Tassara Oddo, AndrésCrisosto Urrutia, Antonio Lucas2024-04-042024-05-152024-08-282024-04-042024-05-152024-08-282024https://repositorio.udec.cl/handle/11594/12002Tesis para optar al grado académico de Magíster en GeofísicaEn este estudio investigamos la relación entre el comportamiento sismogénico de megathrusts globales y diferentes parámetros de subducción. Realizamos un enfoque paramétrico implementando tres algoritmos de Machine Learning (ML) basados en árboles de decisión (XGBoost, GradientBoosting y CatBoost) para predecir el b-value de la relación frecuencia-magnitud de la sismicidad como una combinación no lineal de variables de subducción (edad y rugosidad de la placa subductante, ángulo de buzamiento de la subducción, velocidad y azimut de la convergencia, distancia a la dorsal y límite de placa más cercanos). Utilizando SHAP values para interpretar los resultados de ML, observamos que la edad de la placa y el ángulo de subducción poco profundo son las variables más influyentes. Los resultados sugieren que las placas más antiguas y con buzamientos menos profundos contribuyen a bajos b-values, lo que indica un mayor stress en el megathrust. Este patrón se atribuye a la mayor rigidez de las placas más antiguas, que aumentan la resistencia a la flexión y generan un ángulo de penetración poco profundo, aumentando el área de fricción entre placas e intensificando el estado de stress del megathrust. Estos resultados ofrecen nuevas perspectivas sobre la complejidad no lineal del comportamiento sísmico a escala global.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalSismosTerremotosInteligencia artificialTesis