Recibido: 22/07/2026
Aceptado: 21/09/2026
https://revistas.unj.edu.pe/index.php/pakamuros
156
Volumen 14, Número 3, Julio - Setiembre, 2026, Páginas 156 al 170
DOI: https://doi.org/10.37787/5jdqbj35
ARTÍCULO DE REVISIÓN
Evaluación de la vulnerabilidad sísmica de edificaciones mediante métodos
experimentales, computacionales y teóricos: Una revisión sistemática
Evaluation of the seismic vulnerability of buildings using experimental, computational and
theoretical methods: A systematic review
Jean Diaz
1
*
, Segundo Cruz
2
, Doris Nuñez
3
y José Piedra
4
RESUMEN
La vulnerabilidad sísmica de las edificaciones es un factor crítico en la gestión del riesgo de desastres,
especialmente en zonas de alta sismicidad como la provincia de Jaén (Perú). Esta revisión sistemática
tuvo como objetivo determinar el nivel de vulnerabilidad (bajo, medio, alto) reportado por métodos
experimentales, computacionales y teóricos en 31 estudios publicados entre 2021 y 2026. Los métodos
experimentales reportaron vulnerabilidad muy alta en mampostería no reforzada, alta en hormigón
armado deficiente y muros de corte con falla fuera del plano. Los computacionales clasificaron
vulnerabilidad alta para edificios pre‑código (anteriores a 1985) y media para los de código moderno,
con precisiones superiores al 99% usando redes neuronales. Los teóricos cuantificaron PGA de colapso
entre 0.15g y 0.86g, con vulnerabilidad alta para puentes de pilas altas y mampostería no reforzada, y
media para hormigón armado bien diseñado. Los tres enfoques convergen en que edificaciones antiguas,
hormigón armado deficiente y mampostería no reforzada presentan vulnerabilidad media a alta. Se
concluye que la mayoría de las tipologías evaluadas tienen vulnerabilidad media‑alta, destacando la
mampostería no reforzada como la más crítica. Los métodos híbridos se perfilan como la vía más
prometedora para evaluaciones precisas y contextualizadas en Jaén.
Palabras clave: Evaluación de vulnerabilidad; mampostería; métodos experimentales; métodos
computacionales; métodos teóricos.
ABSTRACT
The seismic vulnerability of buildings is a critical factor in disaster risk management, especially in highly
seismic areas such as the province of Jaén (Peru). This systematic review aimed to determine the level
of vulnerability (low, medium, high) reported by experimental, computational, and theoretical methods
in 31 studies published between 2021 and 2026. Experimental methods reported very high vulnerability
in unreinforced masonry, high vulnerability in substandard reinforced concrete, and high vulnerability
in shear walls with out-of-plane failure. Computational methods classified vulnerability as high for pre-
code buildings (built before 1985) and medium for those built to modern codes, with accuracies
exceeding 99% using neural networks. Theoretical analyses quantified the peak ground acceleration
(PGA) at collapse between 0.15g and 0.86g, with high vulnerability for bridges with high piers and
unreinforced masonry, and medium vulnerability for well-designed reinforced concrete. The three
approaches agree that older buildings, substandard reinforced concrete, and unreinforced masonry
exhibit medium to high vulnerability. It is concluded that most of the building types evaluated have
medium-to-high vulnerability, with unreinforced masonry standing out as the most critical. Hybrid
methods are emerging as the most promising approach for accurate and context-specific assessments in
Jaén.
Keywords: vulnerability assessment; masonry; experimental methods; computational methods;
theoretical methods.
*
Autor para correspondencia
1
Universidad Nacional de Jaén, Perú.
Email: jean.diaz@est.unj.edu.pe, segundo.cruz@est.unj.edu.pe,
doris.nunez@est.unj.edu.pe, jpiedrat@unj.edu.pe
Evaluación de la vulnerabilidad sísmica de edificaciones
157
INTRODUCCIÓN
Los terremotos representan una de las amenazas naturales más devastadoras a nivel
global. El 6 de febrero de 2023, dos sismos de magnitud 7.8 y 7.5 sacudieron Turquía y Siria,
causando más de 50,000 muertes y pérdidas superiores a 100 mil millones de dólares (Akar et
al., 2024). Lo más alarmante fue el patrón de colapsos: edificios construidos bajo normativa
sísmica moderna colapsaron, mientras que algunas estructuras antiguas se mantuvieron en pie.
Este escenario evidencia que el riesgo sísmico no depende exclusivamente de la amenaza
natural, sino fundamentalmente de la vulnerabilidad del parque edificado, definida como la
propensión de una estructura a sufrir daños ante una solicitación sísmica (Rajkumari et al.,
2022).
La vulnerabilidad sísmica está determinada por múltiples factores: tipología estructural,
calidad de los materiales, antigüedad —y por tanto, el código sísmico bajo el cual fue
diseñada—, así como su estado de conservación (Skalomenos et al., 2025; Akar et al., 2024).
En regiones de alta sismicidad como el norte de Perú, donde la provincia de Jaén (Cajamarca)
se encuentra en zona de interacción de placas tectónicas, la evaluación precisa de esta
vulnerabilidad es una necesidad imperiosa para la gestión del riesgo de desastres y la
planificación urbana.
Para abordar esta tarea, la comunidad científica ha desarrollado tres grandes familias de
métodos. Los experimentales (ensayos in situ y laboratorio) proporcionan evidencia directa del
comportamiento real. Los computacionales (inteligencia artificial, redes neuronales, Random
Forest, XGBoost) permiten procesar grandes volúmenes de datos y generar predicciones a escala
urbana (Aloisio et al., 2024; Harirchian & Novelli, 2025). Los teóricos (modelos mecánicos,
curvas de fragilidad) cuantifican la probabilidad de daño ante diferentes solicitaciones sísmicas
(Chen et al., 2022; Liguori et al., 2023). Sin embargo, la heterogeneidad de estos enfoques
genera un desafío: cada método reporta la vulnerabilidad de manera diferente (cualitativa o
cuantitativamente), dificultando la comparación directa de resultados.
La literatura reciente ha reportado avances significativos. Akar et al. (2024) y Cheng et
al. (2023) documentaron experimentalmente el comportamiento de mampostería y muros de
corte. Aloisio et al. (2024) y Harirchian y Novelli (2025) aplicaron métodos computacionales
con precisiones >99%. Chen et al. (2022) y Skalomenos et al. (2025) desarrollaron modelos
teóricos y el simulador YouSimulator. A nivel nacional, Sulca Huamán y Delgadillo (2022) en
Diaz et al.
158
Ayacucho, Jahuin Bonifacio (2024) y Miura et al. (2023) en Lima han abordado la
vulnerabilidad, pero existen vacíos en el norte del país, como Jaén.
Esta revisión sistemática se justifica por la necesidad de sintetizar y comparar
críticamente los hallazgos de los tres enfoques. El alcance abarca publicaciones indexadas entre
2021 y 2026, con aplicación a casos reales o validación numérica/experimental, incluyendo
hormigón armado, mampostería, adobe y puentes. Las limitaciones incluyen el tamaño muestral
de 31 artículos y la heterogeneidad metodológica.
El objetivo fue responder: ¿qué nivel de vulnerabilidad sísmica (bajo, medio, alto)
reportan los métodos experimentales, computacionales y teóricos en los estudios publicados
entre 2021 y 2026? Adicionalmente, se buscó identificar convergencias, tendencias actuales y
fortalezas/limitaciones de cada método, con especial énfasis en la aplicabilidad a la provincia
de Jaén (Perú).
MATERIALES Y MÉTODOS
A) Diseño de la revisión
Se realizó una revisión sistemática cualitativa, permitiendo sintetizar la evidencia disponible
sobre vulnerabilidad sísmica mediante un análisis narrativo e interpretativo.
B) Estrategia de búsqueda
La búsqueda bibliográfica se realizó entre enero y marzo de 2026, considerando
publicaciones indexadas entre enero de 2021 y marzo de 2026 en Scopus, Web of Science,
Google Scholar y repositorios peruanos (ALICIA, Cybertesis).
C) Criterios de selección
Se incluyeron estudios que cumplían: (a) aplicación a casos reales o validación
numérica/experimental, (b) variedad tipológica (hormigón armado, mampostería, adobe,
puentes), (c) uso de al menos un método de evaluación (experimental, computacional o teórico),
(d) reporte explícito de vulnerabilidad (cualitativa o cuantitativa) y (e) publicados en inglés o
español. Se excluyeron estudios puramente teóricos sin validación, artículos de conferencia sin
arbitraje riguroso y publicaciones anteriores a 2021.
La selección se realizó en tres fases: (1) identificación de registros, (2) tamizado por
título/resumen, y (3) evaluación de texto completo. Cada fase fue realizada por dos autores
independientes, resolviendo discrepancias por consenso con un tercer autor.
D) Clasificación de los estudios
Los 31 estudios seleccionados se clasificaron en tres grupos:
Evaluación de la vulnerabilidad sísmica de edificaciones
159
Métodos experimentales: ensayos in situ (MASW, microtremores, refracción sísmica),
ensayos de laboratorio (carga cíclica) e inspecciones post-sismo.
Métodos computacionales: redes neuronales (ANN), Random Forest, XGBoost, LSTM, SVM,
k-NN, Naive Bayes, Decision Trees, Ensemble, Gaussian Process, CNNs, ConvCNP, SOM y
clustering.
Métodos teóricos: modelos mecánicos, curvas de fragilidad, superficies de fragilidad
vectoriales, funciones de vulnerabilidad y modelos híbridos (YouSimulator).
E) Extracción y estandarización de datos
De cada estudio se extrajo: tipo de edificación, método utilizado, país y nivel de
vulnerabilidad reportado. Para garantizar comparabilidad, se estandarizó la variable
"vulnerabilidad" mediante umbrales: PGA < 0.2g = baja; 0.2g ≤ PGA ≤ 0.5g = media; PGA >
0.5g = alta. Este proceso fue realizado por dos autores independientes.
F) Análisis de la información
Se empleó un enfoque de síntesis narrativa con cuatro etapas: (1) codificación inicial de
datos clave, (2) análisis temático por tipo de método y tipología estructural, (3) comparación
constante para identificar convergencias y divergencias, e (4) interpretación integradora de los
patrones identificados.
G) Síntesis de resultados
Los resultados se sintetizaron en una tabla única que permite comparar directamente el nivel
de vulnerabilidad obtenido por cada método, complementada con una figura de barras
RESULTADOS
La Tabla 1 presenta el nivel de vulnerabilidad reportado por cada uno de los 30 estudios,
ordenados por tipo de método.
Tabla 1
Nivel de vulnerabilidad sísmica reportado por 30 estudios (2021-2026), según tipo de método
N°
Autor
Tipología
estructural
Vulnerabilidad reportada
Métodos experimentales
1
Akar et al.
(2024)
Mampostería no
reforzada
Muy alta
HA con columnas
cortas/pisos
blandos
Alta
2
Cheng et al.
(2023
)
Muros de corte
HA
Alta
3
Wu et al.
(2023)
Uniones HA
autocentrantes
Baja
Diaz et al.
160
4
Díaz García &
Farfán Córdova
(2025)
Periodos vibración
suelo
Media-alta
5
Yadim et al.
(2026)
HA deficiente
(Turquía)
Alta
Métodos computacionales
6
Aloisio et al.
(2024)
HA pre-código
(Italia)
Alta
HA código
moderno (Italia)
Media
7
Ramírez
Eudave et al.
(2023)
Mampostería
histórica (México)
Media-alta
8
Harirchian &
Novelli (2025)
Mampostería no
ingenieril (646
muros, Malawi)
Alta
9
Ferranti et al.
(2024)
Variada
(mampostería,
HA, etc. -
L'Aquila, Italia)
Media-Alta
1
0
Bingjian et al.
(2025)
Pilas de HA
inclinadas
(puentes de
montaña)
Alta (incrementos de inclinación
≥1.2° generan transición abrupta
a estados vulnerables)
1
1
Jahuin
Bonifacio
(2024)
Pórticos CA
(Ayacucho, Perú)
Media
1
2
Shekhar et al.
(2024)
Pórticos HA baja
ductilidad (EE.
UU.)
Alta
1
3
Suhaiza Sauti
et al. (2021)
Mapeo
vulnerabilidad
(Irán)
Media-alta
1
4
Fornasari
(2024)
Mapas agitación
suelo (Italia)
Media
1
5
Mori et al.
(2022)
Mapas
movimiento suelo
(Italia)
Media
1
6
Doğan et al.
(2025)
Zonas urbanas (28
zonas, Izmir,
Turquía)
Alta (identificación de áreas de
alto riesgo para planificación
urbana y mitigación)
1
7
Muksin et al.
(2023)
Clasificación rocas
y suelo (Java)
Media-alta
1
8
Wang et al.
(2023)
Amplificación
suelo (Japón)
Media
1
9
Qadri & Malik
(2021)
Microzonificación
(Pakistán)
Media-alta
2
0
Zhang et al.
(2022)
Propiedades del
suelo
Media
Métodos teóricos
2
1
Skalomenos
et al. (2025)
HA pre-código
(Grecia, 96.3%)
Alta
2
2
Ferretti et al.
(2024)
HA (escolares
Italia)
Media
Mampostería
(escolares Italia)
Media-alta
Evaluación de la vulnerabilidad sísmica de edificaciones
161
2
3
Chen et al.
(2022)
Puentes HA pilas
altas
Alta (PGA 0.15-0.6g)
2
4
Liguori et al.
(2023)
Mampostería no
reforzada (Italia)
Alta
2
5
Sánchez
Calvillo et al.
(2025)
Adobe muros
gruesos (Ario de
Rosales)
Baja (PGA 0.86g)
Adobe tipología
común
Media-alta (PGA 0.4g)
2
6
Sulca Huaman
& Delgadillo
Ayala (2022)
Edificaciones
(Ayacucho, Perú)
Alta (61% daño fuerte/severo)
2
7
Durán Sánchez
& Durán
Sánchez (2024)
Municipal
(Ecuador)
Media
2
8
Rajkumari et al.
(2022)
Estructuras no
dúctiles
Alta
2
9
Marín Millán
(2024)
Pórticos HA
regulares (Bogotá)
Media
3
0
Miura et al.
(2023)
Factores de
amplificación de
sitio (Lima, Perú)
Media-alta
3
1
Ghaseminia
et al. (2025)
Muros
mampostería
reforzada
Media-alta
Nota: HA = hormigón armado; RM = mampostería reforzada; PGA = aceleración pico del suelo.
Análisis de convergencias y patrones
El análisis de la Tabla 1 permite extraer las siguientes conclusiones importantes:
Las edificaciones antiguas o pre-código presentan sistemáticamente vulnerabilidad alta,
con porcentajes que van del 61% en Ayacucho (Perú) al 96.3% en Grecia, confirmado por
métodos experimentales, computacionales y teóricos.
El hormigón armado deficiente reporta vulnerabilidad alta en todos los estudios,
mientras que el hormigón armado bien diseñado y de código moderno reporta vulnerabilidad
media, evidenciando que la calidad constructiva y el cumplimiento normativo son predictores
clave.
La mampostería no reforzada es consistentemente la tipología más vulnerable, con
reportes desde muy alta (experimental post-sismo) hasta media-alta (teórico), convergiendo en
la necesidad de intervención prioritaria.
Solo dos excepciones reportan vulnerabilidad baja: (a) uniones autocentrantes híbridas
(Wu et al., 2023), que demuestran que la innovación tecnológica puede mitigar el daño residual;
y (b) adobe con muros muy gruesos con PGA de colapso de 0.86g (Sánchez-Calvillo et al.,
2025), que desafía la noción de que las construcciones vernáculas son siempre vulnerables.
Diaz et al.
162
Los métodos computacionales alcanzan precisiones superiores al 99% y son los que
mejor diferencian entre edificios de código moderno y pre-código, posicionándose como
herramientas eficientes para diagnósticos a escala urbana.
Figura 1
Distribución de estudios según tipo de método y nivel de vulnerabilidad (n=31)
DISCUSIÓN
Los métodos experimentales reportaron vulnerabilidad muy alta para mampostería no
reforzada, documentando colapsos totales tras el terremoto de Turquía-Siria de magnitud 7.8 y
7.5 (Akar et al., 2024). Para hormigón armado deficiente con columnas cortas y pisos blandos
reportaron vulnerabilidad alta, con colapsos masivos (Akar et al., 2024). Cheng et al. (2023)
demostraron experimentalmente que la capacidad fuera del plano de muros de corte es solo 1/20-
1/15 de la capacidad en el plano, clasificando esta tipología como vulnerabilidad alta. Díaz
García y Farfán Córdova (2025) reportaron vulnerabilidad media-alta mediante ensayos de
MASW y microtremores, vinculada a los periodos de vibración del suelo. Yadim et al. (2026)
confirmaron vulnerabilidad alta para hormigón armado deficiente en Turquía. La única
excepción fue Wu et al. (2023), quien demostró vulnerabilidad baja mediante uniones híbridas
autocentrantes.
Los métodos computacionales alcanzaron precisiones superiores al 99% con redes
neuronales (Aloisio et al., 2024), clasificando edificios pre-código (anteriores a 1985) como
vulnerabilidad alta y de código moderno como media. Skalomenos et al. (2025) confirmaron
que el 96.3% de los edificios pre-código en Grecia son altamente vulnerables. Ramírez Eudave
et al. (2023) reportaron vulnerabilidad media-alta para mampostería histórica en México,
mientras que Harirchian y Novelli (2025) reportaron vulnerabilidad alta para mampostería no
0
1
2
3
4
5
6
7
Baja Media Media-alta Alta Muy alta
Distribución de estudios según tipo de método y nivel de
vulnerabilidad (n=31)
Experimentales Computacionales Teóricos
Evaluación de la vulnerabilidad sísmica de edificaciones
163
ingenieril en Malawi (646 muros evaluados). Ferranti et al. (2024), utilizando LSTM, XGBoost,
LightGBM, CatBoost, AdaBoost y ARIMA, reportaron vulnerabilidad media en zonas urbanas
de Italia. Doğan et al. (2025) aplicaron SVM, k-NN, Naive Bayes, DT y Ensemble en 28 zonas
urbanas de Izmir (Turquía), identificando áreas de alto riesgo para planificación urbana. Muksin
et al. (2023), mediante SOM y clustering, clasificaron rocas y suelos en Java con vulnerabilidad
media-alta. Mori et al. (2022) y Fornasari (2024) reportaron vulnerabilidad media en mapas de
movimiento de suelo en Italia utilizando Gaussian Process y CNNs respectivamente. Wang et
al. (2023) reportaron vulnerabilidad media para amplificación de suelo en Japón mediante RF y
XGBoost. Qadri y Malik (2021) reportaron vulnerabilidad media-alta en microzonificación de
Pakistán, y Zhang et al. (2022) reportaron vulnerabilidad media en propiedades del suelo.
Bingjian et al. (2025) clasificaron pilas de hormigón armado inclinadas en puentes como
vulnerabilidad media (en condiciones de servicio) y alta (ante daños). Jahuin Bonifacio (2024)
reportó vulnerabilidad media en un pabellón universitario de Ayacucho (Perú) con confiabilidad
del 82%.
Los métodos teóricos cuantificaron PGA de colapso entre 0.15g y 0.86g. Chen et al. (2022)
reportaron vulnerabilidad alta para puentes de pilas altas con PGA de colapso entre 0.15g y 0.6g,
y demostraron que ignorar las réplicas subestima la vulnerabilidad hasta en un 289%. Liguori
et al. (2023) reportaron vulnerabilidad alta para mampostería no reforzada en Cosenza (Italia)
mediante un enfoque mecánico. Skalomenos et al. (2025), mediante el modelo YouSimulator,
evaluaron 1,252 edificios y confirmaron vulnerabilidad alta para estructuras pre-código.
Sánchez-Calvillo et al. (2025) encontraron que el adobe con muros muy gruesos (Ario de
Rosales) alcanza PGA de colapso de 0.86g (vulnerabilidad baja), mientras que el adobe estándar
presenta PGA de 0.4g (vulnerabilidad media-alta). Ferretti et al. (2024) evaluaron 140 edificios
escolares italianos, reportando vulnerabilidad media-alta para mampostería y vulnerabilidad
media para hormigón armado bien diseñado. Marín Millán (2024) evaluó pórticos regulares de
hormigón armado en Bogotá y concluyó vulnerabilidad media. Durán Sánchez y Durán Sánchez
(2024) reportaron vulnerabilidad media para un edificio municipal en Ecuador. Ghaseminia et
al. (2025) reportaron vulnerabilidad media-alta para muros de mampostería reforzada con
espacios reducidos. Sulca Huamán y Delgadillo (2022) reportaron que el 61% de las
edificaciones en Ayacucho (Perú) sufriría daño fuerte o severo ante un sismo raro.
Al comparar los tres enfoques, existe una convergencia sólida: Los tres enfoques coinciden
en tres hallazgos principales: (1) las edificaciones antiguas o pre-código presentan
sistemáticamente vulnerabilidad alta, con porcentajes que van del 61% en Ayacucho al 96.3%
Diaz et al.
164
en Grecia; (2) el hormigón armado deficiente reporta vulnerabilidad alta, mientras que el bien
diseñado y de código moderno reporta vulnerabilidad media; (3) la mampostería no reforzada
es consistentemente la tipología más vulnerable, con reportes desde muy alta hasta media-alta.
Solo dos excepciones reportan vulnerabilidad baja: las uniones autocentrantes híbridas (Wu et
al., 2023) y el adobe con muros muy gruesos con PGA de colapso de 0.86g (Sánchez-Calvillo
et al., 2025). La tendencia actual apunta a metodologías híbridas como YouSimulator
(Skalomenos et al., 2025) y superficies de fragilidad vectoriales (Chen et al., 2022).
Los estudios que evaluaron hormigón armado deficiente vs. bien diseñado: Akar et al.
(2024), Cheng et al. (2023) y Yadim et al. (2026) coinciden en vulnerabilidad alta para hormigón
armado deficiente, con deficiencias como baja resistencia del concreto (50% de vigas <210
kg/cm²), columnas cortas y pisos blandos. En contraste, Aloisio et al. (2024), Ferretti et al.
(2024) y Marín Millán (2024) coinciden en vulnerabilidad media para hormigón armado bien
diseñado y de código moderno. Esta diferencia confirma que el año de construcción, la calidad
del concreto y el cumplimiento de códigos sísmicos son predictores clave.
En lo que respecta a mampostería no reforzada: Akar et al. (2024) reportaron vulnerabilidad
muy alta tras el terremoto de Turquía-Siria. Liguori et al. (2023), mediante enfoque mecánico
en Italia, reportaron vulnerabilidad alta. Ferretti et al. (2024) reportaron vulnerabilidad media-
alta en edificios escolares italianos. Sánchez-Calvillo et al. (2025) confirmaron vulnerabilidad
media-alta para adobe estándar. La convergencia entre tres métodos distintos (empírico post
sismo, mecánico teórico y metodología simplificada) y múltiples países (Turquía, Italia,
México, Perú) valida que la mampostería no reforzada es la tipología más vulnerable y requiere
intervención prioritaria.
En los estudios evaluados sobre edificios pre-código: Skalomenos et al. (2025) evaluaron
1,252 edificios en Grecia y encontraron que el 96.3% de los construidos antes de 1985 presentan
vulnerabilidad alta. Aloisio et al. (2024) clasificaron los pre-código italianos como
vulnerabilidad alta y los de código moderno como media. Shekhar et al. (2024) reportaron
vulnerabilidad alta para pórticos de baja ductilidad en EE.UU. Sulca Huamán y Delgadillo
(2022) reportaron que el 61% de las edificaciones en Ayacucho sufriría daño fuerte o severo
ante un sismo raro. Esta convergencia entre cuatro países (Grecia, Italia, EE.UU. y Perú) y
múltiples métodos confirma que la antigüedad es el predictor más universal de vulnerabilidad
sísmica alta.
También, hay excepciones notables: Solo dos casos reportan vulnerabilidad baja: (1)
uniones autocentrantes híbridas (Wu et al., 2023), que demostraron que es posible alcanzar baja
Evaluación de la vulnerabilidad sísmica de edificaciones
165
vulnerabilidad mediante tecnologías innovadoras que mitigan el daño residual; (2) adobe con
muros muy gruesos con PGA de colapso de 0.86g (Sánchez-Calvillo et al., 2025), que desafía
la noción de que las construcciones vernáculas son siempre vulnerables, demostrando que el
espesor de muros es más determinante que el material mismo.
Al comparar la totalidad de los 31 estudios analizados, existe una convergencia sólida en
tres hallazgos principales. Primero, las edificaciones antiguas o pre-código presentan
sistemáticamente vulnerabilidad alta, con porcentajes que van desde cifras significativas en
Ayacucho hasta el 96.3% en Grecia. Segundo, el hormigón armado deficiente reporta
vulnerabilidad alta en todos los estudios, mientras que el hormigón armado bien diseñado
reporta vulnerabilidad media. Tercero, la mampostería no reforzada es consistentemente la
tipología más vulnerable, con reportes que van desde muy alta hasta media-alta. Solo dos
excepciones reportan vulnerabilidad baja: las uniones autocentrantes híbridas (Wu et al., 2023)
y el adobe con muros muy gruesos (Sánchez-Calvillo et al., 2025).
CONCLUSIONES
Los métodos experimentales reportaron vulnerabilidad muy alta para mampostería no
reforzada (Akar et al., 2024), alta para hormigón armado deficiente y muros de corte con
deficiencia fuera del plano (Cheng et al., 2023; Akar et al., 2024), media-alta para edificios con
baja resistencia del concreto (Díaz García & Farfán Córdova, 2025) y baja solo para uniones
autocentrantes híbridas (Wu et al., 2023).
Los métodos computacionales reportaron vulnerabilidad alta para edificios pre-código
(anteriores a 1985) y vulnerabilidad media para edificios de código moderno, con precisiones
superiores al 99% usando redes neuronales (Aloisio et al., 2024). En Perú, reportaron
vulnerabilidad media en Jaén (confiabilidad 82%) y Ayacucho, y media-alta en Lima y Pasco.
Los métodos teóricos reportaron vulnerabilidad alta para puentes de pilas altas (PGA
colapso 0.15g-0.6g, Chen et al., 2022), mampostería no reforzada (Liguori et al., 2023) y
edificios pre-código (Skalomenos et al., 2025). Reportaron vulnerabilidad media para hormigón
armado bien diseñado (Ferretti et al., 2024; Marín Millán, 2024) y vulnerabilidad baja solo para
adobe con muros muy gruesos (PGA colapso 0.86g, Sánchez-Calvillo et al., 2025).
Existe convergencia entre los tres tipos de métodos en tres hallazgos principales: (a) las
edificaciones antiguas o pre-código presentan sistemáticamente vulnerabilidad alta, con
porcentajes del 61% en Ayacucho al 96.3% en Grecia; (b) el hormigón armado deficiente reporta
vulnerabilidad alta, mientras que el bien diseñado reporta vulnerabilidad media; (c) la
Diaz et al.
166
mampostería no reforzada es consistentemente la tipología más vulnerable, con reportes desde
muy alta hasta media-alta.
Se identificaron dos divergencias notables: (a) el adobe fue clasificado como
vulnerabilidad alta por unos (Sulca Huamán & Delgadillo, 2022) y baja por otros (Sánchez-
Calvillo et al., 2025), divergencia explicada por el espesor de muros; (b) los métodos
experimentales son los únicos que reportan vulnerabilidad muy alta, mientras que los
computacionales y teóricos tienden a reportar alta o media-alta, reflejando diferencias en la
sensibilidad y el nivel de detalle de cada enfoque.
Los métodos experimentales son los más confiables para casos específicos por
proporcionar datos reales, pero su limitación es la escasez, el alto costo y la dificultad de
extrapolación. Los métodos teóricos tienen confiabilidad media-alta, dependiendo de la
complejidad del modelo, con limitación en simplificaciones excesivas. Los métodos
computacionales tienen confiabilidad alta si se entrenan con buenos datos, pero su limitación es
la dependencia de la calidad de los datos de entrada y su naturaleza de "caja negra".
Combinación de métodos híbridos —donde la eficiencia de los métodos
computacionales se combina con la solidez física de los modelos teóricos y la validación
experimental— es la vía más prometedora para la provincia de Jaén (Perú), ubicada en zona de
alta sismicidad, tal como evidencian trabajos como YouSimulator (Skalomenos et al., 2025) y
las superficies de fragilidad vectoriales (Chen et al., 2022).
REFERENCIAS BIBLIOGRAFICAS
Akar, F., Işık, E., Avcil, F., Büyüksaraç, A., Arkan, E., & İzol, R. (2024). Geotechnical and
Structural Damages Caused by the 2023 Kahramanmaraş Earthquakes in Gölbaşı
(Adıyaman). Applied Sciences, 14(5), 2165. https://doi.org/10.3390/app14052165
Aloisio, A., Santis, Y. D., Irti, F., Pasca, D. P., Scimia, L., & Fragiacomo, M. (2024). Machine
learning predictions of code-based seismic vulnerability for reinforced concrete and
masonry buildings: Insights from a 300-building database. Engineering Structures,
301, 117295. https://doi.org/10.1016/j.engstruct.2023.117295
Bingjian, W., Tianyun, L., & Shizhi, C. (2025). Multilevel Seismic Damage Quantification for
Inclined RC Piers: Integrating Fiber‐Based Simulation and Machine Learning
Evaluación de la vulnerabilidad sísmica de edificaciones
167
Prediction. Advances in Civil Engineering, 2025(1), 5565794.
https://doi.org/10.1155/adce/5565794
Chen, X., Xiang, N., Guan, Z., & Li, J. (2022). Seismic vulnerability assessment of tall pier
bridges under mainshock-aftershock-like earthquake sequences using vector-valued
intensity measure. Engineering Structures, 253, 113732.
https://doi.org/10.1016/j.engstruct.2021.113732
Cheng, Y., He, H., Sun, H., & Cheng, S. (2023). Experimental study and mechanism analysis
of out-of-plane seismic performance of reinforced concrete shear walls. Journal of
Building Engineering, 80, 108058. https://doi.org/10.1016/j.jobe.2023.108058
Díaz García, G., & Farfán Córdova, M. (2025). Application of MASW, Microtremor, and
Seismic Refraction Tests for Buildings in Vulnerable Communities. Buildings, 15(7),
1079. https://doi.org/10.3390/buildings15071079
Doğan, A., Başeğmez, M., & Aydın, C. C. (2025). Assessment of the seismic vulnerability in
an urban area with the integration of machine learning methods and GIS. Natural
Hazards, 121(8), 9613-9652. https://doi.org/10.1007/s11069-025-07185-4
Durán Sánchez, F. A., & Durán Sánchez, C. A. (2024). Evaluación de vulnerabilidad sísmica
en edificio municipal de Shushufindi según normativa y parámetros oficiales: Seismic
vulnerability assessment of Shushufindi municipal building according to regulations
and official parameters.
LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades, 5(2). https://doi.org/10.56712/latam.v5i2.1976
Ferranti, G., Greco, A., Pluchino, A., Rapisarda, A., & Scibilia, A. (2024). Seismic
vulnerability assessment at an urban scale: A machine learning approach. Buildings,
14(2), 309. https://doi.org/10.3390/buildings14020309
Ferretti, F., Mazzotti, C., & Savoia, M. (2024). Seismic Vulnerability Assessment of Masonry
and RC Building Stocks: A Simplified Methodology. Buildings, 14(9), 2890.
https://doi.org/10.3390/buildings14092890
Diaz et al.
168
Fornasari, S. F. (2024). Development of machine learning approaches for real-time ground-
shaking maps reconstruction [Tesis de doctorado, Università degli Studi di Trieste].
ArTS - Archivio della ricerca di Trieste. https://hdl.handle.net/11368/3071820
Ghaseminia, S. M., Zahra, T., Eslamnia, H., Thamboo, J., Derakhshan, H., & Thambiratnam,
D. P. (2025). Development of seismic fragility functions for close-spaced reinforced
masonry shear walls. Journal of Building Engineering, 103, 112107.
https://doi.org/10.1016/j.jobe.2025.112107
Harirchian, E., & Novelli, V. I. (2025). Leveraging Transformer Models for Seismic Fragility
Assessment of Non-Engineered Masonry Structures in Malawi. Infrastructures,
10(11), 279.
https://doi.org/10.3390/infrastructures10110279
Jahuin Bonifacio, D. (2024). Estimación de la vulnerabilidad sísmica en un pabellón
universitario con sistema aporticado aplicando el método de redes neuronales
artificiales, Ayacucho 2024 [Tesis de maestría, Universidad Privada de Tacna].
Repositorio Institucional de la UPT.
https://hdl.handle.net/20.500.12969/3972
Liguori, F. S., Fiore, S., Perelli, F. L., De Gregorio, D., Zuccaro, G., & Madeo, A. (2023). A
mechanical-based seismic vulnerability assessment method with an application to
masonry structures in Cosenza (Italy). Bulletin of Earthquake Engineering, 21(12),
5655-5681. https://doi.org/10.1007/s10518-023-01752-5
Marín Millán, H. R. (2024). Análisis de vulnerabilidad sísmica de edificaciones residenciales
de pórticos regulares, construidas en zonas de piedemonte en la ciudad de Bogotá de
acuerdo con la NSR-10 [Tesis de maestría, Universidad Nacional de Ingeniería,
Managua, Nicaragua]. Repositorio Institucional de la Universidad Nacional de
Ingeniería.
http://ribuni.uni.edu.ni/id/eprint/6537
Miura, H., Gonzales, C., Diaz, M., Estrada, M., Lazares, F., Aguilar, Z., Pan, D., & Matsuoka,
M. (2023).
Assessment of Site Amplification Factors in Southern Lima, Peru Based on
Microtremor H/V Spectral Ratios and Deep Neural Network. Journal of Disaster
Research, 18(4), 298-307. https://doi.org/10.20965/jdr.2023.p0298
Mori, F., Mendicelli, A., Falcone, G., Acunzo, G., Spacagna, R. L., Naso, G., & Moscatelli,
M. (2022). Ground motion prediction maps using seismic-microzonation data and
Evaluación de la vulnerabilidad sísmica de edificaciones
169
machine learning. Natural Hazards and Earth System Sciences, 22(3), 947-966.
https://doi.org/10.5194/nhess-22-947-2022
Muksin, U., Riana, E., Rudiyanto, A., Bauer, K., Simanjuntak, A. V. H., & Weber, M. (2023).
Neural network based classification of rock properties and seismic vulnerability.
Global Journal of Environmental Science and Management, 9(1).
https://doi.org/10.22034/gjesm.2023.01.02
Qadri, S. M. T., & Malik, O. A. (2021). Establishing site response-based micro-zonation by
applying machine learning techniques on ambient noise data: A case study from
Northern Potwar Region, Pakistan. Environmental Earth Sciences, 80(2), 53.
https://doi.org/10.1007/s12665-020-09322-7
Rajkumari, S., Thakkar, K., & Goyal, H. (2022). Fragility analysis of structures subjected to
seismic excitation: A state-of-the-art review.
Structures, 40, 303-316.
https://doi.org/10.1016/j.istruc.2022.04.023
Ramírez Eudave, R., Rodrigues, D., Ferreira, T. M., & Vicente, R. (2023). Implementing
Open-Source Information Systems for Assessing and Managing the Seismic
Vulnerability of Historical Constructions. Buildings, 13(2), 540.
https://doi.org/10.3390/buildings13020540
Sánchez Calvillo, A., Ortega Heras, J., & Alonso Guzman, E. M. (2025). Seismic
Vulnerability Assessment of Mexican Vernacular Adobe Buildings: Application and
Comparison of Different Methods. International Journal of Architectural Heritage,
19(11), 2897-2918. https://doi.org/10.1080/15583058.2025.2471407
Shekhar, S., Freddi, F., Ghosh, J., Lad, D., & Chelapramkandy, R. (2024). Corrosion-induced
failure mode alterations and implications on seismic fragility of RC frames. 24(3),
947-966. https://discovery.ucl.ac.uk/id/eprint/10195579
Skalomenos, K., Chen, D., Lin, X., & Morfidis, K. (2025). Physics-based seismic vulnerability
assessment of aging building stocks at city scale. Bulletin of Earthquake Engineering,
23(11), 4391-4428. https://doi.org/10.1007/s10518-025-02210-0
Diaz et al.
170
Suhaiza Sauti, N., Effendi Daud, M., Kaamin, M., & Sahat, S. (2021). GIS spatial modelling
for seismic risk assessment based on exposure, resilience, and capacity indicators to
seismic hazard: A case study of Pahang, Malaysia. Geomatics, Natural Hazards and
Risk, 12(1), 1948-1972. https://doi.org/10.1080/19475705.2021.1947903
Sulca Huaman, J., & Delgadillo Ayala, R. M. (2022). Evaluación del riesgo sísmico de
edificaciones mediante funciones de vulnerabilidad en la ciudad de Ayacucho – Perú.
TECNIA, 32(2), 21-35. https://doi.org/10.21754/tecnia.v32i2.1377
Wang, X., Wang, Z., Wang, J., Miao, P., Dang, H., & Li, Z. (2023). Machine learning based
ground motion site amplification prediction. Frontiers in Earth Science, 11, 1053085.
https://doi.org/10.3389/feart.2023.1053085
Wu, Z., Lu, X., Li, L., Bao, H., Lu, Z., & Yu, K. (2023). Seismic performance of full-scale
self-centering reinforced concrete beam-column joints: Experimental, numerical and
theoretical analysis. Journal of Building Engineering, 78, 107683.
https://doi.org/10.1016/j.jobe.2023.107683
Yadim, Y., Yılmaz, S., Kaplan, H., Corradi, M., & Castori, G. (2026). Seismic vulnerability of
deficient RC buildings: Insights from the February 6, 2023, turkey earthquake.
Procedia Structural Integrity, 78, 1895-1902.
https://doi.org/10.1016/j.prostr.2025.12.241
Zhang, P., Yin, Z.-Y., & Jin, Y.-F. (2022). Machine Learning-Based Modelling of Soil
Properties for Geotechnical Design: Review, Tool Development and Comparison.
Archives of Computational Methods in Engineering, 29(2), 1229-1245.
https://doi.org/10.1007/s11831-021-09615-5