Ãrbol de regresiÃ³n para determinar el potencial de licuaciÃ³n: ARELI

More documents

Recommendations

Info

Con base en los resultados de esta investigación, seconcluye que ARELI es una atractiva alternativa paradescribir el fenómeno de licuación a pesar de lasobservaciones limitadas, el conocimiento parcial de lascondiciones geotécnicas y sísmicas, así como delrazonamiento ambiguo con el que se infiere el universode comportamientos de los suelos.2 REVISIÓN DE LAS FORMULACIONES PARAEVALUAR EL POTENCIAL DE LICUACIÓNLas variables con las que se expresa el potencial delicuación son 1) la demanda cíclica que afecta a unestrato de suelo, expresada en términos de la relación deesfuerzo cíclico CSR (por sus siglas en inglés cyclicstress ratio) y 2) la capacidad del suelo para resistir lalicuación, expresada en términos de la relación deresistencia cíclica CRR (por sus siglas en inglés cyclicresistance ratio). El procedimiento original de Seed eIdriss (1971), para calcular el CSR, permanece como laguía básica para expresar la demanda sísmica. En loque respecta al CRR, a pesar del gran número derefinamientos en los componentes del marco analítico,los mayores progresos se han generado en laestandarización e interpretación de las pruebas índice insitu (prueba de penetración estándar SPT, prueba depenetración del cono eléctrico CPT y medición develocidades de ondas de corte Vs) y el almacenamientoy manejo de las bases de datos de casos históricos.Las actualizaciones más recientes de losprocedimientos semi-empíricos, en la evaluación delpotencial de licuación, se dirigen hacia la inclusión deexpresiones numéricas que minimicen la variación entrelos patrones numéricos y permitan su estudio conherramientas básicas. Dichas expresiones pre-procesanuna variable a la vez y no mejoran la interpretación físicageneral; tratan de modificar el valor numérico de unparámetro pero no están integradas con el marco decomportamiento general y por ende, no lo alteran. Entrelos ajustes más destacados se encuentran:a) Coeficiente de reducción de esfuerzos,b) Factor de escala de magnitud,c) Factor de corrección por sobre-esfuerzo cíclico,d) Factor de corrección por sobre estimación de laresistencia a la penetración,Los cambios en la expresión de estos coeficientesestán basados en la re-evaluación de casos históricos yla re-interpretación de pruebas y correlacionesmejoradas (SPT, CPT y Vs → propiedades índice/clasificación de materiales) y algunas veces, en losavances computacionales disponibles.2.1 Procedimientos Semi-empíricos: aspectosbásicosEn el procedimiento de Seed e Idriss (1971) se define alCSR en función de los esfuerzos vertical total yefectivo (a una profundidad Z) y la aceleraciónmáxima horizontal en la superficie del terreno (eng’s). El coeficiente de reducción de esfuerzo se integraa esta formulación para tomar en cuenta la flexibilidadde la columna de suelo ( , corresponde alcomportamiento de cuerpo rígido). Además, uncoeficiente (0.65) es incluido para convertir la relación deesfuerzo cortante cíclico máximo al nivel de esfuerzoscorrespondiente al número de ciclos equivalentes a laexcitación sísmica particular. Los valores de CSR asícalculados pertenecen al esfuerzo cortante uniformeequivalente inducido por un sismo de magnitud M. ParaSeed e Idriss (1971) decrece con la profundidad y esindependiente de la configuración del perfil de suelo.Debido a que la incertidumbre en el valor de seincrementa con la profundidad, Idriss, (1999) en unaextensión del trabajo de Golesorkhi (1989), desarrollóvarios cientos de análisis paramétricos de respuesta desitio y concluyó que para las condiciones de mayorinterés práctico, el parámetro podía ser expresadocomo una función de Z y M, aceptando que los esfuerzosde corte inducidos en cualquier punto del depósito desuelo se deben primordialmente a la propagación verticalde ondas de corte y pueden ser obtenidos a través delmovimiento del terreno (intensidad y contenido defrecuencia), el perfil de velocidades de ondas de corte ylas propiedades dinámicas de los suelos.El permite ajustar el CSR inducido durante unsismo de magnitud M a uno equivalente al generadodurante un sismo de M=7.5. El es unarepresentación aproximada de los efectos de la duraciónde la sacudida o el número equivalente de ciclos deesfuerzo y sus valores se derivan de 1) correlacionesentre el número de ciclos uniformes equivalentes y lamagnitud sísmica, y 2) pruebas de laboratorio donde serelacione el esfuerzo cíclico requerido para causarlicuación y el número de ciclos de esfuerzo uniformes. Apesar de los intentos por depurar este parámetro, laincorporación de éste en la secuencia de cálculo siguesiendo una de las etapas más complejas e inciertas delos procedimientos semi-empíricos (Idriss y Boulanger,2004).Uno de los ajustes para tomar en cuenta el efecto dela densidad relativa y los esfuerzos de confinamientoefectivos sobre el nivel de resistencia de los suelos es elfactor de corrección . Su estimación impacta demanera importante el valor del CSR y dada lacomplejidad y dimensión de su universo, existe un grannúmero de alternativas de cálculo (Boulanger, 2003b yBoulanger e Idriss, (2004, 2003). Los métodos deanálisis actuales están diseñados para trabajar con losresultados de una prueba in situ. Se elige la querepresente ventajas para los intereses del analista (comoposibilidad de recuperación de muestras, por ejemplo) ola mejor estandarizada (Boulanger et al. 1995, 1997). Apesar de que las conclusiones prácticas de estosestudios apuntan hacia la conveniencia de acoplar losperfiles de varias pruebas in situ para identificar y
caracterizar de mejor manera los estratospotencialmente licuables, sobre todo los de espesorreducido no existe un marco de análisis que permitatomar en cuenta esta recomendación (Moss, 2003). Eluso del número de golpes N de la prueba SPT, de laresistencia a la penetración del cono qc de la pruebaCPT y el perfil de valores de velocidad de ondas de corteVs como índices para caracterizar la licuación de lossuelos, ha mostrado que su efectividad se incrementaconforme las pruebas y su interpretación se mejoran.Usando las ventajas de cada prueba (recuperación demuestras o perfiles continuos de resistencia y velocidad,por ejemplo) se puede minimizar el error en laidentificación de los contactos entre suelos con grandesdiferencias de resistencias y los suelos interestratificadosmuy finamente (Boulanger, 1999; Andrus y Stokoe 2000;Andrus et al. 2003).3 CÓMPUTO COGNITIVO: REDES NEURONALES,LÓGICA DIFUSA Y ÁRBOLES DE DECISIÓNEn el horizonte de los descubrimientos relacionados conla informática surgen no sólo ideas nuevas para mejorarlas técnicas existentes, sino también paradigmasradicalmente diferentes de los actuales procedimientos.Uno de ellos, actualmente aplicado en casi todas lasramas de la ciencia, es el Cómputo Cognitivo CC. Enlugar de sostenerse únicamente en las habilidades delmodelador, un programa de CC aprende de suexperiencia por generalización y abstracción,adquiriendo la facultad de razonamiento y aprendizaje enun ambiente incompleto, incierto, impreciso y con verdadparcial, aspectos propios de la realidad. El CC, capaz demodelar y controlar una gran variedad de sistemas, seconstituye como una herramienta efectiva en problemasde toma de decisiones, control, clasificación ycompresión, reconocimiento y predicción.En el CC se combinan diferentes técnicas de laInteligencia Artificial como la Lógica Difusa LD, lasRedes Neuronales RNs, la Minería de Datos MD, losAlgoritmos Genéticos AGs y el RazonamientoProbabilístico; esta última comprende AlgoritmosEvolutivos, Sistemas Caóticos, Redes de Opinión y,parcialmente, Teoría del Aprendizaje (Zadeh, 1997,Bonissone, 1997). Conviene aclarar que el CC no es unamezcla de ingredientes sino una disciplina en la quecada componente contribuye con una metodologíaespecífica para manejar problemas en su dominio deaplicación que, de otra forma, se tornarían irresolubles.En este apartado se enuncian algunos aspectos básicosde las herramientas del CC usados en estainvestigación, para el lector interesado en profundizarsobre cada una de ellas y su aplicación en la IngenieríaGeotécnica se recomienda la revisión de García (2008).La LD, en su más popular concepción, se liga a loscálculos numéricos basados en reglas difusas que tienenel propósito de modelar una función numérica paradescribir sistemas de ingeniería (Mendel, 1995). Sinembargo, en la literatura orientada hacia lasmatemáticas modernas, se le califica como una lógicamulti-valuada cuyo propósito es modelar valores deverdad parcial e incertidumbres (Hajek, 1995). Eldesarrollo de la LD está ligado con la investigación en IA(Inteligencia Artificial) pero sobre todo con los análisis desistemas de ingeniería, por lo que las aplicaciones aproblemas reales tratan en las primeras etapas de sudesarrollo con la representación del conocimiento y unavez terminadas se convierten en una interfaznumérica/simbólica.Las RNs se originaron en un intento por construirmodelos matemáticos de unidades de procesamientoelementales anidadas en un cerebro que permitieran elflujo de señales a través de ellas. Después de un periodode estancamiento, los modelos formales de RNsincrementaron su popularidad con el descubrimiento deeficientes algoritmos capaces de ajustarse acomplicadas y masivas bases de datos. Las aplicacionesneuronales más exitosas se concentran en laconstrucción de arquitecturas computarizadas capacesde aproximar funciones no lineales con un gran númerode variables y clasificar objetos inmersos en espaciosmultidimensionales. Básicamente, una red neuronal esuna sofisticada función no lineal, tipo caja negra, quepuede ser entrenada con datos numéricos parasatisfacer tareas objetivo.La MD es un conjunto de herramientas de análisisque sirven para descubrir patrones, validarlos yrelacionarlos dentro de un conjunto de datos masivo(Adriaans y Zantinge, 1996). Entre estas herramientas seencuentran las del aprendizaje automático (algoritmosque mejoran su comportamiento automáticamente através de la experiencia) entre los más exitosos seencuentran los árboles de decisión AD. Los AD, sean declasificación (salida nominal) o de regresión (salidanumérica), son especialmente atractivos por tresrazones, su representación intuitiva (fácil de asimilar ycomprender por los humanos), son modelos noparamétricos (no intervienen los sesgos del modelador)y son algoritmos escalables (Breimann et al. 1984;Gehrke et al., 1998; Murthy 1995; Lim et al., 1997).En esta investigación se usan las RNs para encontrarlas reglas que relacionan entradas y salidas (altamenteno lineales), la LD para realizar la inducción y análisis dedatos desde la experiencia expresada nominalmente ylos AR (Árboles de Regresión) para establecer unambiente de estado donde existan fronteras de múltiplesdimensiones.4 COMPORTAMIENTO DE LOS REGISTROS DECAMPO: INTERPRETACIÓN CON CCLa principal ventaja de las aproximaciones semiempíricases el uso de las consideraciones teóricas y loshallazgos experimentales para establecer el marco deanálisis y sus componentes. La teoría le da sentido a lasobservaciones de campo, validando la aproximaciónpara interpolar o extrapolar hacia zonas con datosinsuficientes y restringirla como única solución. Lasinterpretaciones empíricas de los casos históricos, sin un
Page 1: Árbol de regresión para determina
Page 5 and 6: El colapso estructural del esquelet
Page 7 and 8: Prof. Z* H Esf.Vert Esf.Vert Ef Tip

Ãrbol de regresiÃ³n para determinar el potencial de licuaciÃ³n: ARELI

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

Ãrbol de regresiÃ³n para determinar el potencial de licuaciÃ³n: ARELI