O artigo investiga a vulnerabilidade sísmica de túneis com seção em formato de ferradura localizados próximos a falhas geológicas. Movimentos do solo nessa condição podem apresentar pulsos de velocidade de alta energia, capazes de aumentar significativamente a demanda sobre estruturas subterrâneas.
Os pesquisadores aplicam técnicas de ensemble learning para melhorar a avaliação de fragilidade e reduzir limitações de métodos tradicionais baseados apenas em análises dinâmicas incrementais com registros sísmicos escalados.
A abordagem busca preservar características espectrais associadas à distância da falha e oferecer estimativas mais robustas de probabilidade de dano. O trabalho conecta engenharia sísmica, infraestrutura subterrânea e aprendizado de máquina em um problema de segurança estrutural.
A pesquisa mostra como machine learning pode complementar modelos físicos em avaliações de risco. Para túneis e infraestrutura crítica, isso pode melhorar priorização de reforços e decisões de projeto em regiões sísmicas complexas.