Aprendizaje Automático Interpretable Consciente de la Física para Cribado Rápido de Daños Sísmicos y Estimación de Curvas de Fragilidad Utilizando Datos de Encuestas de Edificios Post-Terremoto

La evaluación rápida de daños post-terremoto es crucial para la priorización de inspecciones estructurales y la respuesta de emergencia. Este estudio propone un marco de aprendizaje automático interpretable consciente de la física para el cribado de daños sísmicos y la estimación de fragilidad utilizando datos del terremoto de Gorkha de 2015, en Nepal. El marco integra parámetros de inventario de edificios, características sustitutas de capacidad, intensidad macro sísmica y cuantificación de incertidumbre. Los árboles de gradiente mejorado lograron el mejor rendimiento con una precisión balanceada de 0.430 y un kappa ponderado cuadrático de 0.633 bajo validación en distribución, mientras que la transferibilidad espacial produjo una precisión balanceada de 0.358 y un kappa de 0.471. El cribado conformal dividido logró una cobertura empírica de 0.846, demostrando una capacidad de triaje sísmico confiable a escala de cartera en regiones con escasez de datos.