Post-earthquake functional recovery and resilience of seismically isolated hospitals and large-scale building portfolios
Saved in:
| Title: | Post-earthquake functional recovery and resilience of seismically isolated hospitals and large-scale building portfolios |
|---|---|
| Authors: | Chavez Aguirre, Jean Piers Nicolas |
| Contributors: | University/Department: Universitat Politècnica de Catalunya. Departament d'Enginyeria Civil i Ambiental |
| Thesis Advisors: | López Almansa, Francisco, Murcia Delso, Juan |
| Source: | TDX (Tesis Doctorals en Xarxa) |
| Publisher Information: | Universitat Politècnica de Catalunya, 2025. |
| Publication Year: | 2025 |
| Physical Description: | 281 p. |
| Subject Terms: | Functional recovery, Earthquake engineering, Resilience, Artificial intelligence, Seismic isolation, Multi-objective optimization, Clustering, Probabilistic analysis, Machine learning, Hospital, Large-scale models, Àrees temàtiques de la UPC::Enginyeria civil, Àrees temàtiques de la UPC::Edificació, 624 - Enginyeria civil i de la construcció en general, 69 - Materials de construcció. Pràctiques i procediments de construcció |
| Description: | Tesi amb menció de Doctorat Internacional |
| Description (Translated): | (English) This dissertation presents a comprehensive contribution to assessing and optimizing the functional resilience of both individual hospital buildings and urban-scale building portfolios. The research addresses critical challenges in post-earthquake recovery by combining probabilistic methodologies, optimization algorithms, and machine learning techniques to evaluate and enhance the performance of hospital facilities, as well as assess large building portfolios with unprecedented computational efficiency. The first core contribution of this work lies in the development of a probabilistic framework for assessing the post-earthquake functionality of seismically isolated hospital buildings. Recognizing that traditional assessment methods and resilience metrics overlook complex interdependencies among non-structural components, medical equipment, and utilities, this study employs Bayesian Networks (BNs) to model such dependencies explicitly. The proposed framework quantifies the probabilistic damage of over 60 equipment and component types based on ground motion parameters, and propagates their impact through critical hospital departments. The framework allows for the direct computation of functionality indices using damage outputs. Building upon the proposed functionality loss model, the research also introduces a multiobjective optimization framework for hospital recovery planning using the NSGA-II genetic algorithm. The framework addresses the challenge of optimal labor allocation by minimizing both repair time and cost. It enables decision-makers to define the number of workers per repair group based on the importance of each component, which is classified according to its contribution to total functionality loss. The solution space is explored through a high-dimensional search of work effort allocations, and Pareto-optimal repair plans are obtained. The results indicate that excessive labor deployment yields diminishing returns in repair time while significantly increasing cost, with differences in repair time under design basis earthquake and maximum considered earthquake remaining below 13%. To address the scalability of resilience assessments at the urban scale, the dissertation proposes the Urban Cluster Earthquake Resilience (UCER) framework, which leverages unsupervised machine learning algorithms for regional seismic risk and resilience evaluation. Applied to a dataset of 23420 reinforced concrete and masonry buildings in a synthetic urban environment in Italy, the framework employs t-distributed stochastic neighbor embedding (t-SNE) for dimensionality reduction, HDBSCAN for density-based clustering, and K-Medoids for robust cluster representation. This process reduces the analysis complexity from thousands of buildings to 398 representative clusters. The results and findings of this dissertation highlight the benefits of integrated, data-driven approaches for assessing seismic resilience. By combining probabilistic interdependence modeling, artificial intelligence, and urban clustering, this research bridges the gap between detailed building-level assessments and large-scale regional resilience planning. Ultimately, the findings support the development of more resilient healthcare infrastructures and cities by enabling decision-makers to rely on scientifically grounded tools to prepare, respond, and recover effectively from seismic disasters. (Català) Aquesta tesi doctoral presenta una contribució integral a l'avaluació i l'optimització de la resiliència funcional tant d'edificis hospitalaris individuals com de carteres d'edificis a escala urbana. La investigació aborda els desafiaments crítics de la recuperació postsisme combinant metodologies probabilístiques, algorismes d'optimització i tècniques d'aprenentatge automàtic per avaluar i millorar el rendiment de les instal·lacions hospitalàries, així com per avaluar grans carteres d'edificis amb una eficiència computacional sense precedents. La contribució principal d'aquest treball rau en el desenvolupament d'un marc probabilístic per avaluar la funcionalitat postsisme d'edificis hospitalaris aïllats sísmicament. Reconeixent que els mètodes tradicionals d'avaluació i les mètriques de resiliència passen per alt les complexes interdependències entre components no estructurals, equips mèdics i serveis públics, aquest estudi fa servir Xarxes Bayesianes (RB) per modelar aquestes dependències explícitament. El marc proposat quantifica el dany probabilístic de més de 60 tipus d'equips i components basant-se en paràmetres de moviment del terreny i en propaga l'impacte a través de departaments hospitalaris crítics. El marc permet el càlcul directe díndexs de funcionalitat utilitzant els resultats dels danys. Basant-se en el model de pèrdua de funcionalitat proposat, la investigació també introdueix un marc d'optimització multiobjectiu per a la planificació de la recuperació hospitalària mitjançant l'algorisme genètic NSGA-II. Aquest marc aborda el repte de l‟assignació òptima de mà d‟obra minimitzant tant el temps com el cost de les reparacions. Permet als responsables de la presa de decisions definir el nombre de treballadors per grup de reparació en funció de la importància de cada component, que es classifica segons la contribució a la pèrdua total de funcionalitat. L'espai de solucions s'explora mitjançant una recerca d'alta dimensió de l'assignació de l'esforç de treball i s'obtenen plans de reparació òptims en el sentit de Pareto. Els resultats indiquen que una assignació excessiva de mà dobra produeix rendiments decreixents en el temps de reparació, alhora que augmenta significativament el cost, amb diferències en el temps de reparació sota el sisme base de disseny i el sisme màxim considerat que es mantenen per sota del 13%. Per abordar l'escalabilitat de les avaluacions de resiliència a escala urbana, la tesi proposa el marc de Resiliència Sísmica de Clústers Urbans (UCER), que aprofita algoritmes d'aprenentatge automàtic no supervisat per a l'avaluació regional del risc sísmic i la resiliència. Aplicat a un conjunt de dades de 23420 edificis de formigó armat i maçoneria en un entorn urbà sintètic a Itàlia, el marc empra la incrustació estocàstica de veïns amb distribució t (t-SNE) per a la reducció de la dimensionalitat, HDBSCAN per a l'agrupació basada en la densitat i K-Medoides per a una representació. Aquest procés redueix la complexitat de l‟anàlisi de milers d‟edificis a 398 clústers representatius. Els resultats i les troballes d'aquesta tesi doctoral destaquen els beneficis dels enfocaments integrats i basats en dades per avaluar la resiliència sísmica. Combinant el modelatge probabilístic d'interdependència, la intel·ligència artificial i l'agrupació urbana, aquesta investigació escurça la distància entre les avaluacions detallades a nivell d'edifici i la planificació regional de la resiliència a gran escala. En definitiva, les troballes donen suport al desenvolupament d'infraestructures sanitàries i ciutats més resilients, en permetre que els responsables de la presa de decisions utilitzin eines amb base científica per preparar-se, respondre i recuperar-se eficaçment davant de desastres sísmics. (Español) Esta tesis doctoral presenta una contribución integral a la evaluación y optimización de la resiliencia funcional tanto de edificios hospitalarios individuales como de carteras de edificios a escala urbana. La investigación aborda los desafíos críticos de la recuperación post-sismo combinando metodologías probabilísticas, algoritmos de optimización y técnicas de aprendizaje automático para evaluar y mejorar el rendimiento de las instalaciones hospitalarias, así como para evaluar grandes carteras de edificios con una eficiencia computacional sin precedentes. La principal contribución de este trabajo reside en el desarrollo de un marco probabilístico para evaluar la funcionalidad post-sismo de edificios hospitalarios aislados sísmicamente. Reconociendo que los métodos tradicionales de evaluación y las métricas de resiliencia pasan por alto las complejas interdependencias entre componentes no estructurales, equipos médicos y servicios públicos, este estudio emplea Redes Bayesianas (RB) para modelar dichas dependencias explícitamente. El marco propuesto cuantifica el daño probabilístico de más de 60 tipos de equipos y componentes basándose en parámetros de movimiento del terreno y propaga su impacto a través de departamentos hospitalarios críticos. El marco permite el cálculo directo de índices de funcionalidad utilizando los resultados de los daños. Basándose en el modelo de pérdida de funcionalidad propuesto, la investigación también introduce un marco de optimización multiobjetivo para la planificación de la recuperación hospitalaria mediante el algoritmo genético NSGA-II. Este marco aborda el reto de la asignación óptima de mano de obra minimizando tanto el tiempo como el coste de las reparaciones. Permite a los responsables de la toma de decisiones definir el número de trabajadores por grupo de reparación en función de la importancia de cada componente, que se clasifica según su contribución a la pérdida total de funcionalidad. El espacio de soluciones se explora mediante una búsqueda de alta dimensión de la asignación del esfuerzo de trabajo, obteniéndose planes de reparación óptimos en el sentido de Pareto. Los resultados indican que una asignación excesiva de mano de obra produce rendimientos decrecientes en el tiempo de reparación, a la vez que aumenta significativamente el coste, con diferencias en el tiempo de reparación bajo el sismo base de diseño y el sismo máximo considerado que se mantienen por debajo del 13%. Para abordar la escalabilidad de las evaluaciones de resiliencia a escala urbana, la tesis propone el marco de Resiliencia Sísmica de Clústeres Urbanos (UCER), que aprovecha algoritmos de aprendizaje automático no supervisado para la evaluación regional del riesgo sísmico y la resiliencia. Aplicado a un conjunto de datos de 23420 edificios de hormigón armado y mampostería en un entorno urbano sintético en Italia, el marco emplea la incrustación estocástica de vecinos con distribución t (t-SNE) para la reducción de la dimensionalidad, HDBSCAN para la agrupación basada en la densidad y K-Medoides para una representación robusta de los clústeres. Este proceso reduce la complejidad del análisis de miles de edificios a 398 clústeres representativos. Los resultados y hallazgos de esta tesis doctoral destacan los beneficios de los enfoques integrados y basados en datos para evaluar la resiliencia sísmica. Al combinar el modelado probabilístico de interdependencia, la inteligencia artificial y la agrupación urbana, esta investigación acorta la distancia entre las evaluaciones detalladas a nivel de edificio y la planificación regional de la resiliencia a gran escala. En definitiva, los hallazgos respaldan el desarrollo de infraestructuras sanitarias y ciudades más resilientes, al permitir que los responsables de la toma de decisiones utilicen herramientas con base científica para prepararse, responder y recuperarse eficazmente ante desastres sísmicos. DOCTORAT EN ENGINYERIA SÍSMICA I DINÀMICA ESTRUCTURAL (Pla 2012) |
| Document Type: | Dissertation/Thesis |
| File Description: | application/pdf |
| Language: | English |
| DOI: | 10.5821/dissertation-2117-444813 |
| Access URL: | http://hdl.handle.net/10803/695609 https://dx.doi.org/10.5821/dissertation-2117-444813 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc/4.0/ info:eu-repo/semantics/embargoedAccess |
| Accession Number: | edstdx.10803.695609 |
| Database: | TDX |
| Abstract: | Tesi amb menció de Doctorat Internacional |
|---|---|
| DOI: | 10.5821/dissertation-2117-444813 |