Evaluación Sísmica del Tren Interurbano México-Toluca con simulaciones de carga viva y Ciencia de Datos
Article Sidebar
Publicado
jul 12, 2024
##plugins.pubIds.doi.readerDisplayName##
https://doi.org/10.36677/ideaseningenieria.v2i2.23995
Main Article Content
Osmar David Arellano Magdaleno
http://orcid.org/0009-0003-5905-3836
Rosa Maria Valdovinos Rosas
http://orcid.org/0000-0001-9954-0653
David Joaquin Delgado Hernández
http://orcid.org/0000-0001-9752-7367
José Luis López Díaz
http://orcid.org/0009-0004-5649-4895
http://orcid.org/0009-0003-5905-3836
Rosa Maria Valdovinos Rosas
http://orcid.org/0000-0001-9954-0653
David Joaquin Delgado Hernández
http://orcid.org/0000-0001-9752-7367
José Luis López Díaz
http://orcid.org/0009-0004-5649-4895
Resumen
El Gobierno Federal de México está construyendo el Tren Interurbano México-Toluca para abordar el desafío de transportar a más de 230 mil personas diariamente entre las ciudades de México y Toluca. Esta construcción comenzó en enero de 2015 y está a cargo de la Secretaría de Comunicaciones y Transportes. Para evaluar la construcción del tren, diversos estudios se han propuesto, de los cuales, la mayoría son realizados a base de simulaciones debido a la poca disposición de datos reales. En este artículo se realiza el análisis del modelo estructural del tren interurbano México-Toluca al ser sometido a un sismo considerando simulaciones ejecutadas con el programa SAP 2000.
El interés en este estudio se centra en identificar la respuesta estructural en caso de un terremoto de magnitud similar al del 22 de mayo de 1960 en Chile y del 19 de septiembre de 1985 en México, mientras el tren se encuentra en movimiento a una velocidad determinada y transportando 711 personas simultáneamente. Para la investigación se utiliza el lenguaje de programación Python y el software libre WEKA siguiendo el proceso general de ciencia y analítica de conglomerados.
Article Details
Como citar
ARELLANO MAGDALENO, Osmar David et al.
Evaluación Sísmica del Tren Interurbano México-Toluca con simulaciones de carga viva y Ciencia de Datos.
Ideas en Ciencias de la Ingeniería, [S.l.], v. 2, n. 2, p. 46-61, jul. 2024.
ISSN 2992-7447.
Disponible en: <https://ideasencienciasingenieria.uaemex.mx/article/view/23995>. Fecha de acceso: 14 nov. 2025
doi: https://doi.org/10.36677/ideaseningenieria.v2i2.23995.
Sección
Artículos
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
Citas
[1] H.-T. Thai, "Machine learning for structural engineering: A state-of-the-art review," Structures, vol. 38, pp. 448-491, Apr. 2022, doi: 10.1016/j.istruc.2022.02.003.
[2] S. Mangalathu and J.-S. Jeon, "Machine Learning-Based Failure Mode Recognition of Circular Reinforced Concrete Bridge Columns: Comparative Study," Journal of Structural Engineering, vol. 145, pp. 04019104, Oct. 2019, doi: 10.1061/(ASCE)ST.1943-541X.0002402.
[3] D. H. Nguyen, Q. B. Nguyen, T. Bui-Tien, G. De Roeck, and M. Abdel Wahab, "Damage detection in girder bridges using modal curvatures gapped smoothing method and Convolutional Neural Network: Application to Bo Nghi bridge," Theoretical and Applied Fracture Mechanics, vol. 109, pp. 102728, Oct. 2020, doi: 10.1016/j.tafmec.2020.102728.
[4] H. Mahmoudi, M. Bitaraf, M. Salkhordeh, and S. Soroushian, "A rapid machine learning-based damage detection algorithm for identifying the extent of damage in concrete shear-wall buildings," Structures, vol. 47, pp. 482-499, Nov. 2022, doi: 10.1016/j.istruc.2022.11.041.
[5] M. Abdellatif, H. Peel, A. G. Cohn, and R. Fuentes, "Combining block-based and pixel-based approaches to improve crack detection and localization," Automation in Construction, vol. 122, pp. 103492, Feb. 2021, doi: 10.1016/j.autcon.2020.103492.
[6] O. Abdeljaber, O. Avci, S. Kiranyaz, M. Gabbouj, and D. J. Inman, "Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks," Journal of Sound and Vibration, vol. 388, pp. 154-170, Feb. 2017, doi: 10.1016/j.jsv.2016.10.043.
[7] M. Flah, I. Nunez, W. Ben Chaabene, and M. L. Nehdi, "Machine Learning Algorithms in Civil Structural Health Monitoring: A Systematic Review," Archives of Computational Methods in Engineering, vol. 28, no. 4, pp. 2621-2643, Jun. 2021, doi: 10.1007/s11831-020-09471-9.
[8] S. Sarothi, K. Ahmed, N. Imtiaz, A. Ahmed, M. Nehdi, “Machine Learning-Based Failure Mode Identification of Double Shear Bolted Connections in Structural Steel.” Engineering Failure Analysis. Vol. 139, pp. 106471, 2022, doi: 10.1016/j.engfailanal.2022.106471.
[9] A. H. Alkadhwi, O. Adelaja, “Data mining application using clustering techniques (K-Means algorithm) in the analysis of student's result.” Journal of Multidisciplinary Engineering Science Studies (JMESS), 5(5), 2458-925, 2019, ISSN: 2458-925X
[10] B. Panić, J. Klemenc, and M. Nagode, "Improved Initialization of the EM Algorithm for Mixture Model Parameter Estimation," Mathematics, vol. 8, no. 3, p. 373, 2020, doi: 10.3390/math8030373.
[11] D. A. Alboaneen, H. Tianfield, and Y. Zhang, "Sentiment analysis via multi-layer perceptron trained by meta-heuristic optimisation," in 2017 IEEE International Conference on Big Data (Big Data), 2017, pp. 4630-4635. doi: 10.1109/BigData.2017.8258507.
[12] J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A. Lopez, "A comprehensive survey on support vector machine classification: Applications, challenges and trends," Neurocomputing, vol. 408, pp. 189-215, Sep. 2020. doi: 10.1016/j.neucom.2019.10.118.
[13] J. Jiménez, "Función del enlace técnico dentro de la obra del tren Interurbano México Toluca," Memoria de Experiencia Laboral, Ingeniería Civil, Facultad de Ingeniería, Universidad Autónoma del Estado de México, 2017.
[14] Arora R., Suman S., Comparative Analysis of Classification Algorithms on Different Datasets using WEKA. International Journal of Computer Applications. Vol 54, pp 21-25, 2012.
[15] J. R. Dettori and D. C. Norvell, "Kappa and Beyond: Is There Agreement?" Global Spine Journal, vol. 10, no. 4, pp. 499-501, 2020. doi: 10.1177/2192568220911648.
[16] K. Stapor, P. Ksieniewicz, S. García, and M. Woźniak, "How to design the fair experimental classifier evaluation," Appl. Soft Comput., vol. 104, p. 107219, Jun. 2021. doi: 10.1016/j.asoc.2021.107219.
[17] J. B. Rollins, "Metodología Fundamental para la Ciencia de Datos," IBM, Armonk, NY, Technology, IMW14828-COES-01, 2015.
[18] Delgado Hernández, D. J., Mejía Nava, R. A., De León Escobedo, D., Arteaga Arcos, J. C., Mendoza Lugo, M. Á., & García Zamora, J. F. (2023). Análisis de riesgos del tren México-Toluca sujeto simultáneamente a sismo y carga viva máxima. Informe del proyecto 6523/2022CIA. SIEA, Universidad Autónoma del Estado de México.
[19] de la CDMX, S. de O. y. S. (s/f). Tren El Insurgente. Secretaría de Obras y Servicios de la CDMX. Recuperado el 15 de junio de 2024, de https://www.obras.cdmx.gob.mx/proyectos/tren-interurbano-cdmx
[2] S. Mangalathu and J.-S. Jeon, "Machine Learning-Based Failure Mode Recognition of Circular Reinforced Concrete Bridge Columns: Comparative Study," Journal of Structural Engineering, vol. 145, pp. 04019104, Oct. 2019, doi: 10.1061/(ASCE)ST.1943-541X.0002402.
[3] D. H. Nguyen, Q. B. Nguyen, T. Bui-Tien, G. De Roeck, and M. Abdel Wahab, "Damage detection in girder bridges using modal curvatures gapped smoothing method and Convolutional Neural Network: Application to Bo Nghi bridge," Theoretical and Applied Fracture Mechanics, vol. 109, pp. 102728, Oct. 2020, doi: 10.1016/j.tafmec.2020.102728.
[4] H. Mahmoudi, M. Bitaraf, M. Salkhordeh, and S. Soroushian, "A rapid machine learning-based damage detection algorithm for identifying the extent of damage in concrete shear-wall buildings," Structures, vol. 47, pp. 482-499, Nov. 2022, doi: 10.1016/j.istruc.2022.11.041.
[5] M. Abdellatif, H. Peel, A. G. Cohn, and R. Fuentes, "Combining block-based and pixel-based approaches to improve crack detection and localization," Automation in Construction, vol. 122, pp. 103492, Feb. 2021, doi: 10.1016/j.autcon.2020.103492.
[6] O. Abdeljaber, O. Avci, S. Kiranyaz, M. Gabbouj, and D. J. Inman, "Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks," Journal of Sound and Vibration, vol. 388, pp. 154-170, Feb. 2017, doi: 10.1016/j.jsv.2016.10.043.
[7] M. Flah, I. Nunez, W. Ben Chaabene, and M. L. Nehdi, "Machine Learning Algorithms in Civil Structural Health Monitoring: A Systematic Review," Archives of Computational Methods in Engineering, vol. 28, no. 4, pp. 2621-2643, Jun. 2021, doi: 10.1007/s11831-020-09471-9.
[8] S. Sarothi, K. Ahmed, N. Imtiaz, A. Ahmed, M. Nehdi, “Machine Learning-Based Failure Mode Identification of Double Shear Bolted Connections in Structural Steel.” Engineering Failure Analysis. Vol. 139, pp. 106471, 2022, doi: 10.1016/j.engfailanal.2022.106471.
[9] A. H. Alkadhwi, O. Adelaja, “Data mining application using clustering techniques (K-Means algorithm) in the analysis of student's result.” Journal of Multidisciplinary Engineering Science Studies (JMESS), 5(5), 2458-925, 2019, ISSN: 2458-925X
[10] B. Panić, J. Klemenc, and M. Nagode, "Improved Initialization of the EM Algorithm for Mixture Model Parameter Estimation," Mathematics, vol. 8, no. 3, p. 373, 2020, doi: 10.3390/math8030373.
[11] D. A. Alboaneen, H. Tianfield, and Y. Zhang, "Sentiment analysis via multi-layer perceptron trained by meta-heuristic optimisation," in 2017 IEEE International Conference on Big Data (Big Data), 2017, pp. 4630-4635. doi: 10.1109/BigData.2017.8258507.
[12] J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A. Lopez, "A comprehensive survey on support vector machine classification: Applications, challenges and trends," Neurocomputing, vol. 408, pp. 189-215, Sep. 2020. doi: 10.1016/j.neucom.2019.10.118.
[13] J. Jiménez, "Función del enlace técnico dentro de la obra del tren Interurbano México Toluca," Memoria de Experiencia Laboral, Ingeniería Civil, Facultad de Ingeniería, Universidad Autónoma del Estado de México, 2017.
[14] Arora R., Suman S., Comparative Analysis of Classification Algorithms on Different Datasets using WEKA. International Journal of Computer Applications. Vol 54, pp 21-25, 2012.
[15] J. R. Dettori and D. C. Norvell, "Kappa and Beyond: Is There Agreement?" Global Spine Journal, vol. 10, no. 4, pp. 499-501, 2020. doi: 10.1177/2192568220911648.
[16] K. Stapor, P. Ksieniewicz, S. García, and M. Woźniak, "How to design the fair experimental classifier evaluation," Appl. Soft Comput., vol. 104, p. 107219, Jun. 2021. doi: 10.1016/j.asoc.2021.107219.
[17] J. B. Rollins, "Metodología Fundamental para la Ciencia de Datos," IBM, Armonk, NY, Technology, IMW14828-COES-01, 2015.
[18] Delgado Hernández, D. J., Mejía Nava, R. A., De León Escobedo, D., Arteaga Arcos, J. C., Mendoza Lugo, M. Á., & García Zamora, J. F. (2023). Análisis de riesgos del tren México-Toluca sujeto simultáneamente a sismo y carga viva máxima. Informe del proyecto 6523/2022CIA. SIEA, Universidad Autónoma del Estado de México.
[19] de la CDMX, S. de O. y. S. (s/f). Tren El Insurgente. Secretaría de Obras y Servicios de la CDMX. Recuperado el 15 de junio de 2024, de https://www.obras.cdmx.gob.mx/proyectos/tren-interurbano-cdmx