Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
TESIS
PRESENTA:
RODRIGO GUERRA RAMOS
DIRECTOR:
DR. DANTE TOLENTINO LÓPEZ
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.
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
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
JUSTIFICACIÓN
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
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
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).
Núcleo
Axón
2
Entradas Pesos
Función de Función de
Ponderación Activación
Salida
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)
3
1.3. MODELO GENÉRICO DE NEURONA ARTIFICIAL
(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)
(4)
(5)
5
Figura 1.5. Funciones de activación habituales para RNA.
( ) (6)
( ) (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
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
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
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:
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)
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)
∑ (13)
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.
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
12
25 m 25 m 25 m
Variable
Variable
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.
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
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.
Estribos
Estribos
b)
a)
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.
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
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.
17
250.00
200.00
150.00
EMC
100.00
50.00
0.00
Tipo de Arquitectura
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.
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%
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.
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
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)
√
∑
̅ [ ] (15)
22
logaritmo natural se puede considerar como una medida de incertidumbre y se obtiene
mediante la ecuación siguiente:
∑ ̅
[[ ] ] (16)
∫ ̅ (17)
( ̅ )
( ̅ ) ( ) (19)
Donde se deduce:
( ̅ ) ( ̅ )
( ) ( ) (20)
( ) (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
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.
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)
( ) ( ) (25)
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.
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)
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.
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.
28
200
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)
(22)
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
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.
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
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.
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
0.07m
0.20m
1.37m
1.0m
8.0m
32
25 m 25 m 25 m 25 m 25 m
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.
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
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
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.
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.
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.
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.
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.
TC-25 (1997), "Seismic vulnerability and impact disruption of lifelines in the coterminous
United States", Reporte Técnico, Applied Technology Council, California, USA.
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