Logotipo del repositorio

Publicación:
Evaluación de la susceptibilidad por movimientos en masa de la plancha 136-Málaga aplicando la herramienta de redes neuronales artificiales

dc.contributor.advisorGelvez Cortes, Sergio Augusto
dc.contributor.advisorValencia, Joaquin Andres
dc.contributor.authorMachuca Castellanos, Silvia Viviana
dc.date.accessioned2024-03-03T22:43:49Z
dc.date.available2016
dc.date.available2024-03-03T22:43:49Z
dc.date.created2016
dc.date.issued2016
dc.description.abstractLa evaluación de la susceptibilidad por movimientos en masa es el insumo base para la definición de la amenaza y el riesgo que puede presentar una región frente a estos eventos, lo cual debe ser necesario en los planes de mitigación de desastres y planes de ordenamiento territorial en un país geológicamente complejo y en vía de desarrollo como Colombia. Esta investigación busca determinar la susceptibilidad por movimientos en masa de la Plancha 136-Málaga mediante la implementación de una Red Neuronal Artificial Multilayer Perceptron-Back Propagation (MLP-BP), cuyo entrenamiento se basa en los atributos de las áreas donde se han registrado movimientos. La evaluación resultante es representada en un mapa de susceptibilidad a escala 1:100.000 con cinco categorías, desde la muy alta hasta la muy baja, prevaleciendo las de mayor susceptibilidad. Las redes neuronales artificiales son utilizadas como el método de evaluación de la susceptibilidad ya que es comúnmente utilizado en problemas de pronóstico, caracterizado por manipular de forma óptima gran cantidad de variables con muy bajos niveles de subjetividad. La geomorfología de la región expresa el fuerte control estructural generado por fracturas como la Falla Bucaramanga, Servitá, Onzaga, Chicamocha y fallas satélites que caracterizan la topografía abrupta de la Plancha. Estas características junto con otros atributos (geológicos, geomorfológicos, de suelos y cobertura) argumentan cualitativamente el mapa de susceptibilidad resultante. Igualmente los índices de susceptibilidad fueron validados mediante graficas de distribución de frecuencia acumulada, proporción de frecuencia y curvas ROC de éxito y predicción, cuyas expresiones indican un óptimo rendimiento de la red neuronal y una alta capacidad de predicción del método.
dc.description.abstractenglishLandslide susceptibility assessment of 136-málaga chart applying artificial neural networks tool
dc.description.degreelevelPregrado
dc.description.degreenameGeólogo
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/34984
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicoquímicas
dc.publisher.programGeología
dc.publisher.schoolEscuela de Geología
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectSusceptibilidad
dc.subjectMovimientos En Masa
dc.subjectRedes Neuronales Artificiales.
dc.subject.keywordLandslide susceptibility assessment is foundation for define threat and risk can show a region versus these events
dc.subject.keywordit should to be necessary in disaster mitigation plans and land use plans at a geologically complex country and on developing as Colombia. This investigation searching for determine landslide susceptibility assessment of 136-Málaga Chart by implementing an Multilayer Perceptron-Back Propagation Artificial Neural Network (MLP-BP)
dc.subject.keywordwhose training is based on attributes of areas where have been registered landslides. The resulting assessment is displayed on a susceptibility map at scale 1:100.000 whit five categories from very high to very low
dc.subject.keywordprevailing the most susceptible. Artificial Neural Networks are used as the assessment method as it is commonly used to forecast problems
dc.subject.keywordit is characterized by optimally handle many variables with very low levels of subjectivity. Geomorphology of the region shows strong structural control generated by fractures as the Bucaramanga
dc.subject.keywordServitá
dc.subject.keywordOnzaga
dc.subject.keywordChicamocha Faults and satellite faults that characterize the abrupt topography of the Chart. These features along with other attributes (geological
dc.subject.keywordgeomorphological
dc.subject.keywordsoil and cover) qualitatively argue the resulting susceptibility map. Equally susceptibility indices were validated using graphics cumulative frequency distribution
dc.subject.keywordfrequency ratio and success and prediction ROC curves whose expressions indicate optimal performance of the neural network and a high predictive power of the method.
dc.titleEvaluación de la susceptibilidad por movimientos en masa de la plancha 136-Málaga aplicando la herramienta de redes neuronales artificiales
dc.title.englishSusceptibility, Landslides, Artificial Neural Networks.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.typePublication

Archivos

Bloque original

Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
Carta de autorización.pdf
Tamaño:
161.22 KB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Documento.pdf
Tamaño:
7.13 MB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Nota de proyecto.pdf
Tamaño:
54.91 KB
Formato:
Adobe Portable Document Format

Colecciones

VIGILADA MINEDUCACIÓN

Ordenanza No. 83 de 1.944 (junio 22)

Carácter académico: Universidad

Notificaciones judiciales: notjudiciales@uis.edu.co 

.

Código SNIES: 1204   Nit: 890.201.213-4

Línea Anticorrupción:  +57 (601) 562 9300 EXT: 3633

Línea transparente: +57 (607) 630 3031