GNGTS 2022 - Atti del 40° Convegno Nazionale

310 GNGTS 2022 Sessione 2.2 MACHINE LEARNING BASED HIGH RESOLUTION GROUND MOTION MAPS F. Mori, M. Moscatelli CNR IGAG Abstract. Gli eventi sismici passati hanno dimostrato che i danni e il numero di vittime dipendono sia dal forte movimento del suolo (cioè dagli effetti della sorgente) che dagli effetti locali del sito. La variabilità della distribuzione del moto del suolo è causata dall’impostazione stratigrafica e/o topografica locale e dalle morfologie sepolte, che possono dare origine ad amplificazioni e risonanze rispetto al moto del suolo previsto nel sito di riferimento. Pertanto, le condizioni locali del sito possono influenzare il collasso completo o la perdita di funzionalità di strutture, infrastrutture e lifelines . Per questomotivo, la previsione in tempo quasi reale della variazione del moto del suolo su area vasta è una questione cruciale per supportare la gestione del sistema dell’emergenza. Per raggiungere questo obbiettivo è stato adottato un approccio di machine learning al fine di produrre mappe di scuotimento ad alta risoluzione considerando sia le condizioni stratigrafiche che morfologiche. Un set di circa 7.500 dati accelometrici dal nuovo flatfile ITACA e circa 46.000 dati geologici e geofisici del database della Microzonazione Sismica costituiscono il dataset utilizzato per l’allenamento ed il test del modello di regressione gaussiano. Il parametro di risposta sismica (di picco e spettrale) è stimato utilizzando dodici predittori con la possibilità di integrare in tempo quasi reale i dati delle stazioni all’interno del framework di allenamento e predizione della mappa di scuotimento con risoluzione di 50 metri.