INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERÍA Y ARQUITECTURA

UNIDAD ZACATENCO

SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN

VULNERABILIDAD DE ESTRUCTURAS CONSIDERANDO

EL EFECTO DEL DAÑO ACUMULADO CAUSADO POR
SISMOS

TESIS

PARA OBTENER EL GRADO DE

MAESTRO EN INGENIERÍA CIVIL

PRESENTA:
RODRIGO GUERRA RAMOS

DIRECTOR:
DR. DANTE TOLENTINO LÓPEZ

Ciudad de México junio, 2016

“A ustedes que influyeron con sus lecciones y experiencias en formarme para
los retos que pone la vida, y que con sus sacrificios y apoyo en todo este
camino han permitido desarrollar mi formación académica”

A mi familia.
 AGRADECIMIENTOS

Al Dr. Dante Tolentino López por la confianza, consejos y gran apoyo que me ha
brindado para poder realizar este trabajo.

A los profesores Dr. Dante Tolentino López, Dr. Héctor Aureliano Sánchez Sánchez,
Dr. Norberto Domínguez Ramírez, Dr. Esteban Flores Méndez y Dr. Jorge Luis
Alamilla López por sus valiosos comentarios y aportaciones que ayudaron a enriquecer
este trabajo.

A los profesores de la SEPI ESIA Zacatenco, por compartir sus conocimientos en cada
una de sus clases que han contribuido en mi formación.

Al Instituto Politécnico Nacional por la formación académica que me ha permitido

obtener.

A CONACYT por el apoyo económico que me brindo para realizar este trabajo.

A mis amigos Mauro, Beto, Odín, Luis, Karen y Julio que me han brindado su amistad,
apoyo y consejos en cada una de las etapas de mi formación académica.
 Índice
RESUMEN ............................................................................................................................................. I
ABSTRACT ............................................................................................................................................. I
INTRODUCCIÓN ................................................................................................................................... II
ANTECEDENTES .............................................................................................................................. IV
OBJETIVOS ...................................................................................................................................... VI
JUSTIFICACIÓN................................................................................................................................ VI
ALCANCES ....................................................................................................................................... VI
CAPÍTULO 1: ........................................................................................................................................ 1
REDES NEURONALES ARTIFICIALES ..................................................................................................... 1
1.1. CONCEPTOS GENERALES ..................................................................................................... 1
1.2. ESTRUCTURA DE UNA RED NEURONAL ............................................................................... 2
1.2.1. MODELO BIOLÓGICO ................................................................................................... 2
1.2.2. ARQUITECTURA DE REDES NEURONALES ARTIFICIALES ............................................. 2
1.3. MODELO GENÉRICO DE NEURONA ARTIFICIAL ............................................................... 4
1.4. CLASIFICACIÓN DE LAS REDES NEURONALES .................................................................. 7
1.5. ARQUITECTURA DE LA RED BACKPROPAGATION ............................................................ 9
1.6. ENTRENAMIENTO DE REDES NEURONALES ARTIFICIALES ............................................ 10
CAPÍTULO 2: ...................................................................................................................................... 12
APLICACIÓN DE LAS RNA PARA EL PREEDISEÑO ESTRUCTURAL DE PUENTES .................................. 12
2.1. DESCRIPCIÓN DE LA ESTRUCTURA ......................................................................................... 12
2.2. DISEÑO DE LA ESTRUCTURA ................................................................................................... 13
2.2.1 DISEÑO DE COLUMNA Y CABEZAL ........................................................................................ 14
2.2.2. DISEÑO DE TRABE TIPO AASHTO ......................................................................................... 15
2.3. ENTRENAMIENTO DE LA RNA ................................................................................................. 15
2.4. VALIDACIÓN DE LA RNA ......................................................................................................... 19
2.5. LIMITACIONES DE LA RNA ENTRENADA ................................................................................. 21
CAPÍTULO 3: ...................................................................................................................................... 22
ESTIMACIÓN DE LA VULNERABILIDAD ESTRUCTURAL EN EL TIEMPO .............................................. 22
CAPÍTULO 4: ...................................................................................................................................... 24
MOVIMIENTOS SISMICOS ................................................................................................................. 24
4.1 MOVIMIENTOS SÍSMICOS........................................................................................................ 24
4.2 SIMULACIÓN DE INTENSIDADES.............................................................................................. 25
 4.3 SIMULACIÓN DE TIEMPOS DE ESPERA .................................................................................... 27
4.4. ESCALAMIENTO DE ACELEROGRAMAS................................................................................... 28
4.5. DAÑO ACUMULADO ............................................................................................................... 30
CAPÍTULO 5: ...................................................................................................................................... 32
EJEMPLO DE APLICACIÓN .................................................................................................................. 32
5.1. MODELO DE RESPUESTA NO LINEAL ...................................................................................... 33
5.2. OBTENCIÓN DE LA DEMANDA ESTRUCTURAL EN EL TIEMPO ................................................ 34
5.4. CURVAS DE VULNERABILIDAD SÍSMICA ................................................................................. 37
CONCLUSIONES ............................................................................................................................. 41
REFERENCIAS ................................................................................................................................. 42
 RESUMEN

Se utilizan las Redes Neuronales Artificiales para estimar el diseño sísmico de puentes de
concreto reforzado a base de trabes tipo AASHTO. La red se entrena con el diseño de 60
puentes de 2 a 5 claros, de 2 a 4 carriles, galibo vertical de 5.5 a 8 metros y distorsiones
de diseño de 0.002 a 0.006. Se comparan los diseños obtenidos mediante la RNA con
diseños realizados de manera convencional, se obtiene una aproximación muy cercana a
la que se pudiera obtener en un análisis de manera convencional a nivel de elementos
estructurales. Posteriormente se obtienen funciones de vulnerabilidad al termino de 50,
100, 150 y 200 años. Se determina la respuesta dinámica de la estructura utilizando
historias de eventos simulados a lo largo de una ventana de tiempo. Dichos eventos
simulados relacionan intensidades contra tiempos de espera, esto con el fin de considerar
el daño causado por el sismo. Se observa que la vulnerabilidad de la estructura cambia
con el tiempo debido a la acción de los sismos. La metodología se ilustra en un puente de
concreto reforzado a base de trabes tipo AASHTO ubicado en la zona II (transición) de la
Ciudad de México.

ABSTRACT
In the current development is present the use of Artificial Neural Network models (ANNs)
to assess the seismic design of reinforced concrete bridges with AASHTO beams. The
network is entered with the design of 60 bridges of 2 to 5 spam, of 2 to 4 lanes, high of 5.5
to 8 meters and drift design of 0.002 to 0.006. The designs obtained by ANN are
compared with designs made in a conventional way, a very close approximation is
obtained that could be obtained in an analysis in a conventional way at the level of
structural elements. Subsequently, vulnerability functions are obtained at the end of 50,
100, 150 and 200 years. The dynamic response of the structure is determined using
simulated event histories over a time window. These simulated events relate intensities
against waiting times, in order to consider the damage caused by the earthquake. It is
observed that the vulnerability of the structure changes with time due to the action of
earthquakes. The methodology is illustrated in a reinforced concrete bridge with AASHTO
type trenches located in zone II (transition) of Mexico City.

I
 INTRODUCCIÓN

En la Ciudad de México los puentes vehiculares son algunas de las estructuras de mayor
importancia ya que si no mantuvieran niveles de operación adecuados durante eventos
sísmicos podría repercutir en grandes pérdidas económicas, por lo anterior deben de
operar a niveles de seguridad aceptables durante solicitaciones extraordinarias, de las
cuales son más comunes los eventos sísmicos debido a la alta sismicidad de la Ciudad de
México. La mayoría de los puentes vehiculares existentes en la Ciudad de México, son a
base de concreto reforzado y con trabes tipo AASHTO, y en menor número son puentes
de acero e híbridos.
Realizar un diseño estructural integro de estas estructuras implica considerar todas las
posibles solicitaciones a las que estará sometida. Este proceso de diseño es sumamente
complejo y tardado, ya que es un proceso iterativo en el cual se consideran todos los
efectos que pudieran inducir cargas a la estructura y finalmente obtener el mejor diseño
con base a los criterios establecidos. Lo más conveniente sería que el primer diseño
cumpliera con todas las regulaciones. Sin embargo; el diseñador siempre tiene que
proponer un nuevo diseño y someterlo a un proceso iterativo para llevarlo a cumplir con
todas las normas que lo regulan. Este proceso puede ser muy lento y como una solución,
se han propuesto numerosas técnicas de optimización, pero generalmente estas son muy
difíciles de ser llevadas a la práctica. Otra opción que reduce los recursos necesarios para
llevar a cabo el proceso de diseño es almacenar muchos diseños optimizados y entrenar
una Red Neuronal Artificial (RNA) para que ejecute el diseño, así se puede partir de una
solución dada por la RNA en lugar de realizar este proceso desde el inicio. Por otro lado,
se debe de garantizar que las estructuras sean seguras y que presente niveles de
desempeño adecuados a lo largo del tiempo. Debido a que no se pueden controlar todas
las variables que intervienen en el diseño estructural, tampoco es posible fijar con
precisión los valores de la resistencia y de las fuerzas actuantes, por lo que se recurre al
concepto de confiabilidad estructural para procurar que la probabilidad de que la
estructura falle sea muy pequeña y se encuentre dentro de los límites que aseguren un
buen desempeño. Para esto se toman en cuenta la capacidad, la demanda estructural, así
como las incertidumbres para diferentes intensidades asociadas a acelerogramas
simulados para diferentes intervalos de tiempo que caracterizan la sismicidad del lugar.

II
En este trabajo se desarrolla un criterio para estimar el diseño sísmico de puentes de
concreto reforzado a base de trabes tipo AASHTO, se utilizan modelos de RNA con
alimentación hacia atrás ―backpropagation‖ con capas ocultas de tipo sigmoidea y de
salida de tipo lineales. Los diseños conseguidos se comparan con los realizados de
manera convencional utilizando la reglamentación vigente en la Ciudad de México. Se
obtienen diferencias del orden de 3% a nivel de elementos estructurales.
La vulnerabilidad sísmica es una predisposición intrínseca de las estructuras a sufrir daño
debido a las acciones provocadas por eventos sísmicos, y una de las formas de
cuantificar esta predisposición es mediante el uso de curvas de vulnerabilidad. Estas se
definen como la representación gráfica de una función de distribución acumulada de la
probabilidad de exceder cierta condición (FEMA, 1999). Diversos investigadores han
definido curvas de vulnerabilidad de puentes sometidos a acciones externas, una de las
primeras evaluaciones de curvas de vulnerabilidad para puentes de todos los tipos fue
hecha en Estados Unidos por el (ATC-25, 1997) y estuvo basada principalmente en la
opinión de los expertos.
Nielson y DesRoches (2007) estimaron curvas de vulnerabilidad para puentes en Estados
Unidos mediante análisis no lineales, los autores suponen que la capacidad y la demanda
tienen distribución lognormal. Karim y Yamazaki (2007) obtienen curvas de vulnerabilidad
para puentes en Japón, obtienen índices de daños a través de análisis dinámicos y
después definen parámetros con los que alimentan una función de distribución lognormal
que usan para definir las curvas de fragilidad. Zhang et al. (2008) definen curvas de
fragilidad mediante una metodología probabilista y análisis no lineales para distintos tipos
de puentes, sin embargo, el efecto de daño acumulado causado por sismos no ha sido
considerado en los trabajos antes mencionados.
En este estudio se emplea un método simplificado que supone que la demanda
estructural posee una distribución de probabilidad de tipo lognormal y se toma en cuenta
el daño acumulado debido a acciones sísmicas sobre el puente al termino de diferentes
intervalos de tiempo.

III
ANTECEDENTES

Las Redes Neuronales Artificiales son modelos matemáticos inspirados en sistemas

biológicos como el cerebro humano, que se adaptan a computadoras convencionales.
Son poderosos reconocedores de patrones y clasificadores, sus capacidades informáticas
han sido probadas en la predicción, estimación, reconocimiento de patrones y
optimización. A continuación, se describe brevemente el uso de esta herramienta en el
campo de la ingeniería estructural:
Stephens y Vanluchene (1994) describen un enfoque para evaluar la condición de
seguridad de las estructuras después de la ocurrencia de un terremoto utilizando múltiples
índices cuantitativos y el algoritmo backpropagation.
Mukherjee et al. (1996) Implementaron una un modelo de RNA ―backpropagation‖ para
predecir la carga de pandeo de columnas cargadas axialmente basado en datos
experiménteles.
Kim et al. (2000) describen un procedimiento en dos etapas en el que en la primera etapa
se utiliza el análisis de sensibilidad tradicional para clasificar y seleccionar miembros
críticos. En la segunda etapa, los resultados del análisis de sensibilidad y una red
neuronal entrenada se utilizan para identificar el número óptimo y la ubicación de los
sensores de monitoreo.
Mikami et al. (1998) presentan un sistema basado en el algoritmo BP para estimar las
fuerzas axiales residuales de los pernos de alta resistencia en puentes de acero utilizando
las formas de onda de reacción y aceleración recogidas por un detector automático de
martillo o de holgura. Una cuestión importante en el monitoreo de la salud estructural es la
selección de los miembros y ubicaciones de la estructura a ser monitoreada.
Srinivas y Ramanjaneyulu (2007) desarrollan un enfoque integrado utilizando RNAs y
Algoritmos Genéticos para optimizar los materiales en el diseño de puentes. El algoritmo
generado es utilizado para estimar la respuesta sísmica, como parámetro de entrada
definen la máxima aceleración del suelo, llegando a una configuración optima del sistema
estructural.
Bojorquez et al. (2016) utilizan un modelo RNA de aprendizaje de retroalimentación para
estimar el pre-diseño de edifico de concreto reforzado ubicado en suelo blando de la
Ciudad de México.

IV
Por otro lado, se han desarrollado diferentes métodos para evaluar la vulnerabilidad de
una estructura, una de ellas es mediante de la obtención de curvas de vulnerabilidad. Las
curvas de vulnerabilidad son relaciones gráficas de la probabilidad condicional de exceder
un estado de daño específico para un cierto nivel de demanda. Con estas es posible
caracterizar los elementos y configuraciones estructurales más vulnerables a una acción
determinada, como los sismos. Las curvas de vulnerabilidad sísmica pueden clasificarse
en cuatro grupos en función del origen que tengan, empíricas, basadas en la opinión de
expertos, analíticas e hibridas.
Shinozuka et al. (2000) Estudiaron las curvas de vulnerabilidad mediante dos enfoques
analíticos, uno utiliza el análisis de la historia de aceleraciones y el otro utiliza el espectro
de la capacidad, la comparación indica que el análisis mediante la historia de
aceleraciones del terreno es adecuado para estados de menor daño mientras que el
enfoque de espectro de capacidad es más adecuado para estados de mayor daño.
Kim y Feng (2003) determinan las curvas de vulnerabilidad para un puente considerando
que la intensidad sísmica varía a lo largo del suelo sobre el que está desplantado el
puente.
Hwang et al. (2001) utilizan un método analítico para obtener curvas de vulnerabilidad en
puentes tomando en cuenta las incertidumbres en los parámetros del sitio y en las
propiedades de los puentes, establecen características probabilistas de la demanda
estructural como función de la intensidad, proponen estados de daño y las características
probabilistas de la capacidad estructural asociada.
Jernigan y Hwang (2002) presentan un método analítico para la obtención de curvas de
vulnerabilidad para puentes en el centro y el este de Estados Unidos, este método tiene la
ventaja de ser sumamente practico.
Moschonas et al. (2009) realizaron un estudio que se centraba en la estimación de curvas
de vulnerabilidad para los tipos más comunes de puentes en Grecia. Desarrolla un
esquema de clasificación de puentes en un número adecuado de clases. Se basa en el
análisis pushover y en la definición de estados de daño.
Gosh y padgett (2010) presentaron formato de curva de fragilidad sísmica dependientes
del tiempo. Evalúan el impacto de la exposición a sales del deshielo que degradan al
puente y afectan su respuesta sísmica debido a la corrosión en las columnas de concreto
reforzado. Concluyen que el envejecimiento en los puentes incrementa de manera
significativa su vulnerabilidad sísmica.

V
En México Jara et al. (2009) determinaron curvas de vulnerabilidad para puentes
construidos en el estado de Michoacán.

OBJETIVOS

 Desarrollar una aplicación sobre el uso de redes neuronales artificiales que

permita realizar una estimación rápida del diseño de estructuras de puentes de
concreto reforzado a base de trabes tipo AASHTO, ubicados en suelo tipo II
(transición) de la Ciudad de México.

 Determinar la vulnerabilidad sísmica de puentes, considerando la influencia del

daño acumulado causado por sismos al termino de distintos intervalos de tiempo,
mismas que estan ubicadas en suelo tipo II (transición) de la Ciudad de México.

JUSTIFICACIÓN

En México, para el diseño sísmico de puentes, se utiliza como referencia la normatividad

de la SCT y NTC, mismas que no estipulan niveles de seguridad adecuados para este tipo
de estructura, por lo tanto, es necesario estimar niveles de seguridad para este tipo de
estructuras, tomando en consideración las demandas a las que estará sometida la
estructura en toda su vida útil.

ALCANCES

Las metodologías propuestas de análisis, tanto para el pre-diseño estructural como las
curvas de vulnerabilidad son aplicables para puentes de concreto reforzado a base de
trabes tipo AASHTO, ubicados en la Ciudad de México, en zona tipo II (transición).

VI
 CAPÍTULO 1:
REDES NEURONALES ARTIFICIALES

1.1. CONCEPTOS GENERALES

Una Red Neuronal Artificial (RNA) es una estructura formada de un gran número de
neuronas interconectadas entre sí, donde cada una de estas posee una función de
entrada y salida. La salida de cada neurona está determinada por las características de su
entrada y/o salida, las interconexiones que logran hacer con otras unidades, y posibles
entradas externas. Por lo tanto, la RNA realiza una o más función a través de una o más
formas de entrenamiento.
Las RNA fueron diseñadas para simular ciertas características de los humanos, como la
capacidad de aprender de la experiencia, memorizar, generalizar de ejemplos previos a
ejemplos nuevos. Debido a que existen problemas que se basan en la experiencia que no
pueden expresarse través de un algoritmo, pero en cambio el hombre si es capaz de
resolverlos a través de la experiencia que va acumulando en el tiempo. Se planteó la idea
de crear un sistema que para aproximarse a este tipo de problema sea capaz de
reproducir esta característica humana, lográndose esto con las redes neuronales
artificiales. Por lo tanto, las RNA no son más que un modelo artificial y simplificado del
cerebro humano, que es el mayor ejemplo del que disponemos de un sistema que es
capaz de adquirir conocimiento a través de la experiencia.
Las redes neuronales artificiales presentan un gran número de características semejantes
a las del cerebro. Por ejemplo, son capaces de obtener experiencia, de generalizar de
casos anteriores a nuevos casos, de abstraer características esenciales a partir de
entradas que representan información irrelevante, etc. Esto hace que ofrezcan numerosas
ventajas y que este tipo de tecnología se esté aplicando en múltiples áreas de
conocimiento.
Dentro de la ventaja que podemos destacar en este sistema, destaca la capacidad de
aprender a realizar tareas basadas en un entrenamiento o en una experiencia y de
organizar la información que recibe mediante una etapa de aprendizaje.

1
1.2. ESTRUCTURA DE UNA RED NEURONAL

1.2.1. MODELO BIOLÓGICO

Las configuraciones y algoritmos que se diseñan para las redes neuronales artificiales
están inspiradas en la organización del complejo sistema neuronal del cerebro humano,
este contiene billones de neuronas, que se comunican a través de conexiones llamadas
sinapsis. Cada neurona está compuesta por tres partes fundamentales: el cuerpo,
dendritas y axón. Donde el cuerpo tiene la capacidad única de generar impulsos
nerviosos, las dendritas poseen algunas conexiones sinápticas en donde se reciben
señales que generalmente vienen de otros axones y el axón se encarga de activar o
inhibir otras neuronas las cuales a su vez son activadas por cientos o miles de otras
neuronas (ver figura 1.1).

Cuerpo Celular Dendritas

Núcleo

Axón

Figura 1.1 Partes que constituyen una neurona.

1.2.2. ARQUITECTURA DE REDES NEURONALES ARTIFICIALES

El funcionamiento de una RNA consiste en aplicar un conjunto de entradas, donde cada

una puede estar representando la salida de otra neurona, o una entrada del medio
externo, realizar una suma ponderada con estos valores y filtrar los datos obtenido con
una función (ver figura 1.2).

2
 Entradas Pesos
Función de Función de
Ponderación Activación

Salida

Figura 1.2. Salidas de una Red Neuronal Artificial

Cada neurona recibe un vector de entrada, donde cada una de estas se multiplica por
un peso que tiene asociado Al conjunto de pesos se le denomina
vector . Cada peso representa la fuerza de conexión. Los resultados de estas
multiplicaciones se suman, como se muestra en la ecuación 1.

∑ (1)

Una vez que ha sido calculado, se transforma en el valor de activación, y se aplica la

función de activación que es la encargada de transformar el valor de la entrada en el
valor de salida del nodo (Freeman & Skapura, 1991), (ver figura 1.3).

Figura 1.3. Aplicación de función de activación.

3
1.3. MODELO GENÉRICO DE NEURONA ARTIFICIAL

La neurona es el procesador elemental, tal que a partir de un vector de entrada

procedente del exterior o de otras neuronas, proporciona una única respuesta o salida,
(ver figura 1.4).

Figura 1.4. Modelo genérico de una neurona artificial.

Los elementos que constituyen dicha neurona son:

Entradas: En donde representa el estado actual de la RNA.

Pesos sinápticos: . Representan la intensidad de interacción entre cada neurona

presináptica y la neurona postsináptica .

Regla de propagación: . Proporciona el valor del potencial postsináptico,

, de la neurona en función de sus pesos y entradas. Es decir:

(2)

La función más habitual es de tipo lineal, y se basa en una suma ponderada de las
entradas con los pesos sinápticos.

4
 ∑ (3)

El peso sináptico define en este caso la intensidad de interacción entre la neurona

presináptica y la postsináptica . Dada una entrada positiva, si el peso es positivo
tenderá a excitar a la neurona postsináptica, si el peso es negativo tenderá a inhibirla. Así,
se habla de sinapsis excitadoras (peso positivo) e inhibidoras (peso negativo).

La Función de activación o de transferencia es como sigue:

(4)

Proporciona el estado de activación actual, , de la neurona en función de su estado

anterior, , y de su potencial postsináptico actual, es decir:

(5)

La función de activación se suele considerar determinista, y en la mayor parte de los

modelos es monótona creciente y continua. La forma de las funciones de
activación más empleadas en las RNA se muestra en la Figura 1.5, donde representa
el potencial postsináptico y el estado de activación.

5
 Figura 1.5. Funciones de activación habituales para RNA.

Función de salida: Proporciona la salida actual , de la neurona en función

de su estado de activación actual. Muy frecuentemente la función de salida es
simplemente la identidad , de modo que el estado de activación de la neurona
se considera como la propia salida, es decir:

( ) (6)

Por tanto, la operación de la neurona puede expresarse de la siguiente forma:

( ) (7)

Todos estos elementos que constituyen la neurona artificial, se muestran en la figura 1.6.

6
 Variables de
Sinapsis
Entrada Axón

W1 Cuerpo Celular
X1 Y1

X2
W2 S G Y2

Xn Wn Yn
Función de Función de
v Ponderación Activación

Estímulos externos o Pesos Variables de

salidas de otras
Salida

Figura 1.6. Modelo Estándar de Neurona Artificial.

1.4. CLASIFICACIÓN DE LAS REDES NEURONALES

Una red típica consiste en una secuencia de capas con conexiones entre ellas
consecutivamente. Existen dos capas principales, que son las que tienen conexiones con
el exterior; una capa de entrada donde se presentan los datos a la red y una capa de
salida que mantiene la respuesta de la red a una entrada. El resto de las capas dentro de
la red reciben el nombre de capas ocultas, (ver figura 1.7). La capacidad de cálculo y
potencia de las RNA proviene de las múltiples conexiones de neuronas con las que se
constituyen. Las capas de una RNA se relacionan entre sí formando redes que pueden
llegar a ser extremadamente complejas.

7
 Figura 1.7. Capas dentro de una Red Neuronal Artificial.

Las RNA tienen dos principales clasificaciones: redes de una capa y multicapa.
Las redes simples de un nivel (o de una capa) es el modelo más simple, (ver figura 1.8).

X1
Y1

X2
Y2

Xn
Yn

Figura 1.8. Red Neuronal de 1 nivel

Normalmente las redes más complejas, logran mejores resultados en el cálculo que las
redes simples. Las redes de varias capas se forman con un grupo de capas simples en
cascada. La salida de una capa es la entrada de la siguiente capa. Las RNA de varios
niveles, (ver figura 1.9).

8
 Figura 1.9. Red Neuronal Multicapa

1.5. ARQUITECTURA DE LA RED BACKPROPAGATION

Las RNA del tipo Backpropagation son de entrenamiento supervisado, ya que a la red se
le presenta parejas de patrones, un patrón de entrada emparejado con un patrón de salida
deseada. En cada análisis los pesos son ajustados de forma que disminuya el error entre
la salida deseada y la respuesta de la red. El algoritmo de aprendizaje backpropagation
conlleva una fase de propagación hacia adelante y otra fase de propagación hacia atrás.
Los pasos de algoritmo Backpropagation son los siguientes:

1. Se define el vector de entrada [ ] para las neuronas de la primera capa.

2. La información que llega a todas las neuronas de la segunda capa se calcula por
medio de una regla de propagación, como sigue:

∑ (8)

Se aplica una función de transformación donde el valor de la salida de la unidad es

enviado o transmitido a lo largo de todas las conexiones de salida de dicha unidad.
̃ (9)

donde el subíndice indica poder tener diferentes funciones de transformación para cada
neurona.

9
3. Se calcula la entrada y salida de la tercera capa como sigue:

∑ ̃ (10)

(11)

4. Se estima el error entre la salida de datos (t) y el estimado por la red g(x) como
sigue:
(12)

5. Se minimiza el error medio cuadrático (EMC) de la capa de salida (e) y se calcula

como:

∑ (13)

6. Después de aplicar esta técnica a la capa de salida se puede calcular la

actualización de los pesos que conectan a las otras capas de forma similar.

7. El proceso se repite con nuevos pares de entrada y salida (x, t), hasta que el error
es aceptable de acuerdo con la precisión requerida.

1.6. ENTRENAMIENTO DE REDES NEURONALES ARTIFICIALES

Una de las principales características de las RNA es su capacidad de aprendizaje. El

entrenamiento de las RNA muestra similitudes con el aprendizaje de los seres humanos.
El objetivo del entrenamiento de una RNA es conseguir que una aplicación determinada
para un conjunto de entradas produzca el conjunto de salidas deseadas. El proceso de
entrenamiento consiste en la aplicación secuencial de diferentes conjuntos o vectores de
entrada para que se ajusten los pesos de las interconexiones según un procedimiento
predeterminado. Durante la sesión de entrenamiento los pesos convergen gradualmente
hacia los valores que hacen que cada entrada produzca el vector de salida deseado. Los
algoritmos de entrenamiento o los procedimientos de ajuste de los valores de las
conexiones de las RNA se pueden clasificar en dos grupos: Supervisado y No
Supervisado.
Entrenamiento supervisado: Estos algoritmos requieren el emparejamiento de cada vector
de entrada con su correspondiente vector de salida. El entrenamiento consiste en

10
presentar un vector de entrada a la red, calcular la salida de la red, compararla con la
salida deseada, y el error o diferencia resultante se utiliza para realimentar la red y
cambiar los pesos de acuerdo con un algoritmo que tiende a minimizar el error.
Los entrenamientos no supervisados: son modelos de aprendizaje más lógicos en los
sistemas biológicos, estos sistemas de aprendizaje no supervisado no requieren de un
vector de salidas deseadas y por tanto no se realizan comparaciones entre las salidas
reales y salidas esperadas.

11
 CAPÍTULO 2:
APLICACIÓN DE LAS RNA PARA EL PREEDISEÑO
ESTRUCTURAL DE PUENTES

2.1. DESCRIPCIÓN DE LA ESTRUCTURA

Los puentes en estudio se ubican en la Ciudad de México, en la zona tipo II (transición),
son puentes vehiculares de concreto reforzado, formados a base trabes tipo AASHTO y
columnas circulares. En la figura 2.1 y 2.2 se muestra un corte transversal y longitudinal
respectivamente, de un puente tipo de 2 carriles. Las resistencias consideradas en los
elementos que integran la estructura de todos los puentes diseñados se presentan a
continuación: diafragma = 300 Kg/cm2, columna y cabezal = 300 Kg/cm2, trabes
AASHTO = 400 Kg/cm2, losa y cimentación = 250 Kg/cm2, acero estructural =
4200 Kg/cm2 y acero de presfuerzo (torones) = 270 . Para el análisis de cargas
gravitacionales se utilizaron los siguientes valores indicados en la normatividad para la
infraestructura del transporte, (SCT,2001). Concreto reforzado 2.4 Ton/m3, concreto
simple 2.2 Ton/m3 y carpeta asfáltica 2.2 Ton/m3. Para el análisis y diseño estructural de
cada uno de los componentes de la estructura se empleó el reglamento de construcciones
para el distrito federal, (RCDF,2004) y las normas (IMT, 2001).

Figura 2.1. Corte transversal de puente tipo de 2 carriles.

12
 25 m 25 m 25 m

Variable

Variable

Figura 2.2. Corte longitudinal de puente tipo de 2 claros.

El camión de diseño que se utilizó para el análisis y diseño de los puentes, es el IMT 66.5,
indicando las especificaciones de cargas en la norma SCT (IMT, 2001). Se muestra en la
figura 2.3.

Figura 2.3. Modelo de cargas vivas vehiculares IMT 66.5, para el análisis
transversal o tridimensional.

2.2. DISEÑO DE LA ESTRUCTURA

Para analizar la estructura se consideraron diferentes condiciones de carga ante las

diferentes solicitaciones. En la Tabla 2.3. se muestra las combinaciones de carga
utilizadas siguiendo la normatividad de la SCT (IMT, 2001) factores de carga.

13
 Tabla 2.3. Combinaciones de Carga
Combinación Carga Factor
Carga Muerta 1.3
Combinación I
Carga Viva 1.95
Carga Muerta 1.25
Combinación IV
Carga Viva 1.5
Carga Muerta 1.3
Combinación VII
Sismo en X 1.3
Carga Muerta 1.3
Combinación VII
Sismo en Y 1.3

2.2.1 DISEÑO DE COLUMNA Y CABEZAL

La columna y cabezal se diseñó a flexión y cortante para resistir las demandas generadas
por las combinaciones de factores de carga y las distorsiones de diseño desde 0.002,
0.003, 0.004, 0.005, 0.006. En la figura 2.4 se muestra el acero tipo de diseño.

Acero Capa superior

Refuerzo Longitudinal

Estribos
Estribos

Acero Capa inferior

b)
a)

Figura 2.4. a) Diseño de armado de columna tipo y b) Diseño de cabezal tipo.

14
2.2.2. DISEÑO DE TRABE TIPO AASHTO

La elección de la viga AASHTO está dada en función del código de diseño American
Association of State Highway, and Transportation Officials. (AASHTO,2002). En la tabla
2.4 se muestra el criterio para seleccionar la trabe en función del claro a salvar.

Tabla 2.4. Criterio de Selección de tipo de viga AASHTO

Tipo viga Rango de
A Yb Ix Sb St
AASHTO claro a cubrir
(mm2 106) (mm) (mm4 109) (mm3 106) (mm3 106) (m)
II 0.2381 402.1 21.22 52.77 41.43 (12.2 – 13.7)
III 0.3613 514.9 52.19 101.38 83.08 (15.2 – 19.8)
IV 0.509 628.1 108.52 172.77 145.98 (21.4 – 24.4)
V 0.6535 811.8 216.93 267.22 275.16 (27.4 – 30.5)
VI 0.7 924.1 305.24 330.33 337.38 (33.5 – 36.6)

2.3. ENTRENAMIENTO DE LA RNA

En este estudio se utiliza el tipo de RNA ―backpropagation‖. El vector de neuronas en la

capa de entrada (ver tabla 2.5) contiene las características generales del puente. El vector
de neuronas en la capa de salida (ver tabla 2.6.) contiene los parámetros de salida del
diseño que se obtienen de cada configuración de puente. Aquí se considera una función
de activación de tipo sigmoidea para la capa oculta y una función de tipo lineal para la
salida. La importancia de la función sigmoidea radica en que toma valores de entrada que
pueden estar entre más y menos infinito, de tal forma que no importa las unidades de
entrada.

15
 Tabla 2.5. Parámetros de entrada
Número de claros 2, 3, 4, 5
Número de carriles 2, 3, 4
Galibo vertical (m) 5.5, 6, 6.5, 7, 7.5, 8
Distorsiones de diseño 0.002, 0.003, 0.004, 0.005, 0.006
Longitud Máxima de claro (m) 20, 25, 30, 35

Tabla 2.6. Parámetros de salida

Cabezal h (cm)
b (cm)
Área de acero capa superior extremo (cm2)
Área de acero capa inferior extremo (cm2)
Área de acero capa superior centro (cm2)
Área de acero capa inferior centro (cm2)
Separación estribos extremo (cm)
Separación estribos centro (cm)
Columna Diámetro (cm2)
Área de acero longitudinal (cm2)
Separación de estribos (cm)
Trabe Numero de Torones

Para el entrenamiento de la red se seleccionaron de forma aleatoria el número de

neuronas, capas, funciones de entrenamiento y pesos sinápticos. Se ingresaron los datos
de entrada y salida correspondientes al diseño de los puentes analizados de forma
convencional, alimentando nuestra RNA con un total de 60 puentes, que representan el
5% del total de los puentes que se pueden estimar. Se comparan los resultados obtenidos
por la RNA con los resultados esperados del cálculo de forma convencional y se estima el
error medio cuadrático (EMC), este procedimiento se repite con las distintas arquitecturas
hasta determinar con cual se obtiene la mayor aproximación al cálculo ordinario.

16
Se entrenaron un total de 55 arquitecturas de RNA, hasta determinar que arquitectura
presentaba el menor EMC (ver figura 2.6.). En la figura 2.5. se muestra la arquitectura de
la RNA que presento el menor porcentaje de error en los resultados.
La configuración de esta fue de 5 entradas, 10 nodos para la capa oculta y 10 nodos para
la capa de salida y 12 salidas, en este trabajo se representa como 5/10/10/12.

Figura 2.5. Arquitectura de la RNA seleccionada

17
 250.00

200.00

150.00
EMC

100.00

50.00

0.00
Tipo de Arquitectura

5/5/10/12 5/10/10/12 5/15/10/12 5/20/10/12

5/25/10/12 5/5/20/12 5/10/20/12 5/15/20/12
5/20/20/12 5/25/20/12 5/5/30/12 5/10/30/12
5/15/30/12 5/20/30/12 5/25/30/12 5/5/40/12
5/10/40/12 5/15/40/12 5/20/40/12 5/25/40/12
5/5/50/12 5/10/50/12 5/15/50/12 5/20/50/12
5/25/50/12 5/5/100/12 5/10/100/12 5/15/100/12
5/20/100/12 5/25/100/12 5/5/200/12 5/10/200/12
5/15/200/12 5/20/200/12 5/25/200/12 5/5/300/12
5/10/300/12 5/15/300/12 5/20/300/12 5/25/300/12
5/5/400/12 5/10/400/12 5/15/400/12 5/20/400/12
5/25/400/12 5/5/500/12 5/10/500/12 5/15/500/12
5/20/500/12 5/25/500/12 5/5/1000/12 5/10/1000/12
5/15/1000/12 5/20/1000/12 5/25/1000/12

Figura 2.6. Arquitecturas entrenadas vs EMC

18
2.4. VALIDACIÓN DE LA RNA

Para demostrar la eficacia de la RNA se ingresaron dos puentes distintos a los que
alimentaron a la RNA, mismos que estaban dentro de los posibles diseños para los que
fue entrenada la RNA. A continuación, en la Tabla 2.7. mostramos los valores de entrada
que ingresamos a nuestra RNA.

Tabla 2.7. Parámetros de entrada

Parámetros Valor
Diseño 1 Diseño 2
Número de claros 5 2
Número de carriles 3 3
Galibo vertical (m) 6 5.5
Distorsiones de diseño 0.006 0.002
Q 2 2
Longitud Máxima de claro (m) 35 30

En la tabla 2.8 y 2.9, comparamos los resultados obtenidos por nuestra RNA y los que se
obtienen de manera convencional, de igual forma se calcula el porcentaje de error para
cada parámetro.
Tabla 2.8. Resultados de RNA para Diseño 1
Estimación
Parámetro Calculado % Error
RNA
Cabezal
h (cm) 95 98 3.16%
b (cm) 115 118.46 3.01%
Área de acero capa superior extremo
46.7 45.69 2.17%
(cm2)
Área de acero capa inferior extremo (cm2) 52.41 50.9 2.89%
Área de acero capa superior centro (cm2) 103.2 109.01 5.63%
2
Área de acero capa inferior centro (cm ) 151.62 152.77 0.76%
Separación estribos extremo (cm) 10 8.58 14.21%
Separación estribos centro (cm) 10 10 0.00%

19
 Columna
2
Diámetro (cm ) 95 98.75 3.95%
2
Área de acero longitudinal (cm ) 348.64 347.58 0.30%
Separación de estribos (cm) 10 10 0.00%
Trabe AASHTO
Numero de Torones 51 53.55 5.01%

Parámetro Calculado Estimación RNA % Error

Cabezal
h (cm) 135 130.87 3.06%
b (cm) 155 150.91 2.64%
2
Área de acero capa superior extremo (cm ) 60.41 58.55 3.08%
Área de acero capa inferior extremo (cm2) 63.41 64.89 2.34%
Área de acero capa superior centro (cm2) 75.41 76.18 1.02%
Área de acero capa inferior centro (cm2) 64.43 60.79 5.65%
Separación estribos extremo (cm) 10 10.19 1.92%
Separación estribos centro (cm) 10 10 0.00%
Columna
2
Diámetro (cm ) 135 130.94 3.00%
2
Área de acero longitudinal (cm ) 173.14 176.78 2.10%
Separación de estribos (cm) 10 10 0.00%
Trabe AASHTO
Numero de torones 54 51.64 4.37%
Tabla 2.9. Resultados de RNA para Diseño 2

El este estudio se demostró la gran ventaja competitiva del uso de las RNA para
aplicaciones de ingeniería. Reduciendo tiempos de análisis e incluso costos. Como
podemos observar en los resultados obtenidos, el porcentaje de error a nivel de
elementos estructurales, es inferior al 4%, teniendo una aproximación muy cercana a los
cálculos que se obtienen de manera convencional. Este caso se limita a una predicción
rápida de diseño para puentes, pero la aplicación de esta técnica se puede llevar acabo a

20
diversos casos de ingeniería de múltiples grados de complejidad e incluso resolver
problemas de tipo no lineal.

2.5. LIMITACIONES DE LA RNA ENTRENADA

Los pre-diseños obtenidos mediante el uso de esta RNA, se limitan a puentes ubicados en
la zona tipo II de la Ciudad de México, formados por trabes AASHTO y columnas
circulares de concreto reforzado. La estimación de diseño para cada elemento estructural
hace referencia al caso más crítico, es decir; columna, trabe o cabezal más esforzado.
Para el caso de la trabe tipo AASHTO, el número torones que predice la RNA es el
número de torones que se utilizaran en los extremos de las trabes.

21
 CAPÍTULO 3:
ESTIMACIÓN DE LA VULNERABILIDAD ESTRUCTURAL EN EL
TIEMPO

El termino curva de vulnerabilidad sísmica se refiere a la representación gráfica que

relaciona algún parámetro que caracterice a una acción sísmica con el daño sísmico
asociado. Y en otras ocasiones se puede identificar con las funciones de vulnerabilidad o
daño. En términos generales la falla en una estructura se genera cuando la capacidad
ultima es menor que el efecto de las acciones externas (demanda), esta falla no
necesariamente puede manifestarse con el colapso, pero dignifica que el estado limite
considerado ha sido excedido. A continuación, se define una metodología para determinar
las curvas de vulnerabilidad al final de un intervalo de tiempo.

Suponiendo que las demandas máximas presentan una asimetría en sus histogramas con
máximos hacia la parte derecha y valores menores en la parte izquierda y todos los
valores que toma son positivos. Por esta razón la función de densidad de probabilidad que
mejor se ajusta a este comportamiento es la de tipo lognormal (Shome y Cornell 1999). La
función de densidad de probabilidad lognormal de la demanda máxima al termino del
intervalo de tiempo se define como:

[ * ( )+ ]
̅ (14)
√

donde ̅ es la mediana de la demanda, es la desviación estándar de su

logaritmo natural, dada una intensidad, en el instante de tiempo y es la demanda que
se desea evaluar.
La mediana se define como la exponencial del promedio de los logaritmos naturales de
los datos observados como sigue:

∑
̅ [ ] (15)

donde es el logaritmo natural de las distorsiones máximas demandadas dada una

intensidad en el tiempo y el número de observaciones. La desviación estándar del

22
logaritmo natural se puede considerar como una medida de incertidumbre y se obtiene
mediante la ecuación siguiente:

∑ ̅
[[ ] ] (16)

La función de distribución de probabilidad acumulada se expresa mediante:

∫ ̅ (17)

Al proceso de cambiar a una variable con media de 0 y desviación estándar igual a 1

se le llama estandarización, y la ecuación es la siguiente:
̅
(18)

Despejando ̅ de la ecuación anterior y se sustituye en 17 se obtiene:

( ̅ )
( ̅ ) ( ) (19)

Donde se deduce:

( ̅ ) ( ̅ )
( ) ( ) (20)

donde: es la función de distribución acumulada normal estándar. El complemento de

la ecuación anterior expresa la probabilidad de que la distorsión exceda algún valor igual
a d:
̅
( ) ( ) (21)

Las probabilidades de excedencia de una cierta distorsión dada un Sa/g y al final de un

intervalo de 0 a años se ajustan con una expresión del tipo:

( ) (22)

donde y son los parámetros de ajuste a ser determinados en una regresión en la que
se utilizan los valores de las medianas de las demandas máximas dada una intensidad en
el instante .

23
 CAPÍTULO 4:
MOVIMIENTOS SISMICOS

4.1 MOVIMIENTOS SÍSMICOS

La filosofía para el diseño de estructuras, se basa en que deben de operar en condiciones

de servicio durante un tiempo establecido o vida útil, este tiempo está estrechamente
relacionado con las características estructurales y las solicitaciones a las que estará
sometida la estructura. Estas solicitaciones pueden ser eventos sísmicos. Se puede decir
que las estructuras tipo puente no han presentado daño, si los desplazamientos
demandados no exceden el de fluencia; y el caso contrario generaría daño y disminución
de rigidez lateral de la estructura hasta llegar al colapso.
Para poder evaluar el daño que presentará una estructura en su vida útil, es necesario
definir las posibles cargas extraordinarias a las que estará expuesta. Para este tipo de
estructuras podemos tomar como las cargas más desfavorables, las provocadas por la
actividad sísmica.
Las solicitaciones sísmicas a las que estará sujeta la estructura, se definen a partir de una
serie de registros cercanos al del sitio de estudio, donde su descripción se lleva a cabo
mediante métodos probabilísticos, así como la simulación de sismos sintéticos a partir de
los registros de sitio y la forma de asociar su ocurrencia al lugar de estudio, lo anterior
para poder representar de una mejor manera la sismicidad del lugar donde estará ubicada
la estructura. Los acelerogramas se pueden obtener mediante simulación de movimientos
sísmicos o a partir de registros reales. Existen varios procedimientos para obtener
acelerogramas simulados, por ejemplo, utilizando procesos unidimensionales con
amplitud y frecuencia moduladas (Grigoriu et al., 1988), utilizando procesos estocásticos
filtrados (Sakaf y Boore, 1986), admitiendo una falla puntual y que se emite una función
de Green en tiempos aleatorios (Ordaz et al., 1995). Para este estudio, se crearon
movimientos mediante modelos numéricos estocásticos, se generaron 1000
acelerogramas sinteticos a partir de los registros obtenidos en la estación UC44 en suelo
tipo II de la Ciudad de México (conocido como suelo de transición). Este procedimiento de
generación de movimientos sintéticos considera que el movimiento sísmico que se simula
puede ser considerado como un proceso estocástico ergódico Gaussiano no-estacionario,

24
con parámetros estocásticos que dependen de la magnitud y distancia de la fuente del
sismo al sitio de estudio (Alamilla et al., 2001).
Con la finalidad de caracterizar el daño acumulado se recurre a métodos probabilísticos
para definir los posibles eventos sísmicos a los que estará expuesta la estructura durante
ciertos intervalos de tiempo, la importancia de los movimientos sísmicos y los tiempos de
espera se centra en que a través de estos es posible simular las principales solicitaciones
sísmicas que afectaran al sistema.
En los siguientes subcapítulos se describe un procedimiento para estimar las intensidades
sísmicas y los tiempos de espera, a partir de una serie de registros cercanos al sitio y de
acelerogramas generados de forma sintética, así como la manera de asociar estos
acelerogramas a las intensidades simuladas y la manera en que se considera el daño
acumulado. En la figura 4.2 pueden observarse los espectros de respuesta a un conjunto
de acelerogramas simulados.

Figura 4.1. Espectro de pseudoaceleración de sismos simulados.

4.2 SIMULACIÓN DE INTENSIDADES

Para la simulación de las intensidades sísmicas, se tomó la curva de peligro sísmico del
sitio. Donde esta nos indica el número de ocurrencias de un evento que excede por
unidad de tiempo un cierto nivel de intensidad.
La curva de peligro puede ajustarse mediante la siguiente función:

25
 ( ) (23)

donde es la tasa anual a una intensidad de 50 cm/seg2; es la mínima intensidad que

se considera en el estudio dado que menores a esta no producen daño a la estructura;
es la intensidad máxima obtenida en la curva de peligro sísmico; son las tasas de
excedencia; son las constantes de ajuste para la curva de peligro sísmico.

La probabilidad acumulada se expresa con la siguiente ecuación:

(24)

Sustituyendo las ecuaciones 24 en 23 se tiene:

( ) ( ) (25)

En la figura 4.2 se puede observar a la función de probabilidad acumulada de la curva de

peligro sísmico.

0.8

0.6
F(y)

0.4

0.2

0
50 250 450 650
2
Intensidades sísmicas (cm/s )
Figura 4.2. Función de probabilidad acumulada para intensidades sísmicas.

Para llevar a cabo la simulación de intensidades, se generan valores aleatorios de 0 a 1

considerando una función de distribución uniforme, en otras palabras, donde todos los
valores entre 0 y 1 tienen la misma probabilidad de ocurrencia y se asocia dicho valor
aleatorio con su respectiva intensidad sísmica, (ver figura 4.2).

26
4.3 SIMULACIÓN DE TIEMPOS DE ESPERA

Con el objetivo de simular los tiempos de espera entre los eventos sísmicos se supone
que estos siguen un proceso estocástico tipo poisson, por esta razón los eventos sísmicos
tienen una distribución exponencial, y están representados por la ecuación siguiente:

(26)

donde:
(27)

Si se supone que 𝑇 es una variable aleatoria que describe el tiempo para que ocurra el
primer evento, entonces la probabilidad de que 𝑇 exceda algún valor de t es igual a la
probabilidad de que no suceda un evento en el intervalo 𝑇. En el intervalo de longitud t la
primera probabilidad es 1-FT(t) y la última probabilidad es PX(0) la cual representa la
probabilidad de que una variable aleatoria X de poisson con parámetro sea cero
(Benjamín y Cornell, 1970). Con base en lo anterior y haciendo algunos arreglos
algebraicos en las ecuaciones 24, 25 y 26 es posible llegar a la ecuación siguiente:

(28)

Por lo tanto:
(29)

Los tiempos de espera son caracterizados mediante la ecuación siguiente:

𝑇 | | (21)

donde 𝑇 es tiempo de espera al i-esimo evento sísmico; son valores simulados entre 0
y 1 con distribución uniforme. Con base en la simulación de intensidades y tiempos de
espera se construyeron 50 historias de eventos simulados.
En la figura 4.3. se muestra una historia de eventos simulados donde en el eje de las
abscisas se encuentran los tiempos de espera, y las intensidades en el eje de las
ordenadas.

27
 450
400
350
Intensidad (cm/seg2)

300
250
200
150
100
50
0
4
6
17
23
31
46
57
69
82
96
99
106
115
131
137
145
156
165
173
192
202
212
220
226
244
255
265
273
286
300
Tiempo (años)
Figura 4.3. Intensidades sísmicas y tiempos de espera simulados.

4.4. ESCALAMIENTO DE ACELEROGRAMAS

Para poder excitar a las estructuras con diferentes niveles de intensidad sísmica es
necesario modificar los valores de la aceleración de los movimientos sísmicos registrados
por una cantidad denominada factor de escala. Este es un valor numérico que multiplica a
la historia de aceleraciones del registro, y así la ordenada espectral correspondiente al
periodo fundamental de la estructura posea la intensidad especificada. Esta intensidad
está asociada a la probabilidad de que un sismo con esas características aparezca en
cierto intervalo de tiempo.

El proceso para determinar el factor de escala se describe con el siguiente ejemplo:

1) Cada intensidad se asocia con un sismo sintético tomado aleatoriamente.

2) Se determina el valor de la ordenada correspondiente al periodo fundamental de la

estructura para cada espectro de respuesta de los sismos sintéticos, (ver figura
4.4).

28
 200

Intensidad (cm/s2) 150

(0.56,161.56)

100

50

0
0.0 0.3 0.5 0.8 1.0 1.3 1.5 1.8 2.0 2.3 2.6 2.8 3.1 3.3 3.6 3.8 4.1 4.3
Periodo T (seg)

Figura 4.4 espectro de respuesta de sismo sintético

3) El factor de escala será calculado mediante la siguiente expresión:

(22)

donde es la intensidad obtenida de la simulación de intensidades y tiempos de

espera; es la intensidad que corresponde al periodo fundamental en el espectro de
respuesta sintético.
4) El acelerograma simulado se multiplica por el factor de escala.

2000
Acelerograma
1500 simulado
1000 acelerograma
escalado
500
0
-500
-1000
-1500
-2000
-2500
0.0
1.7
3.5
5.2
6.9
8.6
10.3
12.1
13.8
15.5
17.2
18.9
20.7
22.4
24.1
25.8
27.5
29.3
31.0
32.7
34.4
36.1
37.9
39.6
41.3
43.0
44.7
46.5
48.2
49.9

Figura 4.5. Ejemplo de un acelerograma escalado

29
 5) Posteriormente se puede construir la historia de movimientos integrando los
acelerogramas escalados. Para estimar la respuesta inelástica se llevan a cabo los
pasos del 1 al 4 dentro de los intervalos de tiempo considerados y después el
ultimo sismo es escalado de 100 en 100 Gal. hasta llegar a la falla incipiente. La
figura 4.6 muestra una historia de eventos simulados, se muestran dos
movimientos sísmicos y el tercero se trata de un sismo escalado.

Acelerogramas simulados y Acelerogramas simulados y

multiplicados por su factor de escalado hasta la falla incipiente
escala correspondiente.

200

150

100
Intensidades (cm/s2)

50

-50

-100

-150

-200

-250
Tiempo

Figura 4.6. Ejemplo de una historia de aceleraciones para calcular la demanda estructural

4.5. DAÑO ACUMULADO

La ocurrencia de sismos dentro de un intervalo de tiempo puede llevar a que las

estructuras sufran daño. Si la estructura no es sometida a ningún tipo de mantenimiento,
ya sea reparación o sustitución de los componentes estructurales comprometidos es
posible que en eventos sísmicos futuros el daño se incremente y podría ocasionar el
colapso.

30
Se considera que si los desplazamientos demandados son menores a los
desplazamientos de fluencia no existe daño, en caso contrario se presentan rotulas
plásticas que se manifiestan mediante la perdida de rigidez lateral y pueden crecer hasta
ocasionar el colapso.
En esta tesis el daño acumulado se muestra implícitamente en el análisis sísmico del
puente. Mediante la metodología mostrada en el capítulo 4 se construye una historia de
eventos simulados para un intervalo de tiempo, colocando como solicitación del sistema
los acelerogramas de la inicial al i-ésimo lo suficientemente separados para ser
considerados como independientes, de tal manera que caractericen adecuadamente la
sismicidad de sitio. En otras palabras, la estructura es analizada sometiéndose a todos los
posibles sismos que pudieran ocurrir en un intervalo de tiempo y un sitio dados. En caso
de que no se presente daño para una historia de eventos sísmicos, el último
acelerograma que la conforma puede ser escalado hasta provocar el colapso, esto con la
finalidad de relacionar las intensidades a las distorsiones demandas dentro de los rangos
no lineales, es decir cuando ya se ha presentado algún tipo de daño.
El software usado para este análisis es Ruaumoko 3D debido a la capacidad de realizar
análisis dinámicos no lineales, esto gracias a incorporar el modelo de comportamiento
histerético de Takeda modificado (figura 4.7), el cual considera la disminución la rigidez y
de la resistencia de las juntas de concreto para una serie de ciclos de carga y descarga.

Figura 4.7. Modelo histerético de Takeda modificado

El modelo se define mediante: El factor α, el cual controla la rigidez de la rama de

descarga, el factor β que gobierna la rigidez de recarga, el factor r que controla la perdida
de rigidez después de que el elemento cede, la rigidez inicial es igual a EI, y es la
rigidez de la rama de descarga

31
 CAPÍTULO 5:
EJEMPLO DE APLICACIÓN

Se obtiene las curvas de vulnerabilidad al termino de 50, 100, 150 y 200 años
considerando la acumulación de daño generado por distintas acciones sísmicas de un
puente continuo de concreto reforzado a base de trabes tipo AASHTO. La estructura
consta de 5 claros de 25m cada uno, la altura de galibo es de 8 metros, el ancho del
puente es de 18.06 metros, la estructura cuenta con 4 carriles y el ancho de calzada de
cada carril es de 3.5 metros; ambos carriles cuentan con un acotamiento de 0.90 metros.
El criterio de diseño fue el mismo que se describio en el capítulo 2, considerando una
distorsión de diseño de 0.006. La estructura se encuentra situada en suelo tipo II de la
ciudad de México. La figura 5.1. y 5.2. muestra un corte transversal y longitudinal
respectivamente del puente en estudio.

0.53m
0.53m

1.0m
1.0m

3.5m 3.5m 1.0m 3.5m 3.5m

0.07m
0.20m
1.37m

1.0m

8.0m

Figura 5.1. Corte transversal de puente en estudio.

32
 25 m 25 m 25 m 25 m 25 m

Figura 5.2. Corte longitudinal de puente en estudio.

5.1. MODELO DE RESPUESTA NO LINEAL

Para el análisis inelástico de la estructura, se utilizó el programa Ruaumoko 3D

(Carr,2007).
Se consideró que el tablero tiene una rigidez muy grande en relación a las columnas,
razón por lo que la superestructura se modelo infinitamente rígida, bajo esta
consideración solo se toma en cuenta el desplazamiento y las cargas dinámicas laterales
en las columnas del puente. En la figura 5.3. se muestra el modelamiento en Ruaumoko
3D.

Figura 5.3. Modelo en Ruaumoko 3D.

33
El análisis de la estructura en Ruaumoko 3D, genero un periodo de 𝑇 = 0.55902. Para la
obtención de la demanda estructural en el tiempo, esta se sometió a eventos sísmicos
dentro de intervalos de 50, 100, 150 y 200 años, con sus respectivos incrementos de
aceleraciones hasta generar la falla de la estructura.

5.2. OBTENCIÓN DE LA DEMANDA ESTRUCTURAL EN EL TIEMPO

La demanda estructural en el tiempo se obtiene considerando las historias de eventos

simulados y al último sismo de estas historias es escalado progresivamente hasta que el
sistema estructural falla. Las máximas respuestas en términos de distorsiones son
asociadas a las intensidades de los sismos que las producen, por lo que se tienen
diferentes respuestas para la misma intensidad. Con el propósito de caracterizar este
grupo de respuestas se obtiene su mediana y su desviación estándar del logaritmo natural
con base en las ecuaciones 15 y 16 respectivamente, este proceso se repite para cada
intervalo de tiempo en estudio. En la figura 5.4. a, b, c y d se muestran con círculos los
valores máximos de distorsión para distintos niveles de intensidad y con línea llena la
mediana de los logaritmos naturales para cada intervalo de tiempo.

0.007

0.006

0.005
Distorsión

0.004

0.003

0.002

0.001

0
0 0.1 0.2 0.3 0.4 0.5 0.6
Sa/g

a) 0 años

34
 0.008
0.007
0.006
0.005
Distorsión

0.004
0.003
0.002
0.001
0.000
0 0.1 0.2 0.3 0.4 0.5 0.6
Sa/g
b) 50 años

0.010
0.009
0.008
0.007
0.006
Distorsión

0.005
0.004
0.003
0.002
0.001
0.000
0 0.1 0.2 0.3 0.4 0.5 0.6
Sa/g

c) 100 años

35
 0.012

0.010

Distorsión 0.008

0.006

0.004

0.002

0.000
0.0 0.1 0.2 0.3 0.4 0.5 0.6

Sa/g
d) 150 años

0.012

0.01

0.008
Distorsión

0.006

0.004

0.002

0
0 0.1 0.2 0.3 0.4 0.5 0.6
Sa/g

e) 200 años
Figura 5.4. Mediana de la demanda al termino de a) 0 años, b) 50 años, c) 10 años, d)
150 años y e) 200 años

36
5.4. CURVAS DE VULNERABILIDAD SÍSMICA

Las curvas de vulnerabilidad representan la probabilidad de igualar o exceder un estado

límite de daño en función de un parámetro representativo de la severidad del movimiento
u otro asociado a la respuesta estructural. Las curvas de vulnerabilidad se expresan como
la probabilidad acumulada de alcanzar o rebasar un determinado estado de daño para
una tipología estructural dada expuesta a diferentes niveles de intensidad del evento
sísmico.
Se utilizan métodos probabilistas para incluir el efecto de las incertidumbres,
caracterizadas mediante la desviación estándar del logaritmo natural de la demanda.

Al evaluar la vulnerabilidad sísmica es necesario conocer la predisposición física de la

estructura de experimentar un nivel de daño especifico. Existen muchas maneras de
caracterizar esta predisposición, una de ellas es mediante la probabilidad de igualar o
exceder cierto nivel de daño, este daño está asociado a un estado límite. En esta tesis el
daño se encuentra en términos de la distorsión máxima del tablero y se ha establecido
con un valor de 0.006.
En la figura 5.6 se pueden apreciar los valores obtenidos para las intensidades analizadas
y su ajuste mediante la ecuación 22 considerando los 5 casos.

1.0

0.8
𝑃(𝐷|𝑦,𝑡≥𝑑)

0.6
Sin ajustar
0.4 Ajustada

0.2

0.0
0.0 0.5 1.0
Sa/g

37
 a) 0 años

1.0

0.8
𝑃(𝐷|𝑦,𝑡≥𝑑)

0.6
Sin Ajustar
0.4 Ajustada

0.2

0.0
0.0 0.5 1.0
Sa/g

b) 50 años

1.0

0.8
𝑃(𝐷|𝑦,𝑡≥𝑑)

0.6
Sin ajustar
0.4 Ajustada

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Sa/g

c) 100 años

38
 1.0

0.8
𝑃(𝐷|𝑦,𝑡≥𝑑)

0.6
Sin ajustar
0.4 Ajustada

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Sa/g

d) 150 años

1.0

0.8
𝑃(𝐷|𝑦,𝑡≥𝑑)

0.6
Sin ajustar
0.4 Ajustada

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Sa/g

e) 200 años
Figura 5.6. Curvas de vulnerabilidad sísmica para las intensidades analizadas y
distintos niveles de daño acumulado. a) 0 años b) 50 años c) 100 años d) 150 años y
e) 200 años.

39
Las curvas de vulnerabilidad sísmica representan la probabilidad de que una distorsión de
0.006 pueda ser excedida para diferentes intensidades, estas curvas suavizadas para los
casos mencionados pueden observarse en la figura 5.7, se aprecia que la probabilidad de
excedencia aumenta junto con el daño, considerando que el daño aumenta cuanto mayor
es el intervalo de tiempo considerado, esto se debe a que las características mecánicas
del puente, como su rigidez se ven disminuidas cuando este está sometido a un número
mayor de eventos sísmicos.

0.8

0 años
𝑃(𝐷|𝑦,𝑡≥𝑑)

0.6
50 años
100 años
0.4 150 años
200 años

0.2

0
0 0.2 0.4 0.6 0.8 1
Sa/g

Figura 5.7. Curvas de vulnerabilidad sísmica para distintos niveles de daño acumulado

40
CONCLUSIONES

Se presentó el uso de redes neuronales artificiales aplicadas a la ingeniería estructural

como una nueva forma del diseño de puentes a base de trabes tipo AASHTO, a partir de
una revisión de los procedimientos de diseño de este tipo de puentes se estimaron los
parámetros de entrada como aquellos a partir de los cuales se puede partir para el diseño
estructural, como el número de claros, número de carriles, galibo vertical, entre otros, y
como parámetros de salida aquellos resultados a los que tendría que llegar el diseñador
como son porcentajes de acero y dimensiones de los elementos estructurales.

Los resultados fueron comparados con diseños típicos que se llevan a cabo en la práctica
profesional, estas comparaciones revelan que los diseños son aceptables ya que al
compararse con los resultantes de procedimientos convencionales resultan diferencias del
orden del 3%. Este error o diferencia es despreciable tomando en cuenta las ventajas del
uso de esta aplicación, como la velocidad o el hecho de partir de un pre-diseño muy
cercano al final. Esto muestra que este tipo de metodología de optimización del diseño
tienen grandes posibilidades de ser aceptada en el futuro como una herramienta de uso
común por los ingenieros de la práctica.

Se obtuvieron curvas de vulnerabilidad sísmica sin daño y con daño causado por eventos
sísmicos simulados al termino de intervalos de 50, 100, 150 y 200 años, se puede
apreciar que la probabilidad de que el valor de demanda de 0.006 sea excedido es más
alta a medida que el intervalo de tiempo incrementa, es decir, más daño acumulado por
eventos sísmicos.

Los resultados muestran que al considerar el daño inducido por sismos en la estimación
de las curvas de vulnerabilidad la probabilidad de excedencia de la demanda (0.006) se
incrementa significativamente del modelo sin daño hasta el de 200 años.

Se puede apreciar que la importante diferencia de vulnerabilidad entre los modelos que no
consideran daño y los que si lo hacen revela que debe ser tomado en cuenta el daño
cumulado en zonas altamente sísmicas ya que el no hacerlo podría ocasionar que el
diseño tuviera un comportamiento inaceptable.

41
REFERENCIAS

Alamilla, J., Esteva, L., Garcia-Perez, J., & Diaz-Lopez, O. (2001). Evolutionary properties
of stochastic models of earthquake accelerograms: Their dependence on magnitude and
distance. Journal of seismology, 5(1), 1-21.

American Association of State Highway, & Transportation Officials. (2002). Standard

specifications for highway bridges. AASHTO.

Benjamin, J. R. (1970). Cornell CA. Probability. Statistics, and decision for civil engineers.
McGraw-Hill, New York.

Bojórquez Mora, J., Tolentino, D., Ruiz, S. E., & Bojórquez, E. (2016). Diseño sísmico
preliminar de edificios de concreto reforzado usando redes neuronales
artificiales. Concreto y cemento. Investigación y desarrollo, 7(2), 60-78.

Cardoso, J. B., de Almeida, J. R., Dias, J. M., & Coelho, P. G. (2008). Structural reliability
analysis using Monte Carlo simulation and neural networks. Advances in Engineering
Software, 39(6), 505-513.

Distrito Federal, G. (2004). Normas técnicas complementarias para diseño y construcción

de estructuras de concreto. Reglamento de Construcciones del Distrito Federal. México
DF.

FEMA, N. (1999). Earthquake loss estimation methodology—HAZUS 99. Federal

Emergency Management Agency and National Institute of Buildings Sciences, Washington
DC, USA.

Freeman, J. A., & Skapura, D. M. (1991). Algorithms, Applications, and Programming

Techniques. Addison-Wesley Publishing Company, USA.

Ghosh, J., & Padgett, J. E. (2010). Aging considerations in the development of time-
dependent seismic fragility curves. Journal of Structural Engineering, 136(12), 1497-1511.

Grigoriu, M., Ruiz, S. E., & Rosenblueth, E. (1988). The Mexico earthquake of September
19, 1985—Nonstationary models of seismic ground acceleration. Earthquake
Spectra, 4(3), 551-568.

Hwang, H., Liu, J. B., & Chiu, Y. H. (2001). Seismic fragility analysis of highway
bridges. Mid-America Earthquake Center CD Release 01-06.

42
Jara, M., Jara, J. M., & Rojas, R. (2009). Estimación de daño en pilas de puentes con
base en un criterio de desplazamientos. En XVII Congreso Nacional de Ingeniería
Sísmica, Puebla, México.

Jernigan, J. B., & Hwang, H. (2002, July). Development of bridge fragility curves. En 7th
US National Conference on Earthquake Engineering. Boston, USA.

Karim, K. R., & Yamazaki, F. (2007). Effect of isolation on fragility curves of highway
bridges based on simplified approach. Soil Dynamics and Earthquake Engineering, 27(5),
414-426.

Kim, S. H., & Feng, M. Q. (2003). Fragility analysis of bridges under ground motion with
spatial variation. International Journal of Non-Linear Mechanics, 38(5), 705-721.

Kim, S. H., Yoon, C., & Kim, B. J. (2000). Structural monitoring system based on sensitivity
analysis and a neural network. Computer‐Aided Civil and Infrastructure Engineering, 15(4),
189-195.

Lautour, O. R., & Omenzetter, P. (2009). Prediction of seismic-induced structural damage

using artificial neural networks. Engineering Structures, 31(2), 600-606.

Moschonas, I. F., Kappos, A. J., Panetsos, P., Papadopoulos, V., Makarios, T., &
Thanopoulos, P. (2009). Seismic fragility curves for Greek bridges: methodology and case
studies. Bulletin of Earthquake Engineering, 7(2), 439.

Mukherjee, A., Deshpande, J. M., & Anmala, J. (1996). Prediction of buckling load of
columns using artificial neural networks. Journal of Structural Engineering, 122(11), 1385-
1387.

Nielson, B. G., & DesRoches, R. (2007). Analytical seismic fragility curves for typical
bridges in the central and southeastern United States. Earthquake Spectra, 23(3), 615-
633.

Ordaz, M., Arboleda, J., & Singh, S. K. (1995). A scheme of random summation of an
empirical Green's function to estimate ground motions from future large
earthquakes. Bulletin of the Seismological Society of America, 85(6), 1635-1647.

Papadrakakis, M., Papadopoulos, V., & Lagaros, N. D. (1996). Structural reliability analyis
of elastic-plastic structures using neural networks and Monte Carlo simulation. Computer
methods in applied mechanics and engineering, 136(1-2), 145-163.

43
Safak, E., & Boore, D. M. (1986). On nonstationary stochastic models for earthquakes.
In Proceedings of the Third US National Conferencoe on Earthquake
Engineering. Charleston, USA.

SCT (2001), Nueva normatividad para diseño de puentes, página electrónica del IMT y la
SCT, http://normas.imt.mx/default.htm, N-PRY-CAR-6-01-001/01 a N-PRY-CAR-6-01-
006/01, Secretaria de Comunicaciones y transportes.

Shinozuka, M., Feng, M. Q., Kim, H. K., & Kim, S. H. (2000). Nonlinear static procedure for
fragility curve development. Journal of engineering mechanics, 126(12), 1287-1295.

Shome N y Cornell C. A., (1999), ―Probabilistic seismic demand analysis of nonlinear

structures‖, Reability of Marine Structures Program, Report No. RMS-35, Dept. of Civil
Eng., Stanford University, Stanford, CA.

Srinivas, V., & Ramanjaneyulu, K. (2007). An integrated approach for optimum design of
bridge decks using genetic algorithms and artificial neural networks. Advances in
Engineering Software, 38(7), 475-487.

Stephens, J. E., & VanLuchene, R. D. (1994). Integrated assessment of seismic damage

in structures. Computer‐Aided Civil and Infrastructure Engineering, 9(2), 119-128.

TC-25 (1997), "Seismic vulnerability and impact disruption of lifelines in the coterminous
United States", Reporte Técnico, Applied Technology Council, California, USA.

Vamvatsikos, D., & Cornell, C. A. (2002). Incremental dynamic analysis. Earthquake

Engineering & Structural Dynamics, 31(3), 491-514.

Zhang, J., Huo, Y., Brandenberg, S. J., & Kashighandi, P. (2008). Effects of structural
characterizations on fragility functions of bridges subject to seismic shaking and lateral
spreading. Earthquake Engineering and Engineering Vibration, 7(4), 369-382.

44