Spelling suggestions: "subject:"suelos - clasificación"" "subject:"suelos - classificación""
1 |
Generación de espectros de respuesta con sismos chilenos para suelos en función de su período fundamental y nivel de amplificaciónGonzález Iturriaga, Diego Orlando January 2017 (has links)
Ingeniero Civil / En este estudio, se utilizaron registros de aceleraciones de estaciones sísmicas chilenas proporcionados por el CSN y RENADIC, los cuales se procesaron estudiando cada caso individualmente para elegir las frecuencias de corte de los filtros para cada componente por separado. Se realizó una clasificación de suelos a partir de las formas de las razones espectrales H/V de espectros de respuesta de aceleraciones con 5% de amortiguamiento (HVRSR). Las formas planas de HVRSR indican un sitio de roca o referencia (Categoría I). Los HVRSR con un peak claro indican un suelo con amplificación dinámica (Categoría II). También existen categorías para cuando la forma del HVRSR exhibe más de un peak (Categoría III) y para cuando hay una banda ancha de amplificaciones (Categoría IV). Y una categoría para las demás estaciones que no pudieron ser clasificadas en las categorías anteriores (Categoría V). Para la categoría II, se construyó una función parametrizada 𝜇������𝐻������𝑉������, que a partir solo de los valores del período y amplitud del peak, define la forma completa del HVRSR. Se proponen factores para ajustar la forma 𝜇������𝐻������𝑉������ a la función de amplificación observada y para corregir las aproximaciones a las que se incurre al usar como sitio de referencia un suelo duro, y no un afloramiento rocoso o un basamento rocoso, y así crear la función de amplificación estimada 𝜇������𝐹������𝐴������. Se estudian parámetros medidos en terreno que puedan ayudar a estimar la función de amplificación, la velocidad de onda de corte en los 30 primeros metros superficiales (Vs30) y la razón espectral H/V de espectros de Fourier (HVSR) a partir de la medición de ruido ambiental utilizando la técnica de Nakamura. Se estima el efecto de sitio con tres modelos distintos, utilizando la función de amplificación 𝜇������𝐹������𝐴������ con distintos factores de ajuste, con los siguientes parámetros de entrada para los modelos 1,2 y 3 respectivamente: el período y amplitud del peak de HVRSR, el período y amplitud del peak de HVSR, y el período del peak del HVSR junto la amplitud del peak obtenida a partir de una función que intenta predecir la amplitud del peak de HVRSR a partir de parámetros medidos en terreno HVSR y Vs30. Los últimos dos modelos surgen de la necesidad de conocer el espectro de respuesta en suelos donde no se tiene una estación sísmica, pero si se cuenta con una estación sísmica cercana en un sitio de referencia, por lo que se estima la función de amplificación a partir los datos medidos en terreno. En el caso donde tampoco se disponga de una estación sísmica en un sitio de referencia, se pueden usar espectros de referencia obtenidos a partir de una curva de atenuación. Los dos modelos con mediciones en terreno obtienen espectros de aceleraciones predichos similares a los observados en suelo. El modelo que mejor estima la función de amplificación es el modelo 2, pues posee el menor error y la menor desviación estándar en los períodos de 0 a 10 segundos. Esto considerando que el número de pares de estaciones con mediciones utilizando la técnica de Nakamura es bajo, un mayor número estaciones con estas mediciones en terreno es conveniente para reafirmar los resultados.
|
2 |
Generación de una metodología de caracterización remota de suelos mediante un modelo predictivo, Región de Coquimbo, Chile / Development of a methodology of remote soil sensory by a predictive model. Coquimbo Region, ChileMacari Rosales, Orlando Antonio January 2015 (has links)
Memoria para optar al título profesional de: Ingeniero Agrónomo / La clasificación remota de suelos es una técnica que puede resultar de gran utilidad para
generar una aproximación fidedigna de la realidad de este recurso, especialmente en
condiciones donde la información es escasa, parcializada, o inexistente. Este es el caso de
la Región de Coquimbo, Chile, donde una amplia superficie no ha sido clasificada en
detalle en cuanto a sus suelos, tal que solo en sus valles agrícolas se han realizado estudios
de carácter agrológico. En este contexto, en el presente trabajo se propuso clasificar los
suelos de la Región de Coquimbo según el sistema de Clases de Capacidad de Uso de
suelos. Para este fin, se utilizaron Sistemas de Información Geográfica y Percepción
Remota para generar los insumos necesarios para ejecutar la clasificación. Se consideraron
los siguientes factores de formación de suelos: Material Parental, mediante el uso de
información espacializada de geología de la zona; Clima, a partir de datos de
precipitaciones y temperaturas; y Relieve, referido a las pendientes y Geoformas del
paisaje, estas últimas determinadas por el método “Topographic Position Index” (TPI). Con
esta información, se procedió a diseñar e implementar un Modelo experto de decisión,
técnica que se vale del conocimiento experto en una disciplina para generar la regla de
decisión.
El modelo dio como resultado una clasificación que abarcó un 93,09% de la superficie
regional, donde el restante 6,91% fue considerado como inclusiones, por representar
unidades espacialmente disgregadas y fuera de contexto. La clasificación incluyó dos
categorías que agruparon suelos que no fueron asignables a una Clase de Capacidad de Uso
particular, pero sí a un rango: categoría Clases I a IV, y categoría Clases VI a VIII. Del
total de unidades clasificadas según Clases de Capacidad de Uso, los resultados fueron los
siguientes: 0,62% correspondió a Clase I; 0,74% a Clase II; 1,05% a Clase III; 5,06% a
Clase IV; 11,63% a Clase VI; 36,22% a Clase VII; 26,33% a Clase VIII; 6,61% para la
categoría Clases I a IV y 4,27% para la categoría Clases VI a VIII. Posterior a la obtención
de los resultados, se efectuó una validación en base a consulta a un experto, evaluándose
siete puntos particulares. El resultado indicó cuatro puntos que no calzaron con la
clasificación realizada, lo que se debió a que dos de estos últimos se encontraron dentro de
inclusiones (puntos San Julián y Maitencillo) y un tercero en una condición con limitantes
químicas (punto Huentelauquén), estas últimas fuera del ámbito de predicción del modelo. / Remote soil classification is a technique that can be useful to generate an accurate
approximation of the reality of this resource, especially in spatial conditions where
information is scarce, biased, or nonexistent. This is the case of the Coquimbo Region,
Chile, where a large area has not been classified in detail about their soils; such that only in
their agricultural valleys are soil survey studies. In this context, this work proposes soils
classify of the Coquimbo Region according to Land Capability Classes system. To this
goal, Geographic Information Systems (GIS) and Remote Sensing were used to generate
the inputs needed to run a classification. The considered soil formation factors with this
purpose were: Parental material, for which we used specialized geology information of the
area; Climate, in terms of rainfall and temperature data; and Relief, based on landscape
landforms, were considered using the Topographic Position Index (TPI) method. With this
information, it was proceeded to design and implement a technical expert decision model,
which uses expert knowledge in a discipline to generate the decision rule.
The model resulted in a classification which covered 93.09% of the region, where the
remaining 6.91% was considered inclusions, because representing spatially disaggregated
units out of context. The classification included two categories with soils that were not
associated to a particular Land Capability Class, but were included in a range: Classes I to
IV category and Classes VI to VIII category. On the total surface classified as Land
Capability Classes, the results were as follows: 0.62 % was classified as Class I; 0.74% was
Class II; 1.05% was Class III; 5.06% was Class IV; 11.63% was Class VI; 36.22% was
Class VII; 26.33% was Class VIII; 6.61% was Classes I to IV category and 4.27% to Class
VI to VIII category. Finally, a validation was performed based on expert criteria, evaluating
seven specific points. Four points were not in agreement with the original result, which was
due to two of the latter were within inclusions (San Julian and Maitencillo points) and a
third point was a condition with chemical limiting condition (Huentelauquén point), outside
the scope of model prediction.
|
Page generated in 0.0379 seconds