DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

RECONOCIMIENTO AUTOMÁTICO DE PATOLOGÍAS ESTRUCTURALES EN LA CIUDAD DE

MÉXICO

Marcial Contreras Zazueta (1), Marco Antonio Torres Pérez-Negrón (2), Daniel Mendoza Rodríguez (1),
David Gómez Palacios (2), Jesús Rivera Pastelín (1), Luis Cortés Jiménez (1), Orlando de J. Alva González(1),
Jony Zenón Martínez Martínez(2), Eduardo Reinoso Angulo(2)

1
E.R.N. Evaluación de Riesgos Naturales, Vito Alessio Robles no. 179, Col. Hacienda de Guadalupe Chimalistac, Del. Álvaro
Obregón, 01050, Ciudad de México, (55)5616-8161, 62 y 64; marcial.contreras@ern.com.mx; daniel.mendoza@ern.com.mx;
jesus.rivera@ern.com.mx; luis.cortes@ern.com.mx; orlando.alva@ern.com.mx
2
Ingeniería Sismológica. Instituto de Ingeniería, UNAM, Torre de Ingeniería, Ciudad Universitaria, Del. Coyoacán, 04510,
Ciudad de México, (55) 56233600. mtorresp@iingen.unam.mx; dgomezp@iingen.unam.mx; jmartinezma@iingen.unam.mx;
ereinosoa@iingen.unam.mx

RESUMEN

La evaluación del riesgo sísmico en la Ciudad de México requiere se conozcan las características de más de un millón
de edificaciones, en particular las condiciones de estructuración que acentúan la probabilidad de daño, en particular la
planta baja débil, configuración de esquina, columnas cortas, etc. Estas características se denominan patologías
estructurales y en general son reconocibles a simple vista para un ingeniero estructural. En este trabajo se propone
utilizar procesos automáticos de visión computacional y análisis de la geometría, para agilizar el levantamiento del
inventario de exposición de inmuebles.

ABSTRACT

Formal evaluation of seismic risk in Mexico City requires that the characteristics of more than one million buildings
be known, in particular the structuring conditions that accentuate the probability of damage, such as soft story, corner
configuration, short columns, etc. These characteristics are called structural pathologies and are generally recognizable
to the naked eye for a structural engineer. In this work it is proposed to use automatic processes based on computer
vision and geometric analysis, to expedite the obtention of the exposure inventory database.

INTRODUCCIÓN

En la Ciudad de México en 2010 se contabilizaban 1’142,180 predios correspondientes al 45% de la población

estimada para el Valle de México en 2020 y a una cuarta parte de la población urbana del país. La evaluación formal
del riesgo sísmico al que está expuesta La ciudad requiere se conozcan las características de sus edificios, como la
ubicación, número de niveles, tipo estructural, código de construcción con el que fue diseñado, y las condiciones de
estructuración que acentúan la probabilidad de daño, en particular: La condición de planta baja débil, común en
edificios con espacios comerciales o semipúblicos a pie de banqueta; la configuración estructural de esquina y la
irregularidad geométrica de la planta, las cuales propician la torsión del edificio; y las condiciones de columna corta y
golpeteo con edificios vecinos de diferente altura, que acentúan los daños en columnas y muros cuya deformación es
impedida abruptamente.

Las características mencionadas son campos requeridos en los principales sistemas de evaluación formal del riesgo
(e.g. R-PLUS y R-REGULATOR usados por el sector asegurador latinoamericano, y R-FONDEN y R-CAPRA este

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

último de libre acceso, ambos usados como en la gestión de riesgo a nivel país). Donde con evaluación formal del
riesgo sísmico nos referimos a el riesgo como el valor de la pérdida económica esperada en un plazo de tiempo dado,
por efecto del conjunto de sismos probables (peligro sísmico) con efectos significativos en la ubicación de un inventario
de edificios (exposición) cuyas características constructivas los hacen más o menos propensos a sufrir daños. La
relación entre la intensidad del movimiento por sismo y los daños esperados se conoce como vulnerabilidad. En
estudios de riesgo a escala regional, que son de interés para las estrategias de administración de riesgos naturales
gubernamentales, uno de los principales retos es la asignación correcta de funciones de vulnerabilidad al inventario de
edificios. Los sistemas de evaluación de riesgo se valen de las características que describen cada edificio para elegir la
función de vulnerabilidad que mejor representa el comportamiento de cada inmueble.

Las características de estructuración que acentúan los daños se denominan patologías estructurales (PE) y, en general,
son reconocibles a simple vista para un ingeniero estructural. La inspección de un edificio para fines de riesgo toma
entre 30 y 90 minutos si se entra al edificio y se identifican las PE, daños previos y el tipo estructural. Si sólo se revisa
la fachada y la planta del edificio vía remota, la inspección toma 5 minutos, y se reconocen la mayoría de las PE pero
el tipo estructural debe inferirse. Para la evaluación del riesgo de una ciudad, las características de los edificios
expuestos a algún riesgo (exposición) se define de asumir una densidad de edificaciones por unidad de área y una
tipología típica por región (e.g. manzanas donde predominan las casas habitación de dos niveles). También se
aprovechan los inventarios conocidos con que tienen diseños homologados (e.g. escuelas y hospitales).

Es posible utilizar procesos automáticos para agilizar el levantamiento del inventario de exposición y las patologías
estructurales de cada inmueble. El levantamiento del inventario de edificios es un proceso geomático que consiste en
segmentar las imágenes de satélite por tipo de contenido y definir objetos individuales, entre ellos la planta de
edificaciones aisladas. Hossain y Chen (2019) ofrecen una revisión de las técnicas disponibles desde la perspectiva de
la percepción remota. En el caso de la Ciudad de México, es válido suponer que la gran mayoría de los edificios ocupan
todo su predio, de tal forma que el inventario de edificios se definió de la información pública de catastro, y sólo se
aplicaron rectificaciones cartográficas. En cada uno de estos predios se obtuvo la altura máxima del edificio como la
diferencia entre el modelo digital de superficie y el modelo digital de elevación de INEGI.

El tipo estructural puede inferirse a partir del material de la azotea identificado por la marca espectral de la luz en
imágenes satelitales de alta resolución (e.g. Gómez et al., 2015). En la Ciudad de México, estimamos el sistema
estructural a partir de la estadística de campañas de inspección de edificios (ERN, 2017) con aproximadamente 7000
registros de edificios dañados por sismos en el Valle de México.

Las PE han sido inferidas usando visión computacional por Kang y coatores (Kang et al., 2018) para inferir el tipo de
uso a partir de imágenes de baja resolución de la fachada, y por Antos y Triveno (GFDRR, 2018) para inferir la planta
baja débil en Guatemala, tomando como insumos fotografías de fachadas tomadas en 360º y 30 megapixeles, imágenes
de dron con resolución de 4cm y una nube de puntos de elevación; aplicados en un modelo que localiza puertas y
ventanas, y mide la proporción de área respecto a la del edificio. Antos y Triveno lograron 85% de coincidencia con
inspecciones humanas en la detección de planta baja débil en un inventario de 5000 viviendas populares, mayormente
homogéneo, pero el costo de sus insumos y la tipología estructural de su estudio, diferente a la de Ciudad de México,
limitan la aplicación de su modelo.

La investigación aquí reportada propone modelos de visión computacional que admiten imágenes de baja resolución
y algoritmos para auxiliar en la identificación de patologías estructurales y características de edificios, necesarias para
la evaluación de riesgo sísmico en inventarios demasiado grandes para revisiones individuales y donde la
heterogeneidad de los tipos constructivos limita la extrapolación de una muestra. En este sentido, las PE y
características identificadas automáticamente, permiten filtrar los edificios intrínsecamente seguros de los que
requieren una revisión por ingenieros. Con visión computacional se evalúa la existencia o no de planta baja débil, y de
la irregularidad geométrica de la planta. También se desarrollaron algoritmos de análisis geométrico para señalar los
predios en esquina, y para reconocer el posible golpeteo con edificios de distinta altura.

Este artículo primero aborda la importancia de las PE en el riesgo, presentando resultados de evaluaciones en una
cartera de edificios reales. Enseguida se describen las características de estructuración y las patologías estructurales
más relevantes para la evaluación de riesgos sísmico. Se describen los métodos y modelos usados para obtenerlas y las
técnicas para controlar la calidad de los datos de insumo. Finalmente, se muestran algunos resultados de entre los
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

23,000 predios analizados en el sur de la alcaldía Cuauhtémoc y se comparan con inspecciones realizadas por
ingenieros.

EFECTO DE CONSIDERAR LAS PATOLOGÍAS ESTRUCTURALES EN LA ESTIMACIÓN DE RIESGO

Las patologías estructurales son muy importantes para la correcta evaluación del riesgo sísmico. A modo de
justificación, considere la siguiente comparación de evaluaciones de riesgo donde hacemos el ejercicio de considerar
o no las patologías estructurales (PE) en el cálculo de la pérdida máxima probable. El ejercicio se hizo en un inventario
real de edificios en la Ciudad de México cedido por una compañía de seguros. El inventario consiste en 1000 registros
de edificios en los que es conocido el valor asegurado y las PE admitidas por el sistema R-PLUS. La pérdida máxima
probable se obtuvo considerando el 100% de las PE, y de nuevo conservando 67%, 33% y 0% de las PE, donde los
registros restantes se consideran en condiciones de estructuración ideales. Los resultados en millones de dólares para
varios periodos de retorno se muestran en la Figura 1.

PML total para una cartera de edificios en la CDMX, para sismo,

indicando 0%, 33%, 66% y 100% de las patologías estructurales
$1,600
Millones

$1,400

$1,200

$1,000

$800

$600

$400

$200

$0
0 50 100 150 200 250 300 350 400 450 500
Periodo de Retorno (años)

100% de patologias 67% de patologías 33% de patologías 0% de patologías

Figura 1. Pérdida máxima probable (PML) considerando las patologías estructurales de 100% y 67% de los edificios de
la cartera (sobrepuestas), y sucesivamente considerando que sólo 33% y 0% de los edificios tienen indicadas las
patologías estructurales.

En la Figura 1, se muestra el resultado en términos económicos reales para ayudar a dimensionar la importancia de
contar con las PE en las estimaciones de riesgo. Se observa que, en el caso aquí desarrollado, el riesgo es alrededor de
4 veces mayor si se conocen las patologías estructurales. La razón fundamental es que la vulnerabilidad de los edificios
con estructuración deficiente es mayor que para edificios bien estructurados, también a que algunos de los edificios
vulnerables son de un costo significativamente más alto que los otros.

Es atípico que una cartera de edificios asegurados cuente con una descripción completa de las características del
edificio y las PE, como el ejemplo antes visto, pero la relevancia de dicha información es clara. En este sentido, podría
pensarse que es suficiente con revisar una muestra de los edificios más grandes o más costosos y asumir una descripción
simplificada de la vulnerabilidad para los demás, pero incluso la cantidad de inmuebles de una muestra significativa
es enorme y la incertidumbre subyacente en los edificios que de facto se consideren homólogos no se puede estimar
hasta que los edificios se inspeccionen u ocurran pérdidas.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

INCERTIDUMBRE BASE

La determinación de las PE tiene una incertidumbre de base que fue evidente para muchos durante las inspecciones de
seguridad estructural posteriores a los sismos de 2017. Para explorar esta incertidumbre de base, le pedimos a dos
equipos de ingenieros civiles que calificara la condición de planta baja débil de 1,300 edificios en Nula, Moderada
(algunos muros en la planta baja) o Intensa (sólo columnas en la planta baja). La coincidencia fue de 87%, véase la
Figura 2 con algunos de los resultados.

Figura 2. Calificación de la planta baja débil por dos equipos de ingenieros. La coincidencia es de 87% en 1300 edificios.
Se ilustra un área reducida ocultando los nombres de las calles

Los métodos discutidos a continuación habilitan reducir la incertidumbre de la evaluación de riesgo en la cartera
completa y detectar los edificios que representan un mayor riesgo y por tanto ameritan una revisión particular.

RECONOCIMIENTO AUTOMÁTICO DE CARACTERÍSTICAS Y PATOLOGíAS ESTRUCTURALES

Describimos los datos, criterios, métodos, y los mecanismos de verificación usados para obtener las características
estructurales: altura de edificio, uso y tipo estructural; así como las patologías estructurales: planta baja débil, golpeteo
con edificios de distinta altura e irregularidad en planta.

Datos y pre-procesamiento

Para inferir el uso, tipo estructural y la planta baja débil se usaron fotografías de fachada, las cuales se toman de Google
Street-View en puntos de observación sobre la banqueta que está: Al centro de cada fachada, en las esquinas de cada
cuadra y desde una de las colindancias si la fachada es larga. Para definirlos se preparó un algoritmo que compara la
geometría del predio y la manzana para reconocer la posición de la, o las, fachadas asumiendo que el edificio ocupa
todo el predio. Consideramos que un lado del predio es una fachada a la calle si es casi paralelo con un lado de la
cuadra y si la distancia perpendicular entre el centro del lado del predio y la calle es pequeña. Se han discriminado los
predios con edificios de multifamiliares sin fachada a la calle, centros comerciales, estadios y hospitales grandes, los
cuales ameritan una inspección individual por lo atípico de su estructuración y su importancia.

Las fotografías de fachada se pre-procesaron para retirar las fotografías que no muestran una edificación y para recortar
el área en la fotografía donde se observa el edificio en el predio de interés. Se usaron métodos de visión computacional
pre-existentes (Google, 2019) para identificar elementos típicos en fachada, banqueta y los autos, de tal forma que es
posible discernir en qué parte de la fotografía están los edificios, si la fachada está demasiado ocluida por un auto o un
árbol, y finalmente se toma la relación de aspecto entre el edificio y el área fotografiada. En la Figura 3 se puede ver
un ejemplo de esto. Se obtienen fotografías recortadas para procurar mostrar predominantemente el edificio de interés
y un indicador numérico que refiere los procesamientos aplicados. Kubat (2015) ofrece una introducción a los métodos
de aprendizaje automático entre los cuales están aplicaciones de redes neuronales profundas aplicadas en la
clasificación de imágenes y la detección de objetos en una imagen, ambas usadas en esta investigación.
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

Figura 3. Planta de predios con puntos de observación de donde se toman fotografías de Google Street-View, en los
predios resaltados no fue posible fotografiar el edificio (izquierda). Fotografía original de uno de los predios (centro), y
fotografía recortada automáticamente en base a los objetos identificados con visión computacional (derecha).

Altura de edificios

La altura de los edificios o en su defecto el número de pisos es indicativo del periodo de vibrar de la estructura. Este
parámetro se obtiene de productos satelitales públicos de alta resolución de INEGI (datos de 2011), como la diferencia
entre las elevaciones de los modelos digitales de superficie y de terreno. Paralelamente se comparó con el modelo
digital de superficie de la agencia japonesa (datos de 2017) para identificar construcciones recientes. Los modelos de
terreno y superficie difieren en la banda de frecuencias del espectro electromagnético con la que fueron obtenidos, tal
que el modelo de terreno es receptivo sólo de la topografía y el modelo de superficie percibe los difractores
significativos (edificios y vegetación).

La malla de puntos de alturas se interpoló a 2m y se cruzó con la planta de cada predio para obtener la estadística de
las alturas medidas dentro de cada predio. Encontramos que el valor máximo es una buena medida de la altura del
edificio porque los modelos de elevación no detectan tinacos o apéndices en azotea a menos que los apéndices sean
suficientemente grandes como para considerarse parte integral de la estructura. Presentamos algunos resultados para
la Alcaldía Cuauhtémoc en la Figura 4.

´
Figura 4. Visualización de la nube de puntos del modelo digital de superficie (izquierda) y obtención de alturas a nivel
lote para la alcaldía Cuauhtémoc (derecha).

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

Tipo de uso

El tipo de uso y la superficie construida definen el grupo al que pertenece el edificio en referencia al Reglamento de
Construcciones. También es relevante para la estimación de la vulnerabilidad de elementos no estructurales (muros
divisorios, instalaciones y acabados) y los contenidos (muebles y equipos). El tipo de uso se reconoce en imágenes de
fachada usando un modelo de visión computacional entrenado en la base de datos Places2 (Zhou et al., 2016), que
contienen 365 categorías de usos interiores y exteriores, de las cuales se eligieron 150 relevantes para este el caso de
estudio las cuales se agruparon en cuatro tipos de uso de interés: a) Habitacional y hotel, b) Comercial, c) Oficina y d)
Salud.

La categoría comercial engloba los espacios semi-públicos y públicos para ventas, donde se esperan áreas abiertas sin
muros. Se han dejado fuera los tipos de uso de los centros de reunión, educación, industria y estructuras especiales.

Tipo estructural

Para poder realizar un estudio de riesgo sísmico, es necesario conocer los tipos constructivos que conforman las
edificaciones de la ciudad, ya que algunos tipos estructurales resultan ser mucho más vulnerables que otros. Los tipos
estructurales consisten en una amplia clasificación que está basada principalmente en el material de construcción y el
sistema estructural. Entre los tipos estructurales más comunes en la Ciudad de México se encuentran: mampostería
confinada, marcos de concreto, marcos de acero y columnas con losas planas.

El tipo de estructuración puede ser inferido a partir del número de niveles, uso y al año de la construcción, con base en
la experiencia de los principales sistemas usados en las construcciones de la Ciudad de México. El año de construcción
es un dato incluido en la información catastral. A continuación, en la Tabla 1, se muestran los criterios considerados
para la asignación del tipo estructural a partir de la información previa. Por supuesto, existen numerosos casos de
estructuración compuesta o nuevos sistemas constructivos no considerados en esta clasificación y que todavía
representan un porcentaje muy bajo de los edificios construidos.

Tabla 1. Criterio empírico para definir el tipo estructural en Ciudad de México

Niveles 1a4 5 a 10 11 a 15 16 a 20 Más de 21
Año de construcción <1981 >1980 <1981 >1980 <1981 >1980 <1981 >1980 <1981 >1980
Habitacional y Hotel LP MC
Comercial LP MC LP MC LP MC
Mampostería Marcos de
Oficinas
acero
Salud MC MC MC
LP: Columnas y losas planas
MC: Marcos de concreto reforzado

Golpeteo con edificios de distinta altura

El golpeteo de edificios ocurre cuando la separación entre colindancias no es provista o se pierde por efecto de
hundimientos diferenciales. El golpeteo es más dañino cuando las losas no coinciden y cuando los edificios tienen
distinta altura. Debido a obstrucciones en la línea de visión no es posible medir de manera confiable la separación entre
cuerpos de edificio mediante fotografías de la fachada, tampoco con imágenes de satélite de muy alta resolución
(cuadrícula de 30cm). Afortunadamente, la diferencia de alturas con edificios colindantes se puede medir y es una
condición necesaria para que el golpeteo, si ocurre, produzca daños. Señalamos la posibilidad de golpeteo solo si la
diferencia en alturas es mayor que lo equivalente a 2 niveles. La clasificación es consistente con los principales sistemas
de evaluación de riesgo:

• Con edificios de menor altura.

• Con edificios de igual o de mayor altura.
• Con edificios de menor y de mayor altura.
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

Predios de esquina

Una estructura localizada en esquina no es más vulnerable por el hecho mismo de que esta físicamente en una esquina,
sino que, dadas las características arquitectónicas y estructurales obligadas por esta localización dentro de una
manzana, la estructura puede presentar grandes excentricidades entre el centro de rigideces y el centro de masa,
provocando así, torsiones de entrepiso excesivas en toda la planta del edificio. En la Figura 5 se puede apreciar una
vista en planta de una configuración estructural con efecto de esquina. Se puede observar que dicha estructura posee
dos muros de colindancia (elementos rígidos) en dos de sus lados, los cuales generalmente están compuestos de muros
continuos en toda la altura del edificio y dos fachadas (elementos flexibles), las cuales generalmente pueden estar
compuestas por muros con varias aberturas, para ventanas y puertas, o pueden carecer de muros en su totalidad.

Figura 5. Configuración típica en planta de una estructura localizada en esquina (izquierda), y predios en esquina
identificados automáticamente (derecha).

El reconocimiento de predios en esquina se hizo automáticamente con un algoritmo basado en el usado para la
determinación de los puntos de observación en la fachada a partir de la posición de los predios dentro de la cuadra. La
clasificación es simple, se cuenta el número de fachadas a la calle y se revisa si el predio ocupa toda la cuadra. Para
evitar errores derivados de la sub-segmentación de los polígonos de predios y manzanas, se aplicaron simplificaciones
geométricas para reducir el número de vértices.

Irregularidad en planta

Existen formas irregulares que son muy usadas en la Ciudad de México, debido a condiciones arquitectónicas, las
cuales muchas veces tienen como finalidad maximizar el espacio y mejorar el nivel de servicio de la estructura; sin
embargo, la irregularidad geométrica de la planta es responsable de provocar torsión alrededor de un centro de rotación
distinto del centroide, y propicia que los modos de comportamiento de torsión tengan una participación mayor en la
respuesta. Los códigos de diseño modernos consideran la torsión en el análisis estructural, pero incluso los edificios
bien dimensionados incurren en mayores daños si la estructuración es deficiente.

Partiendo de la clasificación de regularidad del Reglamento de Construcciones, se propuso una sub-clasificación de la

irregularidad en planta en tres categorías, donde la proporción entre las dimensiones a y b es a = xb y los rangos de x
están en la Tabla 2.

Se desarrolló un modelo de red neuronal para la clasificación de la irregularidad en planta que es similar a los modelos
de reconocimiento de caracteres. El procedimiento fue el siguiente: Se hizo una muestra aleatoria de las clasificaciones
presentadas en la Tabla 2 para generar una base de datos sintética de miles de imágenes de predios individuales como
los mostrados en la Figura 6 y se registró la categoría de regularidad de cada uno (regular, irregular y muy irregular).

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

Tabla 2. Clasificación de irregularidad en planta en función de la proporción x

Regular Irregular Muy irregular

1.00 a 2.50 2.60 a 3.70 3.80 a 5.00

0.05 a 0.19 0.20 a 0.27 0.28 a 0.33

0.05 a 0.19 0.20 a 0.45 0.46 a 0.70

0.05 a 0.19 0.20 a 0.60 0.70 a 1.00

0.10 a 0.19 0.20 a 0.27 0.28 a 0.33

todos

El 70% de esta base de datos se usó para entrenar una red neuronal que clasifica la imagen en una de las tres categorías.
Durante el entrenamiento se cuidó no incurrir en sobreajuste, y finalmente se usó el 30% restante de la base de datos
sintética para evaluar el desempeño del modelo. Se obtuvo una tasa de éxito de más del 95%. Para la aplicación del
modelo, se desarrolló un algoritmo que toma la geometría del predio (puede ser la geometría de planta del edificio si
éste no cubre todo el predio o está segmentado en cuerpos independientes), aplica transformaciones para regularizar la
escala y la alineación del punto de vista, y genera una imagen equivalente a las usadas en la base de datos de
entrenamiento.

Figura 6. Ejemplo de imágenes generadas para entrenamiento y evaluación del modelo de irregularidad en planta.
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

Planta baja débil

La planta baja débil es un efecto que se genera por la ausencia de muros en la planta baja de una edificación en relación
con los pisos superiores de la misma. En la Figura 7 se presentan algunos ejemplos. También se puede manifestar
cuando la planta baja presenta una notable diferencia en altura con los pisos superiores. Esto provoca que exista una
diferencia importante de rigidez entre estos pisos, dejando como consecuencia que, ante acciones sísmicas, la planta
baja sea sometida a grandes demandas de desplazamientos.

Figura 7. Caso donde no hay cambio de estructuración (izquierda). Caso con algunos muros en planta baja (centro).
Caso sin muros en la planta baja (derecha).

La condición de planta baja débil suele deberse a que las plantas bajas estás destinadas a estacionamientos o comercios
y los niveles superiores son áreas privadas o semiprivadas con mayor densidad de muros. Ambas condiciones son
reconocibles desde la fachada, así que preparamos modelos de visión computacional entrenados en tres arreglos de
fotografías etiquetadas para indicar si la fachada mostrada incurre en planta baja débil, o no. Partiendo de la base de
datos de inspecciones de edificios (ERN, 2017) que cuenta con 16,641 fotografías etiquetadas de edificios
inspeccionados, se seleccionaron tres juegos de datos (BD1, BD2, BD3) cada uno subconjunto del anterior de acuerdo
a las siguientes reglas:

• BD1: Edificios con tipos de uso de interés (habitacional, hotel, comercial, oficina, salud), dos niveles o más,
y en condición de planta baja débil. Suman 5514 imágenes.

• BD2: La condición de BD1 y el tipo de uso del edificio es diferente entre la planta baja y los niveles superiores.
Suman 1172 imágenes.

• BD3: La condición de BD2 y el tipo de uso de la planta baja es de estacionamiento. Suman 453 imágenes.

En los tres casos, la base de datos se complementó con la misma cantidad de imágenes de edificios de los tipos de uso
de interés pero que no están en condición de planta baja débil. Las imágenes se recortaron manualmente y se escalaron
a 224 x 224 pixeles en una escala de color normalizada entre 0 y 1. Se aplicaron transformaciones aleatorias para
aumentar artificialmente la cantidad de datos: Rotación entre -10º y 10º, espejo en la vertical, recorte aleatorio en un
margen de 20 pixeles, ensanchar o comprimir la imagen 10px, variación del contraste y el brillo.

Con cada base de datos se entrenó un modelo de red neuronal convolucional construido sobre la arquitectura y pesos
del modelo VGG16 (Simonyan y Zisserman, 2014), al cual se añaden capas que respectivamente tienen 33'823,235;
7'329,986 y 7'414,530 parámetros entrenables. Considerando una función de pérdida ADAM se siguió el algoritmo
mostrado en la Figura 8.

Previo al entrenamiento, cada base de datos se separa en datos para el entrenamiento (70%) y datos para la validación
(30%). Para cada época de entrenamiento, se registra el valor de la precisión del modelo respecto a su predicción sobre
los datos de entrenamiento y validación, como se muestra en la Figura 9a, y el valor de la función de pérdida también
sobre los datos de entrenamiento y validación (ver Figura 9b). Se observa que la tendencia de la precisión es creciente,
pero los resultados para validación y entrenamiento divergen cuando la función de pérdida aumenta; esto significa que

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

se incurre en sobreajuste y es conveniente añadir más capas entrenables. Eventualmente, añadir más capas no mejora
las métricas del modelo y podemos asumir que se tiene el mejor modelo posible para los datos disponibles.

M mini-batches de datos

N épocas

Entrenamiento Si: Validación

n pasos en 70% de los datos n pasos en 30% de los datos

Si: guardar
¿Mejora Loss? ¿Mejora precisión?

Preparar
otro modelo
No: X No: X
hijo

Figura 8. Procedimiento general para el entrenamiento de una red neuronal. Donde mini-batch es un subconjunto de
datos de tamaño admisible para la PC usada, época es un ciclo completo sobre todos los datos de entrenamiento del
mini-batch. Loss es la función de pérdida y la precisión se obtiene sobre un conjunto de datos de validación. La X
señala que, si el modelo no mejora la métrica de la época anterior, entonces el modelo se descarta.

(a) Valores de la precisión (eje vertical) durante entrenamiento y validación para cada época (eje horizontal).

(b) Valores de la función de pérdida (vertical) en entrenamiento y validación para cada época (eje horizontal).

Figura 9. Métricas de precisión y pérdida para cada época del entrenamiento. La precisión se mide entre 0 y 1. La
pérdida no está acotada.
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

La precisión promedio de los tres modelos de visión computacional para identificación de la condición de planta baja
débil en fotografías de fachada es 77%, que consideramos aceptable respecto a la incertidumbre base de 87% y que el
modelo es conservador.

El modelo es conservador porque las bases de datos de entrenamiento se manipularon para sobre-representar los casos
positivos. Note que, en la base de datos original solo 1/3 de los edificios inspeccionados están en condición de planta
baja débil. El sobre-muestreo de casos positivos es para procurar minimizar los falsos negativos, es decir, para obtener
un modelo conservador. Un ensayo previo en el que no se sobre-representan los casos positivos obtuvo valores de la
precisión de 98% pero en casos de validación su desempeño era deficiente.

Como indicador binario único de la condición de planta baja débil, asumimos que basta con que uno de los tres modelos
reporte positivo para alguna de las fotografías del edificio.

EJEMPLO

Se evaluaron 23,000 predios en el sur de la Alcaldía Cuauhtémoc, se obtuvieron las alturas del edificio y las
condiciones de irregularidad de la planta, se definieron puntos de observación para solicitar fotografías de fachada a
Google Street-View y las fotografías se recortaron alrededor del edificio de interés. En seguida, se analizaron para
determinar el uso y la condición de planta baja débil. Todo lo anterior en procesos automáticos que permiten la revisión
de los resultados parciales. El tiempo de cálculo (incluida la descarga de imágenes) es aproximadamente 1 minuto por
predio en CPU1, en comparación con 5 minutos que le toma a un ingeniero inspeccionar vía Street-View.

Los resultados obtenidos con procesos automáticos tienen el propósito de focalizar la inspección de ingenieros a los
casos que el algoritmo identifique con posibles patologías estructurales, es decir, los métodos aquí propuestos son un
primer filtro en el proceso de levantamiento de los bienes expuestos y sus características.

El resultado es un mapa por patologías estructurales que permite focalizar la inspección manual por ingenieros. En la
Figura 10 vemos la comparación entre resultados de inspecciones (en color de fondo) y de visión computacional de
este trabajo (en achurado). Los predios en los que los colores de fondo y achurado coinciden corresponden a resultados
verdadero positivo (rojos) y verdadero negativo (verdes) y los casos en los que los colores no coinciden corresponden
a falso positivo (fondo verde, achurado rojo) y falso negativo (fondo rojo, achurado verde). Los recuadros grises
indican edificios que no se pudieron fotografiar exitosamente. Nos enfocamos en los edificios de 3 o más niveles.

Los resultados falsos negativos son el tipo de error de mayor relevancia, ya que, en el flujo de trabajo propuesto, los
casos falso negativos no serían revisados por ingenieros. Para minimizar el impacto de este tipo de error en la
evaluación de riesgo, y tomando de lo observado en el ejercicio de la Figura 1, se propone que siempre sean revisados
por ingenieros: 1) Los edificios de alto valor y 2) los edificios cuya altura sugiere de 3 a 20 niveles con uso identificado
como comercial. Aplicando las condiciones anteriores, consideramos que el modelo de visión computacional arroja
resultados satisfactorios.

El posible tipo de golpeteo con edificios colindantes se muestra en la Figura 11. Donde se ha considerado constante en
todo el predio la altura leída de los modelos de elevación de INEGI.

Los resultados para la irregularidad en planta, mostrados en la Figura 12, considerando que el edificio ocupa todo el
predio y que fuera un solo cuerpo. Note que en aplicaciones con edificios aislados se usará la planta (huella) de los
edificios tomada de un análisis fotogramétrico como le presentado en (Gómez et al., 2015). Finalmente, el ingeniero
encargado de la inspección revisará si los predios señalados como con posible irregularidad en planta, realmente
cumplen esta condición.

1
De contarse con un GPU, el tiempo invertido en los modelos de visión computacional se reduce.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

Figura 10. Comparación de la condición de planta baja débil identificada por un equipo de ingenieros
(Inspecciones) y el presente trabajo (Visión computacional). Los edificios con color de fondo claro tienen 1 o 2
niveles, y los de color fuerte tienen 3 o más. Los predios en gris no se revisaron.

Las bases de datos están implementadas en un Sistema de Información Geográfica (SIG) que ha permitido conocer la
ubicación exacta de las estructuras y realizar los análisis y estadísticas de daños. Alguna información que se puede
consultar es la ubicación geográfica, características físicas, estructurales, suelo, causas que influyeron en la
provocación de los daños y la situación actual (Figura 13).

Con esta base se podrán conocer los diferentes sistemas estructurales y características físicas por ejemplo el número
de niveles, año de construcción, ubicación en esquina, planta baja débil, irregularidades en planta y elevación,
ubicación en cuña, columna corta cambio de rigideces en elevación y apéndices los cuales serán determinantes para
estimar el comportamiento. Los autores están desarrollando métodos para estimar estas últimas PE.
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

Figura 11. Tipo del posible golpeteo con edificios colindantes (arriba) y alturas de edificio utilizadas (abajo).

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

XXII Congreso Nacional de Ingeniería Sísmica Monterrey, Nuevo León, 2019

Figura 12. Posible irregularidad en planta identificada con visión computacional.

Figura 13. Utilización del catastro del sur de la Alcaldía Cuauhtémoc para relacionar las bases de datos a nivel lote.
 DEL 20 AL 23 DE NOVIEMBRE DE 2019, MONTERREY, NUEVO LEÓN, CROWN PLAZA HOTEL

CONCLUSIONES

En este trabajo se proponen procesos automáticos de visión computacional y análisis de la geometría para agilizar el
levantamiento de características y patologías estructurales de un inventario extenso de inmuebles con fines de
evaluación del riesgo sísmico en la Ciudad de México. La información obtenida en este trabajo incluye: altura,
configuración de esquina, irregularidad en planta, uso, tipo estructural, diferencia de altura con vecinos (para evaluar
golpeteo), y planta baja débil.

En conjunto, los modelos y algoritmos presentados permiten identificar la gran mayoría de los edificios en condición
de planta baja débil con 3 o más niveles. Para edificios de 2 o menos niveles, la precisión del modelo es menor, pero
se producen pocos falsos negativos (el modelo es conservador). Los autores están desarrollando un pos-proceso basado
en segmentación semántica de la imagen de fachada, para reducir aún más los falsos positivos producidos por el modelo
ya presentado.

El modelo para clasificar la irregularidad en planta es confiable si el edificio ocupa toda la planta del predio y no
existen juntas constructivas. Actualmente se trabaja en un pos-proceso para buscar evidencia de juntas constructivas
en imágenes aéreas que muestren la azotea.

Los métodos desarrollados permiten refinar la descripción del inventario de edificios a nivel ciudad, y lograr una mejor
evaluación del riesgo sísmico.

REFERENCIAS

ERN (2017). Visualizador de daños ERN. Recurso en línea consultado en agosto de 2019 en
https://serv.ern.com.mx/VisualizadorERN

GFDRR. 2018. Machine Learning for Disaster Risk Management. Washington, DC: GFDRR.

Gómez, D., Torres, M. A., Reinoso, E. (2015). Realce geométrico en imágenes de muy alta resolución y extracción
de catastro a través de GEOBIA en áreas con alta densidad urbana. SELPER-XXI-México-UACJ-2015. Octubre 2015
Chihuahua, México.

Hossain, M., Chen, D. (2019). Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and
challenges from remote sensign perspective. ISPRS Journal of Photogrammetry and Remote Sensing 150, 115-134.

Kang, J., Körner, M., Wang, Y., Taubenböck, H., Xiang Zhu, X. (2018). Building instance classification using street
view images. ISPRS Journal of Photogrammetry and Remote Sensing 145, 44-59

Kubat, M. (2015). An introduction to machine learning. Editorial Springer.

Simonyan, K., Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. CoRR
abs/1409.1556

Zhou, B., Khosla, A. Lapedriza, A., Torralba, A., Oliva, A. (2016). Places: an image database for deep scene
understanding, arXiv/1610.02055

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.