En un hito que podría transformar la forma en que Chile enfrenta su constante amenaza sísmica, el proyecto Fondef "Detección y caracterización automáticas de eventos sísmicos con machine learning integradas al entorno operacional del monitoreo nacional sismológico" IT23I0036, dirigido por el profesor Néstor Becerra Yoma del Departamento de Ingeniería Civil Eléctrica (DIE) de la Facultad de Ciencias Físicas y Matemáticas (FCFM) de la Universidad de Chile, llegó a su culminación con resultados muy prometedores. Esta iniciativa, financiada por el Fondo de Fomento al Desarrollo Científico y Tecnológico (FONDEF), investigó y desarrolló dos sistemas innovadores basados en machine learning, que pueden integrarse al entorno operacional del Centro Sismológico Nacional (CSN), alcanzando un nivel de madurez tecnológica TRL 7 (Demostración de sistema o prototipo completo demostrado en entorno operacional), lo que se tradujo en dos prototipos en condiciones reales.
La investigación podría ayudar a proteger a la población de desastres
Chile, uno de los países más sísmicos del mundo debido a la subducción de la placa de Nazca bajo la placa Sudamericana, tiene en su bitácora eventos catastróficos como el terremoto de 1960 (M9.5), conocido como el de Valdivia, que se extendió desde la Península de Arauco hasta la Península de Taitao, y el ocurrido en la región del Maule en 2010, de magnitud 8.8, considerado el segundo sismo más fuerte en la historia del país y el octavo más intenso registrado a nivel mundial, desde que existen registros instrumentales.
En la actualidad, la red del Centro Sismológico Nacional (CSN) cuenta con alrededor de 110 estaciones multiparamétricas, 120 dispositivos del Sistema Global de Navegación Satelital (GNSS) y 296 instrumentos de movimiento fuerte, lo que genera una avalancha de datos que supera la capacidad humana para efectuar análisis complejos. Aquí es donde entra la IA, que podría ser un verdadero aporte para la sociedad chilena y para el CSN: "Esta tecnología no solo automatiza procesos complejos, sino que puede salvar vidas al ganar minutos cruciales en alertas tempranas", explicó el profesor Becerra durante el evento de cierre.
El epicentro de la investigación
El primer sistema se enfoca en la detección y caracterización automática de sismos menores a M3, eventos locales que el CSN no puede monitorear exhaustivamente por limitaciones de recursos humanos. Utilizando módulos de deep learning para detectar y segmentar señales sísmicas, estimar magnitudes y la distancia entre hipocentro y estación, este prototipo procesa trazas históricas de modo offline con una precisión superior al 90 %. En pruebas con una traza continua de 24 horas en una estación ubicada a unos 77 km al norte-noroeste de La Serena, se detectaron 173 eventos, incluyendo 62 catalogados y 101 no catalogados, con una precisión del 94 %. Sus aplicaciones van desde la identificación de fallas activas hasta el refinamiento de estándares de construcción civil, fortaleciendo la resiliencia nacional ante posibles desastres.
El segundo sistema, diseñado para sismos mayores a magnitud 5, representa un "centro sismológico en miniatura" que opera en un solo computador. Este sistema puede monitorear en línea todas las estaciones sismológicas activas del CSN, detectar la ocurrencia de un sismo y determinar las primeras estaciones que lo observaron. Enseguida, estima la magnitud con una única estación (la primera que lo detecta) y el epicentro con las tres primeras estaciones, para lo que requiere estimaciones de las distancias entre hipocentro y estación, los ángulos de incidencia y que las estaciones no sean colineales. Si lo son, utilizará información de otras estaciones. De este modo, se reduce el tiempo de respuesta y la incertidumbre para la población. El sistema demostró un error de un 4 % en la estimación de magnitud con una sola estación para sismos mayores a magnitud 4, similar al que obtiene el CSN a los cinco primeros minutos con entre cinco y diez estaciones mediante métodos tradicionales, y un error de 11,6 km en la distancia entre hipocentro y estación. "Imaginemos alertas de tsunamis emitidas en tiempo real, protegiendo costas y comunidades", destacó Becerra.
La historia de los inventos que han logrado validarse
Los dos sistemas fueron probados con datos reales de terremotos ocurridos entre 2010 y 2025. Utilizan métodos automáticos que combinan el conocimiento de expertos en sismos con técnicas de deep learning y procesamiento de señales para filtrar ruidos y analizar las señales sísmicas. El proyecto cubre distintos tipos de terremotos, como los que ocurren entre placas (potencialmente generadores de tsunamis), al interior de una placa o en la corteza superficial. Además, sus desarrollos pueden aplicarse a otros problemas en distintos campos de la ciencia y la ingeniería.
En el evento participaron e intervinieron Gloria Millaray Curilem, académica del Departamento de Ingeniería Eléctrica de la Universidad de La Frontera y partner del proyecto; Sergio Barrientos, director del CSN; Lorits Hernández, subdirector de desarrollo estratégico de SENAPRED; Matías Sifón, jefe del Departamento de Oceanografía del SHOA; y Viviana Meruane, directora académica de la FCFM.
¿Qué se proyecta para el futuro?
Tras la finalización del proyecto Fondef, el CSN iniciará pruebas exhaustivas que podrían extenderse por meses o incluso un año. "El paso siguiente es validar esta innovación en el campo operacional, por lo que se requiere seguir un proceso exhaustivo de evaluación de su desempeño", proyectó el director del CSN. Este avance no solo eleva la preparación de Chile ante terremotos, sino que posiciona al país como líder en IA aplicada a la geofísica desde el Departamento de Ingeniería Eléctrica de la FCFM.