... 96
xii
Índice de Tablas
xiii
Índice de Ilustraciones
xiv
CAPÍTULO I: INTRODUCCIÓN
1.1 Introducción
El 1ro de octubre del año 2007, la Agencia Meteorológica de Japón (J.M.A.)
implementó un sistema de alerta temprana de terremotos (E.E.W.) el cual ha emitido
en varias ocasiones falsas alarmas a la población debido a la poca capacidad de
identificar eventos sísmicos simultáneamente. Sin embargo, se implementó un
nuevo algoritmo (Wu et al., 2015) en Diciembre del año 2016 que permitió disminuir
en un 90% del 70% las falsas alarmas, con el método Integrated Particle Filter (IPF).
Actualmente en Chile se busca implementar este mismo sistema, ya que,
al estar emplazado sobre el sistema de subducción de la placa de Nazca y la
Sudamericana, se caracteriza por ser un país que está en constante movimientos
telúricos, generándose temblores a una tasa de 8 centímetros por año según
Melnick et al. (2003).
Sin embargo, en el territorio continental chileno, se han detectado hasta el
momento 3 grandes zonas que no han presentado gran actividad sísmica en los
últimos años denominados como gap sísmico. La primera corresponde a la zona
entre Arica (18S) hasta la Península de Mejillones (23S), luego desde el sur de ésta
(23,5S) hasta el norte del área de ruptura del terremoto de Illapel el 2015 (29S) y la
tercera desde el sur de esta falla (32S) hasta Rancagua (35S).
En este contexto, se hace necesario desarrollar Ground Motion Prediction
Equations (GMPEs) o en español, Ecuaciones De Predicción Del Movimiento Fuerte
Del Suelo en 3 grandes zonas que no han presentado gran actividad sísmica en los
últimos años. Estas ecuaciones funcionarán como dato de entrada para
implementar un sistema de alerta temprana de terremotos que permita en tiempo
real y de manera simplificada, estimar la magnitud de eventos sísmicos.
1
1.3 Objetivos específicos
(a) Seleccionar los gaps sísmicos hasta la fecha en el territorio continental
chileno.
(b) Realizar análisis de exploración del catálogo de eventos por gap sísmico.
(c) Realizar el método de regresión simple por los mínimos cuadrados ordinarios
para determinar los coeficientes que mejor se ajusten al conjunto de datos
por gap sísmico.
(d) Comparar curvas chilenas con las curvas japonesas para analizar el
comportamiento geodinámico de ambas zonas.
(e) Realizar análisis de residuales para determinar el error entre-eventos y
ajustar el modelo sesgado. El objetivo de esto es entender la variabilidad de
las magnitudes estimadas que se determinan rápidamente con la
metodología propuesta.
2
CAPÍTULO II: REVISIÓN BIBLIOGRÁFICA
2.1 Contexto tectónico en Chile
Para comprender el sistema tectónico del país, existen dos modelos
geológicos que se han diseñado para explicar la división estructural terrestre que
están basados en la Teoría de la Tectónica de Placas: el modelo Geostático y el
Geodinámico. El segundo de ellos explica el comportamiento mecánico de los
materiales.
La Litósfera, es la capa sólida superficial de la Tierra que está dividida en 8 placas
tectónicas: Sudamericana, Nazca, Antártica, De Cocos, Euroasiática, Indo-
Australiana, Pacífica y la Africana. Estas placas flotan sobre la zona superior del
manto terrestre denominado Astenósfera.
Cuando existe alguna interacción entre el contacto de estas placas, se produce un
estrés generándose ondas sísmicas.
- Convergente:
Es una zona de colisión entre dos placas tectónicas. En estas áreas se
desarrolla actividad ígnea, metamorfismo, deformación cortical y formación de
montañas. Este tipo de interacción depende del tipo de corteza:
o Oceánica - Continental:
Esta interacción corresponde al contexto tectónico de Chile
aproximadamente desde Arica (latitud -18° aprox.) hasta la península de Taitao (-
45° aprox.), el cual la placa continental o la Sudamericana es más densa que la
3
placa oceánica o la de Nazca. Esta última, al poseer características de temperaturas
mucho más bajas, subduce en la Sudamericana a una velocidad promedio de 8
centímetros por año, formando la fosa oceánica Chilena-Peruana y por otro lado, la
Cordillera de los Andes debido a la fundición de la placa Nazca en el manto
formando magma y originando volcanes sobre el continente.
▪ Intraplaca:
Son sismos que ocurren dentro de la placa de subductada o la de Nazca a
grandes profundidades que no necesariamente son debido a la fricción entre ambas
placas.
▪ Out-rise:
Es una rotura por flexión debido al doblez de la placa de Nazca al oeste de
la fosa oceánica. Estos sismos no son de importancia en este estudio por tener
magnitudes bajas y tener epicentros marítimos lejanos al continente.
4
▪ Superficial o cortical:
Ocurren dentro de la placa continental en la corteza a profundidades
inferiores a los 60 km. Se deben principalmente a las deformaciones generadas por
la convergencia entre la placa de Nazca y la placa continental. Estas deformaciones
son las que dieron origen al alzamiento de la Cordillera de los Andes y en general,
son máximas en torno a ésta, tanto en Chile como en Argentina (Centro Sismológico
Nacional, 2016).
o Oceánica - Oceánica:
Esta interacción corresponde al contexto tectónico de Japón. Se produce
una fosa oceánica trench profunda y una zona inclinada con alta actividad sísmica.
La placa subductada desciende en la astenósfera donde es absorbida por el manto
formando un arco de isla.
5
o Continental - Continental:
Esta interacción corresponde al contexto tectónico de Nepal. Ambas placas
son de igual densidad por lo que una se monta sobre la otra y luego, al revés. Esta
interacción de denomina cabalgamiento y un ejemplo de esto son los Himalayas.
- Transformante o transcurrente:
Es una zona de en donde ambas placas tienen un movimiento relativo paralelo
o de cizalle generando discontinuidades en el terreno como es el caso de la falla
San Andrés. El movimiento relativo entre placas está indicado por el rumbo y la
dirección de la dorsal junto con zonas asociadas a su movimiento y sus márgenes
de placas no son fijos en el tiempo.
6
log10 (𝑃𝑑) = −3,088 + 0,630𝑀 − 1,322 log10 (𝑅) ± 0,313 (2. 1)
Pero como esta ecuación incluye datos del terremoto de 1999 Mw7,1 Hector Mine,
la ecuación anterior no se ajusta bien en la regresión, generando otra curva de
atenuación para eventos sísmicos con magnitudes de momento menores a 7
obteniendo la ecuación (2. 2):
𝐴𝑒 𝐵𝑀
𝑥= (2. 3)
(𝑅 + 𝐶)𝐷
7
Si bien es interesante este trabajo ya que se parametrizó la ecuación con
aceleraciones verticales, el sistema de alerta temprana de terremotos apunta en un
futuro a operar con una red de GPS y no de acelerógrafos, por lo que desarrollar
GMPEs con desplazamientos horizontales implicaría una menor incertidumbre en
los resultados.
8
interplaca y la distancia hipocentral para intraplaca. En este parámetro también
están asociados los fenómenos responsables de la disminución energética.
Con
𝑅𝑜 = (1 − 𝐹𝑒𝑣𝑒 )𝑐6 × 10𝑐7 (𝑀𝑤 −𝑀𝑟 ) (2. 7)
Con
𝑠(𝑇 ∗ ) = −2,1396log(𝜇𝑜 ) (2. 9)
9
(d) Contreras & Boroscheck (2009)
Con
2
𝑅 = √𝑅𝑟𝑢𝑝 + ∆2 , ∆= 𝐶6 10𝐶7 𝑀𝑤 , 𝑔 = 𝐶8 + 𝐶9 𝑀𝑤
En que,
𝑌: Aceleraciones máximas horizontales del suelo o máximas espectrales
considerando un 5% de amortiguamiento crítico.
𝑀𝑤 : Magnitud de momento
𝐻: Profundidad focal
2
𝑅𝑟𝑢𝑝 : distancia màs cercana al área de ruptura en kilómetros
∆: efecto de saturación calculada como 𝐶6 10𝐶7 𝑀𝑤
𝑔: Dispersión geométrica de las ondas
𝐶: Coeficientes determinados por regresión
𝑍: Parámetro que diferencia el medio geotécnico, en que 0 es roca y 1 es suelo
10
(e) Bastías (2016)
11
1000, 𝑝𝑎𝑟𝑎 𝑉𝑠30 > 1000
𝑉𝑠∗ = { (2. 17)
𝑉𝑠30 , 𝑝𝑎𝑟𝑎 𝑉𝑠30 ≤ 1000
12
gráficamente a modo de ejemplo en la Ilustración 2 e ir actualizando cada vez más,
la precisión en la estimación de los parámetros de magnitud e hipocentro (Agencia
Meteorológica de Japón, 2016).
150 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑝 = 𝑘𝑚 = 21,4 𝑠𝑒𝑔
7 𝑠𝑒𝑔
100 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑠 = 𝑘𝑚 = 25 𝑠𝑒𝑔
4 𝑠𝑒𝑔
13
150 𝑘𝑚
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑠 = 𝑘𝑚 = 37,5 𝑠𝑒𝑔
4 𝑠𝑒𝑔
En que,
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑝 : tiempo en que demora la onda P en llegar a la costa costa en
segundos (seg).
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑝 : tiempo en que demora la onda P en llegar a la ciudad costa en
segundos (seg).
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑜𝑠𝑡𝑎𝑠 : tiempo en que demora la onda S en llegar a la costa en segundos
(seg).
𝑡𝑖𝑒𝑚𝑝𝑜 𝑐𝑖𝑢𝑑𝑎𝑑𝑠 : tiempo en que demora la onda S en llegar a la ciudad costa en
segundos (seg).
14
falsa información ya que el sistema estima un solo sismo con una magnitud como
la suma de ambos terremotos concurrentes (Wu et al., 2015) (ver Ilustración 3).
Ilustración 3: Mecanismo de las falsas alarmas: (a) dos pequeños sismos distanciados uno del otro;
(b) EEW considerando los dos pequeños sismos como un gran evento. Triángulos: estaciones
sísmicas (las rojas representan las estaciones activadas).
Fuente: Wu et al. (2015).
15
1. Los GMPEs se deben formular en base a algún método
de regresión que se ajuste lo más posible al conjunto de
eventos sísmicos para encontrar los coeficientes
utilizando los parámetros de distancia, profundidad,
máximo desplazamiento y magnitud
2. A los registros de desplazamientos se les deberá aplicar
un filtro pasoalto de 0,16667 Hz el cual elimina todas las
frecuencias inferiores a la indicada asumiéndolas como
ruido y deja pasar sin atenuación las frecuencias
superiores. Las señales con frecuencias bajas, o en este
caso menores al valor dicho previamente, entregarían
datos indeseados dentro de la señal principal en
términos de desplazamientos.
16
mexicanos ya desarrollados, con un sistema de diversas sirenas distribuidas por la
Ciudad de México (CIRES, 2018).
17
CAPÍTULO III: GAPS SÍSMICOS EN CHILE
Una brecha sísmica o seismic gap es un segmento de una zona de convergencia
de placas, particularmente como es el caso de Chile por ejemplo, en donde
históricamente se ha caracterizado por tener sismicidad con magnitudes
importantes (𝑀𝑤 > 8,0) estimados en base a antecedentes históricos más datos
medidos en la corteza por velocidades de placas, pero que en la actualidad no ha
registrado actividad sísmica significativamente mayores y, por lo tanto, el peligro
sísmico de estas zonas es mayor a causa de la cantidad de energía acumulada en
el tiempo generando cierta probabilidad de que en un futuro vuelvan a ocurrir
eventos mayores al mencionado.
En esta investigación, se realizan GMPEs por cada brecha sísmica identificando
todos los grandes eventos ocurridos en los últimos años.
En la Ilustración 5, se muestra una imagen de la USGS que indica el registro
histórico de los terremotos con magnitudes de momento mayores a 5,5 ocurridos en
Sudamérica desde el año 1900 al 2016. En el eje horizontal se posicionan las
longitudes y en el vertical las latitudes. Los círculos simbolizan los eventos con su
respectiva magnitud y profundidad representada por el tamaño y color
respectivamente. Al interior de estas áreas de rupturas la cantidad de eventos
disminuye significativamente.
La Ilustración 5 da cuenta de la complejidad de los periodos de retorno de los
grandes terremotos distribuidos espacialmente en América del Sur y en especial al
ciclo sísmico que hace referencia a los procesos de acumulación y relajación de
esfuerzos. La secuencia de terremotos en el tiempo de alguna zona en particular
son muy pocos y entre ellos, no existe relación entre magnitud y largo de ruptura
con periodos de recurrencia estimados los cuales tienen una dispersión muy grande
como indica Valenzuela (2015).
Se puede observar que desde la latitud 15S aproximadamente hasta la 40S (centro-
sur de Perú hasta Valdivia, Chile), se concentra la mayor cantidad de eventos
sísmicos con magnitudes mayores a 7,0 por lo que se puede clasificar como una
zona de alto riesgo sísmico.
18
Ilustración 5: Mapa del registro histórico de los grandes terremotos en Sudamérica desde 1900 al
2016.
Fuente: USGS (2018).
19
Para determinar las lagunas sísmicas en el territorio Chileno, es necesario conocer
los principales terremotos ocurridos en los últimos años con sus respectivas zonas
de rupturas.
En la Tabla 1, se muestran los últimos grandes terremotos de
Chile con magnitudes de momento mayores a 8,0 con su ciudad de referencia y
ordenados por año comenzando con el evento de 1960 en Valdivia de 8,1 Mw
seguido del 9,5 Mw.
Gráfico 1: Liberación de energía del terremoto de 8,1Mw del 2014 en Iquique, Chile.
Fuente: USGS.
21
fuente puntual bajo 7,0 Mw, en términos macros, para determinar gaps sísmicos, se
puede asumir este terremoto como un evento puntual, ya que las placas tectónicas
en la zona norte desde la latitud 18S a 23S aún están acopladas según Metois et
al. (2013), incluyendo el sur de Perú.
A continuación, se muestra la modelación de la falla finita del terremoto de Iquique
del 2014 y el gráfico de la razón de momento relativo extraído de la USGS.
22
Ilustración 7: Seismic gap 1 con latitud 18S a 23S.
Fuente: Elaboración propia con ayuda de GoogleEarth.
23
Es necesario destacar que, si bien este terremoto tuvo un área de ruptura mucho
mayor en comparación al terremoto de Iquique, este evento posee menor cantidad
de registros debido a la baja cobertura de estaciones sismológicas que existen en
esta zona, por lo que la calidad de la información no es tan precisa.
Ilustración 8: Modelación falla finita del terremoto Mw=8,3 del 2015 en Illapel, Chile.
Fuente: USGS
24
Gráfico 2: Liberación de energía del terremoto de Mw = 8,3 del 2015 en Illapel, Chile.
Fuente: USGS.
25
3.3 Gap sísmico 3
El terremoto ocurrido en el Maule de 8,8 Mw el 24 de febrero del año 2010 a
una profundidad estimada de 30 kilómetros con coordenadas geográficas 36° 17’
23’’ S y 73° 14’ 20’’ W según Servicio Sismológico (2010) fue uno de los eventos
más devastadores tanto por el movimiento fuerte, como por tsunami registrándose
daños desde la región de Bío-Bío hasta la región Metropolitana y Valparaíso. Este
evento tuvo una ruptura longitudinal de 500 kilómetros en donde se registraron
grandes intensidades hasta las regiones de O’Higgins y Metropolitana.
La Ilustración 11 muestra el registro histórico de los grandes terremotos
distribuidos a lo largo de Chile en que el eje de las abscisas corresponde al tiempo
medido en años comenzando desde el 1500 al hasta el año 2010 y en el eje de las
ordenadas la latitud. Cada línea representa un terremoto en que el tamaño de ésta
indica la distancia longitudinal de la ruptura. Se observa que el segmento definido
entre las latitudes 35S a 37,5S correspondiente a Constitución y Concepción
respectivamente, se encontraba en laguna sísmica desde el terremoto de 1835 en
Concepción que, con el terremoto del Maule, la acumulación de energía durante
esos 175 años se redujo, pero no la suficiente para asumir de que la cantidad de
energía acumulada es equivalente al desplazamiento que se generó. En base a la
imagen, los desplazamientos desde el hipocentro del sismo del 2010 en dirección
al norte deberían ser menores, ya que los terremotos de 1928 en Talca y 1985 en
Algarrobo desacoplaron parcialmente un segmento en toda esa zona.
Desde el área de ruptura del terremoto de 1985 en Algarrobo hacia el norte, el
terremoto más actual fue el de Illapel el 2015 en donde su ruptura abarcó hasta la
latitud 32,5S aproximadamente. Por lo que, si se considera este último sismo, se
puede concluir de que la zona desde el sur de la ruptura del terremoto de Illapel
(32S) hasta Rancagua (35S) estaría en brecha sísmica (ver Ilustración 10). Sin
embargo, existe una parte de este segmento el cual tiene un mayor peligro sísmico
a diferencia del total de la zona que abarca la tercera brecha. Esta corresponde a
la parte entre las latitudes 32S al 33S aproximadamente en donde se ubica la región
de Valparaíso, la cual estaría en brecha sísmica desde el terremoto de 1971
ocurrido en Illapel de magnitud 6,6 Mw con grado VII a VIII en la escala de Mercalli
26
en su epicentro. Previo al terremoto de Valparaíso del 22 de Abril del 2017, se
hablaba de que esta zona se encontraba en laguna sísmica desde el megaterremoto
de 8,7 Ms en 1730 según Centro Sismológico Nacional (1971). Sin embargo, según
Ruiz et al. (2017), el evento sísmico de 6,9 Mw en Valparaíso fue el comienzo de
una fase de nucleación a largo plazo a una ruptura importante.
27
Ilustración 11: Zonas sísmicas destacadas en mapa de grandes sismos a través del tiempo (Susa,
2004). Fuente Interplaca.
Fuente: Cuadra (2012)
28
CAPÍTULO IV: ANÁLISIS DE LA BASE DE DATOS
En este capítulo se realizará un análisis exploratorio del catálogo de terremotos por
cada gap sísmico identificados en el CAPÍTULO III: GAPS SÍSMICOS EN CHILE
con el objetivo de conocer la cantidad total de registros, la calidad de los resultados
por evento, posibles errores en estimaciones de magnitud, etc…
Se han realizado estudios estadísticos de eventos sísmicos en Chile anteriormente
como la de Contreras (2009) que utilizó registros de RENADIC y por el Servicio
Sismológico entre 1981 al 2008. Luego por Contreras & Boroschek (2012)
actualizando la base de datos con el terremoto del Maule del 2010, pero eliminando
los eventos de magnitudes intermedias y bajas. También por Ruiz & Saragoni (2005)
desarrollando compilaciones con registros hasta el 2005, pero considerando el
mecanismo intraplaca, luego por Idini (2016) con registros de Contreras &
Boroschek (2015) y Ruiz & Saragoni (2005) con los datos ausentes hasta el 23 de
Agosto del 2014 y 23 de Julio 2014 para la red RENADIC y CSN respectivamente.
Finalmente, por María Cespedes (2017) usando los datos de la red de ONEMI y
RENADIC con sismos desde 1985 al 2015.
En esta investigación, la compilación de datos comienza desde el año 2014 hasta
el 1 de enero del 2018 usando registros adquiridos de las redes internacionales
colaboradoras Incorporated Research Institutions for Seismology (IRIS) y
GeoForschungsZentrum (GFZ) de Potsdam, Alemania.
La adquisición de los registros de aceleraciones se realizó en base a la hora
universal (Universal Time Coordinate, UTC) para un rango de magnitudes de
momento que oscila entre 4,0 a 9,0. Es importante mencionar que este criterio no
se cumple para todos los eventos sísmicos debido a que se permitieron excepciones
de magnitud de ondas de cuerpo (mb) y magnitud local (mL), los cuales fueron
considerados como magnitud de momento. Sin embargo, esta incongruencia en la
descarga de datos no generará un efecto negativo en los GMPEs ya que la variación
de magnitud entre 𝑀𝑙 y 𝑀𝑤 para sismos de baja magnitud es casi insignificativa.
Los GMPEs se realizaron solo con registros de aceleraciones con sus tres
componentes por lo que la estación sismológica LVC ubicada cerca de Calama con
29
coordenadas 68,9W, 22,6S no se consideró ya que entregaba acelerogramas con
componente N y E, al igual que la estación LCO con coordenadas 70,7W, 29S.
En el Anexo A se encuentra el detalle del código de la estación, responsable, RED,
latitud, longitud, altura, digitalizador, BB y acelerómetro de las estaciones
sismológicas distribuidas por todo el país.
30
mediante códigos programados en Python permitiendo la automatización de
procedimientos complejos todo el trabajo.
A continuación, se muestra el diagrama que representa el conjunto de las
cuatro rutinas que procesan la base de datos:
Ilustración 13: Diagrama del conjunto de rutinas que procesan la base de datos en Python.
Fuente: Elaboración propia.
Cada funcionalidad del sistema tiene subrutinas vinculadas entre sí, que
programadas que tienen un objetivo en específico.
El script “adquisición de trazas” (F.1 Script adquisición de trazas) es la
encargada de descargar la respuesta instrumental y las trazas de aceleración
asociadas a los eventos sin procesar, es decir, sin tratamiento de señales, de una
cierta zona de chile, fechas, rango de magnitudes y profundidad desde las redes
csn.extract e IRIS. En una primera etapa, se descarga la respuesta instrumental y
las trazas de aceleración paralelamente. Luego, se evalúa la localización de cada
evento en el slab para terremotos interplaca e intraplaca con características de
latitud epicentral (𝑙𝑎𝑡𝑒𝑝 ), longitud epicentral (𝑙𝑜𝑛𝑔𝑒𝑝 ) y profundidad (𝐻) propias de
cada uno, ingresan en la rutina __𝑖𝑠_𝑖𝑛_𝑠𝑙𝑎𝑏 en donde se modela el desarrollo del
slab como:
𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛
−25,6 ≤ 𝑙𝑎𝑡𝑒𝑝 < −18 ∧ 𝑙𝑜𝑛𝑒𝑝 > −70,5 ∧ 𝐻 < 10
0,77𝑙𝑎𝑡𝑒𝑝
−29 ≤ 𝑙𝑎𝑡𝑒𝑝 < −25,6 ∧ 𝑙𝑜𝑛𝑒𝑝 > − 64,7 ∧ 𝐻 < 10
3,4 (4. 1)
−33 ≤ 𝑙𝑎𝑡𝑒𝑝 < −29 ∧ 𝑙𝑜𝑛𝑒𝑝 > −71,5 ∧ 𝐻 < 10
=
𝑙𝑎𝑡𝑒𝑝
−37,4 ≤ 𝑙𝑎𝑡𝑒𝑝 < −33 ∧ 𝑙𝑜𝑛𝑒𝑝 > − 56,5 ∧ 𝐻 < 10
2,2
−39,4 ≤ 𝑙𝑎𝑡𝑒𝑝 < −37,4 ∧ 𝑙𝑜𝑛𝑒𝑝 < −0,2𝑙𝑎𝑡𝑒𝑝 − 80,98 ∧ 𝐻 < 10
{ −43,4 ≤ 𝑙𝑎𝑡𝑒𝑝 < −39,4 ∧ 𝑙𝑜𝑛𝑒𝑝 > 0,25𝑙𝑎𝑡𝑒𝑝 − 63,25 ∧ 10
31
Se calcula el azimut para conocer la dirección del movimiento del suelo y
finalmente, la información contenida en las variables que se almacenan en un
diccionario para cada estación sismológica.
Adquisición de trazas
Nombre rutina Descripción
Adquisición de las respuestas
instrumentales de los acelerómetros
asociados a cada uno de estos eventos
adquisicion_resp_instrumental()
en base al ingreso de datos de entrada de
una cierta zona, fechas, rango de
magnitudes y profundidad
Adquisición de los sismogramas
asociados a cada uno de estos eventos
adquisicion_sismogramas() en base al ingreso de datos de entrada de
una cierta zona, fechas, rango de
magnitudes y profundidad
Script para consultar la página evtdb vía
get_events()
python
worker0() Ordena los datos
32
Tabla 3: Definición y descripción de las variables utilizadas en la rutina "Procesamiento".
Procesamiento
Nombre rutina Descripción
Save data
Nombre rutina Descripción
Lee las trazas en formato.sac y guarda los
parámetros de interés en arreglos en
save_data() archivos .npz de manera de poder
recuperar aquellos parámetros con
facilidad
Calcula el desplazamiento máximo de
cada estación, tanto de la onda P como
max_disp_p_s() de la S a través de la norma euclidiana de
los desplazamientos en sus tres
componentes
Fuente: Elaboración propia.
33
Tabla 5: Definición y descripción de las variables utilizadas en la rutina "GMPE".
GMPE
Nombre rutina Descripción
Elige las carpetas de los terremotos a usar e
get_data() importa las variables guardadas en el
archivo.npz
Exporta un archivo .xlsx con los datos
write_table() pertenecientes a cada estación de la lista de
terremotos
least_squares_get_gmpe() Realiza regresión de los mínimos cuadrados
Imprime una nube de puntos de PGD en
scatterplots() función de Mw y otro de PGD en función de la
distancia epicentral para cada onda
Realiza la regresión simple por los mínimos
cuadrados ordinarios e imprime los gráficos de
plots()
GMPE por cada evento sísmico para la onda P
y S. Además, imprime la curva japonesa
histograma_mag() Genera histograma de magnitud
histograma_prof() Fenera histograma de profundidad
Exporta un excel con los resultados no
excel_mag()
repetidos por estación
Exporta el excel con los resultados sin el ajuste
excel_coef()
por el modelo de efectos aleatorios
Calcula la variabilidad de los resultados sin el
bias()
ajuste por el modelo de efectos aleatorios
k_p() Función k para la onda P
k_s() Función k para la onda S
h_p() Función h para la onda P
h_s() Función h para la onda S
g_p() Función g para la onda P
g_s() Función g para la onda S
f_p() Función f para la onda P
f_s() Función f para la onda S
Función encargada de realizar el ajuste de los
analisis_residuales()
coeficientes por el modelo de efectos aleatorios
Fuente: Elaboración propia.
34
En primera instancia, se toma esta información básica sin procesar de los
acelerogramas para estimar la llegada de onda P, S y superficiales, y se eliminan
las trazas que se hayan cortado antes de tiempo o que estén demasiado lejos de la
zona de ruptura del terremoto. Existen estaciones GFZ que tienen problemas con el
inicio del registro por lo que se agregaron 5 minutos extras antes de la llegada de la
onda P con la función update_start(). Una vez que la base de datos está completa,
la rutina phases_pick estima la llegada de la onda primaria (t1), secundaria (t2) y
superficiales (t3) agregándoles 5 minutos al comienzo de la traza y 100 segundos
al final con el objetivo de aislar las señales de cada onda para determinar el PGD
máximo de cada una de ellas y luego, se elimina la respuesta instrumental de los
acelerogramas.
Estos acelerogramas son sometidos a un tratamiento de señales debido a
que el registro del movimiento superficial generado por un terremoto no representa
al movimiento real (ver 4.2 Procesamiento de señales). Estas limitaciones tienen
relación con las condiciones ambientales y con el rango de frecuencias que los
instrumentos son capaces de grabar y no con el fenómeno asociado al terremoto en
sí.
Posteriormente, se realiza la doble integración de los acelerogramas filtrados
para obtener los registros de desplazamientos la cual matemáticamente se define
como:
𝑡
𝑑 = ∫ 𝑣 𝑑𝑡 + 𝑑0 (4. 2)
𝑡0
35
𝑡 𝑡
𝑑 = ∫ (∫ 𝑎 𝑑𝑡 + 𝑣0 ) 𝑑𝑡 + 𝑑0 (4. 4)
𝑡0 𝑡0
En que,
𝑑: desplazamiento máximo horizontal del suelo filtrado para la onda P y S
respectivamente.
𝑣: velocidad máxima horizontal del suelo con filtro.
𝑎: aceleración máxima horizontal del suelo o pseudo-aceleración filtrado.
𝑡: tiempo.
𝑣0 , 𝑑0 : constantes.
2
𝐴𝑑 = √𝐴𝑑𝑁 + 𝐴𝑑𝐸2 + 𝐴𝑑𝑍2 (4. 5)
36
4.2 Procesamiento de señales
Los acelerógrafos cuentan con un sistema electro-mecánico que traduce la
masa en suspensión a una señal en voltaje, la cual es enviada al digitalizador. Este
aparato, le asigna un número a cada valor de voltaje en función del tiempo,
generando una serie de tiempo conocida como traza. La traza que se obtiene desde
el digitalizador se encuentra obtenida en “cuentas”, una unidad que depende de la
cantidad de bits que se le asigna al instrumento. Es por ello que, la traza obtenida
corresponde a la respuesta combinada del movimiento real del suelo, del sensor y
del digitalizador. Debido a ésto, es importante eliminar de la traza de aceleración la
respuesta instrumental de cada acelerógrafo que se encuentra en formato de polos
y ceros (i.e. método que permite evaluar los polos y ceros de las expresiones
racionales para hallar el conjunto solución en desigualdades) en el dominio de
Laplace (s). De esta forma, es posible dejar la señal principal que hace referencia
al movimiento real del suelo. Cada acelerógrafo por tanto, tendrá una característica
propia asociada a la frecuencia de corte el cual la señal principal estará contemplada
en un rango de frecuencias específico.
Si se asume que la traza de aceleración se formula en el dominio del tiempo
𝑎(𝑡) como:
𝑎(𝑡) = 𝑠(𝑡) + 𝑟(𝑡) (4. 6)
37
𝐴(𝑤) ∙ 𝐻(𝑤) = 𝑆(𝑤) ∙ 𝐻(𝑤) + 𝑅(𝑤) ∙ 𝐻(𝑤) (4. 8)
Como el objetivo es obtener que la señal de entrada sea igual a la señal de salida,
se espera que la respuesta instrumental sea una constante a tal frecuencia. En este
rango de frecuencias, la señal principal recién comienza a tener validez y la razón
ruido/señal disminuye al mínimo. La respuesta instrumental se representa en el
dominio de Laplace de la siguiente manera:
∏𝑖 (𝑠 − 𝑧𝑖 )
𝐻(𝑠) = 𝐾 𝐴0 (4. 10)
∏𝑗(𝑠 − 𝑝𝑗 )
38
0,16667 Hz a 1 Hz considerando que los acelerómetros incrementan los errores
producidos por las bajas frecuencias en desplazamiento.
Es importante mencionar que, la razón de utilizar pseudo-desplazamientos en la
ecuación de atenuación es que, a pesar de que la doble integración entrega datos
indeseados que impiden determinar un PGD más exacto (como los que registra la
red de GPSs), los resultados son más precisos para los primeros impulsos de la
onda secundaria. Esto se debe a que la doble integración suaviza las amplitudes
más altas del movimiento de las ondas entregando características de largo periodo
del movimiento del terremoto (i.e. a frecuencias bajas) según indica Carreño, Bravo,
Suárez, & Tordesillas (1999).
39
Gráfico 3: Valores de amplitud del desplazamiento máximo del suelo de log(PGD) v/s distancia
hipocentral para el evento de Mw=4,4 a 34,96 km de profundidad sin procesar.
Fuente: Elaboración propia.
40
Revisando las trazas de desplazamiento filtradas en sus tres componentes (N,
E, Z) de las estaciones descritas en los dos puntos anteriores (Gráfico 5, Gráfico 6,
Gráfico 7, Gráfico 8, Gráfico 9, Gráfico 10, Gráfico 11, Gráfico 12) se observa que
en la estación PB09 registró una traza de forma normal, en que la estimación de la
llegada de la onda P (t1) y S (t2) coinciden con los peaks de amplitud
respectivamente por lo que no se hace necesario eliminar este registro. Si bien no
registró un cambio significativo en PGD, el dato se encuentra dentro del conjunto de
datos.
La traza de desplazamiento filtrado de la estación GO02 entregó un registro
bastante ruidoso en el cual no es posible distinguir las ondas de cuerpo (t1, t2) y las
superficiales (t3). Se espera que la señal comience o esté cercana a 0 durante la
estimación de la llegada de la onda P. Este mismo fenómeno se repite en la traza
de la estación AP01 y en MNMCX por lo que los tres registros son necesarios
eliminarlos del conjunto de datos.
Por último, analizando el punto 2, la estación sismológica PB12 nuevamente
entrega una traza ruidosa al igual que las anteriores y, además, considerando que
la mayor amplitud de desplazamiento generalmente corresponde cuando comienza
la onda S (t2), estos tiempos de llegada estarían mal estimados debido a que existe
un desface con el registro.
Revisando las otras estaciones sismológicas, se encuentra que las estaciones
TA01 y TA02 también entrega un resultado bastante ruidoso repitiéndose este
efecto en los demás eventos de terremotos.
En este contexto, se eliminan los registros atípicos que posean trazas de
desplazamiento filtrado con mucho ruido o con malas estimaciones en las llegadas
de las ondas de cuerpo ya que entregan un PGD erróneo y los datos que se escapan
del conjunto de eventos -posiblemente efectos de sitio- también son necesarios
borrarlos debido a que perjudicarían el GMPE.
Finalmente, en el Gráfico 4 se muestra el nuevo resultado para el evento del 13
de mayo del 2017 registrado a las 19:44:43 en la zona norte de Chile. Este
procedimiento se realiza para todos los sismos de todos los casos de estudio.
41
Gráfico 4: Scattering de log(PGD) v/s distancia hipocentral para el evento de Mw=4,4 a 34,96 km
de profundidad procesado.
Fuente: Elaboración propia.
Gráfico 5: Traza de aceleración estación "PB09" del sismo Mw=4,4 a 34,96 km de profundidad. De
arriba hacía abajo: Este (E), Norte (N), vertical (Z).
42
Gráfico 6: Traza de aceleración estación "GO02" del sismo Mw=4,4 a 34,96 km de profundidad. De
arriba hacía abajo: Este (E), Norte (N), vertical (Z).
Gráfico 7: Traza de aceleración estación "AP01" del sismo Mw=4,4 a 34,96 km de profundidad. De
arriba hacía abajo: Este (E), Norte (N), vertical (Z).
Gráfico 8: Traza de aceleración estación "MNMCX" del sismo Mw=4,4 a 34,96 km de profundidad.
De arriba hacía abajo: Este (E), Norte (N), vertical (Z).
43
Gráfico 9: Traza de aceleración estación "TA02" del sismo Mw=4,4 a 34,96 km de profundidad. De
arriba hacía abajo: Este (E), Norte (N), vertical (Z).
Gráfico 10: Traza de aceleración estación "PB12" del sismo Mw=4,4 a 34,96 km de profundidad.
De arriba hacía abajo: Este (E), Norte (N), vertical (Z).
Gráfico 11: Traza de aceleración estación "TA01" del sismo Mw=4,4 a 34,96 km de profundidad.
De arriba hacía abajo: Este (E), Norte (N), vertical (Z).
44
Gráfico 12: Traza de aceleración estación "TA02" del sismo Mw=4,4 a 34,96 km de profundidad.
De arriba hacía abajo: Este (E), Norte (N), vertical (Z).
45
Gráfico 13: Lado izquierdo: histograma magnitud gap sísmico 1; lado derecho: histograma
profundidad gap sísmico 1.
Fuente: Elaboración propia.
46
4.4.2 Gap sísmico 2
La base de datos de la brecha sísmica 2 correspondiente a la zona que abarca
entre el sur de la Península de Mejillones hasta el norte de la zona de ruptura del
terremoto de Illapel del 2015 con latitud de 23,5S a 29S y longitud de 69W a 72W
cuenta con 95 eventos sísmicos de aceleraciones sin procesar en total sin filtro a
partir del 1 de marzo del 2014 a las 00:00:00 horas hasta el 1 de enero del 2018 a
las 00:00:00 horas.
En este segmento sin actividad sísmica desde el terremoto de Antofagasta
ocurrido el 30 de Julio de 1995 de 8,0 Mw, la cobertura de estaciones sismológicas
es muy baja comparada con la brecha sísmica 1 como se observa en la Ilustración
15 así mismo la cantidad de eventos registrados en esta zona.
En el Gráfico 14 a la izquierda se muestra el histograma de magnitud. En el
eje x se posicionan las magnitudes de momento y en el eje y la cantidad de sismos.
Las barras azules corresponden a terremotos adquiridos desde el año 2014 al 2018
los cuales están distribuidos mayoritariamente entre 4,0 Mw y 4,8 Mw. No existen
terremotos de magnitud mayores a 6,5 Mw.
Al lado derecho del Gráfico 14 se muestra el histograma de profundidades. La
cantidad de sismos están bastante bien distribuidos en profundidad. Sin embargo,
existe mayor actividad sísmica a una profundidad de 10 kilómetros seguido de otro
peak que ocurre a los 36 kilómetros aproximadamente.
Respecto a la cobertura de las estaciones sismológicas del gap sísmico 2, se
cuentan con 15 acelerógrafos distribuidos espacialmente por todo el segmento
descrito en el primer párrafo (ver Ilustración 15).
En conclusión, en este segmento de Chile, en primer lugar no existe una
proporcionalidad entre la densidad de estaciones sismológicas y la longitud del gap
sísmico y segundo, la cantidad de eventos sísmicos en esta zona no sobrepasan
los 100 terremotos como fue el caso del norte de chile por lo que se espera que la
calidad de los resultados no sean lo bastante exactos.
47
Gráfico 14: Lado izquierdo: histograma magnitud gap sísmico 2; lado derecho: histograma
profundidad gap sísmico 2.
Fuente: Elaboración propia.
48
4.4.3 Gap sísmico 3
La base de datos de la brecha sísmica 3 correspondiente a la zona centro de
Chile que abarca desde el sur del área de ruptura del terreno de Illapel hasta la
región de O’Higgins cuenta con 114 eventos sísmicos de aceleraciones sin procesar
en total sin filtro a partir del 1 de marzo del 2014 a las 00:00:00 horas hasta el 1 de
enero del 2018 a las 00:00:00 horas.
En el Gráfico 15 a la izquierda se muestra el histograma de magnitud. En el
eje x se posicionan las magnitudes de momento y en el eje y la cantidad de sismos.
Las barras azules corresponden a terremotos adquiridos desde el año 2014 al 2018
los cuales están distribuidos mayoritariamente entre 4,0 Mw y 5,0 Mw. No existen
terremotos que sobrepasen los 7,0 Mw.
A la derecha del Gráfico 15 se muestra el histograma de profundidades. La
cantidad de sismos están bastante bien distribuidos en profundidad. Sin embargo,
existe mayor actividad sísmica a una profundidad entre los 18 km y 26 km de
profundidad.
En este segmento, la densidad de la red de acelerógrafos es mayor contando
con 27 estaciones sismológicas distribuidos espacialmente entre las latitudes 32S
a 35S y longitud 69W a 72W como se observa en la Ilustración 16.
En base a estos antecedentes, se espera que los resultados sean más exactos
debido a la cantidad suficiente de registros sísmicos y a la cobertura de estaciones
sismológicas en la zona centro del país.
49
Gráfico 15: Lado izquierdo: histograma magnitud gap sísmico 3; lado derecho: histograma
profundidad gap sísmico 3.
Fuente: Elaboración propia.
50
CAPÍTULO V: GROUND MOTION PREDICTION EQUATIONS (GMPEs)
En los últimos años, se han propuestos modelos como los Contreras (2009) o Idini
(2016) para obtener los valores del espectro de respuesta de aceleraciones con 5%
de amortiguamiento crítico con el objetivo de determinar la demanda sísmica
esperada para el diseño estructural y para la definición de los códigos de diseño
sísmico generales propios de cada país.
Las curvas de atenuación tienen múltiples aplicaciones dentro del área de la
sismología sirviendo para la estimación del peligro sísmico como la metodología
probabilística de Algermissen & Perkins (1976) o también como modelo predictivo
para estimar el movimiento fuerte del suelo en zonas de subducción que permitan
explicar el fenómeno en zonas específicas o de forma general para todas las zonas
de subducción. A pesar de que se haya investigado de que existen subzonas que
tienen características propias distintas entre sí como se menciona en Ruiz &
Saragoni (2005), trabajos como los de Atkinson & Boore (2003) confirman
diferencias en amplitudes de aceleraciones horizontales máximas en eventos
sísmicos con parámetros hipocentrales iguales producidos las zonas de Cascadia y
Japón que presentan características geotécnicas similares.
Donde,
51
𝑃𝐺𝐷: Peak Ground Displacement expresada en 𝜇𝑚. Es una variable dependiente o
explicada en escala logarítmica la cual se obtiene mediante los registros de
aceleraciones independiente de la regresión realizada.
𝑀: magnitud de momento [Mw]. Es una variable independiente o explicativa
incorporada linealmente que oscila en el dominio de [4,0 − 9,0].
𝑅: distancia hipocentral expresada en Km. Es una variable independiente o
explicativa agregada al modelo matemático de forma lineal y en escala logarítmica.
𝑅 tiene dominio en [5 − 500]. Esta variable representa teóricamente la disminución
de la amplitud de la onda debido la expansión geométrica del medio y a los efectos
de anelasticidad respectivamente (efectos que serán descrito en el ítem 5.3). La
distancia hipocentral es calculada como 𝑅 = √(𝐷2 + 𝐻 2 ).
𝐻: profundidad focal expresada en Km. Es una variable independiente o explicativa
con dominio en [5 − 50].
𝑎, 𝑏, 𝑐, 𝑑: coeficientes que son determinados por la regresión que se explicará en el
ítem 5.2.
𝛼: constante que es determinada por la regresión que se explicará en el ítem 5.2.
𝑒: variable Gaussiana independiente de media cero y varianza 𝜎 2 que explica el
error, valor residual o perturbación el cual está compuesto por un parámetro
independiente de variabilidad inter-evento (𝜂) más otro intra-eventos (𝜀) que se
expresa matemáticamente como 𝑒 = 𝜂 + 𝜀. Este valor será analizado en el ítem
Modelación de residuales y resultados finales.
52
5.2 Método de regresión
La rutina least_squares_get_gmpe del script GMPE es la encargada de
determinar los coeficientes correspondientes para cada onda en base a las variables
trasferidas por la función get_data.
Las ecuaciones (5. 3) y (5. 4) corresponden al modelo matemático expuesto
previamente en el ítem Forma funcional:
Donde,
𝑃𝐺𝐷𝑛 : Variable explicada que representa el peak ground displacement de la onda
primaria (𝑝) y secundaria (𝑠) que corresponde al registro n-ésimo [𝜇𝑚].
𝑀𝑛 : Variable explicativa que representa la magnitud de momento del evento
correspondiente al registro n-ésimo [Mw].
𝑅𝑛 : Variable explicativa que representa la distancia hipocentral del evento
correspondiente al registro n-ésimo en [Km].
𝐻𝑛 : Variable explicativa que representa la profundidad focal del evento
correspondiente al registro n-ésimo en [Km].
𝑎, 𝑏, 𝑐, 𝑑: Coeficientes de la onda primaria (𝑝) y secundaria (𝑠) que son determinados
por regresión lineal simple utilizando el método de los mínimos cuadrados
ordinarios.
𝛼: Constante de la onda primaria (𝑝) y secundaria (𝑠) que son determinados por la
regresión lineal simple utilizando el método de los mínimos cuadrados ordinarios.
𝑒𝑛 : Variable aleatoria que representa la perturbación o error para registro y evento.
53
̂𝑝 𝑋 + 𝑒̂
𝑦(𝑋)𝑝 = 𝛽 𝑛𝑝 (5. 5)
𝑦(𝑋)𝑠 = 𝛽̂𝑠 𝑋 + 𝑒̂
𝑛𝑠 (5. 6)
Donde,
𝑎𝑝 𝑎𝑠
𝑏𝑝 𝑏𝑠
̂𝑝 = 𝑐𝑝 , 𝛽̂𝑠 = 𝑐𝑠
𝛽
𝑑𝑝 𝑑𝑠
[𝛼𝑝 ] [𝛼𝑠 ]
𝑒̂1 𝑝 𝑒̂1 𝑠
𝑒̂2 𝑝 𝑒̂
𝑒̂𝑝 = , 𝑒̂𝑠 = 2 𝑠
⋮ ⋮
[𝑒̂𝑛𝑝] [𝑒̂𝑛𝑠]
54
matrices que no son invertibles. A causa de esto, se decidió usar los coeficientes
que son la solución al problema del método de los mínimos cuadrados ordinarios.
Si bien esta metodología presenta problemas para modelar este tipo de fenómenos
debido a la fuerte dependencia frente a eventos con gran número de registros, gran
sensibilidad frente a datos atípicos, inestabilidad frente a funciones altamente no
lineales y problemas de desacoplamiento en las contribuciones de la fuente,
trayectoria y sitio (Bastías, 2016), utilizar este algoritmo es factible ya que la forma
funcional que se presenta en esta investigación es de forma lineal y optimiza
bastante bien las distancias verticales al cuadrado, minimizando el error entre los
datos reales y la curva sintética.
Debido a que por este método de regresión por los mínimos cuadrados ordinarios
no hace la distinción entre el error intra y entre eventos, Brillinger & Preisler (1984)
y Brillinger & Preisler (1985) proponen un nuevo algoritmo que permite cuantificar la
variabilidad mencionada anteriormente de manera más rápida. Esta metodología
fue comprobada años después por Somerville et al. (1997). Sin embargo, surge la
regresión de Abrahamson & Youngs (1992) que se basa en la metodología anterior,
menos eficaz, pero más estable que el algoritmo aprobado de Brillinger & Preisler
(1985) ya que no es sensible a las condiciones iniciales debido a la cantidad de
iteraciones que se realiza.
Si se define la estimación 𝑌̂
𝑖 (𝑋) como:
𝑌̂ ̂ + 𝛽̂ 𝑋𝑖
𝑖 (𝑋) = 𝛼 (5. 7)
55
El error (𝑒̂ ) será la diferencia entre el valor real 𝑌𝑖 y el valor predicho 𝑌̂
𝑖 (𝑋):
𝑛 𝑛
2
𝐹(𝛼̂, 𝛽̂ ) = min ∑(𝑒̂ )2 = min ∑ (𝑌𝑖 − 𝑌𝑖̂
(𝛼̂, 𝛽̂ ))
𝑖=1 𝑖=1
𝑛
(5. 8)
2
= min ∑(𝑌𝑖 − (𝛼̂ + 𝛽̂ 𝑋𝑖 ))
𝑖=1
𝑛 𝑛
2
min ∑(𝑒̂ ) = min ∑(𝑌𝑖 − 𝛼̂ − 𝛽̂ 𝑋𝑖 )
2
(5. 9)
𝑖=1 𝑖=1
𝜕𝐹
𝜕𝛼̂ 0
∇𝐹(𝛼̂, 𝛽̂ ) = 𝜕𝐹 = [ ] (5. 10)
0
[𝜕𝛽̂ ]
𝑛 𝑛 𝑛
𝜕 2
(∑(𝑌𝑖 − 𝛼̂ − 𝛽̂ 𝑋𝑖 ) ) = 𝑛𝛼̂ + (∑ 𝑋𝑖 ) 𝛽̂ = ∑ 𝑌𝑖 (5. 11)
𝜕𝛼̂
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛
𝜕 2
(∑(𝑌𝑖 − 𝛼̂ − 𝛽̂ 𝑋𝑖 ) ) = (∑ 𝑋𝑖 ) 𝛼̂ + (∑ 𝑋𝑖 2 ) 𝛽̂ = ∑ 𝑋𝑖 𝑌𝑖 (5. 12)
𝜕𝛽̂ 𝑖=1 𝑖=1 𝑖=1 𝑖=1
56
Por lo tanto,
𝑛
𝜕𝐹
= ∑ 𝑌𝑖
𝜕𝛼̂
𝑖=1
∇𝐹(𝛼̂, 𝛽̂ ) = 𝑛 (5. 13)
𝜕𝐹
= ∑ 𝑋𝑖 𝑌𝑖
[𝜕𝛽̂ ]
𝑖=1
Si la ecuación (5. 11) y (5. 12) se utiliza de forma matricial se obtiene que:
𝑛 𝑛
𝑛 ∑ 𝑋𝑖 ∑ 𝑌𝑖
𝑖=1 𝛼̂ 𝑖=1
𝑛 𝑛 [ ̂] = 𝑛 (5. 14)
𝛽
∑ 𝑋𝑖 ∑ 𝑋𝑖 2 ∑ 𝑋𝑖 𝑌𝑖
[ 𝑖=1 𝑖=1 ] [ 𝑖=1 ]
𝑛 −1 𝑛
𝑛 ∑ 𝑋𝑖 ∑ 𝑌𝑖
𝛼̂ 𝑖=1 𝑖=1
[ ̂] = 𝑛 𝑛 𝑛 (5. 15)
𝛽
∑ 𝑋𝑖 ∑ 𝑋𝑖 2 ∑ 𝑋𝑖 𝑌𝑖
[ 𝑖=1 𝑖=1 ] [ 𝑖=1 ]
En que,
𝛼̂
𝛽̂ = [ ̂ ] (5. 17)
𝛽
57
𝑛 −1
𝑛 ∑ 𝑋𝑖
𝑖=1
(𝑋′𝑋)−1 = 𝑛 𝑛 (5. 18)
∑ 𝑋𝑖 ∑ 𝑋𝑖 2
[ 𝑖=1 𝑖=1 ]
∑ 𝑌𝑖
𝑖=1
𝑋′𝑌 = 𝑛 (5. 19)
∑ 𝑋𝑖 𝑌𝑖
[ 𝑖=1 ]
𝐶𝑜𝑣𝑎𝑟(𝑋, 𝑌)
𝛽̂ = (5. 22)
𝑉𝑎𝑟(𝑋)
58
𝑛 𝑛
1 1
𝛼̂ = ∑ 𝑌𝑖 − 𝛽̂ ∑ 𝑋𝑖 (5. 23)
𝑛 𝑛
𝑖=1 𝑖=1
1 1
En que, ∑𝑛𝑖=1 𝑌𝑖 y ∑𝑛𝑖=1 𝑋𝑖 se define como la media de 𝑌 (𝜇𝑌) y 𝑋 (𝜇𝑋)
𝑛 𝑛
59
2. Distancia hipocentral (𝑟ℎ𝑦𝑝𝑜 ): se utiliza para fuentes sísmicas puntuales y
corresponde a la distancia que existe entre la estación sismológica hasta la
fuente sismogénica. Esta distancia se utiliza para fuentes sísmicas puntuales
y para fallas verticales o inclinadas.
3. Distancia Joyner-Boore (𝑟𝑗𝑏 ): corresponde a la distancia mínima entre la
estación sismológica hasta la proyección en la superficie del área de ruptura
del sismo. Esta distancia se utiliza para fuentes sísmicas extendidas y para
fallas verticales o inclinadas.
4. Distancia mínima a la ruptura (𝑟𝑟𝑢𝑝 ): corresponde a la distancia mínima entre
la estación sismológica hasta el área de ruptura del terremoto.
5. Distancia área aspereza (𝑟𝑎𝑠𝑝 ): corresponde a la distancia mínima que existe
entre la estación sismológica hasta el área de aspereza o área de mayor
liberación de esfuerzos. Esta distancia se utiliza para fuentes sísmicas
extendidas.
6. Distancia mínima a la zona sismogénica de la ruptura (𝑟𝑠𝑒𝑖𝑠 ): corresponde a
la distancia mínima entre la estación sismológica hasta la zona sismogénica
del área de ruptura.
60
Ilustración 17: Esquema de los distintos tipos de distancias utilizados en ingeniería sísmica.
Fuente: Bozorgnia & Bertero (2004).
Cuando la falla del terremoto se modela como una fuente puntual o el área de
ruptura es muy pequeña, la distancia mínima a la ruptura (𝑅𝑟𝑢𝑝 ) será similar a la
distancia hipocentral (𝑅ℎ𝑖𝑝 ). En la mayoría de los estudios sobre curvas de
atenuación se utiliza la distancia hipocentral para terremotos con magnitudes bajas
o modelados como una fuente puntual. En cambio, cuando el evento sísmico es
modelado como una falla finita, se debe considerar la distancia más cercana al área
de ruptura. Sin embargo, existe otra solución más parcial para la implementación de
la distancia: cuando los sismos tienen un frente de ruptura bastante grandes, se
puede considerar esta variable como la distancia que existe entre la estación
sismológica hasta el centroide de la aspereza principal del terremoto. El centroide
es el lugar (x, y, z) donde se ubica la mejor fuente puntual para un terremoto.
61
Matemáticamente es el promedio ponderado del momento sísmico en el plano de
falla (Centro Sismológico Nacional , s.f.).
Como se mencionó en el CAPÍTULO III: GAPS SÍSMICOS EN CHILE, relacionar
proporcionalmente la magnitud con el área de ruptura estimada es complejo debido
a que depende de varios factores. Un ejemplo de esto es la comparación que se
realizó anteriormente entre el terremoto de Iquique de magnitud 8,2 Mw y el
terremoto de Antofagasta en 1995 de magnitud 8,0 Mw en donde las áreas de
ruptura fueron completamente distintas. Entonces, como solución práctica para
relacionar magnitud y área de ruptura, se considerará una frontera igual a 7 Mw
entendiéndose que los terremotos con Mw≤7,0 tienen un área de falla similares
entre ellas y más pequeñas que para sismos con Mw≥7,0.
Revisando la Tabla 6, existen solo 2 registros de terremotos con magnitudes sobre
7 Mw para la brecha 1 interplaca que corresponden al terremoto de Iquique del año
2014 y su réplica de 7,6 Mw.
Sin embargo, debido a que este trabajo tiene el objetivo de ser implementado para
un sistema de alerta temprana, se necesita simplificar el modelo predictivo lo más
posible. Por esta razón, se optó por utilizar la distancia hipocentral en el GMPE de
todos los terremotos debido a que la cantidad de terremotos sobre magnitud 7 Mw
son casi nulos.
62
Los mejores coeficientes de la onda S de Japón (Kiyomoto et al., 2009) son:
𝑎𝑠 = 0,87, 𝑏𝑠 = −0,0019, 𝑐𝑠 = −1, 𝑑𝑠 = 0,005, 𝛼𝑠 = −0,98
a 0,74974
b -0,00155
Onda
c -0,62564
P
d -0,00111
e -1,88348
a 1,02341
b -0,00206
Onda
c -0,57498
S
d -0,00103
e -2,68620
Fuente: Elaboración propia.
63
log(𝑃𝐺𝐷𝑝 ) = 0,74974𝑀 − 0,00155𝑅 − 0,62564 log(𝑅) − 0,00111 𝐻
(5. 27)
− 1,88348
Gráfico 16: Scattering log(PGD) v/s magnitud, Mw del gap sísmico 1. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
Fuente: Elaboración propia.
64
Gráfico 17: Scattering log(PGD) v/s distancia hipocentral del gap sísmico 1. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
Fuente: Elaboración propia.
a 0,61451
b -0,00054
Onda
c -0,72228
P
d -0,00025
e -1,02989
a 0,93426
b -0,00007
Onda
c -1,19628
S
d 0,00038
e -1,17725
Fuente: Elaboración propia.
65
Es decir, la ecuación para la onda P y S del gap sísmico 2 queda definida como:
Gráfico 18: Scattering log(PGD) v/s magnitud, Mw del gap sísmico 2. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
Fuente: Elaboración propia.
66
Gráfico 19: Scattering log(PGD) v/s distancia hipocentral del gap sísmico 2. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
Fuente: Elaboración propia.
a 0,81512
b -0,00059
Onda
c -0,74652
P
d 0,00162
e -1,88016
a 0,96880
b -0,00144
Onda
c -0,84570
S
d 0,00094
e -1,78055
Fuente: Elaboración propia.
67
Es decir, la ecuación para la onda P y S del gap sísmico 3 queda definida como:
Gráfico 20: Scattering log(PGD) v/s magnitud, Mw del gap sísmico 3. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
Fuente: Elaboración propia.
68
Gráfico 21: Scattering log(PGD) v/s distancia hipocentral del gap sísmico 3. Los puntos en azul
corresponden a registros de eventos sísmicos en distintas estaciones sismológicas.
Fuente: Elaboración propia.
Es decir,
𝑃𝐺𝐷𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜 𝑖,𝑗
𝑌𝑖,𝑗 = log ( ) (5. 34)
𝑃𝐺𝐷𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜 𝑖,𝑗
69
Esta variabilidad (𝑌𝑖,𝑗 ) en los resultados viene dada por un conjunto de errores
𝑘
70
La función de verosimilitud (Searle, 1971) es:
𝑁 1 1
ln 𝐿 = ln(2𝜋) − ln|𝐶| − (𝑦 − 𝜇)𝑇 𝐶 −1 (𝑦 − 𝜇) (5. 38)
2 2 2
𝜎 2 𝐼𝑛1 + 𝜏 2 1𝑛1 0 … 0
0 𝜎 𝐼𝑛2 + 𝜏 2 1𝑛2
2
… 0
𝐶= (5. 39)
⋮ ⋮ ⋱ 0
[ 0 0 0 𝜎 2 𝐼𝑛𝑀 + 𝜏 2 1𝑛𝑀 ]
Donde
𝑛𝑖
1
𝑌̅𝑖 = ∑ 𝑦𝑖𝑗 (5. 41)
𝑛𝑖
𝑗=1
𝑛𝑖
1
𝜇̅𝑖 = ∑ 𝜇𝑖𝑗 (5. 42)
𝑛𝑖
𝑗=1
En que 𝜇𝑖𝑗 es el valor predicho por 𝑓(𝑀, 𝑟, log 𝑟 , 𝐻, 𝛼) (𝑃𝐺𝐷𝑝𝑟𝑒𝑑𝑖𝑐ℎ𝑜 ) y 𝑦𝑖𝑗 los valores
observados (𝑃𝐺𝐷𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜 ).
71
Teniendo como antecedentes de que 𝜏 2 y 𝜎 2 toman como valor entre 0,1 y 1
respectivamente, se estiman las varianzas maximizando la función de verosimilitud
por el método de fuerza bruta iterando tau y sigma en un dominio con grilla de 0,05
a 1,55 cada 15 espacios.
𝑛
𝜏 2 ∑𝑗=1
𝑖
𝑦𝑖𝑗 − 𝜇𝑖𝑗
𝜂𝑖 = (5. 43)
𝜎 2 + 𝑛𝑖 𝜏 2
72
Con el objetivo de ajustar el modelo, se realizó el procedimiento de
Abrahamson & Youngs (1992) que se describió anteriormente. Los coeficientes se
ajustan disminuyendo el error iterativamente hasta que se posicionan entorno a la
media 0 como se observa en el Gráfico 22 a la derecha.
Gráfico 22: Variabilidad de los residuales en función de la magnitud, Mw del gap sísmico 1. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
73
Gráfico 23: Variabilidad de los residuales en función de la distancia hipocentral del gap sísmico 1.
(a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
Gráfico 24: Variabilidad de los residuales en función de la profundidad del gap sísmico 1. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
74
Finalmente se obtienen los nuevos coeficientes ajustados para el gap
sísmico del norte que se presentan en la Tabla 10:
Seismic Gap 1
Sin ajuste Con ajuste
a 0,74974 0,74773
b -0,00155 -0,00158
Onda
c -0,62564 -0,62486
P
d -0,00111 -0,00122
e -1,88348 -1,86583
a 1,02341 1,02301
b -0,00206 -0,00220
Onda
c -0,57498 -0,51770
S
d -0,00103 -0,00113
e -2,68620 -2,78261
Fuente: Elaboración propia.
75
Gráfico 25: Variabilidad de los residuales en función de la magnitud, Mw del gap sísmico 2. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
Gráfico 26: Variabilidad de los residuales en función de la distancia hipocentral del gap sísmico 2.
(a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
76
El Gráfico 27 a la izquierda, se muestra la variabilidad de los log(𝑃𝐺𝐷)
observados y predichos en función de la profundidad focal para la onda P y S sin el
ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad luego
de realizar el ajuste usando un modelo de efectos aleatorios (Abrahamson &
Youngs, 1992).
Gráfico 27: Variabilidad de los residuales en función de la profundidad del gap sísmico 2. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
Seismic Gap 2
Sin ajuste Con ajuste
a 0,61451 0,60728
b -0,00054 -0,00046
Onda
c -0,72228 -0,72756
P
d -0,00025 -0,00035
e -1,02989 -0,99649
a 0,93426 0,92795
b -0,00007 0,00003
Onda
c -1,19628 -1,22209
S
d 0,00038 0,00029
e -1,17725 -1,11190
Fuente: Elaboración propia.
77
5.6.3 Gap sísmico 3
El Gráfico 28 a la izquierda, se muestra la variabilidad de los log(𝑃𝐺𝐷)
observados y predichos en función de la magnitud de momento para la onda P y S
sin el ajuste de la variabilidad inter-evento y a la derecha se muestra la variabilidad
luego de realizar el ajuste usando un modelo de efectos aleatorios (Abrahamson &
Youngs, 1992). Se observa que la variabilidad de los residuales es muy similar a la
del gap sísmico 1, pero con menor densidad de registros. El efecto es el mismo que
el del gap 1 y 2.
Gráfico 28: Variabilidad de los residuales en función de la magnitud, Mw del gap sísmico 3. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
78
Gráfico 29: Variabilidad de los residuales en función de la distancia hipocentral del gap sísmico 3.
(a) Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
Gráfico 30: Variabilidad de los residuales en función de la profundidad del gap sísmico 3. (a)
Residual sin ajuste onda P; (b) Residual sin ajuste onda S; (c) Residual con ajuste onda P; (d)
Residual con ajuste onda S.
Fuente: Elaboración propia.
79
Finalmente se obtienen los nuevos coeficientes ajustados para el gap sísmico
3 que se presentan en la Tabla 12:
Seismic Gap 3
Sin ajuste Con ajuste
a 0,81512 0,80691
b -0,00059 -0,00077
Onda
c -0,74652 -0,66527
P
d 0,00162 0,00165
e -1,88016 -1,99967
a 0,96880 0,96975
b -0,00144 -0,00159
Onda
c -0,84570 -0,78908
S
d 0,00094 0,00115
e -1,78055 -1,90352
80
CAPÍTULO VI: ANÁLISIS DE RESULTADOS
En este capítulo se realiza el análisis de los mejores coeficientes obtenidos en el
segundo proceso de ajuste de la curva en la modelación de residuales por gap
sísmico.
En el ANEXO C se adjuntan los resultados de los gráficos de Peak Ground Motion
versus Distancia hipocentral.
81
- En base al primer comentario y utilizando un catálogo de eventos sísmicos
más completo, se propone segregar las curvas en distintos rangos de
magnitudes debido a que es la variable con mayor poder explicativo dentro
del modelo matemático con el objetivo de no interferir en el ajuste entre
terremotos de alta y baja frecuencia.
- Hasta que no exista un análisis detallado en terremotos de grandes
magnitudes, se propone establecer los coeficientes de Japón como
predictores de PGD en eventos de bajas frecuencias.
- La nube de datos de PGD no presenta una dispersión notoria en ningún
gráfico, mostrando claramente el efecto de atenuación de los rayos sísmicos
en función de la distancia a excepción del evento de 𝑀𝑤 = 8.1 en la onda P
ya que probablemente se debe a la saturación del equipo.
- Se observa una notoria sobrestimación de PGD predichos por la curva roja
(coeficientes Japón) ya que se posiciona por sobre la curva azul (coeficientes
Chile) en la mayoría de los eventos.
- El norte de Chile se caracteriza por ser una zona de subducción particular. A
causa de esto, se observa en el apéndice D.2 Curva gap sísmico 2 y 3 con
PGD gap sísmico 1 la comparación de los datos de log(𝑃𝐺𝐷) del gap
sísmico 1 con los resultados de los coeficientes del gap sísmico 2, 3 y la
curva de Japón en donde se comprueba que mezclar GMPEs en distintas
zonas de subducción no es adecuado porque en este caso, las amplitudes
predichas de log(𝑃𝐺𝐷) por las curvas del gap sísmico 2 y 3 sobrestiman las
amplitudes predichas de log(𝑃𝐺𝐷) por la curva del gap sísmico 1.
Por lo tanto, considerando que existen pocos eventos con 𝑀𝑤 ≥ 7,0, es importante
analizar la variabilidad de predicción de magnitud para estos registros.
Analizando el sismo 7,7Mw, Iquique, 3 de abril del 2014 a las 02:43:14 hrs., se
observa una variabilidad de magnitud predicha con porcentaje de error que varía
entre -8,95% equivalente a 7,01Mw a un 14% correspondiente a 8,8Mw (ver Gráfico
31).
82
Variabilidad 7,7Mw
Iquique 2014
8,80 7,77
10 7,10 7,01
Magnitud, Mw
5
0
Predicción menor Predicción mayor
Onda P Onda S
Por último, se realiza el mismo análisis, pero con el sismo 1 de abril del 2014 Mw8,1
Iquique a las 23:46:47 hrs. Se observa una variabilidad de magnitud predicha con
porcentaje de error que varía entre -10,2% equivalente a 7,27Mw a un 5,5%
correspondiente a 8,54Mw (ver Gráfico 32).
Nuevamente se obtiene que la mejor predicción de magnitud es con la onda S ya
que el porcentaje de error es de un 2,2% correspondiente a un 8,28Mw.
Variabilidad 8,1Mw
Iquique 2014
9 8,54
8,28
Magnitud, Mw
8
7,27 7,29
7
6
Predicción menor Predicción mayor
Onda P Onda S
Finalmente, se concluye que los resultados obtenidos para este gap sísmico son
confiables para un rango de 4,0Mw a 8,1Mw dada la buena base de datos, densidad
de estaciones sismológicas distribuidas espacialmente por todo el gap sísmico y
83
variabilidad estadística. Tomando en cuenta que, si bien existen bajos registros de
eventos sísmicos con Mw mayor a 7,0, se comprobó mediante el análisis de
variabilidad que la predicción de Mw funciona para establecer umbrales de magnitud
y en base a ello, generar planes de acción y/o protocolos a la comunidad.
84
- Se observa una sobrestimación de log(𝑃𝐺𝐷) en la curva japonesa al igual
que en el gap 1 a excepción de que pasado los 200 km aproximadamente de
distancia hipocentral, lugar en donde ambas ecuaciones se intersectan, la
curva Japonesa decae más rápidamente que la de Chile.
- Al igual que el gap sísmico 1, se propone realizar un estudio más detallado
para analizar eventos en bajas frecuencias utilizando un catálogo de datos
más completo y cambiando las distancias hipocentrales a distancias más
cercanas a la falla finita.
- Respecto a los gráficos del apéndice D.3 Curvas gap sísmico 3 y 1 con
PGD gap sísmico 2 se comparan las curvas del gap sísmico 1 y 3 con los
datos de log(𝑃𝐺𝐷) del gap sísmico 2. Se observa que la curva del gap 1 y 3
tienen pendientes de decaimiento muy similares, pero son paralelas entre sí,
ya que la curva amarilla (gap 1) subestima los valores predichos de log(𝑃𝐺𝐷)
de la curva verde (gap 3) y los datos de desplazamiento de suelo observados
de la zona esta zona en estudio. Por otro lado, la curva del gap 3 y de Japón
tienen comportamientos bastante similares a excepción de los 40 a los 250
km de distancia hipocentral en donde la curva verde tiene mejor ajuste que
la roja. En base a este antecedente, se propone realizar una nueva ecuación
predictora del movimiento fuerte del suelo en la cual incluya los registros del
gap sísmico 2 y 3.
Considerando que existen resultados solo para predecir magnitudes desde 4Mw a
5,5Mw y que además, son solo 95 eventos sísmicos, se concluye que la capacidad
de predicción de coeficientes desarrollados para este gap no son confiables.
85
desde sur de la zona de ruptura del terremoto de Illapel con latitud 32S hasta
Rancagua con latitud 35S, se puede comentar lo siguiente:
- Respecto a la alguna sísmica, el potencial sísmico en esta zona es bastante
alto debido a que, hasta la fecha, no existe registro de sismos, desde el
terremoto de 1985 en Algarrobo y el de 1939 en Chillán, con una alta
liberación de energía que reduzca el déficit de desplazamientos en el
contacto de las placas.
- Existe una sobrestimación de PGD predichos por la curva roja (Japón) en
comparación con la curva azul (Chile) desde los 40 km de distancia
hipocentral. Pasado los 150 km ambas curvas tienen un comportamiento
similar.
- Es un caso de estudio con mayor densidad de eventos sísmicos
concentrándose en mangitudes de momento que oscila entre 4,0 a 5,0
concluyendo de que el hiperplano generado en este gap sísmico se ajusta
sin inconvenientes para este rango.
- Considerando que en este catálogo de eventos sísmicos solo incluye sismos
con 𝑀𝑤 ≤ 7,0, los resultados de los coeficientes son confiables solo para
este rango de magnitudes.
- En la mayoría de los eventos se aprecia el fenómeno físico que se busca
sobre el decaimiento de la amplitud de la onda sísmica con la distancia. Sin
embargo, esta nube de datos de PGD no están perfecta con la que se
presenta en el gap sísmico 1 ya que presenta un pequeño grado de
dispersión.
- No es apropiado establecer estos coeficientes como valores predictores de
PGD para terremotos en bajas frecuencias por la falta de información.
- El fenómeno de atenuación en este gap sísmico decae más lento a diferencia
del gap 1.
- Respecto a los gráficos del apéndice D.1 Curva gap sísmico 1 y 2 con PGD
gap sísmico 3 se comparan las curvas del gap sísmico 1 y 2 con los datos
de log(𝑃𝐺𝐷) del gap sísmico 3. Se observa que la curva amarilla que
corresponde a la del gap sísmico 1, no funciona como ecuación predictora
86
del movimiento fuerte del suelo característico del gap 3 ya que subestima los
valores de log(𝑃𝐺𝐷). La curva negra del gap sísmico 2 es la que mejor ajuste
tiene en comparación con la ecuación de Japón concluyendo nuevamente
que para generar un GMPEs en esta zona, se recomienda incluir los registros
de la laguna sísmica 2 ya que probablemente la falla del terremoto del 2015
en Illapel no sirve como una zona de separación entre dos zonas tectónicas
distintas.
Analizando la variabilidad del evento 6,9Mw ocurrido el 24 de abril del 2017 a las
21:38:30 hrs. se observa que la mejor predicción de magnitud es con la onda S
nuevamente con un 6,59Mw.
Variabilidad 6,9Mw
7,63 7,37
8
Magnitud, Mw
6,33 6,59
6
4
Menor predicción Mayor predicción
Onda P Onda S
- Magnitud, Mw (𝑀):
En los tres gaps sísmicos la variable independiente de magnitud es la que mayor
poder explicativo tiene dentro del modelo matemático para ambas ondas en
comparación con los demás parámetros y directamente proporcional al log(𝑃𝐺𝐷).
Esta variación se cuantifica mediante los coeficientes 𝑎𝑝 y 𝑎𝑠 .
87
En el gap sísmico 1, el aporte de log(𝑃𝐺𝐷) crece linealmente a una tasa de
0,74773 en la onda P y en la secundaria, lo mismo, pero a una tasa de 1,02301,
aumentando aún más el aporte de log(𝑃𝐺𝐷) a bajas frecuencias.
En el gap sísmico 2, el aporte de log(𝑃𝐺𝐷) crece linealmente a una tasa de
0,60728 en la onda P y en la secundaria, lo mismo, pero a una tasa de 0,92795,
aumentando aún más el aporte de log(𝑃𝐺𝐷) a bajas frecuencias.
En el gap sísmico 3, el aporte de log(𝑃𝐺𝐷) crece linealmente a una tasa de
0,80691 en la onda P y en la secundaria, lo mismo, pero a una tasa de 0,96975,
aumentando aún más el aporte de log(𝑃𝐺𝐷) a bajas frecuencias.
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) crece linealmente a una tasa de
0,72 en la onda P y en la secundaria, lo mismo, pero a una tasa de 0,87,
aumentando aún más el aporte de log(𝑃𝐺𝐷) a bajas frecuencias.
En conclusión, debido a que, en altas frecuencias, el aporte de log(𝑃𝐺𝐷) por la
magnitud es menor, estas presentan una atenuación más rápida que a bajas
frecuencias (ver Tabla 13: Resumen de evaluaciones del dominio de Mw por
GMPEs. y Gráfico 34: Evaluación del dominio de Mw en los GMPEs.).
88
Tabla 13: Resumen de evaluaciones del dominio de Mw por GMPEs.
89
Comparación Mw entre gaps y ondas
10,0
Gap1 - Onda P
Aporte log(PGD)
8,0
Gap1 - Onda S
6,0 Gap 2 - Onda P
4,0 Gap 2 - Onda S
Gap 3 - Onda P
2,0
Gap 3 - Onda S
0,0 Japón - Onda P
4,0 5,0 6,0 7,0 8,0 9,0
Japón - Onda S
Magnitud, Mw
90
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) decrece a una tasa de 0,0005 para
la onda P y para la S a 0,0019.
En el Gráfico 35 se observa la comparación de los resultados entre gaps y ondas
de cuerpo. Las ondas S en el gap sísmico 1 es la que mayor incidencia tiene en el
log(𝑃𝐺𝐷) a diferencia de las otras 5 curvas punteadas, disminuyendo los valores de
desplazamiento del suelo debido a la atenuación (ver Tabla 14: Resumen de
evaluaciones del dominio de distancia hipocentral en forma lineal en los GMPEs.).
91
Tabla 14: Resumen de evaluaciones del dominio de distancia hipocentral en forma lineal en los GMPEs.
92
- Distancia hipocentral logarítmica (log(𝑅)):
La variable de distancia hipocentral (𝑅) en términos de log(𝑃𝐺𝐷) se incorpora
de forma logarítmica con dominio en [5 − 500] y seguido del parámetro magnitud,
es la que mayor poder explicativo tiene dentro de la expresión matemática ya que
genera una variación directa en el desplazamiento del suelo al estar ambas en
escala logarítmicas. Este impacto que se traduce físicamente en la atenuación del
frente de onda por distancia tiene mayor relevancia en 𝑅 más lejanos a una tasa del
coeficiente 𝑐𝑝 y 𝑐𝑠 para la ondas primarias y secundarias respectivamente.
No se realizó una regresión por separado para determinar la pendiente de la
atenuación en la dimensión de PGD/distancia hipocentral la cual caracteriza ele
fecto de atenuación del frente de onda.
En el gap 1 se observa que ambas curvas se comportan con un decaimiento
logarítmico bastante pronunciado, en la cual, la curva de Chile decrece a una tasa
de 0,6246 para la onda P y para la S a 0,5177, enteniéndose físicamente como una
atenuación de las ondas sísmicas más rápida durante su propagación desde el
origen al reporte en la estación sismológica. Al igual que en el comentario anterior,
este fenómeno se explicará posteriormente más en detalle en la sección
Comparación coeficientes Chile versus coeficientes Japón.
En el gap 2, la curva de Chile decrece a una tasa de 0,72756 para la onda P y
para la S a 1,22209.
En el gap 3, la curva de Chile decrece a una tasa de 0,66527 para la onda P y
para la S a 0,78908.
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) decrece a una tasa de 1,2 para la
onda P y para la S a 1.
En el Gráfico 36 se observa que todas las curvas punteadas aumentan a las bajas
frecuencias (ver Tabla 15), en especial las ondas S en el gap sísmico 2 es la que
mayor incidencia tiene en el log(𝑃𝐺𝐷).
93
Tabla 15: Resumen de evaluaciones en el dominio de distancia hipocentral en forma logarítmica en los GMPEs.
94
Comparación log(R) entre gaps y ondas
0,0
Aporte log(PGD) Gap 1 - Onda P
-0,5
-1,0 Gap 1 - Onda S
-1,5 Gap 2 - Onda P
-2,0 Gap 2 - Onda S
-2,5 Gap 3 - Onda P
-3,0
Gap 3 - Onda S
-3,5
0 200 400 600 Japón - Onda P
Distancia hipocentral, R [Km] Japón - Onda S
95
En el gap 3 no existe una gran diferencia de aporte de log(𝑃𝐺𝐷) por profundidad
(𝐻) para la onda P y S ya que aumenta a una tasa es de 0,00165 y 0,00115
respectivamente.
En la curva de Japón, el aporte de log(𝑃𝐺𝐷) aumenta a una tasa de 0,005 para
la onda P y S. Este parámetro tiene una mayor incidencia en la amplitud del
log(𝑃𝐺𝐷). Cabe mencionar que el efecto que se da sobre el aumento de log(𝑃𝐺𝐷)
en Japón es completamente distinto al que se da en el gap sísmico 1 probablemente
por la modelación del slip.
En conclusión, se puede decir que desacoplar el efecto de la distancia en el
parámetro de magnitud es difícil porque hay una fuerte dependencia con la
modelación del slip y por otro lado, el fenómeno que se da en Japón, no tiene
relación si es que es comparado con el mejor resultado de la investigación, el gap
sísmico 1 porque probablemente la morfología de la fosa de subducción es distinta.
96
Tabla 16: Resumen de evaluaciones en el dominio de profundidad en forma lineal por GMPE.
97
En conclusión y como comentarios generales, los parámetros de magnitud y de
distancia hipocentral en forma logarítmica son los que controlan el modelo
matemático en los 3 gaps analizados debido a que tienen mayor poder explciativo
en amplitudes de log(𝑃𝐺𝐷).
Las ondas S en el gap sismico 2 tiene un comportamiento especial ya que solo el
log(𝑃𝐺𝐷) se ve afectado por la atenuación del frente de onda y no por la
anelasticidad.
98
propagación de las ondas sísmicas, los rayos llegan a la superficie con una amplitud
menor a la que se generaron debido a la influencia del medio heterogéneo que tiene
relación a los efectos geofísicos de atenuación cuantificado mediante el parámetro
Q. No obstante, la respuesta del suelo en la superficie a causa a las ondas sísmicas
varía en cada lugar debido a condiciones geotécnicas específicas que generan un
comportamiento dinámico especial en la respuesta del suelo ante cargas cíclicas.
Los depósitos jóvenes no consolidados o cuencas rellenas con sedimentos
aluvionales de distinto tipo generan aumentos en la intensidad de movimiento de 2,
e incluso 3 grados en la escala MKS según indica Pastén (2007) como también
factores de profundidad del basamento rocoso, densidad y porcentaje de saturación
del suelo o grado de confinamiento. En este contexto, se han propuesto curvas de
atenuación que explican la amplificación de la onda sísmica conocido como efecto
de sitio con PGA (Peak Ground Acceleration) en función a las variables dinámicas
del suelo como la velocidad de onda de corte a los 30 metros de profundidad (𝑉𝑠30)
o la razón espectral de la componente horizontal sobre la vertical. Sin embargo,
caracterizar el movimiento del suelo en términos de desplazamientos en función de
variables para evaluar el efecto de sitio no tiene sentido porque la amplitud decae a
altas frecuencias a diferencia si se utilizara con aceleraciones y, debido a que el
sistema de alerta temprana no permite modificaciones en la ecuación porque se
requiere de una forma funcional matemática lo más simple posible para que el nuevo
algoritmo del EWS trabaje en tiempo real eficazmente, estudiar este efecto
incluyendo el parámetro que caracterice los efectos locales de amplificación de
ondas no es factible.
Dado lo anterior, en una primera instancia se intentó realizar un estudio del
parámetro magnitud para los terremotos en la cual buscaba explicar la desviación
estándar que existe entre la magnitud del evento determinada por la inversión y la
magnitud calculada por cada estación sismológica en base a resultados de
desplazamiento máximo horizontal del suelo obtenidos a través de los registros que
entregaba el acelerómetro. Como hipótesis, se esperaba que este análisis
funcionara como un método indirecto para evaluar efectos de amplificaciones
locales del suelo utilizando la ubicación de la estación como referencia.
99
A pesar de que este intento por un momento podría haber funcionado como un
análisis para evaluar las amplificaciones de onda en la superficie, es importante
destacar que los PGD calculados mediante la doble integración de los
acelerogramas obtenidos por los acelerógrafos no son lo bastante certeros en
comparación con los resultados de desplazamiento que entrega la red de GPS ya
que estos últimos, son capaces de medir la posición de un lugar varias veces por
segundo con un precisión que fluctúa entre milímetros y unos pocos centímetros
desde su posición satelital sin presentar niveles de saturación en comparación a los
sismómetros (Centro Sismológico Nacional, s.f.) y por otro lado, no sería posible
utilizar GPS en el sistema de alerta temprana por el tiempo que demora el traspaso
de información.
Finalmente, cabe mencionar que, si bien no fue posible caracterizar el efecto de
sitio dentro de la forma funcional, es un concepto que se tuvo en consideración al
momento de analizar el GMPE.
Se propone realizar un análisis posterior a este estudio para determinar las
estaciones que presenten amplificaciones sísmicas y generar un factor de
amplificación en base a mediciones de velocidad de onda de corte a los 30 metros
de profundidad (Matsuoka et al., 2005) con el objetivo de aumentar el valor de
log(𝑃𝐺𝐷).
100
CAPÍTULO 7: CONCLUSIONES Y RECOMENDACIONES
101
En el CAPÍTULO V: GROUND MOTION PREDICTION EQUATIONS (GMPEs)
se describió la forma funcional utilizada, los mejores coeficientes obtenidos para
cada gap sísmico, el método de regresión que se utilizó y la modelación de
residuales.
102
Finalmente, el gap sísmico 3, es un caso de estudio con mayor densidad de
eventos sísmicos concentrándose en magnitudes de momento que oscila entre 4,0
a 6,5 concluyendo de que el hiperplano generado en este gap sísmico se ajusta sin
inconvenientes para este rango.
103
Bibliografía
Abrahamson, N. A., & Youngs, R. R. (February de 1992). A stable algorithm for
regression alanyses using the random effects model. Bulletin of the
Seismological of America, 82(1), 505-510.
Allen, R. M., & Kanamori, H. (2009). The Potential for Earthquake Early Warning in
Southern California. Science Magazine.
Barrientos, S. (08 de 09 de 2017). Las razones por las que Chile no puede tener
un sistema de alerta sísmica como México. (L. Tercera, Entrevistador)
Boore, D. M., & Joyner, W. B. (April de 1997). Site Amplifications for Generic Rock
Sites. Bulletin of the Seismological Society of America, 87(2), 327-341.
104
Campbell, K. W. (December de 1981). Near-Source Attenuation of Peak Horizontal
Acceleration. Bulletin of the Seismological Society of America, 71(6), 2039-
2070.
Carreño, E., Bravo, B., Suarez, A., & Tordesillas, J. M. (1999). Registro y
tratamiento de acelerogramas. Institulo Nacional Geográfico.
Comte, D., & Pardo, M. (1991). Reappraisal of Great Historical Earthquakes in the
Northern Chile and Southern Peru Seismic Gaps. Natural Hazard.
105
Douglas, J. (2018). Ground motion prediction equations 1964-2018. En U. o.
Strathclyde.
Idini, B., Rojas, F., Ruiz, S., & Pastén, C. (2016). Ground motion prediction
equations for the Chilean subduction zone. Bull Earthquake Eng.
Jost , M. L., & Hermann, R. B. (1989). A student's guide to and review of moment
tensors. Seismological Research Letters, 60.
Joyner, W. B., & Boore, D. M. (1981). Peak horizontal acceleration and velocity
from strong-motion records including records from the 1979 Imperial Valley,
California, earthquake. Bulletin of the Seismological Society of America, 71,
2011-2038.
Joyner, W. B., & Boore, D. M. (Abril de 1993). Methods for regression analysis of
strong-motion data. Bulletin of the Seismological Society of America, 83(2).
Joyner, W. B., & Boore, D. M. (1994). Methods for Regression Analysis of Strong-
Motion Data ERRATA. Bulletin of the Seismological Society of America,
84(3).
106
Kamigaichi, O. (2004). JMA EARTHQUAKE EARLY WARNING. Journal of Japan
Association for Earthquake Engineering.
Kawaho, A., Shinji, K., Toshihiro, S., Moriwaki, K., & Takashi, Y. (2010). 緊急地震
速報におけるP波マグニチュード推定方法の改善. Quarterly Journal of
Seismology, 73, 123-134.
Kiyomoto, M., Aketagawa, T., Ohtake, K., Shimbaru, T., Shimoyama, T., Moriwaki,
K., . . . Yokota, T. (8 de October de 2009). Investigation of Technical Issues
for Earthquake Early Warning. Quarterly Journal of Seismology, 73, 135-
150.
Lagos, M. (25 de Marzo de 2014). Expertos detallan cómo podría ser el terremoto
anunciado para el norte. (N. Ramírez, Entrevistador)
Matsuoka, M., Wakamatsu, K., Fijimoto, K., & Midorikawa, S. (2005). Nationwide
site amplification zoning using GIS-based Japan Engineering
Geomorphologic Classification Map. ICOSSAR.
Melnick, D., Sanchez, M., Echtler, H., & Pineda, V. (2003). GEOLOGÍA
ESTRUCTURAL DE LA ISLA MOCHA, CENTRO-SUR DE CHILE (30°30'S,
74°W): IMPLICANCIAS EN LA TECTÓNICA REGIONAL.
Metois, M. (Febrero de 2013). Revisiting the North Chile seismic gap segmentation
usingGPS‐derived interseismic coupling. Geophysical Journal International.
Riquelme, S., Medina, M., Bravo, F., Barrientos, S., Campos, J., & Cisternas, A.
(2018). W -Phase Real-Time Implementation and Network Expansion from
2012 to 2017: The Experience in Chile. Seismological Research Letters.
Ruiz, S., & Madariaga, R. (2010). Sismogénesis, proceso de ruptura y replicas del
mega terremoto del Maule 2010. Universidad de Chile.
107
Ruiz, S., & Saragoni, G. R. (2005). Fórmulas de atenuación para la subducción de
Chile considerando los dos mecanismos de sismogénesis y los efectos del
suelo. Congreso Chileno de Sismología e Ingeniería Antisísmica.
Concepción.
Ruiz, S., Aden-Antoniow, F., Baez, J. C., Otarola, C., Potin, B., Del Campo, F., . . .
Bernard, P. (2017). Nucleation Phase and Dynamic Inversion of the Mw 6.9
Valparaíso 2017 Earthquake in Central Chile. Geophysical Research
Letters.
Victor, P., Sobiesiak, M., Glodny, J., Nielsen, S., & Oncken, O. (2011). Long‐term
persistence of subduction earthquake segment boundaries: Evidence from
Mejillones Peninsula, northern Chile. Journal Of Geophysical Research,
116.
108
Wu, S., Yamada, M., Tamaribuchi, K., & Beck, J. (2015). Multi-events Earthquake
Early Warning algorithm using a Bayesian approach. Geophysical Journal
International .
Wu, Y.-M., & Li, Z. (2006). Magnitude estimation using the first three seconds P-
wave amplitude in earthquake early warning. Geophysical Research Letters.
109
ANEXOS
ANEXO A
Información de la red de acelerógrafos y catálogo de eventos sísmicos
A.1 Red de acelerógrafos
110
Tabla A.1: Red de acelerógrafos
111
Tabla A.1: -Continuación
Código Latitud Longitud Altura
Responsable RED Digitalizador BB Acelerómetro
estación [°] [°] [m]
PB10 DGAC CX -23,5 -70,6 250 Q330HR STS2 Epi
PB14 CTR-GER CX -24,6 -70,4 2640 Earthdata PS6-24 STS2 Epi
GO02 TESACOM-DIR C -25,2 -69,6 2550 Q330 T240 Episensor
AC01 CTR-DIR C1 -26,1 -70,6 390 Q330 Trillium 120p CMG-5T
CRCH INTERNET C -26,3 -70,7 10 Earth Data - Episensor FBA
AC02 CTR-DIR C1 -26,8 -69,1 39905 Q330 Trillium 120p CMG-5T
AC03 DGAC C1 -27,3 -70,4 321 Q330 Trillium 120p CMG-5T
GO03 TESACOM-DIR C -27,6 -70,2 730 Q330 T240 Episensor
AC04 CTR-DIR C1 -28,2 -71,1 2703 Q330 Trillium 120p CMG-5T
AC05 CTR-DIR C1 -28,8 -70,3 12864 Q330 Trillium 120p CMG-5T
LCO INTERNET IU -29,0 -70,7 2299 Q680 STS1 FBA-23
CO05 3G C1 -29,9 -71,2 101 Q330 Trillium 120p CMG-5T
CO01 CTR-DIR C1 -30,0 -70,1 21574 Q330 Trillium 120p CMG-5T
GO04 INTERNET C -30,2 -70,8 2076 Q330 T240 Episensor
CO06 CTR-DIR C1 -30,7 -71,6 239,7 Q330 Trillium 120p FBA ES-T
CO03 CTR-DIR C1 -30,8 -70,7 9903 Q330 Trillium 120p CMG-5T
CO02 INTERNET C1 -31,2 -71,0 1190 Q330 Trillium 120p CMG-5T
CO04 CTR-DIR C1 -32,0 -71,0 2401 Q330 Trillium 120p CMG-5T
VA03 CTR-DIR C1 -32,8 -70,6 1053 Q330 Trillium 120p CMG-5T
ROC1 INTERNET C -33,0 -71,0 2186 Q330 Trillium 40 Episensor
MT07 - C1 -33,0 -71,0 2234 Q330 Trillium 120p CMG-5T
VA01 INTERNET C1 -33,0 -71,6 2 Q330 Trillium 120p CMG-5T
PEL INTERNET G -33,1 -70,7 690 Q330HR STS-1 Episensor
MT02 CTR-DIR C1 -33,3 -71,1 323 Q330 Trillium 120p CMG-5T
FAR1 INTERNET C -33,3 -70,3 2270 Q330 Trillium 40 Episensor
MT05 RADIO C1 -33,4 -70,7 765 Q330 Trillium 120 CMG-5T
112
Tabla A.1: -Continuación
Código Latitud Longitud Altura
Responsable RED Digitalizador BB Acelerómetro
estación [°] [°] [m]
DG01 INTERNET C1 -33,5 -70,7 609 Q330 Trillium 120 Episensor
ME03 RADIO C1 -33,5 -70,5 1087 Q330 Trillium 120 Episensor
RCDM RADIO C -33,5 -70,8 465 Earth Data - FBA ES-T
ANTU INTERNET C -33,6 -70,6 640 Earth Data - Episensor
VA05 DGAC C1 -33,7 -71,6 80 Q330 Trillium 120 CMG-5T
MT09 RADIO C1 -33,8 -71,0 1371 Q330 Trillium 120 CMG-5T
MT01 CTR-DIR C1 -33,9 -71,3 310 Q330 Trillium 120p CMG-5T
LMEL CTR-DIR C -33,8 -70,2 1510 Q330 STS-2 Episensor
BO01 CTR-DIR C1 -34,4 -71,1 2625 Q330 Trillium 120p CMG-5T
CHPI INTERNET C -34,4 -72,0 20 Altus Makalu - Episensor FBA
BO03 CTR-DIR C1 -34,5 -72,0 128 Q330 Trillium 120 CMG-5T
BO02 CTR-DIR C1 -34,8 -70,8 886 Q330 Trillium 120p CMG-5T
GO05 INTERNET C -35,0 -71,9 488 Q330 T240 Epi
ML02 INTERNET C1 -35,8 -71,4 237 Q330 Trillium 120 CMG-5T
BI02 CTR-DIR C1 -36,7 -71,3 913 Q330 Trillium 120p CMG-5T
BI03 INTERNET C1 -36,8 -73,0 196 Q330 Trillium 120 CMG-5T
LAJA INTERNET C -37,3 -72,7 84 Basalt - Episensor FBA
AGCH INTERNET C -37,8 -72,7 76 Earth Data - Episensor FBA
BI04 CTR-DIR C -38,4 -73,9 61 Q330 Trillium 120 CMG-5T
LC02 CTR-DIR C1 -38,8 -73,4 67 Q330 Trillium 120p CMG-5T
LC01 CTR-DIR C1 -38,9 -71,9 471 Q330 Trillium 120 CMG-5T
GO06 TESACOM-DIR C -39,6 -71,5 1258 Q330 T240 Epi
113
A.2 Catálogo de eventos gap sísmico 1
114
Tabla A.2: - Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20150518150151 -19,8 -71,0 4,3 14,3
20150520043552 -19,7 -70,8 4,1 22,9
20150520151756 -19,8 -71,1 4,2 5,2
20150521120355 -20,2 -70,9 4,1 23,2
20150522193934 -20,2 -70,7 5,3 19,7
20150523064229 -20,2 -70,9 4,1 19,1
20150523130944 -20,1 -70,8 5,0 16,2
20150528095513 -20,1 -70,2 4,1 44,3
20150531160828 -19,9 -70,9 5,0 23,9
20150601115717 -18,3 -71,2 4,7 25,9
20150607004337 -20,0 -71,0 4,5 8,4
20150609123852 -20,2 -70,9 4,8 25,0
20150609135953 -20,2 -70,9 4,5 6,2
20150609150404 -20,1 -71,0 4,3 6,4
20150610150642 -20,6 -71,0 4,5 18,9
20150617072114 -20,2 -70,7 4,6 18,8
20150720092715 -18,4 -71,4 4,5 13,2
20150723002736 -19,7 -71,3 4,0 19,6
20150724231438 -20,3 -70,3 5,3 34,5
20150807060958 -19,8 -70,9 4,1 35,0
20150905201857 -18,3 -71,6 4,5 18,0
20150910144014 -20,0 -71,0 4,4 14,7
20150915185426 -20,0 -70,9 4,2 11,1
20150915212120 -20,0 -70,8 5,0 9,8
20150915220333 -20,0 -70,8 4,9 14,4
20150916181912 -20,0 -71,0 4,5 16,2
20150916182421 -20,0 -70,9 4,9 12,8
20150916185609 -20,0 -70,9 4,9 9,0
20150917063634 -18,5 -69,2 5,1 10,7
20150923231640 -20,0 -71,0 4,1 12,1
20150929035121 -20,3 -70,9 4,4 29,1
20151006164132 -20,0 -71,0 4,2 12,9
20151017070127 -20,6 -70,8 4,5 14,7
20151031021910 -18,5 -71,5 4,2 10,0
20151101091431 -19,9 -70,9 4,1 29,7
20151108220719 -19,8 -71,0 4,0 17,8
20151128202132 -20,0 -71,0 4,2 11,2
20151205102918 -22,6 -70,4 4,6 26,5
115
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20151212004535 -19,9 -71,0 4,5 15,3
20160106124107 -21,6 -70,4 4,6 31,4
20160203090713 -21,3 -69,6 4,4 47,7
20160213153849 -20,6 -70,7 4,3 36,7
20160216054112 -20,1 -71,0 4,1 33,1
20160229153258 -20,4 -70,7 4,1 30,5
20160302094953 -18,7 -70,7 5,2 33,4
20160304185831 -20,7 -71,0 4,5 24,6
20160305173150 -20,7 -69,7 4,5 38,2
20160324111639 -19,7 -70,8 4,0 37,7
20160331092721 -19,9 -71,0 4,1 20,2
20160406003051 -20,2 -70,5 4,0 25,3
20160424005532 -21,3 -70,6 4,4 44,4
20160521182336 -21,6 -71,6 4,5 10,0
20160603134653 -19,0 -70,3 4,2 40,2
20160609093555 -19,8 -71,0 4,1 18,3
20160704125540 -20,6 -70,8 4,4 15,9
20160705022903 -20,2 -70,9 5,1 11,1
20160705082659 -20,2 -70,8 4,2 33,2
20160716032539 -21,3 -70,1 4,4 25,9
20160816053352 -19,8 -71,2 4,1 31,4
20160816122737 -19,9 -71,1 4,3 21,4
20160816175046 -19,8 -71,0 4,7 13,1
20160816181732 -19,8 -71,1 5,1 18,3
20161114220030 -21,1 -70,0 4,4 49,7
20161121223211 -22,6 -70,3 4,2 31,3
20170103134152 -19,9 -70,4 5,2 43,1
20170105162444 -22,1 -70,3 4,1 33,8
20170114185327 -19,7 -71,0 4,2 27,4
20170122163608 -20,2 -70,8 4,2 17,8
20170402232935 -19,9 -70,1 4,3 35,0
20170404130149 -20,3 -70,2 4,2 36,0
20170430093601 -20,0 -70,9 5,0 10,9
20170513194443 -21,8 -70,4 4,4 35,0
20170514053323 -18,4 -71,1 4,8 39,3
20170516135632 -18,9 -70,2 4,4 18,6
20170517004220 -22,0 -70,1 4,5 46,9
20170604143656 -19,6 -70,1 4,6 49,5
116
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20170722062950 -21,2 -69,2 5,3 47,1
20170726180441 -20,1 -70,1 4,3 42,0
20170812193747 -20,1 -71,0 4,7 14,7
20140417170832 -20,6 -70,9 4,8 9,0
20140417201739 -19,8 -71,0 4,1 13,0
20140418065747 -19,9 -71,0 4,6 30,5
20140418081242 -20,5 -70,5 4,5 29,9
20140418115255 -20,0 -71,0 4,3 11,1
20140418234536 -20,6 -71,0 4,8 13,2
20140419011513 -19,9 -70,9 4,0 22,4
20140419115904 -19,9 -71,1 4,3 9,6
20140419205443 -20,0 -70,9 5,8 14,9
20140419213029 -19,9 -71,0 4,7 5,8
20140420002142 -19,2 -71,4 4,2 6,1
20140420075456 -19,9 -71,0 5,0 21,3
20140420203801 -19,9 -71,0 4,0 15,6
20140421071038 -20,2 -70,9 4,0 12,8
20140421104907 -19,9 -70,3 4,0 15,4
20140421133904 -19,7 -70,9 5,3 9,5
20140424045650 -20,1 -70,8 4,8 31,4
20140424102649 -19,9 -71,0 5,2 31,4
20140424110401 -19,9 -71,2 4,4 22,5
20140425030136 -20,3 -71,0 4,7 11,3
20140427144555 -20,1 -71,0 4,0 9,6
20140428000938 -19,9 -70,8 4,9 20,2
20140428024728 -20,5 -70,8 4,5 11,7
20140428045935 -19,5 -70,4 5,0 31,8
20140428122429 -19,9 -70,9 4,6 40,1
20140430051623 -19,9 -71,0 4,2 17,1
20140430111256 -20,5 -70,7 4,2 5,4
20140430163757 -19,9 -70,9 4,2 11,7
20140430181954 -19,9 -70,9 4,3 23,3
20140501164522 -20,0 -71,1 5,1 6,6
20140504031655 -20,0 -71,0 4,4 10,9
20140504044646 -20,0 -71,0 5,1 11,7
20140504045554 -20,0 -71,0 4,5 10,3
20140504100930 -20,1 -70,8 4,1 11,3
20140504183402 -20,0 -71,0 4,6 30,7
117
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinuSeg origen, [°] origen, [°] Mw [Km]
20140505055426 -19,9 -71,0 4,7 20,5
20140505062746 -19,3 -71,1 4,7 22,7
20140505112119 -20,2 -70,7 5,4 23,6
20140505225223 -19,9 -70,8 4,9 12,5
20140507035650 -19,5 -70,4 4,4 33,3
20140507132705 -20,0 -70,9 4,9 8,5
20140509045847 -20,3 -70,8 4,6 5,2
20140509210955 -20,2 -70,4 4,1 30,2
20140510103237 -18,4 -71,4 4,5 18,3
20140511152911 -20,1 -70,9 4,5 13,3
20140512115428 -20,6 -70,9 4,7 17,2
20140513193358 -20,0 -71,0 4,8 14,5
20140514055150 -19,7 -71,0 5,3 27,1
20140514055739 -19,7 -71,1 4,5 9,6
20140517091106 -19,9 -70,8 5,5 10,8
20140517092313 -20,0 -71,0 4,8 11,0
20140517101759 -20,0 -70,9 4,7 14,0
20140521192145 -20,1 -70,9 4,1 19,3
20140525171226 -20,1 -70,9 4,0 12,8
20140527033439 -20,9 -70,5 4,5 29,4
20140527130248 -19,8 -70,9 4,5 12,9
20140528052705 -19,4 -71,2 4,2 25,6
20140528181403 -20,2 -70,8 4,7 21,4
20140528222337 -19,9 -71,1 4,9 15,9
20140531091730 -19,8 -70,6 4,1 14,4
20140604034609 -20,2 -71,0 4,0 13,7
20140604170426 -20,7 -70,8 5,1 8,3
20140604193533 -20,7 -70,9 4,3 10,6
20140605054102 -19,9 -71,1 4,9 8,3
20140605201928 -20,4 -70,3 4,9 30,3
20140605231011 -19,7 -71,0 4,4 20,2
20140607191058 -19,9 -71,2 4,8 7,2
20140608033931 -20,6 -70,8 4,0 15,9
20140608212414 -20,2 -70,9 4,4 20,7
20140611020517 -20,1 -71,0 4,0 6,2
20140615121224 -19,7 -71,0 4,0 11,7
20140618232715 -20,2 -70,9 4,5 14,2
20140619093835 -20,0 -70,8 5,8 5,4
118
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140619195405 -19,8 -70,8 5,8 14,9
20140619195945 -19,8 -70,9 5,3 37,2
20140620195332 -19,8 -70,9 5,5 19,4
20140620202227 -19,8 -71,0 5,8 14,2
20140620215119 -19,7 -71,1 4,0 7,5
20140623024503 -20,0 -71,0 4,4 8,7
20140626015045 -20,3 -70,6 4,2 32,5
20140627035053 -19,9 -71,0 4,5 8,0
20140630022940 -19,8 -70,9 4,1 14,9
20140701011734 -20,5 -70,2 4,2 35,0
20140701195820 -19,9 -71,0 4,2 12,4
20140705110046 -20,7 -70,8 4,5 15,8
20140707212833 -20,9 -70,6 4,3 25,1
20140708160420 -20,8 -70,6 4,9 24,9
20140713205414 -20,3 -70,3 5,6 33,1
20140715111222 -19,9 -70,0 4,2 33,0
20140718052410 -20,2 -70,9 5,0 14,8
20140718054648 -20,2 -70,9 4,6 14,8
20140721002127 -20,1 -70,6 5,1 25,6
20140724052156 -18,3 -71,4 4,5 29,6
20140728162032 -19,9 -71,1 4,1 10,5
20140729130133 -20,1 -70,4 4,5 29,3
20140809170132 -20,5 -70,9 4,4 11,8
20140814221531 -20,0 -70,8 4,2 8,0
20140816101048 -20,0 -71,0 4,9 10,0
20140824135513 -19,9 -71,0 4,7 10,0
20140904092651 -20,7 -70,4 5,0 28,1
20140911031329 -19,9 -71,0 4,3 20,6
20140917215935 -20,2 -70,8 4,2 21,8
20140918181415 -20,2 -70,9 4,5 7,9
20140926080230 -20,0 -71,0 4,6 21,0
20141007123322 -20,0 -71,0 5,2 9,0
20141007130553 -20,0 -71,0 4,9 24,8
20141011085124 -19,9 -71,0 4,5 27,5
20141025003624 -20,8 -70,8 4,1 8,6
20141026025253 -20,5 -70,6 4,7 35,0
20141104223136 -19,9 -70,9 5,0 24,3
20141113204842 -20,5 -70,4 4,0 28,4
119
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140403160832 -20,6 -71,0 4,5 6,8
20140403182946 -20,1 -70,6 4,4 12,1
20140403203905 -20,6 -70,7 4,9 12,0
20140403210813 -19,6 -70,7 4,0 14,2
20140403230426 -19,9 -71,0 4,2 20,8
20140403233454 -19,6 -70,7 4,0 11,5
20140404002923 -20,6 -71,0 4,1 12,8
20140404013751 -20,6 -70,5 6,2 19,3
20140404034526 -20,6 -70,8 4,2 17,4
20140404045350 -20,2 -70,8 4,3 24,0
20140404074217 -19,9 -71,0 4,3 6,6
20140404095324 -20,6 -70,8 5,0 11,4
20140404151248 -19,8 -71,1 4,7 14,4
20140404155247 -20,5 -71,1 4,4 11,9
20140404160242 -20,5 -70,8 4,9 9,3
20140404180734 -20,0 -70,8 5,1 23,5
20140404205525 -20,6 -70,8 4,5 5,5
20140404223958 -20,4 -70,6 4,5 15,7
20140405003357 -20,1 -70,5 5,1 28,4
20140405010335 -20,0 -70,9 4,5 15,2
20140405013612 -19,7 -70,9 4,3 23,6
20140405020544 -19,9 -71,0 4,3 8,5
20140405021722 -19,9 -71,0 4,4 38,5
20140405024838 -19,7 -71,0 4,1 19,5
20140405040852 -20,6 -70,8 5,0 15,9
20140405044108 -20,5 -70,9 4,1 38,6
20140405052856 -20,6 -70,7 4,7 15,1
20140405081631 -20,3 -70,0 4,6 48,7
20140405110330 -19,3 -70,9 4,3 9,0
20140405140450 -20,4 -70,9 5,0 12,4
20140405161942 -19,7 -70,5 4,3 26,3
20140405174650 -20,7 -71,0 4,1 11,8
20140405184838 -19,7 -71,2 4,2 22,0
20140405190930 -19,8 -70,7 4,1 17,5
20140405192144 -20,7 -70,7 4,6 19,5
20140405202029 -19,9 -70,3 4,2 42,4
20140406134619 -20,1 -70,6 4,1 15,8
20140406140609 -20,4 -71,0 5,3 19,7
120
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140406165433 -20,2 -70,5 4,1 28,9
20140406205553 -19,8 -70,6 4,2 10,0
20140407094459 -19,9 -70,9 4,0 5,3
20140407104134 -20,5 -70,9 4,8 10,9
20140407134321 -20,1 -70,8 5,8 10,6
20140407140343 -20,1 -70,9 5,1 9,8
20140408010303 -19,8 -70,5 4,8 28,0
20140408052022 -19,9 -70,8 5,0 26,6
20140408054048 -20,5 -70,7 4,9 19,1
20140408054355 -20,5 -70,7 4,9 12,2
20140408070128 -20,1 -70,6 4,0 28,7
20140408073231 -20,0 -71,0 4,4 18,1
20140408075524 -20,6 -70,7 4,5 26,2
20140408103043 -20,6 -70,9 4,3 14,2
20140408110359 -20,6 -70,8 4,1 13,7
20140408124937 -19,6 -71,0 4,0 22,0
20140408131122 -19,8 -70,7 4,2 9,9
20140409043256 -19,9 -70,9 5,0 17,2
20140409073201 -20,5 -70,6 4,1 17,2
20140409074919 -19,9 -70,9 4,5 5,7
20140409095400 -19,9 -71,1 4,2 9,0
20140409110613 -20,8 -70,8 4,6 13,5
20140409111446 -20,6 -70,8 5,2 23,9
20140409144456 -20,8 -70,8 4,2 8,3
20140410001032 -20,3 -70,9 4,7 13,9
20140410065302 -20,6 -70,9 4,0 36,3
20140410114836 -20,2 -70,9 4,3 6,0
20140410174912 -20,0 -71,0 5,1 23,3
20140411083943 -20,6 -71,0 4,9 13,3
20140411085555 -20,0 -70,9 4,9 13,8
20140411120051 -20,0 -70,6 5,0 20,7
20140412092034 -20,6 -70,7 4,4 18,5
20140412134511 -19,7 -71,0 4,1 12,7
20140412140140 -20,2 -71,1 4,0 26,4
20140413012542 -20,5 -71,0 4,8 15,1
20140413082939 -19,8 -70,9 4,1 6,1
20140413121129 -20,6 -70,7 5,4 7,6
20140414055620 -20,7 -70,7 5,3 29,5
121
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140414122841 -20,2 -70,5 4,2 15,5
20140414222034 -18,6 -70,9 4,5 45,0
20140415024020 -19,9 -71,0 4,4 12,7
20140415042203 -20,1 -70,5 4,0 20,9
20140415160935 -20,2 -70,8 5,3 19,6
20140415162117 -20,2 -70,7 5,1 18,4
20140415165416 -20,2 -71,0 4,3 7,5
20140415171220 -20,2 -70,8 5,0 21,9
20140415185940 -20,1 -70,8 5,1 19,5
20140416031411 -20,2 -70,9 5,0 14,0
20140416031935 -20,2 -70,8 4,8 27,6
20140416213650 -19,7 -71,1 4,2 12,1
20140417073109 -19,9 -70,9 4,8 19,7
20140417140455 -19,9 -71,1 4,0 22,5
20140417152714 -20,0 -71,0 4,0 5,0
20140402013547 -20,1 -70,7 4,9 10,0
20140402015405 -19,9 -71,0 4,9 10,0
20140402021116 -19,6 -71,0 4,2 14,9
20140402021803 -20,0 -70,7 4,0 19,0
20140402023248 -19,8 -71,0 4,7 14,6
20140402030852 -19,9 -70,8 4,5 19,3
20140402032126 -19,7 -70,6 4,4 35,0
20140402034016 -19,9 -70,9 5,2 15,7
20140402034730 -19,5 -70,5 4,4 25,9
20140402041609 -20,0 -70,9 4,9 13,6
20140402041948 -19,9 -71,0 5,1 15,5
20140402052251 -19,8 -71,1 4,1 6,8
20140402053200 -19,4 -70,8 4,5 5,9
20140402053912 -19,9 -71,1 4,2 10,0
20140402054622 -20,0 -70,8 4,4 18,1
20140402055343 -19,3 -71,0 4,1 10,0
20140402055704 -19,2 -70,8 4,6 11,2
20140402060410 -19,9 -70,9 5,0 10,0
20140402062632 -19,6 -71,1 4,1 22,0
20140402062916 -20,1 -70,8 5,2 14,9
20140402065851 -19,8 -71,1 4,0 10,0
20140402070343 -20,2 -70,2 5,0 31,2
20140402070723 -19,4 -71,0 4,1 22,0
122
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140402081307 -19,5 -70,9 4,3 8,4
20140402100402 -19,7 -71,1 4,4 5,6
20140402101822 -20,0 -71,0 4,3 6,2
20140402110733 -20,0 -71,0 5,4 27,3
20140402123025 -19,8 -70,8 4,4 18,6
20140402134743 -19,5 -70,7 4,5 28,5
20140402135102 -19,8 -71,3 4,2 29,0
20140402152301 -19,8 -71,0 4,0 9,8
20140402153158 -19,8 -70,8 4,6 14,8
20140402161336 -19,9 -70,5 4,2 9,9
20140402174226 -19,6 -70,9 4,1 21,3
20140402183055 -19,6 -70,7 4,1 15,8
20140402185652 -19,8 -71,0 4,5 8,4
20140402192932 -20,1 -70,6 4,6 12,3
20140402194315 -19,9 -70,4 4,2 18,8
20140402195020 -20,0 -70,6 4,5 19,6
20140402203442 -19,7 -71,0 4,5 8,3
20140402204248 -19,9 -71,0 4,9 16,0
20140402215048 -20,3 -71,0 4,2 6,8
20140403011336 -19,8 -71,1 4,5 26,2
20140403015829 -20,4 -70,5 6,6 10,6
20140403024314 -20,6 -70,5 7,7 12,0
20140403034029 -20,7 -70,6 4,8 15,8
20140403035335 -20,7 -70,7 4,2 8,3
20140403044522 -20,1 -70,9 4,2 12,2
20140403050645 -20,3 -70,7 4,8 24,6
20140403051710 -19,8 -71,0 4,9 13,9
20140403051905 -20,5 -70,6 5,1 27,2
20140403072154 -20,7 -70,7 4,4 11,6
20140403082849 -19,9 -71,0 4,8 5,1
20140403083739 -20,8 -70,8 4,5 16,2
20140403084459 -20,5 -70,7 4,3 27,4
20140403090857 -20,2 -70,5 5,0 24,3
20140403092320 -20,6 -70,7 5,4 9,2
20140403102709 -19,3 -70,8 4,2 22,0
20140403115948 -20,6 -70,9 4,6 10,0
20140403123445 -20,7 -70,8 4,4 11,6
20140403130137 -20,0 -70,9 4,7 9,9
123
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140403132322 -20,3 -70,6 4,5 16,7
20140403134919 -20,4 -70,6 4,3 13,4
20140403140104 -20,5 -71,1 4,3 14,7
20140403143405 -20,5 -70,9 5,2 5,6
20140403145219 -20,5 -70,9 5,0 21,2
20140316211628 -19,9 -70,6 6,7 9,4
20140316223659 -19,9 -70,7 4,7 8,9
20140316225407 -19,8 -70,8 4,8 21,9
20140316233437 -20,3 -70,7 4,0 10,0
20140317001211 -20,0 -70,7 5,1 19,3
20140317013454 -20,0 -70,9 5,2 6,6
20140317015522 -20,2 -70,8 4,5 18,2
20140317020558 -19,9 -71,0 4,5 31,3
20140317032824 -20,0 -70,7 4,6 31,2
20140317041659 -19,2 -70,9 4,1 35,0
20140317045921 -19,9 -70,8 4,3 22,9
20140317051133 -20,1 -70,8 6,4 5,3
20140317054019 -19,9 -70,8 4,1 10,0
20140317061700 -20,1 -70,8 4,0 10,4
20140317064716 -19,9 -70,9 4,1 17,1
20140317075458 -20,0 -70,7 4,7 8,2
20140317083237 -20,0 -70,7 5,1 15,4
20140317085105 -20,0 -70,8 4,9 19,5
20140317090804 -19,7 -70,8 4,2 10,0
20140317091259 -20,0 -70,8 4,5 19,1
20140317111217 -19,9 -70,9 5,0 26,1
20140317111633 -20,0 -70,9 4,2 5,9
20140317112935 -20,1 -70,8 4,5 27,5
20140317113317 -20,0 -71,2 4,0 35,0
20140317113614 -20,0 -71,0 4,1 9,2
20140317133512 -20,0 -70,8 4,5 23,0
20140317144231 -20,0 -70,9 4,0 9,2
20140317161401 -20,1 -70,8 4,0 9,0
20140317175301 -20,1 -70,9 4,4 6,8
20140317180145 -20,0 -70,9 4,0 5,1
20140317201027 -19,9 -70,9 4,4 8,2
20140318093028 -20,0 -70,7 4,9 22,2
20140318131902 -20,2 -70,9 4,2 18,6
124
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140318141833 -20,1 -70,8 4,9 5,0
20140318143558 -20,1 -70,8 5,1 26,1
20140318145844 -19,4 -71,0 4,4 30,7
20140318200430 -20,0 -70,9 4,2 12,2
20140321053940 -22,0 -70,4 4,1 14,8
20140321175456 -19,9 -71,0 4,1 16,2
20140322132244 -19,8 -71,1 4,4 5,5
20140322132959 -19,7 -70,9 5,6 17,1
20140322134413 -19,8 -70,8 4,9 22,3
20140322141541 -19,8 -70,8 4,9 41,8
20140322151441 -20,0 -71,2 4,0 9,5
20140322155230 -19,7 -70,9 4,7 26,9
20140322155826 -19,7 -70,9 4,8 15,4
20140322170802 -19,8 -70,9 4,2 21,4
20140322173523 -19,7 -70,9 4,0 12,5
20140322180648 -19,7 -71,1 4,1 22,0
20140322190301 -19,8 -70,9 4,1 14,1
20140322225115 -19,7 -71,0 4,0 13,5
20140322231329 -19,3 -71,1 4,2 35,0
20140323102306 -19,7 -70,8 4,7 26,2
20140323124803 -19,7 -71,0 4,7 7,2
20140323182001 -19,7 -70,8 6,2 13,9
20140323200715 -19,7 -70,8 4,7 47,3
20140323202304 -19,9 -70,8 5,3 23,1
20140323211725 -19,7 -70,7 4,7 16,0
20140323220426 -19,8 -70,8 5,2 19,7
20140324080632 -19,6 -70,8 4,5 21,8
20140324113538 -19,6 -70,7 4,7 44,0
20140324115300 -19,7 -70,7 4,5 15,7
20140324124802 -19,9 -70,9 4,5 7,6
20140324151142 -19,6 -70,9 4,5 11,5
20140324162235 -19,6 -70,8 4,8 21,7
20140324184311 -19,6 -70,7 5,1 21,9
20140324204124 -19,6 -70,8 4,2 16,1
20140325215848 -19,7 -70,9 4,3 14,5
20140327113609 -19,6 -71,1 4,0 16,1
20140330002029 -19,7 -70,8 4,9 24,3
20140401234647 -19,6 -70,8 8,1 17,1
125
Tabla A.2: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20140402012059 -19,6 -70,9 5,2 21,5
20140402015052 -19,8 -70,8 4,5 15,4
20140402015935 -19,9 -70,8 4,4 35,0
20140402024012 -19,6 -70,7 4,1 16,5
20140402030436 -19,9 -70,3 4,4 15,6
20140324090308 -19,9 -70,9 4,1 12,6
20140324113215 -19,8 -70,8 5,3 23,5
20140324131241 -19,8 -70,9 4,3 6,2
20140324154530 -19,5 -70,7 5,7 12,7
20140324182028 -19,6 -70,7 4,3 29,3
20140324192246 -19,6 -70,8 4,1 19,5
20140324210312 -19,6 -70,9 4,1 14,0
20140325001514 -19,8 -70,8 5,3 25,2
20140325063125 -19,6 -70,8 4,6 39,5
20140326233334 -20,1 -70,8 4,7 6,7
20140329000716 -19,7 -70,8 4,4 22,1
20140330024446 -19,9 -71,0 4,6 19,3
126
A.3 Catálogo de eventos gap sísmico 2
127
Tabla A.3: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20150825151118 -26,2 -71,0 4,2 49,1
20151006060732 -25,2 -70,2 4,3 42,6
20151118023243 -24,3 -70,2 4,4 48,6
20151127210022 -24,8 -70,6 6,2 34,0
20151127214513 -24,7 -70,5 4,7 38,9
20160117170538 -26,4 -70,9 5,0 36,9
20160224230515 -25,6 -71,2 4,2 20,3
20160307060118 -27,0 -71,0 4,3 38,6
20160310234751 -24,7 -70,9 4,0 35,8
20160314042318 -26,0 -70,9 4,7 34,0
20160416115142 -27,3 -71,3 4,4 7,0
20160422155550 -23,6 -71,1 4,6 15,8
20160511175935 -27,8 -71,4 4,7 10,0
20160528233039 -28,6 -71,7 4,1 42,3
20160615154827 -28,4 -71,7 4,1 10,0
20160621002201 -23,7 -70,3 4,1 17,0
20160710214625 -23,8 -70,5 4,3 35,5
20160716074032 -26,6 -70,8 4,1 35,2
20160716122147 -26,6 -70,7 4,3 42,7
20160726122601 -24,7 -71,0 4,6 25,8
20160817130020 -27,9 -71,3 4,6 16,5
20160818001121 -27,5 -70,8 4,3 49,3
20160828163204 -27,7 -71,2 4,6 35,0
20160830180949 -26,1 -70,5 4,4 48,8
20160907120112 -24,9 -70,8 4,1 18,5
20160914211616 -29,0 -71,5 4,6 19,8
20160923002519 -27,9 -71,3 4,1 23,0
20161025071820 -26,7 -71,1 5,0 10,0
20161030044940 -25,2 -70,4 5,2 49,6
20161113145038 -28,9 -71,5 4,8 22,5
20161201022408 -27,0 -71,3 4,5 19,5
20161226010332 -28,4 -71,5 4,5 31,5
20170116143436 -27,8 -71,6 4,0 11,1
20170222115118 -25,6 -70,9 4,3 17,3
20170408153908 -25,9 -71,2 4,6 35,8
20170505034111 -28,7 -71,6 4,7 19,9
20170604000727 -27,8 -71,1 4,3 27,8
20170802200329 -28,5 -71,2 5,3 41,1
20170820061546 -25,5 -70,8 4,0 43,8
20170925122451 -28,3 -71,3 4,6 30,3
128
Tabla A.3: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad,
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw [Km]
20171004223859 -25,1 -70,8 4,3 48,4
20171109054606 -28,3 -71,5 4,2 38,9
20171219131437 -26,0 -70,5 4,2 44,9
20171230125431 -27,9 -71,7 4,8 10,0
20161114150453 -27,9 -71,1 4,2 21,6
20161202011430 -27,1 -71,4 4,7 15,9
20170101151905 -28,8 -71,7 4,3 6,6
20170212162110 -27,9 -71,4 4,9 12,8
20170226085916 -28,9 -71,5 5,0 31,9
20170415212639 -28,4 -71,5 4,4 33,7
20170505065055 -28,7 -71,6 4,7 14,2
20170609030356 -27,8 -71,6 4,2 13,8
20170802213025 -28,5 -71,3 4,4 35,0
20170924023000 -27,9 -71,3 4,6 30,1
20170926140721 -28,3 -71,4 4,2 19,9
20171014112052 -28,8 -71,3 4,4 10,0
20171115022558 -27,7 -71,6 4,1 8,1
20171228035451 -24,9 -70,2 5,5 46,7
129
A.4 Catálogo de eventos gap sísmico 3
130
Tabla A.4: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw , [Km]
20151112055412 -32,7 -71,8 4,4 18,8
20151121161134 -35,0 -71,6 4,3 46,9
20151212150857 -35,0 -71,9 5,0 37,9
20151223014004 -32,7 -71,8 4,3 23,4
20160103110433 -32,9 -69,3 4,5 10,0
20160106051023 -32,2 -71,7 4,0 27,0
20160126001910 -32,6 -71,8 4,8 8,4
20160127150903 -32,7 -71,8 4,2 24,0
20160208121319 -32,1 -72,0 4,7 22,2
20160309062729 -34,8 -71,8 4,0 41,3
20160314102619 -32,2 -71,8 4,6 27,6
20160319185028 -33,2 -71,8 4,3 25,0
20160414174455 -32,1 -71,8 4,6 18,1
20160415042756 -32,2 -71,8 4,8 20,0
20160418070114 -32,4 -71,5 4,3 27,5
20160425140146 -32,1 -71,9 4,6 22,3
20160425153547 -32,2 -72,0 4,3 14,0
20160508103312 -32,8 -71,5 4,4 32,7
20160509111820 -32,6 -71,8 4,2 24,0
20160523123935 -32,1 -71,9 4,4 10,5
20160530055901 -32,3 -71,8 4,0 25,9
20160718230539 -34,5 -70,6 4,3 10,0
20160726230021 -32,6 -71,8 4,8 16,4
20160827193608 -32,8 -71,7 4,2 32,7
20160907225432 -32,3 -71,6 4,9 30,5
20161001112511 -32,1 -71,7 4,6 16,3
20161203043058 -32,2 -72,0 4,2 22,6
20170203005226 -33,1 -69,7 5,1 10,0
20170215155150 -33,2 -69,7 4,7 21,4
20170311034216 -34,8 -71,8 5,0 45,3
20170417115333 -32,1 -71,9 4,5 16,2
20170423023607 -33,0 -72,0 6,0 21,0
20170423031004 -33,0 -72,0 4,1 22,0
20170424213830 -33,0 -72,0 6,9 28,0
20170424220343 -33,1 -71,8 4,9 28,0
20170424232853 -33,2 -71,9 4,4 25,4
20170426151401 -33,3 -71,9 4,3 26,1
20170427065545 -33,3 -71,9 4,1 24,9
20170427084636 -33,2 -72,0 4,3 28,6
20170428154023 -33,3 -72,0 4,9 17,3
131
Tabla A.4: -Continuación.
Fecha Latitud Longitud Magnitud, Profundidad
AñoMesDíaHoraMinSeg origen, [°] origen, [°] Mw , [Km]
20170428162726 -33,3 -72,0 4,6 22,8
20170428182823 -33,3 -71,9 4,2 25,2
20170429010834 -33,4 -72,0 4,4 20,3
20170612112704 -33,1 -71,9 4,4 21,5
20170629074347 -34,7 -71,9 4,1 44,6
20170706072606 -34,8 -71,8 4,3 41,4
20170925135527 -32,7 -72,0 4,3 24,0
20171112013131 -33,2 -69,6 4,5 10,0
20171203142141 -32,3 -72,0 4,4 10,4
20170722074425 -33,1 -72,0 4,3 23,0
20171007103724 -32,5 -71,9 4,1 19,6
20171126084739 -32,6 -71,6 4,2 30,3
20171220060818 -32,5 -71,8 4,4 24,9
20160925045436 -32,1 -71,9 4,0 41,9
20161017003553 -33,7 -71,8 4,0 35,1
20161229085021 -33,7 -71,6 4,4 43,3
20170213214012 -34,3 -72,0 4,1 15,4
20170224160043 -33,2 -69,7 4,3 10,0
20170317080256 -32,4 -71,7 4,8 27,3
20170419232427 -34,7 -71,8 4,1 41,3
20170423024318 -33,0 -72,0 4,8 19,9
20170423161253 -33,0 -72,0 4,1 21,4
20170424214624 -32,9 -72,0 5,4 13,2
20170424224355 -33,1 -71,9 4,5 22,5
20170425000928 -33,1 -71,8 4,2 25,9
20170426144553 -33,3 -72,0 4,3 19,4
20170427050923 -33,3 -71,9 5,1 24,0
20170427082440 -33,3 -72,0 4,7 19,6
20170428153006 -33,2 -72,0 5,9 22,0
20170428160557 -33,1 -71,8 5,8 28,0
20170428174149 -33,3 -72,0 5,3 20,9
20170428210122 -33,2 -71,9 4,1 20,4
20170429014602 -33,2 -72,0 5,1 18,3
20170618044100 -32,1 -72,0 4,5 22,4
132
ANEXO B
Los resultados log(𝑃𝐺𝐷) por estación y errores asociados a cada evento se
encuentran en el CD adjunto a esta investigación.
133
ANEXO C
Gráficos Peak Ground Displacement v/s Distancia hipocentral por seismic gap.
C1 1: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
134
C1 2: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
135
C1 3: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
136
C1 4: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
137
C1 5: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
138
C1 6: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
139
C1 7: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
140
C1 8: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
141
C1 9: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
142
C1 10: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
143
C1 11: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
144
C1 12: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
145
C1 13: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
146
C1 14: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
147
C1 15: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
148
C1 16: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
149
C1 17: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
150
C1 18: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
151
C1 19: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
152
C1 20: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 1.
153
C.2 Gráficos seismic gap 2
C2 1: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 2.
154
C2 2: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 2.
155
C2 3: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 2.
156
C2 4: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 2.
157
C2 5: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 2.
158
C2 6: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 2.
159
C.3 Gráficos seismic gap 3
C3 1: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 3.
160
C3 2: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 3.
161
C3 3: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 3.
162
C3 4: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 3.
163
C3 5: Curvas Peak Ground Displacement v/s Distancia hipocentral por seismic gap 3.
164
APÉNDICE D
Gráficos Peak Ground Displacement v/s Distancia hipocentral entre seismic gaps.
165
D1 2: Curvas gap sísmico 1 y 2 con PGD gap sísmico 3.
166
D1 3: Curvas gap sísmico 1 y 2 con PGD gap sísmico 3.
167
D1 4: Curvas gap sísmico 1 y 2 con PGD gap sísmico 3.
168
D.2 Curva gap sísmico 2 y 3 con PGD gap sísmico 1
169
D2 2: Curvas gap sísmico 2 y 3 con PGD gap sísmico 1.
170
D2 3: Curvas gap sísmico 2 y 3 con PGD gap sísmico 1.
171
D2 4: Curvas gap sísmico 2 y 3 con PGD gap sísmico 1.
172
D.3 Curvas gap sísmico 3 y 1 con PGD gap sísmico 2.
173
D3 2: Curvas gap sísmico 3 y 1 con PGD gap sísmico 2.
174
D3 3: Curvas gap sísmico 3 y 1 con PGD gap sísmico 2.
175
D3 4: Curvas gap sísmico 3 y 1 con PGD gap sísmico 2.
176
D3 5: Curvas gap sísmico 3 y 1 con PGD gap sísmico 2.
177
ANEXO E
Los resultados del análisis de predicción de magnitud asociados a cada evento se
encuentran en el CD adjunto a esta investigación.
178
ANEXO F
Scripts Python
F.1 Script adquisición de trazas
import time
import requests
import queue
import threading
from multiprocessing import Pool
import multiprocessing
from obspy.clients.fdsn import Client
from obspy.geodetics import locations2degrees, degrees2kilometers
from obspy.core.utcdatetime import UTCDateTime
from obspy.core.event import Catalog
import numpy as np
import os
from csn.extract import extract
def adquisicion_resp_instrumental():
"""Obtenemos todos los eventos en una cierta zona, entre ciertas
fechas,
en un rango de magnitudes, y despues descargamos las respuestas
instrumentales de los acelerómetros asociados a cada uno de estos
eventos.
"""
#
# fechas para las que buscamos sismos
#
t1 = UTCDateTime(2017, 3, 1, 0, 0, 0)
t2 = UTCDateTime(2018, 1, 1, 0, 0, 0)
client = Client("IRIS")
client_gfz = Client("GFZ")
# cat = get_events(-21, -19, -72, -69, 5, 50, 4, t1, t2)
#
# catalogo de eventos. especificamos rangos de latitud, longitud,
magnitud,
# profundidad, de los sismos que quieremos conseguir.
#
cat0 = client.get_events(
starttime=t1, endtime=t2, minmagnitude=4, maxmagnitude=9,
minlatitude=-23.5, maxlatitude=-19, minlongitude=-73,
maxlongitude=-69,
mindepth=5, maxdepth=50)
#
# eliminamos un caso patologico
#
179
cat = Catalog()
for event in cat0:
add_event = True
origin = event.origins[0].time
mag = event.magnitudes[0].mag
for new_event in cat0:
if new_event == event:
continue
new_origin = new_event.origins[0].time
if 0 < new_origin - origin < 100 and mag < 5.5:
add_event = False
continue
if add_event:
cat.append(event)
print(cat0)
print('/n/n/n/n/n')
print(cat)
root_dir = os.path.abspath(os.getcwd())
cola_mt = queue.Queue()
#
# aca descargamos los sismogramas
#
for event in cat:
print(event.magnitudes)
print(event.origins)
mw_magnitudes = [mag for mag in event.magnitudes\
if 'mw' in mag.magnitude_type.lower()]
if not mw_magnitudes:
mw_magnitudes = event.magnitudes
mag = mw_magnitudes[0].mag
event_time = event.origins[0].time
lat_ep = event.origins[0].latitude
lon_ep = event.origins[0].longitude
depth = event.origins[0].depth / 1000
if not __is_in_slab(lat_ep, lon_ep, depth):
continue
year = event_time.year
month = event_time.month
month = str(month).zfill(2)
day = event_time.day
day = str(day).zfill(2)
hour = event_time.hour
hour = str(hour).zfill(2)
minute = event_time.minute
minute = str(minute).zfill(2)
second = event_time.second
second = str(second).zfill(2)
event_id = ''.join([str(year), str(month), str(day),
str(hour),
str(minute), str(second)])
print(event_id)
new_dir = os.path.join(root_dir, 'data', event_id)
180
if not os.path.isdir(new_dir):
os.mkdir(new_dir)
acc_dir = os.path.join(new_dir, 'accel')
if not os.path.isdir(acc_dir):
os.mkdir(acc_dir)
phys_acc_dir = os.path.join(new_dir, 'physical_accel')
if not os.path.isdir(phys_acc_dir):
os.mkdir(phys_acc_dir)
disp_dir = os.path.join(new_dir, 'disp')
if not os.path.isdir(disp_dir):
os.mkdir(disp_dir)
filt_disp_dir = os.path.join(new_dir, 'filt_disp')
if not os.path.isdir(filt_disp_dir):
os.mkdir(filt_disp_dir)
os.chdir(acc_dir)
t3 = event_time - 5 * 60
t4 = event_time + 10 * 60
networks = "C,C1,II,IU"
inventory = client.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10 *
60,
network=networks, channel="HN*", level="response",
maxradius=5, latitude=lat_ep, longitude=lon_ep)
networks = "CX"
try:
inventory = inventory + client_gfz.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10
* 60,
network=networks, channel="HL*", level="response",
maxradius=5, latitude=lat_ep, longitude=lon_ep)
except:
pass
del cola_mt
time.sleep(100)
os.chdir(root_dir)
return
181
def adquisicion_sismogramas():
"""Obtenemos todos los eventos en una cierta zona, entre ciertas
fechas,
en un rango de magnitudes, y despues descargamos los acelerómetros
asociados a cada uno de estos eventos.
"""
#
# fechas para las que buscamos sismos
#
t1 = UTCDateTime(2017, 3, 1, 0, 0, 0)
t2 = UTCDateTime(2018, 1, 1, 0, 0, 0)
client = Client("IRIS")
client_gfz = Client("GFZ")
# cat = get_events(-21, -19, -72, -69, 5, 50, 4, t1, t2)
#
# catalogo de eventos. especificamos rangos de latitud, longitud,
magnitud,
# profundidad, de los sismos que quieremos conseguir.
#
cat0 = client.get_events(
starttime=t1, endtime=t2, minmagnitude=4, maxmagnitude=9,
minlatitude=-23.5, maxlatitude=-18, minlongitude=-73,
maxlongitude=-69,
mindepth=5, maxdepth=50)
#
# eliminamos un caso patologico
#
cat = Catalog()
for event in cat0:
add_event = True
origin = event.origins[0].time
mag = event.magnitudes[0].mag
for new_event in cat0:
if new_event == event:
continue
new_origin = new_event.origins[0].time
if 0 < new_origin - origin < 100 and mag < 5.5:
print(origin, new_origin)
add_event = False
continue
if add_event:
cat.append(event)
print(cat0)
print('/n/n/n/n/n')
print(cat)
root_dir = os.path.abspath(os.getcwd())
numproc = multiprocessing.cpu_count()
pool = Pool()
catalogs = [[event for i, event in enumerate(cat) if i % numproc
== k]
for k in range(numproc)]
182
#
# aca descargamos los sismogramas
#
multiple_results = [pool.apply_async(
worker0, (subcat, client, client_gfz, root_dir, ))\
for subcat in catalogs]
[res.get() for res in multiple_results]
return
&max_lat={}&min_lon={}&max_lon={}&min_dep={}&max_dep={}""".format(
minmag, minlat, maxlat, minlon, maxlon, mindep, maxdep)
r = requests.get(petition)
events = r.json()
isinrange = lambda t: UTCDateTime(t) - t1 >= 0 and t2 -
UTCDateTime(t) >= 0
events = [event for event in events if isinrange(event['date'])]
isinrange2 = lambda d: mindep <= d <= maxdep
events = [event for event in events if isinrange2(event['depth'])]
return events
183
hour = event_time.hour
hour = str(hour).zfill(2)
minute = event_time.minute
minute = str(minute).zfill(2)
second = event_time.second
second = str(second).zfill(2)
event_id = ''.join([str(year), str(month), str(day),
str(hour),
str(minute), str(second)])
print(event_id)
new_dir = os.path.join(root_dir, 'data', event_id)
if not os.path.isdir(new_dir):
os.mkdir(new_dir)
acc_dir = os.path.join(new_dir, 'accel')
if not os.path.isdir(acc_dir):
os.mkdir(acc_dir)
phys_acc_dir = os.path.join(new_dir, 'physical_accel')
if not os.path.isdir(phys_acc_dir):
os.mkdir(phys_acc_dir)
disp_dir = os.path.join(new_dir, 'disp')
if not os.path.isdir(disp_dir):
os.mkdir(disp_dir)
filt_disp_dir = os.path.join(new_dir, 'filt_disp')
if not os.path.isdir(filt_disp_dir):
os.mkdir(filt_disp_dir)
os.chdir(acc_dir)
t3 = event_time - 5 * 60
t4 = event_time + 10 * 60
networks = "C,C1,II,IU"
inventory = client.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10 *
60,
network=networks, channel="HN*", level="response",
maxradius=5, latitude=lat_ep, longitude=lon_ep)
networks = "CX"
try:
inventory = inventory + client_gfz.get_stations(
starttime=event_time - 5 * 60, endtime=event_time + 10
* 60,
network=networks, channel="HL*", level="response",
maxradius=5, latitude=lat_ep, longitude=lon_ep)
except:
pass
184
sac_dict, t3, t4, acc_dir)
return
185
response_data = 'SAC_PZs_{}_{}_{}___'.format(netwk, statn,
channel)
sacpz = response.get_sacpz()
with open(os.path.join(abs_dir, response_data), 'w') as file:
file.write('{}\n'.format(sacpz))
except:
print(3, netwk, statn, loc_code, channel)
return
186
'evla': lat_ep,
'evlo': lon_ep,
'evdp': depth,
'mag': mag,
'dist': dist_hipocentral
}
return sac_dict
if __name__ == '__main__':
time0 = time.time()
adquisicion_resp_instrumental()
adquisicion_sismogramas()
print('time spent downloading data: ', time.time() - time0)
import subprocess
from multiprocessing import Pool
import multiprocessing
from obspy.core.utcdatetime import UTCDateTime
from obspy import read
from obspy.io.sac import SACTrace
from obspy.taup import TauPyModel
import os
import glob
###################################
# strong motion
###################################
def physical_acc():
r"""Pescamos los acelerómetros, les agregamos una estimación de la
llegada
de la P y de la S, y les sacamos la respuesta instrumental
"""
list_dir = os.listdir()
print(list_dir)
list_dir_excluded = {'check_events', 'least_squares',\
'joyner_boore', 'save_parameters.py'}
187
list_dir = [file for file in list_dir if not file in
list_dir_excluded]
print(list_dir)
model = TauPyModel(model="/data/eew/gmpe/hussen")
numproc = multiprocessing.cpu_count()
pool = Pool()
sublists = [[dir for i, dir in enumerate(list_dir) if i % numproc
== k]
for k in range(numproc)]
processing = [pool.apply_async(__worker, (sublist, model, ))
for sublist in sublists]
[res.get() for res in processing]
return
def select_str_files():
r"""Queremos sacar trazas que se hayan cortado antes de tiempo, o
que
esten demasiado lejos de la ruptura.
"""
strong_motion_data = glob.glob('*_HN*sac') + glob.glob('*_HL*sac')
stations_str = []
188
stations_str = stations_str + [sac]
except:
pass
return stations_str
def remove_response_str(stations_str):
"""Sacamos la respuesta instrumental.
"""
sacheaders = [SACTrace.read(sac) for sac in stations_str]
pzfile = lambda x, loc:\
'SAC_PZs_{}_{}_{}_{}'.format(x.knetwk, x.kstnm, x.kcmpnm, loc)
comp_name = lambda x: '{}N{}'.format(x[0], x[2])
new_name = lambda x:\
'STR.{}.{}.{}.ACC'.format(x.kstnm, comp_name(x.kcmpnm),
x.knetwk)
new_name2 = lambda x:\
189
'STR.{}.{}.{}.DISP'.format(x.kstnm, comp_name(x.kcmpnm),
x.knetwk)
input_sac = ''
for sacheader, sac in zip(sacheaders, stations_str):
loc = sacheader.khole
if len(loc) == 0 or loc is None:
loc = '__'
input_sac = '{}\nquit\n'.format(input_sac)
p = subprocess.Popen('sac', stdin=subprocess.PIPE,
stdout=subprocess.PIPE,
stderr=subprocess.PIPE)
out, err = p.communicate(input=input_sac.encode('utf-8'))
print(err)
return()
if __name__ == '__main__':
root_dir = os.getcwd()
os.chdir(os.path.join(root_dir, 'data'))
physical_acc()
import numpy as np
import os
import glob
from obspy import read
190
import time
from multiprocessing import Pool
import multiprocessing
import matplotlib.pyplot as plt
import matplotlib
from matplotlib.pyplot import cm
import pandas as pd
#
# para guardar los datos, puedo almacenarlos en archivos npz
# notemos que solo usamos estaciones que tengan las 3 componentes
#
191
depths = np.array([st[0].stats.sac.evdp for st in
some_streams])
magnitudes = np.array([st[0].stats.sac.mag for st in
some_streams])
p_disp = []
s_disp = []
stat = []
p_disp = np.array(p_disp)
s_disp = np.array(s_disp)
mag = magnitudes[0]
depth = depths[0]
__data_quality(mag, depth, distances, p_disp, s_disp, stat)
192
"""Calculamos el desplazamiento maximo, tanto debido solo a la
onda P,
como el debido a la S. Este, es la norma euclideana de los
desplazamientos
de las 3 componentes.
"""
if len(streams) < 3 or len(acc_traces) < 3:
return 0, 0
traces = [stream[0] for stream in streams]
delta = traces[0].stats.delta
p_time = [int(trace.stats.sac.t1 / delta) for trace in traces]
s_time = [int(trace.stats.sac.t2 / delta) for trace in traces]
end_time = [int(trace.stats.sac.t3 / delta) for trace in traces]
p_data = [trace.data[min(int(3*tp/4), tp - int(10 /
trace.stats.delta)):\
ts - int(1 / trace.stats.delta)]\
for tp, ts, trace in zip(p_time, s_time, traces)]
s_data = [trace.data[
min(int(3*tp/4), tp - int(10 / trace.stats.delta)):tend]\
for tp, tend, trace in zip(p_time, end_time, traces)]
if min([len(data) for data in p_data]) == 0\
or min([len(data) for data in s_data]) == 0:
return 0, 0
193
if 3 * s_max_disp < max(max_noise):
p_max_disp = 0
s_max_disp = 0
return p_max_disp, s_max_disp
194
ax_p.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
minimum_p = min(min(p_disp), min(japan_func_p))
maximum_p = max(max(p_disp), max(japan_func_p))
ax_p.set_ylim(0.8 * minimum_p, 3*maximum_p)
ax_p.legend(loc='upper right')
ax_s.set_title('Onda S', weight='heavy')
ax_s.set_yscale('log', basey=10)
ax_s.set_ylabel(r'PGD$[10 \cdot \mu m]$', weight='heavy')
ax_s.set_xscale('log')
ax_s.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax_s.loglog(x, japan_func_s, 'red', label='Curva S Japonesa')
ax_s.set_xticks([10, 40, 150, 500])
ax_s.grid(which='minor', alpha=0.5)
ax_s.grid(which='major', alpha=0.8)
ax_s.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
ax_s.legend(loc='upper right')
minimum_s = min(min(s_disp), min(japan_func_s))
maximum_s = max(max(s_disp), max(japan_func_s))
ax_s.set_ylim(0.8 * minimum_s, 3*maximum_s)
ax_s.legend(loc='upper right')
fig.tight_layout(rect=[0,0,0.8,0.9])
fig.set_figheight(5)
fig.set_figwidth(8)
fig.savefig(os.path.join(root_data, 'check_events', event_folder))
del fig
return
if __name__ == '__main__':
os.chdir('/data/eew/gmpe/data')
if not os.path.isdir('check_events'):
os.mkdir('check_events')
root_data = os.getcwd()
folders = [folder for folder in os.listdir() if
os.path.isdir(folder)]
excluded_folders = ['joyner_boore', 'least_squares',\
'check_events', 'GMPE_ajustados']
folders = [folder for folder in folders if folder not in
excluded_folders]
pool = Pool()
numproc = multiprocessing.cpu_count()
subsets = [[folder for i, folder in enumerate(folders) if i %
numproc == k]\
for k in range(numproc)]
time1 = time.time()
results = [pool.apply_async(save_data, (subset, root_data))\
for subset in subsets]
[res.get() for res in results]
print('Total time: ', time.time() - time1)
195
F.4 Script GMPE
# -*- coding: utf-8 -*-
"""
Spyder Editor
#import matplotlib
#matplotlib.use('Agg')
import numpy as np
import os
from matplotlib import pyplot as plt
import matplotlib.ticker
from scipy.optimize import lsq_linear
from scipy import stats
from pandas import DataFrame
import statistics_mod
from joyner_boore import joyner_boore
from numpy.random import random
from matplotlib.pyplot import cm, hist, Rectangle
from matplotlib.ticker import (MultipleLocator, FormatStrFormatter,
AutoMinorLocator)
import statistics
def get_data():
"""Determinamos los sismos y las estaciones para las cuales usamos
los
datos, y posteriormente recuperamos los datos guardados en
archivos .npz.
"""
direc = os.getcwd()
folders = os.listdir()
folders = [folder for folder in folders if os.path.isdir(folder)]
list_excluded = {'20140318213308', '20140317051935',
'20140401235728', '20140401235756',
'20140401235955',
'20140402000313', '20140402000454',
'20140402000644',
'20140402001120', '20140402001421',
'20140402001851',
'20140402003347', '20140402003751',
'20140402005752',
'20140402030441', '20140402050921',
'20140402192936',
'20140403025608', '20140403025954',
'20140403052614',
'20140403031119', '20140403034555',
'20140403040447',
'20140403052850',
'20140403053433', '20140403065651',
'20140403114537',
196
'20140403202840', '20140407134734',
'20140416031933',
'20140619195942',
'20150324224652', '20170812155931', ''}
list_excluded.add('least_squares')
list_excluded.add('joyner_boore')
list_excluded.add('check_events')
list_excluded.add('con_condicion')
list_excluded.add('GMPE_ajustados')
folders = [folder for folder in folders if not folder in
list_excluded]
distances = []
depths = []
magnitudes = []
p_disp = []
s_disp = []
event_index = []
stations = []
latitud =[]
longitud = []
event_list = []
for index, folder in enumerate(folders):
os.chdir(os.path.join(direc, folder, 'physical_accel'))
if not os.path.isfile('data.npz'):
continue
npzfile = np.load('data.npz')
if len(npzfile['magnitudes']) < 3:
continue
197
'Magnitude': np.round(magnitudes,1),
'Depths': np.round(depths,2),
'Latitud': latitud,
'Longitud': longitud,
'R': distances,
'A_p': p_disp,
'A_s': s_disp,
'date': event,
'station': stations,
})
print(os.getcwd())
df.to_excel('gmpe_data.xlsx', sheet_name='sheet1', index=False)
def least_squares_get_gmpe(
distances, depths, magnitudes, disp, event, constraint):
new_disp = [dp for dp in disp if dp > 0]
new_distances = [dis for dis, dp in zip(distances, disp) if dp >
0]
new_depths = [dep for dep, dp in zip(depths, disp) if dp > 0]
new_magnitudes = [mag for mag, dp in zip(magnitudes, disp) if dp >
0]
dependent_data = np.zeros((len(new_depths), 5))
dependent_data[:,4] = np.ones(len(new_depths))
print(dependent_data)
dependent_data[:,0] = new_magnitudes[:]
dependent_data[:,1] = new_distances[:]
dependent_data[:,2] = np.log10(new_distances)
dependent_data[:,3] = new_depths[:]
print('rank of matrix: ', np.linalg.matrix_rank(dependent_data))
indep_data = np.log10(new_disp)
if constraint:
lb = [0.5, -1000, -1000, -1000, -1000]
ub = [0.75, 1000, 1000, 1000, 1000]
res = lsq_linear(dependent_data, indep_data, bounds=(lb, ub),
method='bvls', lsmr_tol='auto', verbose=1)
print(res.x)
best_coefs = res.x
else:
square_matrix = np.dot(np.transpose(dependent_data),
dependent_data)
full_matrix = np.dot(
np.linalg.inv(square_matrix),
np.transpose(dependent_data))
best_coefs = np.dot(full_matrix, indep_data)
print(best_coefs)
residuals = indep_data - np.dot(dependent_data, best_coefs)
sigma_r = np.dot(np.transpose(residuals), residuals) / 4
print('Variance: ', sigma_r)
statistic, critical_values, significance_level\
= statistics_mod.residual_normality_test(residuals /
np.sqrt(sigma_r))
198
print('Anderson-Darling normality test\n')
print(statistic, critical_values, significance_level)
if statistic > 10 * critical_values[-1]:
print('The residuals are unlikely to be normally
distributed\n')
return best_coefs
ax.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter()
)
ax.yaxis.grid(which='major', linewidth=0.8)
fig1.legend(['Estaciones\nSismológicas'], loc='center right')
fig1.set_figheight(5)
fig1.set_figwidth(8.5)
fig1.tight_layout(rect=[0, 0, 0.83, 1])
ax2 = fig2.add_subplot(1, 2, i)
ax2.scatter(distances, disp, alpha=0.5)
ax2.set_title(title, weight='heavy')
ax2.set_yscale('log')
ax2.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax2.set_xscale('log')
ax2.set_ylabel(r'PGD $[10 \cdot \mu m]$', weight='heavy')
ax2.set_xticks([10, 40, 150, 500])
ax2.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter(
))
ax2.yaxis.grid(which='major', linewidth=0.8)
fig2.legend(['Estaciones\nSismológicas'], loc='center right')
fig2.set_figheight(5)
fig2.set_figwidth(8.5)
fig2.tight_layout(rect=[0, 0, 0.85, 1])
return fig1, fig2
199
distances, depths, magnitudes, p_disp, s_disp, event_list,
stations,\
latitud, longitud =
data
print(event_list)
200
handles_p = handles_p +
[ax_p.scatter(dists[index],p_disps[index], s=50, color=colors)]
handles_s = handles_s +
[ax_s.scatter(dists[index],s_disps[index], s=50, color=colors)]
ax_p.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
minimum_p = min(min(p_disps), min(japan_func_p), min(func_p))
maximum_p = max(max(p_disps), max(japan_func_p), max(func_p))
ax_p.set_ylim(0.8 * minimum_p, 3*maximum_p)
ax_p.get_yaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
ax_p.grid(which='minor', alpha=0.5)
ax_p.grid(which='major', alpha=0.8)
ax_s.set_title('Onda S', weight='heavy')
ax_s.set_yscale('log', basey=10)
ax_s.set_ylabel(r'PGD $[10 \cdot \mu m]$', weight='heavy')
ax_s.set_xscale('log')
ax_s.set_xlabel('Distancia Hipocentral [Km]', weight='heavy')
ax_s.loglog(x, func_s, 'blue', label='Curva S Chilena')
ax_s.loglog(x, japan_func_s, 'red', label='Curva S Japonesa')
ax_s.legend(loc='upper right')
ax_s.set_xticks([5, 15, 40, 150, 500])
ax_s.get_xaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
minimum_s = min(min(s_disps), min(japan_func_s), min(func_s))
maximum_s = max(max(s_disps), max(japan_func_s), max(func_s))
ax_s.set_ylim(0.8*minimum_s, 3*maximum_s)
ax_s.get_yaxis().set_major_formatter(matplotlib.ticker.ScalarFormatter
())
ax_s.grid(which='minor', alpha=0.5)
ax_s.grid(which='major', alpha=0.8)
fig.set_figheight(5)
fig.set_figwidth(8)
fig.tight_layout(rect=[0, 0, 0.8, 0.9])
name = 'GMPE_fit_{}.png'.format(this_event)
if constraint:
name = ''.join(['constraint', name])
201
print(os.getcwd())
fig.savefig(os.path.join(opcion, name))
fig.clf()
return
total_eventos = []
magnitudes = []
for i in range(len(event)):
try:
index = total_eventos.index(event[i])
except ValueError:
total_eventos.append(event[i])
magnitudes.append(magnitud[i])
axes = fig3.gca()
axes.hist(magnitudes, bins=30, ec='k', rwidth=0.9)
axes.set_xlabel('Magnitud, [Mw]', weight='heavy')
axes.set_ylabel('Cantidad de sismos', weight='heavy')
axes.yaxis.grid(which='major', linewidth=0.8)
axes.legend(['Terremotos\n[2014 - 2018]'])
axes.set_yticks([0, 20, 40, 60, 80, 100, 120])
axes.set_xticks([4.0, 4.5, 5.0, 5.5, 6.0, 6.5, 7.0, 7.5, 8.0])
fig3.suptitle('Histograma Magnitud', weight='heavy', fontsize=16)
fig3.set_figheight(5)
fig3.set_figwidth(5)
fig3.tight_layout(rect=[0, 0, 1, 0.95])
return fig3
for i in range(len(event)):
try:
index = total_eventos.index(event[i])
except ValueError:
total_eventos.append(event[i])
profundidades.append(depths[i])
axes = fig4.gca()
axes.hist(profundidades, bins=30, rwidth=0.9, ec='k',\
label='Terremotos\n[2014 - 2018]')
axes.set_xlabel('Profundidad, [Km]', weight='heavy')
axes.set_ylabel('Cantidad de sismos', weight='heavy')
axes.yaxis.grid(which='major', linewidth=0.8)
axes.legend(['Terremotos\n[2014 - 2018]'])
axes.set_xticks([0, 10, 20, 30, 40, 50, 60])
axes.set_yticks([0, 10, 20, 30, 40, 50, 60])
fig4.suptitle('Histograma Profundidad', weight='heavy',
fontsize=16)
202
fig4.set_figheight(5)
fig4.set_figwidth(5)
fig4.tight_layout(rect=[0, 0, 1, 0.95])
return fig4
for i in range(len(event)):
try:
index = total_eventos.index(event[i])
except ValueError:
total_eventos.append(event[i])
magnitudes.append(magnitud[i])
latitudes.append(latitud[i])
longitudes.append(longitud[i])
profundidades.append(profundidad[i])
df = DataFrame({
'Latitud': latitudes,
'Longitud': longitudes,
'Date': total_eventos,
'Magnitud Mw': magnitudes,
'Profundidad': profundidades,
})
df.to_excel('Lista_registro.xlsx', sheet_name='sheet1',
index=False)
203
pred_s = np.array(magnitudes)*a_s + np.array(distances)*b_s +
np.log10(distances)*c_s+ np.array(depths)*d_s + e_s*
np.ones(len(magnitudes))
bias_s = np.log10(s_disp) - pred_s
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD MAGNITUD', weight='heavy')
plt.scatter(magnitudes, bias_p, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# plt.plot(magnitudes, intercept + slope*np.array(magnitudes),
color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(magnitudes, bias_s, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.xlabel('Magnitud, Mw', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(magnitudes, bias_s)
# print(slope, intercept)
# plt.plot(magnitudes, intercept + slope*np.array(magnitudes),
color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_mag.png')
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.show()
plt.close()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD DISTANCIA HIPOCENTRAL', weight='heavy')
plt.scatter(distances, bias_p, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(distances, bias_p)
# print(slope, intercept)
# plt.plot(distances, intercept + slope*np.array(distances),
color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(distances, bias_s, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.xlabel('Distancia hipocentral [Km]', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(distances, bias_s)
204
# print(slope, intercept)
# plt.plot(distances, intercept + slope*np.array(distances),
color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_dist.png')
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.subplots_adjust(hspace=0)
plt.show()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD PROFUNDIDAD', weight='heavy')
plt.scatter(depths, bias_p, alpha=0.5, label='Regitros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(depths, bias_p)
# print(slope, intercept)
# plt.plot(depths, intercept + slope*np.array(depths),
color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(depths, bias_s, alpha=0.5, label='Registros')
plt.legend()
plt.axhline(0, color='red')
plt.xlabel('Profundidad [Km]', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(depths, bias_s)
# print(slope, intercept)
# plt.plot(depths, intercept + slope*np.array(depths),
color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_depth.png')
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.subplots_adjust(hspace=0)
plt.show()
df = DataFrame({
'Date': event_list,
'Estación': stations,
'log10(PGD_P real)': p_disp,
'log10(PGD_S real)': s_disp,
'PGD_P pred': pred_p,
'PGD_S pred': pred_s,
'log10(bias_p)': bias_p,
'log10(bias_s)': bias_s,
})
df.to_excel('Bias.xlsx', sheet_name='sheet1', index=False)
return
205
def k_p(sigma_p, NN, M):
k_p = (NN - M) * np.log(sigma_p**2)
return k_p
def k_s(sigma_s, NN, M):
k_s = (NN - M) * np.log(sigma_s**2)
return k_s
total_eventos = []
constraint = False
for i in range(len(event_list)):
try:
index = total_eventos.index(event_list[i])
except ValueError:
total_eventos.append(event_list[i])
Muprom_p = []
Muprom_s = []
206
Yprom_p = []
Yprom_s = []
Mu_p = []
Mu_s = []
for x in total_eventos:
N = event_list.count(x)
sumyprom_p = sum(np.log10(p_disp[i]) for i,k in \
enumerate(event_list)if k == x)/N
Yprom_p = Yprom_p + [sumyprom_p]
sumuprom_p = sum(magnitudes[i]*a_p +
np.array(distances[i])*b_p \
+ np.log10(distances[i])*c_p +
np.array(depths[i])*d_p \
+ e_p for i,k in enumerate(event_list) if k ==
x)/N
Muprom_p = Muprom_p + [sumuprom_p]
sumuprom_s = sum(magnitudes[i]*a_s +
np.array(distances[i])*b_s \
+ np.log10(distances[i])*c_s +
np.array(depths[i])*d_s \
+ e_s for i,k in enumerate(event_list) if k ==
x)/N
Muprom_s = Muprom_s + [sumuprom_s]
sumu_p = sum(magnitudes[j]*a_p +
np.array(distances[j])*b_p \
+ np.log10(distances[j])*c_p +
np.array(depths[j])*d_p \
+ e_p for j,k in enumerate(event_list) if k == x)
Mu_p = Mu_p + [sumu_p]
sumu_s = sum(magnitudes[j]*a_s +
np.array(distances[j])*b_s \
+ np.log10(distances[j])*c_s +
np.array(depths[j])*d_s \
+ e_s for j,k in enumerate(event_list) if k == x)
Mu_s = Mu_s + [sumu_s]
NN = len(event_list)
M = len(total_eventos)
207
err_p = 0
error_p = []
x = np.linspace(0.05, 1.55, 15, dtype = float)
for tau_p in x:
for sigma_p in x:
Y_p = []
error_p2 = []
verosimilitud_p = - NN * np.log(2*np.pi)/2 -\
k_p(sigma_p, NN, M)/2
for i, event in enumerate(total_eventos):
N = event_list.count(event)
verosimilitud_p = verosimilitud_p - f_p(sigma_p,\
tau_p, N)/2 - h_p(sigma_p,
p_disp,\
event_list, Yprom_p[i], event)/2
- g_p(sigma_p,\
tau_p, N, Yprom_p[i],
Muprom_p[i])/2
Y_p = Y_p + [sum(np.log10(p_disp[l]) for l, k in
enumerate(event_list) if k == event)]
err_p = ((tau_p**2)*(Y_p[i] - Mu_p[i])/(sigma_p**2
+ N*tau_p**2))
error_p2 = error_p2 + [err_p]
print(max_vero_p)
verosimilitud_s = 0
sigma_s = []
tau_s = []
max_vero_s = - 10 **10
sigmacr_s = 0
taucr_s = 0
err_s = 0
error_s = []
for tau_s in x:
for sigma_s in x:
Y_s = []
error_s2 = []
verosimilitud_s = - NN * np.log(2*np.pi)/2 -\
k_s(sigma_s, NN, M)/2
for i, event in enumerate(total_eventos):
N = event_list.count(event)
verosimilitud_s = verosimilitud_s - f_s(sigma_s,\
tau_s, N)/2 - h_s(sigma_s,
s_disp,\
event_list, Yprom_s[i], event)/2
- g_s(sigma_s,\
tau_s, N, Yprom_s[i],
Muprom_s[i])/2
208
Y_s = Y_s + [sum(np.log10(s_disp[l]) for l, k in
enumerate(event_list) if k == event)]
err_s = ((tau_s**2)*(Y_s[i] - Mu_s[i])/(sigma_s**2
+ N*tau_s**2))
error_s2 = error_s2 + [err_s]
#Regresión
dependent_data = np.zeros((len(depths), 5))
dependent_data[:,4] = np.ones(len(depths))
dependent_data[:,0] = magnitudes[:]
dependent_data[:,1] = distances[:]
dependent_data[:,2] = np.log10(distances)
dependent_data[:,3] = depths[:]
indep_data_p = []
indep_data_s = []
lista_error_p = []
lista_error_s = []
for i in range(len(event_list)):
indep_data_p = indep_data_p + [np.log10(p_disp[i]) -
lista_error_p[i]]
indep_data_s = indep_data_s + [np.log10(s_disp[i]) -
lista_error_s[i]]
if constraint:
lb = [0.5, -1000, -1000, -1000, -1000]
ub = [0.75, 1000, 1000, 1000, 1000]
res_p = lsq_linear(dependent_data, indep_data_p,
bounds=(lb,ub),\
method='bvls', lsmr_tol='auto', verbose=1)
res_s = lsq_linear(dependent_data, indep_data_s,
bounds=(lb,ub),\
method='bvls', lsmr_tol='auto', verbose=1)
print(res_p.x)
print(res_s.x)
best_coefs_p = res_p.x
best_coefs_s = res_s.x
else:
square_matrix = np.dot(np.transpose(dependent_data),\
dependent_data)
209
full_matrix = np.dot(np.linalg.inv(square_matrix),\
np.transpose(dependent_data))
best_coefs_p = np.dot(full_matrix, indep_data_p)
best_coefs_s = np.dot(full_matrix, indep_data_s)
print(best_coefs_p)
print(best_coefs_s)
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD MAGNITUD', weight='heavy')
plt.scatter(magnitudes, bias_p, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(magnitudes, bias_p)
# print(slope, intercept)
# plt.plot(magnitudes, intercept +
slope*np.array(magnitudes),color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(magnitudes, bias_s, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.xlabel('Magnitud, Mw', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
#slope, intercept, r_value, p_value, std_err =
stats.linregress(magnitudes, bias_s)
# print(slope, intercept)
# plt.plot(magnitudes, intercept +
slope*np.array(magnitudes),color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_mag_ajustado.png')
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.show()
plt.close()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD DISTANCIA HIPOCENTRAL', weight='heavy')
210
plt.scatter(distances, bias_p, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
#slope, intercept, r_value, p_value, std_err =
stats.linregress(distances, bias_p)
#print(slope, intercept)
#plt.plot(distances, intercept +
slope*np.array(distances),color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(distances, bias_s, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.xlabel('Distancia hipocentral [Km]', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
#slope, intercept, r_value, p_value, std_err =
stats.linregress(distances, bias_s)
#print(slope, intercept)
#plt.plot(distances, intercept + slope*np.array(distances),
color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_dist_ajustado.png')
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.subplots_adjust(hspace=0)
plt.show()
plt.figure()
plt.subplot(211)
plt.title('VARIABILIDAD PROFUNDIDAD', weight='heavy')
plt.scatter(depths, bias_p, alpha=0.5, label='Registros')
plt.axhline(0, color='red')
plt.ylabel('Onda P\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
# slope, intercept, r_value, p_value, std_err =
stats.linregress(depths, bias_p)
# print(slope, intercept)
# plt.plot(depths, intercept +
slope*np.array(depths),color='black', label='Ajuste lineal')
plt.legend()
plt.subplot(212)
plt.scatter(depths, bias_s, alpha=0.5, label='Registros')
plt.legend()
plt.axhline(0, color='red')
plt.xlabel('Profundidad [Km]', weight='heavy')
plt.ylabel('Onda S\nlog(PGDobs/PGDpred)', weight='heavy')
plt.grid(which='major', linewidth=0.8)
#slope, intercept, r_value, p_value, std_err =
stats.linregress(depths, bias_s)
#print(slope, intercept)
#plt.plot(depths, intercept +
slope*np.array(depths),color='black', label='Ajuste lineal')
plt.legend()
plt.savefig('Bias_depth_ajustado.png')
211
plt.tight_layout(rect=[0, 0, 0.83, 2])
plt.subplots_adjust(hspace=0)
plt.show()
df = DataFrame({
'Date': event_list,
'Estación': stations,
'log(PGD_P real)': np.log10(p_disp),
'log(PGD_S real)': np.log10(s_disp),
'PGD_P pred': pred_p,
'PGD_S pred': pred_s,
'log10(bias_p)': bias_p,
'log10(bias_s)': bias_s,
'sigma_p': sigmacr_p,
'sigma_s': sigmacr_s,
'tau_p': taucr_p,
'tau_s': taucr_s,
'lista_error_p': lista_error_p,
'lista_error_s': lista_error_s,
'indep_data_p': indep_data_p,
'indep_data_s': indep_data_s,
})
df.to_excel('Analisis_residuales.xlsx', sheet_name='sheet1',
index=False)
df = DataFrame({
'best_coefs_p': best_coefs_p,
'best_coefs_s': best_coefs_s,
})
df.to_excel('Coeficientes_ajustados.xlsx', sheet_name='sheet1',
index=False)
def main():
"""Funcion principal. Encargada de seleccionar los datos a usar,
hacer la regresion, y efectuar graficos de la regresion.
"""
distances, depths, magnitudes, p_disp, s_disp, event_index,
event_list,\
stations, latitud, longitud = get_data()
write_table(distances, depths, magnitudes, p_disp, s_disp,
event_list,\
stations, latitud, longitud)
excel_mag(event_list, magnitudes, latitud, longitud, depths)
fig1 = plt.figure()
fig2 = plt.figure()
fig3 = plt.figure()
fig4 = plt.figure()
fig1, fig2 = scatterplots(fig1, fig2, magnitudes, distances,
p_disp, 1)
212
fig1, fig2 = scatterplots(fig1, fig2, magnitudes, distances,
s_disp, 2)
fig3 = histograma_mag(fig3, event_list, magnitudes)
fig4 = histograma_prof(fig4, event_list, depths)
fig1.savefig('Mw-PGD_scatterplot.png')
fig2.savefig('dist-PGD_scatterplot.png')
fig3.savefig('histograma_mag.png')
fig4.savefig('histograma_prof.png')
plt.show()
del fig1, fig2, fig3, fig4
constraint = False
print('Seleccione el tipo de regresion\n')
print('1. minimos cuadrados\n2. Joyner-Boore\n')
index = int(input('Ingrese opcion: '))
if index == 1:
opcion = 'least_squares'
best_coefs_p = least_squares_get_gmpe(
distances, depths, magnitudes, p_disp, event_index,
constraint)
best_coefs_s = least_squares_get_gmpe(
distances, depths, magnitudes, s_disp, event_index,
constraint)
excel_coef(best_coefs_p, best_coefs_s)
else:
opcion = 'joyner_boore'
best_coefs_p = joyner_boore(
distances, depths, magnitudes, p_disp, event_index)
best_coefs_s = joyner_boore(
distances, depths, magnitudes, s_disp, event_index)
data = [distances, depths, magnitudes, p_disp, s_disp,
event_list,\
stations, latitud, longitud]
if __name__ == '__main__':
os.chdir('data')
if not os.path.isdir('least_squares'):
os.mkdir('least_squares')
if not os.path.isdir('joyner_boore'):
os.mkdir('joyner_boore')
print(os.getcwd())
main()
213