Computadoras y Geotecnia 101 (2018) 34-47

listas de contenidos ofrecidos en ScienceDirect

Computadoras y Geotecnia

revista Página de inicio: www.elsevier.com/locate/compgeo

Trabajo de investigación

análisis de estabilidad probabilística de una presa de tierra por estocástico método de elementos finitos basado en fi los datos

de campo

A. Mouyeaux un , segundo , C. Carvajal un , • , P. Bressolette segundo , do , L. Peyras un , P. Breul segundo , do , C. Bacconnet segundo , do
un IRSTEA, UR recuperarse, 3275 Route de Cézanne, CS 40061, 13182 Aix-en-Provence Cedex 5, Francia
segundo Université Clermont-Auvergne, Institut Pascal, BP 10448, F-63000 Clermont-Ferrand, Francia
do CNRS, UMR 6602, Institut Pascal, F-63171 Aubière, Francia

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

palabras clave: En este trabajo se realiza un análisis de estabilidad probabilística para una tierra existente fi ll presa usando un método de elementos finitos estocástico (SFEM) y teniendo en
Tierra fi presa ll cuenta la variabilidad espacial de las propiedades del suelo sobre la base de fi los datos de campo. Trabajos previos sobre el análisis de estabilidad de la pendiente
método de reducción método de los probabilístico se basan generalmente en datos hipotéticos durante el uso de datos de estructuras de tierra existente no está muy extendida.
elementos finitos Fuerza variabilidad

espacial Fiabilidad estabilidad de taludes

Un procedimiento probabilístico basado en fi datos de campo se lleva a cabo aquí para analizar la estabilidad de un dique de contención existente. La variabilidad

espacial de varias propiedades del suelo se modela a partir del análisis geoestadísticos del conjunto de datos disponible de la presa estudiado. variables aleatorias y al

azar fi campos que representan la variabilidad de los materiales de la presa están integrados en un modelo de FE mediante la realización de simulaciones de Monte Carlo

(MCS). Este análisis probabilístico basado en fi los datos de campo permite caracterizar la variabilidad del factor de seguridad al deslizamiento para el estudio de caso de

una presa existente.

1. Introducción
El análisis probabilístico de estabilidad de la pendiente es un tema que ha sido ampliamente
estudiado en la literatura. Trabaja en este campo tienen en consideración principalmente
incertidumbres relacionados con los terrenos propiedades mecánicas obtenidas de investigaciones
geotécnicas. Estas incertidumbres se derivan esencialmente de errores inherentes variabilidad
espacial y medición [1,2] , A la que se puede añadir datos de investigación del sitio limitado y los
supuestos incluidos en el modelo estabilidad [3] . Entre estas fuentes de incertidumbre, algunos
estudios han demostrado que la variabilidad espacial es el más importante [4 - 6] . Por lo tanto, es el
aspecto en el que los estudios de investigación se han centrado más [2,3,7 - dieciséis] . Por lo tanto, la
teoría de azar fi campos [17] es el más adecuado para modelar la variabilidad espacial de las
propiedades de los medios continuos como los suelos. En los últimos años, muchas investigaciones
han integrado este tipo de modelado en la estabilidad del talud del terraplén análisis que abarca di ff Erent analiza la estabilidad [21] que han sido ampliamente en combinación con el método de reducción de
aspectos. Por ejemplo, Gaouar et al. [18] y Auvinet y González [19] estudiado la fiabilidad de presas
de tierra hipotéticas usando aleatorio fi campos de resistencia a la cizalladura sin drenar. Nishimura et
al. [47] empleado el peso sueco sonando prueba para identificar la estructura de correlación espacial
de los materiales de una tierra- fi ll presa. Zheng et al. [48]
MCS para investigar el correo ff ect de la variabilidad espacial de los parámetros de fuerza de
cizallamiento en la superficie de falla con 1-D azar fi campos y LEM. Otros han prestado atención a la
de Florida influencia en tanto la filtración y la pendiente estabilidad de las características de azar fi campos
como: (i) longitud de correlación [2,20] ; (Ii) el Coe FFI ciente de variación (CoV) [14] ; (Iii) la elección de
la función de autocorrelación (ACF) que se utiliza para representar la variabilidad espacial [3,16] .
Finalmente, Liu et al. [3] propuesto un procedimiento numérico para combinar subconjunto
Simulaciones (SS) con el método de Kriging para evaluar la fiabilidad de una inclinación terraplén en
suelos espacialmente variables.
La mayoría de estos estudios utilizaron el método límite de equilibrio (LEM) para evaluar la
estabilidad de la pendiente. Sin embargo, con el rápido desarrollo de herramientas computacionales,
FEM se utiliza cada vez más en geotecnia. Esto es particularmente cierto en relación deslizante
resistencia (SRM), basado en Zienkiewicz ' s de trabajo [22] . desde entonces se han utilizado para la
estabilidad de los taludes SRM se analiza por muchos autores como Matsui y San [23] , Gri FFI THS y
Lane [24] , Cheng et al. [25] , Huang y Jia [26] y otros. En combinación con la técnica de SRM, FEM se
utiliza como una alternativa a LEM porque presenta varias ventajas que se describen en detalle en

[24,25] : (I) no se necesitan hipótesis relativa a la superficie de falla, (ii) no se necesitan supuestos sobre las
llevó a cabo un enfoque bayesiano actualización de datos de vigilancia para mejorar las predicciones de fuerzas laterales entre cortes, ya que no existe el concepto de las rebanadas, y (iii) el comportamiento del
los asentamientos de terraplén. cho [11] aplicar directamente suelo puede ser modelado en términos de

• El primer autor en: IRSTEA, UR recuperarse, 3275 Route de Cézanne, CS 40061, 13182 Aix-en-Provence Cedex 5, Francia.

Correos electrónicos: anthony.mouyeaux@irstea.fr (A. Mouyeaux), claudio.carvajal@irstea.fr (C. Carvajal), philippe.bressolette@uca.fr (P. Bressolette),
laurent.peyras@irstea.fr (L. Peyras), pierre.breul@uca.fr (P. Breul), claude.bacconnet@uca.fr (C. Bacconnet).

https://doi.org/10.1016/j.compgeo.2018.04.017
Recibido el 21 de junio de 2017. Recibido en forma 06 de abril 2018 revisado; Aceptado el 20 de abril de 2018

0266-352X / © 2018 Elsevier Ltd. Todos los derechos reservados.

A. Mouyeaux et al.
esfuerzos / deformaciones. Además, varios estudios han demostrado que el LEM y SRM dan FoS
similares [24,25] , A excepción de alguna especificación fi casos c señalados por Cheng et al. [25] . di ff Erent
métodos se utilizan en la literatura para evaluar la fiabilidad de los problemas geotécnicos. Algunos
autores utilizan fi de primer orden, de segundo momento (FOSM) métodos [2,7,27] , Mientras que otros se
utiliza el método de formulario
[11,20,28] . MCS es sin embargo el método más utilizado para el análisis de estabilidad de la pendiente
probabilística [3,8,9,13,15,16] . MCS es una herramienta sencilla y robusta para la simulación de la
distribución estadística de los FOS, aunque requiere una considerable computacional e ff ORT en
términos de tiempo de cálculo
[13,15] .
En cuanto a la tierra fi presas ll, grandes cantidades de datos geotécnicos están disponibles en
forma de estudios de diseño, controles de construcción y mediciones de seguimiento [29,30] . Estos
datos están aún bien explotados en estudios relacionados con la fiabilidad de las presas de tierra (o
la de presas de hormigón [33] ), Aunque algunos autores han subrayado el beneficio fi ct de llevar a
cabo un análisis geoestadístico en ellos [31,32] . Sin embargo, la evaluación probabilística de
propiedades geotécnicas depende generalmente del tipo de suelos y consideraciones encontrados
en la literatura, como en la obra de Phoon y Kulhawy [5,6] . Por lo tanto, todos los estudios
mencionados anteriormente preocupación uno o varios aspectos de fiabilidad presa de tierra. La falta
de estudios globales relativas a todos los aspectos involucrados, y muy especialmente el uso de
datos reales a través de métodos geoestadísticos, es lamentable.
Este artículo describe un procedimiento probabilístico, basado en varios elementos disponibles
en la literatura, para evaluar la fiabilidad de una presa de tierra existente utilizando el estocástico fi método enfoque desacoplada para el análisis de la filtración en el estudio de caso. El presente artículo se
de elementos finitos (SFEM). La originalidad de este trabajo es basar la evolución probabilísticos en
el conjunto de datos disponibles en el estudio de caso. La variabilidad espacial de varias
propiedades de los materiales de terraplén se modelan a partir de estos datos con al azar fi campos.
Las incertidumbres son luego se extendió utilizando MCS en un acoplamiento entre un modelo
mecánico FE y un modelo fiabilidad con el fin de simular la distribución estadística de los FOS. El
artículo implementa un enfoque similar para el modelado probabilístico de la presión de agua de los
poros dentro de una presa de tierra [30] . Este artículo está organizado como sigue: Sección 2 presenta
la di ff nociones teóricas Erent ya disponibles en la literatura y que se utilizan en el procedimiento
probabilístico. El estudio de caso y el conjunto de datos disponibles también se describen en esta
sección. Sección 3 presenta el principio general del procedimiento probabilístico implementado en la
presa de tierra estudiada. Esta sección también describe el desarrollo del modelo de elementos
finitos deterministas y el modelado probabilístico basado en el fi los datos de campo del estudio de
caso. Finalmente, los resultados obtenidos se discuten y las principales conclusiones se resumen en
la última sección.
2. El estocástico fi método de elementos finitos para el deslizamiento análisis de estabilidad
2.1. Factor de cálculo de la seguridad al SRM en el FEM
análisis de estabilidad de taludes por FEM se ha realizado ampliamente el uso de SRM. El principio
general de SRM es reducir progresivamente los valores de correo ff ectantes parámetros de resistencia de
cizalladura hasta que se produce el fracaso. Los parámetros iniciales de resistencia al corte '
do y φ ' se reducen por un factor F
broncearse
para dar los parámetros ' do rojo y φ'
broncearse rojo utilizado en los cálculos:
-
'='
dorojo cFφ '= (Tan
1
broncearse φ 'F
/)
rojo
Los FoS se considera como el factor de reducción F en fracaso. Esto lleva a la misma de fi definición experimental *
de las FoS como en LEM [21,24,26] . La mayoría de los estudios que utilizan SRM consideran el
MohrCoulomb (MC) criterio de fallo en los análisis [13,24,26,34] , Sobre todo debido a su relativa
simplicidad. Este criterio de fallo presenta la ventaja de ser directamente dependiente de los
parámetros de resistencia al cizallamiento '
do y φ ' Cómo-
bronceado.
Alguna vez, este criterio puede conducir a computacional di FFI cultades causadas por las irregularidades
de su superficie de fluencia piramidal hexagonal. algunos autores
Computadoras y Geotecnia 101 (2018) 34-47
tienen soluciones propuestas para superar esta di FFI cultad mediante el uso de un criterio de fallo MC
aproximada [35] . En el caso de estudio presentado en este artículo, el criterio (DP) de
Drucker-Prager es elegida como una aproximación del criterio de MC. El criterio de DP está muy
cerca del criterio MC, excepto que tiene la ventaja de que la superficie de fluencia cónica del criterio
DP permite una mejor convergencia de los cálculos en el modelo FE. Por otra parte, el criterio DP ' parámetros
S pueden estar vinculados a los parámetros de resistencia al cizallamiento, '
do y φ'
bronceado, y al ángulo de dilatancia
ψ,' a través de relaciones simples descritos en la literatura [36] . Para SRM, la no convergencia del
modelo FE se toma generalmente como un indicador de ocurrencia de un fallo, aunque otros de fi Las
definiciones son posibles [24] . esto de fi definición de fallo (numérica) tiene la ventaja de la
simplicidad de implementación, pero la desventaja de no tener una base física.
Estabilidad de taludes análisis que involucran saturado / filtración insaturado se podría realizar a
través de dos enfoques [26] . Por un lado, los cálculos de infiltración y el estrés / deformación se
puede hacer de forma independiente. Los resultados de la modelización FE hidráulico, es decir,
presión de poros de agua, conductos de aspiración matricial y nivel de saturación se utilizan como
entradas en el modelo mecánico FE. Los cálculos elasto-plástico son por lo tanto llevan a cabo en
términos de e ff tensiones ectantes. Por otra parte, el acoplamiento entre los cálculos hidráulicos y
mecánicos puede ser más fuerte. En ese caso, el procedimiento iterativo implica ambos cálculos de
infiltración y de deformación que se realizan en cada paso. Este enfoque exige una masiva e
computacional ff ORT y se utiliza en especí fi c casos que requieren considerar el correo ff ECTS de
consolidación. Por lo tanto, la fi primer enfoque es más a menudo preferido debido a su relativa
simplicidad y e ff cacia [26] . Teniendo en cuenta el aire fi guración de la presa estudiadas, se utilizó un
centrará en la parte mecánica, ya que en relación con la filtración ya ha sido presentado en un
trabajo previo [30] .
2.2. modelado de la variabilidad espacial
Los suelos utilizados para construir diques de contención son materiales naturales cuyas
propiedades son por naturaleza muy variable [11] . La variabilidad espacial representa la parte
principal de la variabilidad del suelo debido a la combinación de los procesos geológicos,
ambientales, físicos y químicos [5] . Los suelos son heterogéneos en estado natural pero esta
heterogeneidad también está presente en las construcciones humanas como presas de tierra.
Aunque los materiales de terraplén se reordenan de antemano y se someten a un control continuo
durante la construcción, el método de construcción basado en capas no elimina esta variabilidad
espacial.
Para adaptarse a las variaciones espaciales de las propiedades del suelo, el azar fi teoría de
campo ha sido ampliamente utilizado recientemente en la literatura relativa a problemas geotécnicos,
y más en particular a la estabilidad del talud
[2,3,11 - 16,26,37,38,46] . Un desarrollo de esta teoría se puede encontrar en
[17] . Aleatorio fi campos pueden representar la variabilidad espacial, pero, si se considera como
Gauss, que requerirá la de fi definición de al menos los momentos estadísticos, es decir, la media y la
desviación estándar, y la función de autocorrelación (ACF). Estas características son generalmente
estimados a partir de consideraciones hipotéticas o estadísticos. Sin embargo, la geoestadística
permiten analizar y modelar un fenómeno espacial para interpretar el comportamiento de una
muestra existente [32] . los fi primer paso de un análisis geoestadístico es describir la variabilidad por
una función de la estructura γ (h),
llamado un variograma, que representa la semi-varianza entre la desviación de los valores tomados
(1) por un punto en la posición X yo y una segunda separada de la fi primero por distancia h. En la práctica,
se da preferencia a un estimador de la variograma teórico, a menudo llamado variograma
γ (h), dada por la ecuación. (2) :
(h)
12N
γ *(h) = Σ [Z (xh)yoZ+ (x)]
- i2
(h) (2)
i =1 N
dónde Nueva Hampshire) es el número de pares de variables Z (x) separados por la distancia
h.
35
A. Mouyeaux et al.
Si la muestra no está espaciado regularmente, los pares de la muestra se reagrupan en
intervalos en los que se usa la distancia media en lugar de h
[32] . A continuación, un modelo matemático se aplica a la variograma experimental y permisos que
representa ya sea la variograma teórico directamente, o la ACF, que permitirá la generación de la al
azar fi campos
[17] . El modelo exponencial, descrito por la Ec. (3) , Es uno de los modelos de variograma más
comunes utilizados como ACF en la literatura.
-
γ (h) C =[1- e (? H / a)
] δ = 2,996
El parámetro do es el valor umbral de los niveles en los que variograma o ff.
Este valor representa el orden de magnitud de la variabilidad a lo largo del eje considerado y es
homogéneo con el valor de varianza de los datos generales. El parámetro un representa el rango de
la variograma (también llamada distancia de autocorrelación). Es la distancia a la que el variograma
alcanza el valor umbral de: no existe una correlación más allá de esta distancia. Para los modelos
acotadas como el modelo exponencial, el antepecho se alcanza asintóticamente y la distancia de
autocorrelación (también llamado el intervalo práctico) es igual al factor de escala a / δ correspondiente
a la distancia donde el variograma alcanza el 95% de la solera.
En este artículo, estacionario gaussiano aleatorio fi campos con una FAS exponencial se tienen
en cuenta por su sencillez, y por coherencia con la mayoría de los estudios sobre el tema. Otros
desarrollos se podrían lograr extender el enfoque propuesto para más complejo aleatorio fi campos (es
decir, no gaussianas o aleatorio no estacionarias
fi campos) pero están más allá del alcance de este artículo.
2.3. enfoque de fiabilidad
El valor determinista de las FoS generalmente no es su FFI ciente para evaluar la seguridad
global de la pendiente de un terraplén [39] , En particular en un análisis de riesgos. En los últimos
años, los enfoques de fiabilidad se han desarrollado y utilizado en el dominio del análisis de
estabilidad de taludes
[4,11,13,27,39 - 41,46] . El enfoque se basa en la fiabilidad de la fi-
definición de una función de rendimiento X g ( ) en el cual X representa un azar
vector de las variables de entrada. Esta función de fi nes la superficie estado límite que separa las
regiones seguros y no seguros. Se puede describir matemáticamente como:
g(X
) = 0 en la superficie estado límite, g(X
) > 0 sobre el
dominio de seguridad, y g(X
) < 0 en el dominio de error [27] . Con respecto a
pendiente problema de estabilidad, la función de rendimiento se utiliza generalmente en la forma de fi definida por la
Ec. (4) .
()X
gramo = - FoS 1 (4)
La función de rendimiento X g ( ) se evalúa en nuestro caso a través de la
FE modelo numérico. Una de las principales ventajas del enfoque de fiabilidad es que permite
evaluar la variabilidad de las variables de salida de la función de rendimiento X
g ( ), que luego produce otros resultados, como el
probabilidad de fallo PAG F y el índice de fiabilidad β. Por lo tanto, este artículo se centrará en la
variabilidad de los FOS (obtenida por el FEM) mediante la evaluación
Figura 1. Sección tipo de la presa estudió.
Computadoras y Geotecnia 101 (2018) 34-47
la media y la desviación estándar. La probabilidad de fallo está vinculada a la función de rendimiento
y es DE fi define como:
F =
PAG P g[() X <= 0] ∫ ()X
gramo < 0
F
X
()XX re
(5)
dónde f X( ) X es la función de densidad de probabilidad conjunta de la entrada
las variables [13] . Sin embargo esta integral es demasiado di FFI culto a evaluar directamente, ya que es
prácticamente imposible conocer la función de densidad de probabilidad conjunta X
(3) f X( ) y el dominio de la integración con exactitud.
di ff Existen métodos para superar este Erent di FFI cultad. En el fi campo de la estabilidad de la
pendiente, uno de los métodos más comúnmente utilizados es evaluar las incertidumbres a través de un
índice de fiabilidad β. Hay muchos de fi definiciones de índice de fiabilidad [39] . La mayoría de ellas
implican la fi primeros dos momentos estadísticos de la distribución FoS, es decir, significan μ FoS y la
desviación estándar σ FOS. En el presente artículo, el índice de fiabilidad utilizado está dado por la Ec. (6) ,
Siguiendo una forma utilizado en varios estudios [4,27,39 - 41] .
σμ - 1
β =
FoS FoS
(6)
En el enfoque adoptado, son MCS fi primero se utiliza para evaluar la variabilidad de los FOS y
luego como una alternativa para evaluar la integral de la ecuación. (5) [11] . De hecho, este método
permite el cálculo de la distribución de la función de rendimiento en la generación de los valores de la
di ff variables de entrada al azar Erent de acuerdo con su especificidad fi distribuciones c probabilidad.
Este enfoque requiere repitiendo el procedimiento muchas veces con el fin de obtener una respuesta
robusta del modelo FE. La computacional e ff ORT es necesaria o ff establecido por la relativa
simplicidad de la MCS.
2.4. Presa estudió y los datos disponibles
La presa de tierra analizada es una presa pseudo-zonal ubicada en Francia. Es un 23m de
altura y 170 metros de largo estructura que cierra un valle cubierto de depósitos aluviales. El cuerpo
del dique incluye tres zonas: un núcleo (COR) compuesta de limos arenosos y dos hombros (UPS:
hombro aguas arriba y DOS: hombro aguas abajo) hechas de arenas gruesas. Ambos materiales
son relativamente similares (dam pseudo-zonal) y que se derivan de la alteración de esquistos que
componen el lecho de roca. El hombro aguas abajo se compone de un material ligeramente más
grueso que el del hombro aguas arriba. La fundación también se compone de más o menos
alteradas esquistos cuya súper fi capas ciales han sido purgados. La sección transversal principal de
la estructura se muestra en Figura 1 . di ff están disponibles en la presa de tierra estudiado los datos
Erent. Estos datos se dividen en dos categorías de acuerdo con su origen a lo largo del ciclo de vida
de la presa: estudios preliminares o la construcción (placa de prueba o controles de compactación). tabla
1 presenta un resumen de los datos disponibles para el estudio de caso.
Respecto a los datos derivados de los estudios preliminares, unos treinta muestras se habían
tomado de los bancos de préstamo para ambos materiales que componen la estructura. Estas muestras
se sometieron a la distribución de tamaño de grano
36
A. Mouyeaux et al. Computadoras y Geotecnia 101 (2018) 34-47

análisis, y otras pruebas de laboratorio incluyendo identi fi pruebas de cationes (mediciones límite de

419

419
(2)
Atterberg) y las pruebas mecánicas (ensayos triaxiales, ensayos de compactación y ensayos edométricos)

0
0
Contenido de agua

se realizaron en algunos de ellos. Sin embargo, tabla 1 muestra que sólo unos pocos de estos ensayos
mecánicos estaban disponibles. Los resultados del ensayo se presentan en la triaxiales Tabla 2 . Muestran
que los dos materiales (es decir, limos arenosos del núcleo y arenas gruesas de los hombros) tienen
(1)

0
comportamientos más o menos similares a largo plazo con valores similares tanto para el correo ff ángulo
de fricción reflexivo '
376/333 376/333 419

376/333 376/333 419

(2)

φ ye ff cohesión caz ' c.

densidad seca

No obstante, los dos materiales di ff er relativa a las características de resistencia al corte sin drenaje
con menos fricción y la cohesión mejor sin escurrir para la fi materiales NER que constituyen el
(1)

núcleo.
0

Después, una sección de prueba se delimitó para evaluar la compactación de los materiales a
través de la distribución de tamaño de grano análisis y la placa pruebas de cojinetes. A continuación,
Las pruebas de compactación

se realizaron controles de compactación durante la construcción de la presa. Estos controles

(2)

14

19
5

esencialmente consistían en contenido de agua y mediciones de la densidad seca determinada in situ

con un gammadensimeter. En total, más de mil mediciones se realizaron en las tres zonas (UPS: 376,
COR: 419, DOS: 333, respectivamente), la mayoría de los cuales han sido geolocalizados ( Figura 2 ).
(1)

10

12
5

Las medidas de control se compararon con los resultados de Proctor pruebas realizadas
periódicamente durante la construcción en muestras tomadas directamente de las tres zonas de la
presa de tierra en construcción. Acerca de la distribución del tamaño de grano de veinte análisis
(2)
edómetros pruebas

realizados en las mismas muestras completó el conjunto de datos.

(1)

La cantidad de datos disponibles en la presa estudiada corresponde al conjunto de datos típico

2

de una presa de tierra de las mismas dimensiones. Además, el estudio de caso tiene la ventaja de
que se ha instalado un sistema de referencia durante su construcción, lo que hizo posible localizar las
(2)

mediciones de control de la compactación en el espacio (de acuerdo con los tres ejes). Este sistema
ensayos triaxiales UU

consta de una rejilla formada por diez pro fi les (P0 a P9) en el (eje Y) dirección longitudinal y trece pro fi
les (A a M) en el (eje X) en dirección transversal (ver
(1)

Figura 2 ). El pro longitudinal fi les son 20m espaciados a lo largo del eje Y, exceptuado entre P8 y P9
donde el espacio es igual a 10 m. El pro transversal fi les están 13m espaciados a lo largo del eje X
desde pro fi les A a E e I a M, y 8m espaciada de pro fi les E a I. Se realizaron las medidas de control
(2)
ensayos triaxiales CU

de la compactación (densidad en seco y contenido de agua) generalmente en la parrilla, pero no de

forma sistemática, como se ve en Figura 2 . La rejilla permite la localización de las mediciones en el
plano (XY) y el conocimiento de la capa de la construcción da la elevación de las mediciones a lo
(1)

largo del eje Z. Por lo tanto, entre el conjunto de mediciones de la densidad en seco disponibles, un
gran número de estas mediciones tiene una localización relativamente precisa en el espacio (UPS:
248, COR: 381, DOS: 272, respectivamente). Por lo tanto, entre el conjunto de mediciones de la
(2)

12

12
límites de Atterberg

densidad en seco disponibles, un gran número de estas mediciones tiene una localización
relativamente precisa en el espacio (UPS: 248, COR: 381, DOS: 272, respectivamente). Figura 2 muestra
tres vistas en planta de los lugares de control de la compactación.
(1)

* (1) UPS / DOS: las arenas gruesas (materia hombros); (2) COR: limo arenoso (material del núcleo).
distribución de tamaño de grano

(2)

13

14

27

3. Análisis de la estabilidad Probabilístico del estudio de caso

0

3.1. Pasos del modelado probabilístico FoS

dieciséis
(1)

10
11

37

En esta sección se presenta una visión general del procedimiento aplicado en el estudio de caso
con el fin de evaluar la distribución estadística de la FoS en base a los datos disponibles medidos en
(2)

13

14

27

los materiales de la presa. El procedimiento adoptado sigue los pasos descritos a continuación.
0
Las muestras

dieciséis
(1)

11
11

38

(1) reunir los datos disponibles en la presa en estudio; (2) elegir un criterio elasto-plástico para
modelar el comportamiento mecánico
de los materiales de la presa. En este caso, el criterio de DP se elige como una aproximación
Construcción (controles de compactación)
Resumen de los datos disponibles.

del criterio MC, bajo una formulación que permite modelar la dilatancia y el endurecimiento; (3)
determinar a partir de los datos disponibles los valores deterministas de la
Construcción (placa de prueba)
Estudios preliminares

propiedades de los materiales que participan en el modelo de evaluación de la seguridad

(análisis de la filtración y el criterio elasto-plástico). Esta determinación se consigue utilizando
Tipo de suelo *

modelos de transformación entre la medición directa de los ensayos geotécnicos y parámetros

tabla 1

Total

de diseño. Los comentarios de estos modelos han sido propuestos por Kulhawy y Mayne

37
A. Mouyeaux et al. Computadoras y Geotecnia 101 (2018) 34-47

Tabla 2
ensayos triaxiales disponibles en la presa estudiados.

arenas gruesas (UPS y DOS) limos arenosos (COR)

Las muestras M01 F05 F09 F14 F14_bis E50 F28 F29

% Pasando 80 micras 10% 6% 5,5% 8% 56% 43% 55%

% Pasando 2 micras - 3% 2% 2,5% 23% dieciséis% 19%
CU + U ensayos triaxiales E ff ángulo de

fricción reflexivo ' φ 33 ° 34 ° 35 ° 33 ° 36 ° 32 ° 36 ° 35 °

mi ff cohesión caz ' do 15 kPa 8 kPa 0 kPa 10 kPa 14 kPa 15 kPa 5 kPa 10 kPa
ensayos triaxiales UU

ángulo de fricción sin drenaje φ UU 15 dieciséis 0° 0°

la cohesión no drenada C UU 70 kPa 49 kPa 125 kPa 126 kPa

Figura 2. Ubicaciones de control de compactación en la presa estudiados.

38
A. Mouyeaux et al.
Fig. 3. Regresión de Mohr ' s círculos de ensayos triaxiales CU disponibles.
[42] y Monnet [43] . Estos dos exámenes incluyen relaciones teóricas o empíricas enlazan in-situ
o mediciones de laboratorio a los parámetros geotécnicos implicados en el comportamiento
mecánico del suelo. En este estudio de caso, el ángulo de fricción φ está relacionado con la
relación de vacíos e ( y así indirectamente a la densidad en seco) por Caquot ' relación s descrito
por la Ec. (7) , Donde k representa una constante:
e · tan ()φ = k (7)
(4) construir un modelo FE determinista con el fin de evaluar la pendiente
la estabilidad de la estructura. Este modelo permite el cálculo de las FoS con el SRM. Para este
estudio de caso, un código de FE de composición abierta fue elegido para agregar específica fi desarrollos
c inherentes al enfoque, tales como al azar fi generación de campo;
(5) realizar un análisis de sensibilidad de los parámetros para identificar aquellos
que tienen una significación fi peralte Florida influencia en el FOS y tiene que ser modelado
probabilístico. De acuerdo con Gri FFI THS y Lane [24] , Entre los seis parámetros mecánicos
necesarios para modelar con precisión el comportamiento elasto-plástico (es decir, ángulo de
fricción, cohesión, densidad seca, Young ' s módulo, Poisson ' s Coe FFI ciente y el ángulo
dilatancia) la fi tres primeros tienen una significación fi peralte Florida influencia en el FOS; (6) dar
una descripción probabilística de los parámetros de em- interés
phasized en la etapa (5). En esta etapa, los parámetros pueden ser representados como
variables aleatorias gracias a un análisis estadístico de los datos disponibles y de los modelos de
transformación utilizado en la etapa (3); (7) realizar un análisis de geoestadística de los controles
de compactación medi-
surements (densidad seca). Como hay Do FFI ciente y datos localizadas, este análisis darán
horizontal y vertical variogramas experimental. Estos variogramas dan información sobre la
variabilidad espacial de la densidad en seco que pueden ser luego modelada como una aleatoria fi
vejez; (8) utiliza el análisis estadístico y geoestadístico anterior para obtener un espacial
la representación de todos los en Florida parámetros influyentes. El objetivo es modelar la
variabilidad espacial de cada parámetro importante con al azar fi campos utilizando modelos de
transformación y el azar fi campo de la densidad en seco de la etapa (7);
(9) realizar análisis probabilístico en el funcionamiento de MCS de la determinista
modelo FEM desarrollado en la etapa (4). Numerosas pistas son necesarias para caracterizar la
variabilidad de los FOS. El número de carreras para llevar a cabo debe ser su FFI ciente para
obtener la convergencia de los momentos estadísticos (es decir, media y desviación estándar)
de los FOS.
39
Computadoras y Geotecnia 101 (2018) 34-47
3.2. modelo FE determinista para la estabilidad del talud
La presa estudio de caso fue modelada con el código Cast3M FE. Este código no se desarrolló
inicialmente para tratar los problemas geotécnicos. Sin embargo, el código Cast3M es un código de fuente
abierta que permite la integración de los procedimientos desarrollados por el usuario, que es altamente
bene fi cial para el análisis probabilístico. Las siguientes subsecciones presentan los procedimientos
desarrollados en este estudio. En aras de la simplicidad, sólo la situación correspondiente al nivel de
funcionamiento normal con un nivel de depósito constante se considera en el siguiente. Otros trabajos de
investigación proponen para modelar el nivel del depósito de una variable aleatoria con base en
consideraciones hidrológicas [44] . El comportamiento mecánico en el que se centra este estudio es, por
tanto, el comportamiento a largo plazo con el correo ff ectantes parámetros de resistencia al cizallamiento.
3.2.1. comportamiento y deterministas valores del suelo elasto-plástico de los parámetros
Como se ve en la Sección 2.1 , El modelo FE desarrollado considera la cri- DP
terion como una aproximación del criterio MC. Los parámetros de entrada del criterio DP ( α, β y κ) se
expresan a partir de los parámetros de criterio MC (ángulo de fricción '
φ, cohesión ' do y el ángulo de dilatancia ' ψ) utilizando la disposición
relaciones [36] . El objetivo es dar un valor determinístico partir de los datos disponibles a los
parámetros de entrada ( ' φ, ' do y ' ψ), así como las necesarias para
simular las cargas que actúan sobre la presa: presión de poros de agua, el peso propio y la presión
hidrostática. El modelado probabilístico de la variabilidad espacial de presiones de agua de poros fue
tratado en un estudio previo [30] y sólo los parámetros mecánicos serán tratadas aquí. Finalmente, siete
parámetros debían ser consideradas: unidad de peso seco γ re, ángulo de fricción '
φ, cohesión ' c, dilatancia
ángulo ' ψ, un parámetro de endurecimiento H y parámetros de elasticidad, es decir, mi' y ' ν.
En cuanto a unidad de peso seco, los valores deterministas adoptadas correspondían a la
media de las mediciones mencionadas en la sección anterior, con valores de 19,8 kNm - 3 y el 17,9
kNm - 3 para arenas gruesas y limos de arena, respectivamente.
En cuanto a los parámetros de resistencia al corte, sólo un pequeño número de ensayos
triaxiales estaban disponibles. Con el fin de optimizar estas pruebas, se adoptó el siguiente proceso:
(i) todo el Mohr ' s círculos unidos a todas las pruebas CU triaxiales se reportan en una sola gráfica; (Ii)
la regresión lineal se determina sobre la parte superior de los círculos ( K F línea); (Iii) de esta línea se
adaptó a las líneas de Coulomb gracias a las relaciones
φ '=
pecado α'
broncearse
y '=' do un / cos, φ '
dónde ' αy' un son parámetros dE fi nir la K f - línea
(ver Fig. 3 ). Los valores obtenidos se dan en Tabla 3 . El ángulo dilatancia se obtiene entonces a partir
del ángulo de fricción en el empírico
A. Mouyeaux et al. Computadoras y Geotecnia 101 (2018) 34-47

Tabla 3 parámetros ángulo de fricción utilizando la media ± valores de desviación estándar (mostraron en Tabla
valor de parámetros de entrada media. 4 ).

propiedades valor medio

3.3. Análisis probabilístico con el modelado de la variabilidad espacial
arenas gruesas (UPS y DOS) limos arenosos (COR)

3.3.1. evaluación probabilística de los parámetros de interés

unidad de peso seco γ d ( kNm - 3) 19.8 17.9
Modelado de los tres parámetros - unidad de peso seco γ re, ángulo de fricción ' φ
ángulo de fricción ' φ ( °) 34.8 34.1
y la cohesión ' do - como variables aleatorias a partir de los datos disponibles se realiza mediante
Cohesión ' c ( kPa) 8.9 13.4

ángulo dilatancia ' ψ ( °) 12 12 teniendo en cuenta los pasos anteriores. En primer lugar, con respecto a unidad de peso seco γ re, se

Endurecimiento H 100 100 realiza un análisis estadístico de las mediciones de la muestra de control de la compactación. Para
Modulos elasticos ' E ( MPa) 45 40 ambos materiales, la distribución de peso unitario seco puede ser representado por una distribución
Poisson ' relación de s ' ν 0.33 0.33 normal ( χ 2 prueba). distribuciones truncadas se utilizan con el fin de evitar valores poco realistas. La
media de estas distribuciones se corresponde con la que aparece en Tabla 3 , Mientras que los límites
corresponden a los valores extremos realmente medida en el fi vejez.
describen en las relaciones [42,43] . Dada la similitud entre los valores del ángulo de fricción para los
dos materiales, dilatancia ángulos de cerca de 12 ° se calculan para ambos materiales.
Para los parámetros de resistencia al cizallamiento - es decir, ángulo de fricción ' φ y la cohesión
do' - variables aleatorias se pueden determinar con las regresiones realizadas en el Mohr ' s círculos
Los ensayos triaxiales CU también se utilizan para determinar los valores deterministas del
obtenidos de las pruebas CU triaxial ( Fig. 3 ). Las distribuciones de los parámetros de resistencia de
módulo de elasticidad y el parámetro de endurecimiento. Estos valores corresponden a las pistas de
cizallamiento se obtuvieron por simulaciones MC, por la propagación de las incertidumbres de los
medios de las dos partes de la tensión desviadora vs. curvas de deformación. Por último, Poisson ' relación
parámetros intermedio una ' y α '( evaluadas por regresión lineal para obtener la línea Kf). La regresión
de s se toma como igual a 0,33 porque no hay datos para determinar su valor de las mediciones
lineal realizado en la parte superior de los círculos de Mohr para determinar la línea Kf da la media y
disponibles. Tabla 3 sintetiza los valores deterministas adoptadas para todos los parámetros de
la desviación estándar de los dos parámetros de regresión (una ' y α '). Mediante la adopción de una
entrada.
distribución normal, una muestra de un millón de valores se genera aleatoriamente para cada uno de
los parámetros de regresión una ' y α '. A valor de '

3.2.2. Validación del cálculo FoS do y ' φ A continuación se calcula para

Un modelo 2D se adopta generalmente en ingeniería, así como en el científico fi do cada par de una ' y α ' Gracias a las relaciones φ '=
pecado α' y
broncearse

literatura a analizar el mecanismo de deslizamiento
[2 - 4,11 - 15,18,20,24 - 28,34,37] . Por lo tanto, para el modelo FE desarrollado en este trabajo, un
modelo 2D se adoptó con el fin de facilitar el análisis de la presa estudiado (en particular para la
validación del cálculo FOS). Sin embargo, el posterior desarrollo de un modelo 3D también puede ser
de interés [19,46] dada la geometría de la presa estudiado (que tiene una longitud y una anchura del
mismo orden de magnitud).
En el modelo FE desarrollado, SRMwas implementado por un usuario especí fi Procedimiento C
en el código Cast3M. Este procedimiento iterativo reduce los parámetros de resistencia de valores
deterministas iniciales y busca en un nuevo estado de equilibrio con los parámetros reducidos a partir
de una tensión inicial fi vejez. Los FoS se obtiene con una técnica de interpolación del desplazamiento
máximo vs. el factor de reducción F curva. Por fi tting una ecuación verticalmente asintótica a esta
curva, el FOS se pueden predecir con más precisión como se implementa la reducción parámetro.
Esta técnica permite evitar una no convergencia que haría que el código FE para detener (que podría
ser muy perjudicial para MCS).
do'=' φ ' simulaciones de Monte Carlo conducen a la generación de un millón de valores para los
un / cos. Estas
parámetros de resistencia de cizallamiento ' do y ' φ, permitiendo de este modo
evaluar su dispersión (desviación estándar o CoV). Por lo tanto, las simulaciones de Monte-Carlo
hacen posible propagar las incertidumbres de los parámetros de regresión en la evaluación de los
parámetros de resistencia al corte (pero no van a aumentar la información sobre la variabilidad de los
parámetros de resistencia al corte). Por lo tanto, la distribución resultante representa la incertidumbre
de la evaluación de los parámetros de resistencia al corte a partir de una pequeña muestra de las
mediciones disponibles. Durante simulaciones, las distribuciones de los parámetros de resistencia al
corte se han truncado para evitar valores poco realistas. Dado el pequeño número de ensayos
triaxiales disponibles, un intervalo más amplio de truncamiento se aprobó que la observada a partir de
estas pruebas.
Las características de las distribuciones de variables aleatorias se describen en Tabla 4 .

3.3.2. análisis Geostatistical de las mediciones de control de la compactación

La pendiente software comercial / W usando (método de Spencer con la búsqueda de las
superficies de deslizamiento circulares) LEM se usa aquí para validar el modelo FE desarrollado con
el código Cast3M. modelos LEM y FEM utilizando una hipótesis similar se comparan con el caso
determinista Fig. 4 . Los valores FoS computarizada (SLOPE / W: 2,71; Cast3M: 2,64) están cerca,
pero no es igual como es la ubicación en la superficie de falla. Fig. 5 presenta una comparación
directa de los FoS calculados con los dos modelos de cada diez di ff conjuntos de parámetros Erent
obtenidos al azar. Los resultados están cerca de la línea de unidad que valida los FoS obtenidos por
el modelo FE desarrollado.
En esta etapa, los parámetros de interés para el estudio de deslizamiento - es decir seca
unidad de peso γ re, ángulo de fricción ' φ y la cohesión ' do - puede ser modelado como
variables aleatorias a partir de los datos disponibles. No obstante, su variabilidad espacial podría ser
tomado en cuenta por la realización de un análisis geoestadístico de los datos disponibles
geolocalizadas. Por tanto, este análisis se realiza en las numerosas mediciones de la densidad seca
llevadas a cabo in situ para el control de la compactación de toda la presa. Eq. (2) se utiliza para
evaluar los variogramas experimental en cada uno de las tres zonas de la presa (UPS, COR y DOS)
en las direcciones vertical y horizontal. La dirección horizontal corresponde a la dirección aguas
arriba / aguas abajo para la estabilidad análisis realizados en 2D. Las longitudes de autocorrelación
se obtienen por fi tting un modelo exponencial en estos variogramas experimentales (ver Sección 2.2 ).

3.2.3. Análisis de sensibilidad

Un análisis de sensibilidad determinista se realizó en los parámetros mencionados en última
subsección sobre rangos de valores correspondientes a las mediciones realizadas en los materiales
que componen la presa estudiado. Los resultados del análisis de sensibilidad se sintetizan en Fig. 6 .
Las cruces representan los valores mínimo y máximo de los FoS obtenidos para cada parámetro
para la variación oscila especí fi DE en el fi gura.
Posteriormente, la de Florida influencia de tres propiedades mecánicas se dibuja: unidad de peso seco γ re,
ángulo de fricción ' φ, cohesión ' c. Estas propiedades son
considerado probabilísticamente mientras que los otros serán considerados con sus valores
deterministas que figuran en el Tabla 3 . En Fig. 6 , Las flechas representan la variación FoS obtenido
para la unidad de peso seco, la cohesión y
Fig. 7 muestra la variogramas experimental calculado para el hombro aguas abajo (DOS) en las
direcciones horizontal y vertical (de trazos líneas discontinuas), así como los variogramas
exponencial fi TTED a ellos (líneas continuas). Los cuadrados negros en los variogramas exponencial
en Fig. 7 representar los puntos en donde se alcanza el 95% de la varianza total. La abscisa de estos
cuadrados se considera como las distancias de autocorrelación (rango práctico), respectivamente en
la dirección horizontal ( l x = 4,9 m) para la trama a la izquierda y en la dirección vertical ( l z = 1,9 m) de la
trama derecha.
Tabla 5 detalla los resultados obtenidos del análisis geoestadísticos. Conociendo estas
longitudes de autocorrelación y los dos fi momentos estadísticos RST (es decir, media y desviación
estándar) hace que sea posible

40
A. Mouyeaux et al. Computadoras y Geotecnia 101 (2018) 34-47

Fig. 4. Comparación de LEM y FEM: (a) SLOPE / W, (b) Cast3M (cepa máxima de cizallamiento fi vejez).

de los bancos de préstamo. En nuestro caso, se considera como una microestructura cuya escala es
menor que el paso de muestreo.

3.3.3. Aleatorio fi campo de parámetros de resistencia de cizallamiento

Lo aleatorio fi campo de la densidad en seco se obtiene directamente con el análisis

geoestadísticos presentado en la última subsección. Sin embargo, al azar fi campos de parámetros de
resistencia al corte no se pueden obtener de esta manera. En el enfoque implementado, las relaciones
físicas entre parámetros geotécnicos se utilizan para vincular los parámetros de resistencia de cizalla
a la densidad de secar. Estas relaciones se enumeran en [42,43] . Para el ángulo de fricción, Caquot ' s
relación, que se describe en la Ec. (7) , Se utiliza en el caso de la presa estudiado para obtener la
representación de la variabilidad espacial del ángulo de fricción a través de un azar fi campo de la
densidad seca. los k Los valores utilizados en la ecuación. (7) son respectivamente iguales a 0,25,
0,32 y 0,22 para UPS, COR y DOS. Estos valores se obtienen en el uso de la ecuación. (7) en cada
zona con los medios correspondientes del ángulo de fricción (enumerados en Tabla 4 ) Y medios de la
densidad seca (enumerados en Tabla 5 ). Fig. 8 muestra un ejemplo de una realización del azar fi campo
del ángulo de fricción. En el modelo de FE desarrollado, los puntos autocorrelacionados del azar fi campos
corresponden al centroide de cada elemento que constituye la malla.

El análisis de sensibilidad ( Fig. 6 ) Muestra el interés de co-modelado

Fig. 5. Validación del análisis determinista. HESION como aleatorio fi vejez. Sin embargo, sin relación sale de entre la densidad seca y el e ff cohesión
reflexiva de un suelo, a pesar de una correlación se puede encontrar en la condición sin escurrir [30] .
En el caso de la presa estudiados, no fue posible generar de forma aleatoria fi ámbito de la cohesión
representar la variabilidad espacial de la densidad en seco en las tres zonas que componen la sección de
de los datos disponibles. Este parámetro se representa como una variable aleatoria en el modelo
barrera.
probabilístico.
longitudes de autocorrelación para la densidad seca se detalla en Tabla 5 muestran que
considerable homogeneidad se encuentra en el SAI, mientras que, con longitudes de autocorrelación
más cortos, las zonas CDR y DOS son más espacialmente variable. esta di ff rencia se puede explicar
3.3.4. resultados de la simulación de Monte Carlo
por una mejor selección del material que compone la zona aguas arriba y una mayor atención a su
MCS se utilizan para evaluar la variabilidad de los FoS mediante la realización de una gran serie
construcción.
de pasadas del modelo FE determinista considerando la representación probabilística de los
Tabla 5 También muestra que la variabilidad espacial principal es en la dirección vertical en el que
parámetros de interés presentados antes. MCS se implementan mediante el acoplamiento del
las longitudes de autocorrelación son más bajos. Esto es debido al principio de construcción que se
Cast3M código FE con los OpenTURNS de software fiabilidad de código abierto.
realiza por capas. Parcelas dados en espectáculo apéndice como información de los valores medidos
de la densidad seca (y los valores asociados de ángulo de fricción) en contra de la Z. elevación
tres di ff con probabilístico Erent fi configuraciones se consideran en el análisis probabilístico ( Tabla
6 ):
La pepita de correo ff ect corresponde a aproximadamente la mitad de la varianza para el hombro
aguas arriba (UPS) y a una fracción ligeramente inferior para el hombro aguas abajo (DOS) y el
- Estafa fi guración no. 1: (método de Spencer con búsqueda de las superficies de deslizamiento
núcleo (COR). La pepita de correo ff ect se puede atribuir a la mezcla de los materiales durante su
circulares) LEM y modelado variable aleatoria con el comercial
excavación

41
A. Mouyeaux et al. Computadoras y Geotecnia 101 (2018) 34-47

Fig. 6. resultados de los análisis de sensibilidad.

Tabla 4 Tabla 5
valores probabilística de parámetros de entrada. Los resultados del análisis geoestadísticos de las mediciones de control de la compactación (densidad seca).

Tipo de suelo * Parámetro La media Estándar CoV (%) Max Min

desviación ρ d ( t / m 3) La media de la varianza pepita de correo ff Correlación etc. longitud de

longitud X correlación Z
UPS / DOS unidad de peso seco γ 19.8 0.5 3 16,8 21,6
(kNm - 3) UPS 2.00 3,5 × 10 - 3 1,6 × 10 - 3 78.1m 7,8 millones

ángulo de fricción ' φ ( °) 34.8 1.3 4 25 45 COR 1.83 3,6 × 10 - 3 8,6 × 10 - 4 13.0m 1.5m
Cohesión ' c ( kPa) 8.9 8.1 91 0 30 DOS 2.05 2,8 × 10 - 3 1,0 × 10 - 3 4,9 millones 1.9m

COR unidad de peso seco γ 17.9 0.6 3 16,2 19,4

(kNm - 3)
ángulo de fricción ' φ ( °) 34.1 0.8 2 25 45 software PENDIENTE / W;

Cohesión ' c ( kPa) 13.4 4.9 36 0 30 - Estafa fi guración no. 2: FEM y el modelado variable aleatoria con el código Cast3M FE;

* UPS / DOS: las arenas gruesas (materia hombros); COR: limo arenoso (material del núcleo). - Estafa fi guración no. 3: FEM y aleatorio fi modelado campo (para la densidad seca y ángulo de
fricción) con el código Cast3M FE.

Fig. 7. variogramas Experimental de densidad en seco en la horizontal (a la izquierda) y vertical (derecha) para el hombro aguas abajo (DOS).

42
A. Mouyeaux et al. Computadoras y Geotecnia 101 (2018) 34-47

Fig. 8. Ejemplo de una realización del azar fi campo del ángulo de fricción (°).

Tabla 6
con cálculo fi configuraciones para el análisis probabilístico.

Estafa fi guración no. Estafa fi guración no. Estafa fi guración no.

1 2 3

Software PENDIENTE / W Cast3M Cast3M

Numérico LEM FEM FEM
método
parámetros inciertos
unidad de peso Variable aleatoria Variable aleatoria Aleatorio fi vejez

seco γ d

ángulo de fricción Variable aleatoria Variable aleatoria Aleatorio fi vejez

φ'
Cohesión ' do Variable aleatoria Variable aleatoria Variable aleatoria

Los objetivos son: (i) para comparar los enfoques cada vez más complejos (Con fi guración no. 1
a Con fi guración no. 3) y (ii) para comparar más particularmente el uso de variables aleatorias y
aleatorio fi campos con FEM (Con fi guración no. Con 2 vs. fi guración no. 3).

100.000 simulaciones se realizaron para Con fi guración no. 1, mientras

10.000 fueron realizadas por los otros dos porque FEM exige más computacional e ff ORT. Sin
embargo, este número de simulaciones es Do FFI ciente para obtener respuestas estadísticos precisos,
como se ve en Fig. 9 (A y B) que muestra la convergencia de la media y la desviación estándar de
FOS. Para cada simulación MC que implica el análisis de FE con al azar fi campos, los valores
espacialmente autocorrelacionados propiedad del suelo se generan y se asignan a cada fi elemento Fig. 9. La convergencia de los momentos estadísticos (media y desviación estándar) de los FOS. (A) Número medio

finito que constituyen la malla. Cada simulación de un azar fi ELD por lo tanto comprende un número de frente de carreras. (B) La desviación estándar versus número de carreras.

valores espacialmente autocorrelacionados igual al número de fi elementos finitos del modelo. Los
valores medios de FoS son iguales a 2,75,
2,65 y 2,71, respectivamente, para los tres con fi configuraciones, con las desviaciones estándar
correspondientes iguales a 0,17, 0,27 y 0,21. Las respuestas de probabilidad para cada estafa fi guración
son fi finalmente describe en La Fig. 10 . El centro de la caja representa la segunda Q2 cuartil de la
muestra mientras que la propia caja simboliza el rango intercuartílico (IQR), siendo igual a la di ff rencia
entre los percentiles 75 y 25 de (resp. Q3 y Q1). Los bigotes izquierda y derecha representan el
rango entre Q1 - 1,5 IQR y Q3 + 1,5 IQR y los puntos son valores atípicos que caen fuera de este
rango.
Cuando variabilidad espacial se considera a través de azar fi campos, éstos al azar fi campos rara
vez se determinan a partir de datos reales. Este artículo muestra un análisis de estabilidad
probabilístico para el estudio de caso de una tierra existente fi ll presa usando datos de control de la
compactación situadas con precisión. Este geolocalización y los numerosos datos disponibles permiten
el uso de geoestadística para representar directamente la variabilidad espacial de parámetros tales
como la densidad seca. Sin embargo, la variabilidad espacial de otras propiedades del suelo podría ser
investigada como una función del conjunto de datos disponibles, como en Smith y Konrad [32] quien
consideró la fi contenido nes de suelo.

Este artículo se centra en la incertidumbre relacionada con la variabilidad espacial inherente del
En cuanto al índice de fiabilidad, la Ec. (6) da índices de fiabilidad para los tres con fi configuraciones suelo porque es el más significativo fi fuente de incertidumbre no puede geotécnicos, como se ha
iguales a 10,3, 6,1 y 8,1, respectivamente. mencionado en la introducción. Teniendo en cuenta que las relaciones empíricas y teóricas se utilizan
en este artículo, que podría ser interesante tener en cuenta la incertidumbre de la transformación en
futuros trabajos y el error de medición en los datos disponibles. De hecho, estas dos fuentes de
4. Discusión
incertidumbre son conocidos por ser muy di FFI culto a cuantificar, aunque Phoon y Kulhawy [5,6] tienen
directrices propuestas para superar este problema.
4.1. La discusión sobre el estocástico fi aproximación de elementos finitos en práctica

En el procedimiento usado en el estudio de casos, varias hipótesis podrían tener una en Florida influencia
El objetivo de este artículo es realizar un análisis de estabilidad probabilística para una tierra existente fi ll
en los resultados. Por ejemplo, la elección de la ACF puede una ff ect las longitudes de
presa usando un método de elementos finitos estocástico y teniendo en cuenta la variabilidad espacial de las
autocorrelación y por lo tanto la simulación del azar fi campos de los parámetros. Para los
propiedades del suelo en base a fi datos de campo (obtenido a partir de mediciones realizadas durante la
variogramas representados en la Fig. 7 , Si los modelos gaussianos o esféricas se eligen como ACF
construcción de la presa). De hecho, aunque otros trabajos de investigación han tratado el tema de análisis
en lugar del modelo exponencial, las longitudes de autocorrelación verticales y horizontales,
de estabilidad de taludes probabilística, por lo general consideran distribuciones probabilísticas arbitrarias
respectivamente, serán iguales a l x = 6,7 millones o 4,7 millones y l z = 1,6m o 1,2m
para modelar las incertidumbres sobre las propiedades del suelo.

43
A. Mouyeaux et al.
Fig. 10. Resultados y índices de fiabilidad calculados para los tres con fi configuraciones.
en vez de l x = 4,9 millones y l z = 1,9 millones en el caso exponencial. estos di ff erences podrían tener
una en Florida influencia en el FOS calculados. Otro ejemplo podría citarse con la hipótesis de los
términos k en la ecuación. (7) . En este estudio de caso estos parámetros se estiman con los medios
de densidad seca y el ángulo de fricción para las tres zonas de la presa estudiado, pero de otra
manera podrían ser utilizados para obtener estos valores que están directamente involucrados en el
azar fi generación de campo. Son necesarias nuevas investigaciones para cuantificar la de Florida influenciapodría explicarse en parte por el ángulo de fricción que está modelada como una variable aleatoria y
de estas hipótesis.
La cuestión de los métodos SFEM y fiabilidad también puede sido discutida. MCS directos se
llevan a cabo en este caso ya que constituyen un método no sesgado y son los medios más fáciles
de obtener una muestra representativa para la evaluación de la variabilidad de los FOS. Sin
embargo, la obtención de resultados convergentes en términos de media y la desviación estándar
requiere la realización de un gran número de simulaciones - 10 000 En los casos presentados - que
implican una considerable computacional e ff Orts. Para una evaluación más precisa del índice de
fiabilidad β o de la probabilidad de fallo PAG f, más cálculos son necesarios (por lo general, para una
probabilidad de fallo esperado de = -
+
PAG
F 10 norte,
10 norte 2 Se necesitan simulaciones),
la que no es operativa en este caso. Por lo tanto, otros métodos de fiabilidad se podrían emplear
para obtener rápidamente el índice de fiabilidad β o la probabilidad de fallo PAG f, como FORM /
SORM, mejorada métodos de Monte-Carlo
(Direccional simulaciones, Importancia o condicional
Los muestreos), y la superficie de respuesta, como se describe en [30] .
4.2. Discusión de los resultados
4.2.1. La comparación de la variabilidad de las OA para el di ff con Erent fi configuraciones
Los valores medios de FoS obtenidos en los tres con fi configuraciones analizadas están cerca
de los valores deterministas obtenidos con el LEMmodel (es decir, 2,71) y el modelo FEM (es decir,
2,64). Las distribuciones de los FOS di ff er sin embargo en cuanto a su dispersión, como puede verse
en La Fig. 10 . Los FoS calculados obtenidos en Con fi guración no. 1 es menos dispersa con una
desviación estándar de 0,17, mientras que las desviaciones estándar son 0,27 y
0,21 para Con fi configuraciones no. 2 y no. 3, respectivamente. Esto puede ser debido a la prede fi definición del
potencial zona de las superficies de deslizamiento para el modelo LEM en Con fi guración no. 1 (limitado a la
circular y superficies relativamente profundas), mientras que el análisis FEM también puede conducir a más
super fi superficies de deslizamiento necesariamente circulares ciales y / o no.
Los índices de fiabilidad calculados para todo el aire fi configuraciones son muy altos, lo que
significa que la probabilidad de fallo es cercano a cero. Esto ilustra el buen diseño de la presa para la
situación analizada (es decir, nivel de funcionamiento normal), que en general no es una situación de
riesgo. Bajos índices de fiabilidad se encuentran en el análisis de las situaciones más difíciles, como
terremotos o la rápida reducción del embalse. La situación normal el nivel operativo fue elegido aquí
porque lo cierto es que la mayor parte representativa de la estructura ' s del ciclo de vida y también
porque el modelado de esta situación constituye la base para todas las demás.
44
Computadoras y Geotecnia 101 (2018) 34-47
4.2.2. La comparación de variables aleatorias vs. al azar fi campos enfoques probabilísticos
Cuando se compara con fi configuraciones 2 y 3 se puede observar que la adopción de la
variabilidad espacial en cuenta tiende a reducir la dispersión principal de las muestras. RIC es de
hecho más grande en Con fi guración no. 2 [2.47 - 2,80] que en Con fi guración no. 3 [2.58 - 2,85]. Esto
como aleatorio fi campo en Con fi configuraciones no. 2 y no. 3 respectivamente. De hecho, la media
del ángulo de fricción es globalmente idéntico a lo largo de la superficie de deslizamiento de una
simulación a otro en Con fi guración no. 3, mientras que la diferencia podría ser mayor en el caso de
Con fi guración no. 2.
Los valores medios son también di ff Erent entre los dos con fi configuraciones. Esto podría
explicarse por el hecho de que el correo ff ángulo de fricción reflexivo no se modela en la misma
forma: por una parte, este parámetro se modela sobre la base de ensayos triaxiales; por el contrario
se basa en los valores de densidad seca medida. Sin embargo, el modelado de la variabilidad
espacial es en esta especificación fi caso c tiene un bene fi cial impacto sobre la respuesta
probabilístico, ya que reduce la RIC y da un índice de fiabilidad más alta que en el modelado variable
aleatoria. Esto se debe al promediar correo ff ect inherente al azar fi representación campo: un valor
bajo de un parámetro (por ejemplo, de un ángulo de fricción) no sólo tendrá un impacto en las FoS
porque se aísla este valor y rodeado por otros valores que podría ser mayor. Por lo tanto, en el caso
de la presa estudió, el modelado de la variabilidad espacial con al azar fi campos es más
representativa de la realidad física y tiene un efecto positivo en Florida influencia sobre la fiabilidad de
la presa. El di ff erences en los resultados obtenidos para con fi configuraciones no. 2 y no. 3
permanecen en general baja en términos de media y la desviación estándar de los FOS. A medida
que los valores obtenidos son altos para los FoS media y baja para la desviación estándar, el di ff erences
aparecen signi fi de consideración en términos de índice de fiabilidad.
5. Conclusiones
En este artículo, un estocástico fi procedimiento de elementos finitos basado en proyectos especí fi datos
c se llevó a cabo para evaluar el análisis de estabilidad pendiente de un estudio de caso de una presa
de tierra. Este procedimiento implicó una evaluación de los parámetros de entrada requeridos en un
modelo basado en SFEM fi los datos de campo. Por otra parte, esta evaluación fue probabilísticos
parámetros relativos que tienen un fuerte en Florida influencia en los FOS. En este trabajo se realiza un
análisis de estabilidad probabilística por SFEM para una tierra existente fi presa ll, teniendo en cuenta la
variabilidad espacial de las propiedades del suelo basa en fi los datos de campo. De hecho, la
localización de las mediciones de control de la compactación realiza durante las presas de tierra ' la
construcción es poner a buen uso en este enfoque gracias al análisis geoestadístico que permite
modelar la variabilidad espacial de las propiedades del suelo por azar fi campos. Finalmente, MCS se
realizaron en el modelo FEM determinista para dar una distribución probabilística de FOS, y por lo tanto
una evaluación fiabilidad del índice de fiabilidad. Este enfoque podría ser utilizado como parte de una
seguridad de presas mundial
A. Mouyeaux et al.
evaluación combinada con un análisis de riesgos como el descrito en [45] . Con base en los
resultados obtenidos en el estudio de caso, las siguientes conclusiones y declaraciones se pueden
presentar:
(1) El análisis probabilístico realizado en este artículo puede ser fácilmente
aplicado a conjuntos de datos limitados generalmente disponibles para presas de tierra. Se permite
superar el número pequeño de in-situ o en el laboratorio ensayos geotécnicos por el aprovechamiento de
datos disponibles. (2) La geoestadística proporcionan una poderosa herramienta para la evaluación de la
espacial
la variabilidad de las propiedades del suelo, incluso en el caso particular de diques de contención.
Es interesante tener en cuenta esta variabilidad debido a su significación fi peralte Florida influencia
en FoS (y por tanto en el índice de fiabilidad) ya que tiende a reducir la probabilidad de fallo. El
uso de métodos geoestadísticos, no obstante, requiere una gran muestra de datos
geolocalizados, como con las mediciones de control de la compactación en el estudio de caso.
Hoy en día, este geolocalización se puede realizar fácilmente con la tecnología GPS. Sin
embargo, el análisis geoestadísticos es en la mayoría de los casos sólo es posible en las
mediciones de control de la compactación, como en el caso estudiado con densidad seca.
(3) El uso de relaciones empíricas y teóricas entre geo
propiedades técnicas es una forma sencilla de obtener al azar fi campos de las propiedades del
suelo geotécnicos distintos de densidad seca (permeabilidad, ángulo de fricción, la cohesión no
drenada). Sin embargo, es imposible en el caso del correo ff cohesión reflexivo porque ninguna
relación física existe con densidad seca. El uso de relaciones da lugar a otro problema, que es
la implementación de la medición y / o incertidumbres de transformación en el modelo. Este
problema no se aborda en el artículo y podría ser objeto de futuros trabajos de investigación. (4)
Comparación de tres con fi configuraciones opuestas cada vez más complejo
enfoques, por un lado, y las variables aleatorias y al azar
fi campos en el otro, mostraron que, en el ejemplo de la presa estudiado, FEM da una
distribución más dispersa que LEM pero incorpora una mejor representación del mecanismo de
deslizamiento. Modelado espacial
Apéndice
Higos. 11 y 12 a continuación muestran los valores medidos de la densidad en seco (y los valores asociados de ángulo de fricción) en contra de la Z. elevación
Fig. 11. valores de la densidad seca medida en contra de la Z. elevación
45
Computadoras y Geotecnia 101 (2018) 34-47
la variabilidad es también bene fi CIAL, ya que da una mejor representación de la realidad física y
tiene un impacto positivo sobre la fiabilidad de la presa.
Este estudio también pone de relieve algunas mejoras posibles:
(1) En aras de la simplicidad y la coherencia con otros estudios, sólo
estacionario gaussiano aleatorio fi campos fueron considerados en este artículo. El e ff ECTS de
más complejo aleatorio fi campos (no estacionario o nonGaussian) podrían ser investigadas de
especi fi estudios c. De hecho, presas de tierra se construyen generalmente con materiales
tomados de varios bancos de préstamo, lo que lleva a potencial heterogeneidad de la fi ll. (2) Este
artículo presenta un análisis 2D FE incluyendo parámetros de entrada
modelado por 2D azar fi campos. La variabilidad espacial de las propiedades del material, así
como la estabilidad mecánica al deslizamiento puede investigarse más a fondo por 3D análisis,
que sería mejor volver Florida ect que las propiedades del material pueden variar di ff erently en el
espacio y que el mecanismo de deslizamiento se refiere más globalmente un volumen. (3) En esta
especificación fi c caso de la presa, muy altos índices de fiabilidad, corres-
pondiente a una probabilidad muy baja fracaso, se obtuvieron. Esto se debió principalmente a la
situación considerada (es decir, nivel de funcionamiento normal). Otras situaciones podrían
considerarse para evaluar la estabilidad pendiente con un procedimiento de este tipo probabilística,
como terremotos, Disposiciones rápidos, y Florida inundaciones. El método de fiabilidad utilizado
debería adaptarse a la situación estudiada de acuerdo con la salida probabilística deseada con el
fin de optimizar computacional e ff Orts.
Reconocimiento
Los autores agradecen a la Compagnie d ' Aménagement des Coteaux de Gascogne (CAGC) por
su permiso para utilizar sus datos en este artículo. Agradecemos también IRSTEA y la Universidad
de Clermont-Auvergne, para la financiación de este estudio.
A. Mouyeaux et al.
Fig. 12. Resultados de ángulo de fricción contra la Z. elevación
referencias
[1] análisis estadístico christakos G. moderna y la estimación óptima de geotécnica
datos. Eng Geol 1985; 22 (2): 175 - 200 .
[2] Suchomel R, Ma si D. Comparación de di ff Erent métodos probabilísticos para predecir
estabilidad de una pendiente en espacialmente variable de c - φ suelo. Comput Geotech 2010; 37 (1): 132 - 40
. [23] Matsui T, San KC. análisis de estabilidad pendiente de elementos finitos por reducción de la resistencia al cizallamiento
[3] Liu LL, Cheng YM, Zhang SH. condicional al azar fi análisis de la fiabilidad de campo de una
la cohesión-fricción pendiente. Comput Geotech 2017; 82: 173 - 86 .
[4] Cristiano JT, Ladd CC, Baecher GB. Fiabilidad aplica a análisis de estabilidad pendiente. J
Geotech Eng 1994; 120 (12): 2180 - 207 .
[5] Phoon KK, Kulhawy FH. Caracterización de la variabilidad geotécnica. Can Geotech J
1999; 36 (4): 612 - 24 .
[6] Phoon KK, Kulhawy FH. Evaluación de la variabilidad propiedad geotécnica. Poder
Geotech J 1999; 36 (4): 625 - 39 .
[7] Vanmarcke EH. Fiabilidad de las pistas de tierra. J Geotech Eng Divis
1977; 103 (11): 1247 - sesenta y cinco .
[8] Fenton GA, Gri FFI THS DV. Estadísticas de superficie libre Florida ow través de la presa estocástico tierra.
J Geotech Eng 1996; 122 (6): 427 - 36 .
[9] Fenton GA, Gri FFI THS DV. Extremas estadísticas del gradiente hidráulico en la tierra estocástico
presa. J Geotech Geoenviron Eng 1997; 123 (11): 995 - 1000 .
[10] GRI FFI THS DV, Fenton GA. Análisis probabilístico de los gradientes de salida debido a la constante ver-
página. J Geotech Geoenviron Eng 1998; 124 (9): 789 - 97 .
[11] Cho SE. mi ff ECTS de la variabilidad espacial de las propiedades del suelo en la estabilidad del talud. eng Geol
2007; 92 (3): 97 - 109 .
[12] Srivastava A, Babu GLS, Haldar S. En Florida influencia de la variabilidad espacial de la permeabilidad
propiedad de la filtración de estado estacionario Florida análisis ow y estabilidad de la pendiente. Eng Geol 2010;
110 (3 - 4): 93 - 101. http://dx.doi.org/10.1016/j.enggeo.2009.11.006 .
[13] Cho SE. evaluación probabilística de la estabilidad de taludes que tiene en cuenta la variación espacial
bilidad de las propiedades del suelo. J Geotech Geoenviron Eng 2010; 136 (7): 975 - 84 .
[14] Jiang SH, Li DQ, Zhang LM, Zhou CB. análisis de fiabilidad Slope considerando espacialmente
variables parámetros de resistencia al cizallamiento utilizando un estocástico no intrusiva fi método de elementos finitos. Eng Geol
2014; 168: 120 - 8 .
[15] Li DQ, Jiang SH, Cao ZJ, Zhou W, Zhou CB, Zhang LM. Una respuesta de superficie múltiple
método para el análisis de la fiabilidad pendiente teniendo en cuenta la variabilidad espacial de las propiedades del suelo. Eng Geol
2015; 187: 60 - 72 .
[dieciséis] Liu LL, Cheng YM, Jiang SH, Zhang SH, Wang XM, Wu ZH. mi ff ECTS de au- espacial
estructura tocorrelation de la permeabilidad en la filtración a través de un terraplén sobre una base de suelo.
Comput Geotech 2017; 87: 62 - 75 .
[17] Vanmarcke EH. Los campos al azar: análisis y síntesis. Cambridge, MA: MIT Press;
1983 .
[18] Gaouar M, Fogli M, Bacconnet C. Fiabilidad de presas de tierra: un enfoque basado en
aleatorio fi modelos de campos. En: Conferencia internacional sobre aplicaciones de la estadística y probabilidades
en ingeniería civil, Sydney - Australia; 2000. pp. 355 - 61.
[19] Auvinet G, González J. análisis de fiabilidad tridimensional de pendientes de tierra.
46
Computadoras y Geotecnia 101 (2018) 34-47
Comput Geotech 2000; 26 (3): 247 - 61 .
[20] GRI FFI THS DV, Huang J, Fenton GA. En Florida influencia de la variabilidad espacial en la fiabilidad pendiente
usando 2-D azar fi campos. J Geotech Geoenviron Eng 2009; 135 (10): 1367 - 78 .
[21] Duncan JM. Estado del arte: el equilibrio límite y fi análisis de elementos finito de pistas.
J Geotech Eng 1996; 122 (7): 577 - 96 .
[22] Zienkiewicz OC, Humpheson C, Lewis R. Asociadas y visco no asociado
plasticidad en mecánica de suelos. Geotechnique 1975; 25 (5): 671 - 89 .
técnica. Los suelos Encontrado 1992; 32 (1): 59 - 70 .
[24] GRI FFI THS DV, análisis carril P. estabilidad Slope por fi elementos finitos. Geotechnique
1999; 49 (3): 387 - 403 .
[25] Cheng YM, Lansivaara T, Wei WB. Bidimensional análisis de estabilidad pendiente por límite
de equilibrio y de reducción de resistencia métodos. Comput Geotech 2007; 34 (3): 137 - 50 .
[26] Huang M, Jia CQ. reducción de la resistencia FEM en el análisis de estabilidad de taludes de suelo sub-
proyectada a transitorios filtraciones insaturados. Comput Geotech 2009; 36 (1 - 2): 93 - 101 .
[27] Liang R, Nusier BO, Malkawi AH. Un enfoque basado en la fiabilidad de la evaluación de la
estabilidad de la pendiente de diques de contención. Eng Geol 1999; 54 (3): 271 - 85 .
[28] Xu B, analiza Baja B. estabilidad de taludes probabilístico basado en fi Nite-ele-
Método ción. J Geotech Geoenviron Eng 2006; 132 (11): 1444 - 54 .
[29] presas Degoutte G. Pequeños: Directrices para el diseño, construcción y supervisión.
Ediciones Cemagref; 2002. ISBN: 9782853625517. [30] Mouyeaux A. Fiabilité des presas en remblai au
glissement par de MEFs. ediciones
Universitaire Européennes; 2017.
[31] Favre JL, Bekkouche A. Análisis statistiques et modèles probabilistes pour les
presas en terre - Etat actuel et perspectives. En: Colloque técnica, Comité Francés des Grands Presa,
París; 1988.
[32] Smith M, Konrad JM. Evaluación de conductividades hidráulicas de un núcleo presa compactado
utilizando el análisis de geoestadística de datos de control de la construcción. Can Geotech J 2011; 48
(9): 1314 - 27. http://dx.doi.org/10.1139/t11-038 .
[33] Carvajal C, Peyras L, Bacconnet C, Bécue JP. modelado de probabilidad de resistencia al corte
parámetros de presas RCC de gravedad para el análisis de la fiabilidad de la seguridad estructural. Eur J Environ Civ Eng
2009; 13 (1): 91 - 119 .
[34] Zheng H, Tham LG, Liu D. En dos de fi definiciones del factor de seguridad de uso general
en el fi análisis de estabilidad pendiente elemento noche. Comput Geotech 2006; 33 (3): 188 - 95 .
[35] Abbo AJ, Sloan SW. Una aproximación hiperbólica suave al Mohr-Coulomb
producir criterio. Struct Comput 1995; 54 (3): 427 - 41 .
[36] P. Mestat Lois de comportement des géomatériaux et modélisation par la méthode
des éléments fi nis. En: Etudes et recherches des laboratoires des Ponts et Chaussées -
Série Géotechnique (GT52); 1993. [37] GRI FFI THS DV, Fenton GA. análisis de estabilidad pendiente probabilístico por fi
elementos finitos. J
Geotech Geoenviron Eng 2004; 5: 507 - 18 .
[38] Huang J, Lyamin AV, Gri FFI THS DV, Krabbenhoft K, Sloan SW. cuantitativa de los riesgos
evaluación de deslizamiento de tierra por análisis de límite y al azar fi campos. Comput Geotech 2013; 53: 60 - 7 .
[39] Gui S, Zhang R, Turner JP, Xue X. análisis de estabilidad pendiente probabilístico con STO
suelo chastic conductividad hidráulica. J Geotech Geoenviron Eng 2000; 126 (1): 1 - 9 .
A. Mouyeaux et al.
[40] Bergado DT, Anderson LR. análisis estocástico de incertidumbre presión de poro para la
evaluación probabilística de la seguridad de los pendientes de tierra. Los suelos Encontrado 1985; 25 (2): 87 - 105
.
[41] Chowdhury RN, Xu DW. Sistema geotécnico fiabilidad de las pendientes. Reliab Eng Syst
Segura 1995; 47 (3): 141 - 51 .
[42] Kulhawy FH, Mayne PW. Manual sobre la estimación de las propiedades del suelo de fundación de-
firmar. Investigación de Energía Eléctrica Inst, Palo Alto, CA (EE.UU.).; Cornell Univ., Ithaca, Nueva York (EE.UU.). Grupo
de Ingeniería geotécnica; 1990.
[43] Monnet J. Les Essais in situ en Géotechnique. Ediciones ISTE; 2016. [44] Carvajal C, Peyras L, Arnaud P, Boissier
D, modelado Royet P. probabilístico de Florida ood
nivel de agua de los embalses. ASCE - J Hydrol Eng 2009; 14 (3): 223 - 32 .
[45] Peyras L, Carvajal C, Felix H, Bacconnet C, Royet P, Becue JP, et al. Probabilidad-
47
Computadoras y Geotecnia 101 (2018) 34-47
evaluación basada de seguridad de la presa utilizando el análisis de riesgo combinado y los métodos de fiabilidad - aplicación
a los estudios peligros. Eur J Environ Civ Eng 2012; 16 (7): 795 - 817 .
[46] Xiao T, Li DQ, Cao ZJ, Au SK, Phoon KK. fiabilidad pendiente tridimensional y
evaluación de riesgos utilizando auxiliar aleatorio fi método de elementos finitos. Comput Geotech 2016; 79: 146 - 58 .
[47] Nishimura SI, Shibata T, Shuku T. El diagnóstico de la tierra- fi presas ll por AP- sintetizado
proach del método de la onda de sonido y la superficie. Georisk: Evaluar gestionar el riesgo Eng Syst Georiesgos 10,4:
312 - 9.
[48] Zheng D, Huang J, Li DQ, Kelly R, Sloan SW. predicción Terraplén usando pruebas
los datos y el comportamiento supervisado: un enfoque bayesiano actualización. Comput Geotech 2018; 93: 150 - 62 .