Científicos han desarrollado una técnica matemática que acelera las simulaciones sísmicas en un factor de 1.000, facilitando el mapeo de capas subterráneas y la evaluación de riesgos sísmicos. Liderado por Kathrin Smetana del Stevens Institute of Technology, el enfoque utiliza reducción del orden del modelo para manejar cálculos complejos de manera más eficiente. Aunque no permite la predicción de terremotos, podría mejorar la preparación en áreas vulnerables.
Los terremotos golpean con frecuencia, ya que el Servicio Geológico de Estados Unidos estima alrededor de 55 ocurrencias diarias en todo el mundo, totalizando unas 20.000 al año. Eventos de magnitud 7 o superior ocurren aproximadamente 15 veces al año, y uno alcanza magnitud 8 o superior. En 2025, un terremoto de magnitud 7.0 azotó Alaska el 6 de diciembre, mientras que un evento de magnitud 8.8 frente a la costa cerca de la península de Kamchatka en Rusia se encuentra entre los más fuertes jamás registrados. Estos desastres causan daños significativos, costando a Estados Unidos unos 14.700 millones de dólares anuales, según un informe de 2023 del USGS y la Agencia Federal de Gestión de Emergencias. La urbanización en zonas sísmicas agrava el costo financiero y humano. Aunque la predicción sigue siendo imposible, comprender las estructuras subsuperficiales puede mejorar la evaluación de riesgos. Los investigadores utilizan inversión de forma de onda completa para imagenar capas subterráneas, simulando ondas sísmicas y comparándolas con datos reales de sismogramas. Kathrin Smetana, profesora asistente en ciencias matemáticas en el Stevens Institute of Technology, señala que materiales como roca sólida, arena o arcilla afectan la propagación de ondas de manera diferente. «Puede haber capas de roca sólida, o puede haber arena o arcilla», explica. Las simulaciones tradicionales, que involucran millones de variables y se repiten miles de veces, pueden tomar horas en computadoras potentes, limitando su uso práctico. Para abordar esto, Smetana colaboró con Rhys Hawkins y Jeannot Trampert de la Universidad de Utrecht, y Matthias Schlottbom y Muhammad Hamza Khalid de la Universidad de Twente. Su método reduce el tamaño del sistema unas 1.000 veces manteniendo la precisión. «Esencialmente reducimos el tamaño del sistema que necesita resolverse unas 1.000 veces», dice Smetana. Detallado en el artículo «Model Order Reduction for Seismic Applications» publicado en SIAM Journal on Scientific Computing (2025, volumen 47, número 5), la técnica ayuda a crear modelos subsuperficiales detallados para una mejor evaluación de riesgos. También podría respaldar simulaciones de tsunamis, proporcionando tiempo para respuestas de emergencia. «No hay forma de predecir terremotos en este momento», enfatiza Smetana, «pero nuestro trabajo puede ayudar a generar una visión realista del subsuelo con menos potencia computacional, lo que haría nuestros modelos más prácticos y nos ayudaría a ser más resistentes a los terremotos».