Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Antofagasta, Chile
2019
A mi familia por el amor y apoyo que me han dado en cada etapa de mi vida
II
AGRADECIMIENTOS
Primeramente, quisiera agradecer a mis padres Raúl e Isabel por todo el apoyo
incondicional que me han brindado a lo largo de los años, agradecerles por
darme la increíble oportunidad de estudiar una carrera profesional, por darme las
herramientas con la cuales pueda afrontar la vida, por los valores y principios
que inculcaron en mí, los que me llevaron a ser la persona que soy hoy en día,
por apoyarme en mis días más duros y disfrutar conmigo los más gratos
momentos. A mi hermana Giselle por siempre creer en mí y por ayudarme en
cada momento que la necesite. A mi sobrina Katrina simplemente por darme un
motivo más para querer tener éxito en esta vida.
A mis amigas y amigos que compartieron este camino conmigo por su apoyo y
compañía. A mi gran compañera de vida por todo el amor y apoyo que me dio
durante la mayor parte de este proceso, por llevarme descubrir muchas más
cosas de las nunca creí conocer. A mi profesor guía por confiar en mí y darme la
oportunidad de trabajar con él.
III
RESUMEN
IV
INDICE
V
4.1. Análisis de regresión simple para estimar σc ....................................... 22
4.1.1. Análisis de regresión simple entre σc y vp ..................................... 22
4.1.2. Análisis de regresión simple entre σc y ρ ...................................... 26
4.1.3. Análisis de regresión simple entre σc y n ...................................... 29
4.2. Análisis de regresión múltiple .............................................................. 34
4.3. Comparación de las relaciones para estimar σc para caliza ................ 39
4.4. Correlación entre Eest y las propiedades físicas y mecánicas .............. 41
4.5. Discusiones ......................................................................................... 44
CAPÍTULO 5: CONCLUSIONES ...................................................................... 45
VI
INDICE DE FIGURAS
VII
Figura 15. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 2. ...... 53
Figura 16. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 3. ...... 53
Figura 17. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 4. ...... 54
Figura 18. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 5. ...... 54
Figura 19. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 6. ...... 54
Figura 20. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 7. ...... 55
Figura 21. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 8. ...... 55
Figura 22. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 9. ...... 55
Figura 23. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 10. .... 56
Figura 24. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 11. .... 56
Figura 25. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 12. .... 56
Figura 26. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 13. .... 57
VIII
INDICE DE TABLAS
IX
Tabla 15. Comparación de los errores relativos de las ecuaciones bibliográfica
con la correlación obtenida en este estudio. ..................................................... 40
Tabla 16. Análisis de correlación entre los parámetros físicos y mecánicos con
Eest. ................................................................................................................... 41
Tabla 17. Resultados del contraste de hipótesis para el análisis de regresión
simple (Eest) con ρ como variable predictora (α = 0,05). ................................... 42
Tabla 18. Resultados análisis de la varianza para el análisis de regresión simple
(Eest) con ρ como variable predictora (α = 0,05). .............................................. 43
X
CAPÍTULO 1: INTRODUCCIÓN
1.1. Planteamiento
1
En la literatura actual existen diferentes relaciones entre σc y vp para el mismo
tipo de roca, pero difieren en las propiedades índice (𝜌 y n) que no se tienen en
cuenta al ser análisis de regresión simple. En este estudio se cree que esta
condición imposibilita el poder extrapolarlas al mismo tipo de roca con valores
diferentes de dichas propiedades. Esto se debe a que las correlaciones son
simples, ya que solo relacionan σc y vp siendo que vp depende de otros factores
como la densidad aparente 𝜌ap, la porosidad n y el grado de saturación Sr, entre
otros (Goodman 1989). Otros investigadores han utilizado el método de
regresión múltiple para correlacionar dichos factores con vp (Jamshidi et al. 2018)
y también parámetros resistivos como el número de rebotes del martillo de
Schmidt, el índice de carga puntual Is(50), o la resistencia a la tracción (Altindag
2012; Azimian, Ajalloeian 2015).
2
1.2. Objetivos
3
CAPÍTULO 2: MARCO TEÓRICO
Fc
σc = (1)
A
4
2.2. Ondas sísmicas
2.2.1. Ondas P y S
5
Las ondas P también son conocidas como onda longitudinal o compresiva y la
onda S como transversal o cortante. Cabe señalar que la relación de la velocidad
de la onda P a la velocidad de la onda S se puede escribir como
vp 2 − 2𝜐 0,5 (2)
=( )
vs 1 − 2𝜐
Las ondas de cuerpo son ondas que pueden viajar a través de un medio material
elástico en cualquier dirección. Las ondas pueden experimentar cambios en su
nivel de energía y en la geometría de su recorrido, a medida que se desplazan
debido a las propiedades intrínsecas del medio. Existen dos subtipos de estas
ondas; las ondas longitudinales y transversales.
6
Ondas longitudinales u ondas P
En este caso las partículas del medio vibran alrededor de sus posiciones neutras
en la dirección de la propagación de la onda, provocando zonas alternadas de
compresión y dilatación (Figura 1a). Este es el tipo de ondas que se emplea
comúnmente en el trabajo de exploración de refracción y reflexión sísmica. La
velocidad de la onda P (vp) depende de la densidad (ρ) y las propiedades
elásticas: módulo de Lame (λ) y módulo de corte (μ). Expresada como:
λ + 2μ 0,5
vp = ( ) (3)
ρ
7
2.3. Velocidad sismica
Efecto de la litología:
8
Figura 2. Rangos de velocidades sísmicas (valores más altos vp, valores más bajos vs) para
rocas comunes (Schön 2011).
9
Efecto de la presión
10
Efecto de la porosidad
1 1 − n n
= + (4)
vp vp,ma vfl
11
2.4. Análisis de regresión
12
La representación gráfica de las relaciones presentes en un modelo de regresión
múltiple resulta poco intuitiva, muy complicada y nada útil. Por lo que, es más
fácil y practico utilizar la ecuación del modelo de regresión lineal:
y=β0+β1∙x1+…+βn∙xn+ε.
13
2.4.5. Análisis de residuos
Llamamos residuos a las diferencias entre los valores medidos y los estimados
(ymedido – yestimado). Los residuos son muy importantes en el análisis de regresión.
En primer lugar, nos informan sobre el grado de exactitud de los pronósticos:
cuanto más pequeño es el error atípico de los residuos, mejores son los
pronósticos, o lo que es lo mismo, mejor se ajusta el modelo de regresión a la
nube de puntos. En segundo lugar, el análisis de las características de los casos
con residuos grandes en valor absoluto puede ayudarnos a detectar casos
atípicos y, consecuentemente, a perfeccionar la ecuación de regresión a través
de un estudio detallado de los mismos.
14
2.5. Correlaciones bibliográficas entre σc y vp
15
CAPITULO 3: PROCEDIMIENTO
16
3.2. Preparación de las probetas
Vv magua ∙ ρ-1
agua msaturada − mseca
n = = m =
VT saturada − msumergida msaturada − msumergida (7)
ρagua
17
3.4. Ensayo de pulsos ultrasónicos
Tanto los transductores como las caras de las probetas se untaron con acoplante
tipo gel, que es recomendado debido a su alta viscosidad e impedancia acústica
que maximiza el acoplamiento del sonido (Olympus 2019). Las probetas se
saturaron con agua (Sr = 1) para obtener el valor máximo de vp (Kharaman 2007;
Karakul, Ulusay 2013), así como la menor resistencia a compresión debido al
esfuerzo efectivo (Terzaghi 1943).
18
3.5. Ensayo de resistencia a compresión uniaxial
19
3.6. Modelado estadístico
20
CAPITULO 4: RESULTADOS Y DISCUSIONES
21
y vp en estado saturado para la caliza y las relaciones obtenidas en este estudio.
Finalmente se presenta un análisis de regresión lineal múltiple que permita
estimar Eest de la caliza, utilizando como variables predictoras σc, vp, ρsat y n
22
Tabla 3. Resultados del contraste de hipótesis para el análisis de regresión simple con vp como
variable predictora (α = 0,05).
Coeficientes
Modelo R2 Variable Est. t (t0) tα/2,N-2 Significancia
Beta Error
Constante -448,33 99,8168 -4,4915 2,5931 0,0009
lineal 0,7097
vp (km∙s–1) 91,1037 17,5693 5,1854 2,5931 0,0003
Constante -3,552 1,4702 -2,4159 2,5931 0,0343
Exponencial 0,7162
vp (km∙s–1) 1,3635 0,2588 5,2691 2,5931 0,0003
Constante -818,64 174,042 -4,7037 2,5931 0,0006
Logarítmico 0,7029
vp (km∙s–1) 511,269 100,23 5,1009 2,5931 0,0003
Constante -9,0996 2,5617 -3,5522 2,5931 0,0045
Potencial 0,7100
vp (km·s–1) 7,6551 1,4753 5,189 2,5931 0,0003
▪ Los valores representan la ecuación lny = β 0 + β1∙x1 + ε, que es la transformación de
y = e(β0+ β1x1+ε) (Montgomery et al 2015)
▪ Los valores representan la ecuación lny = β0 + β1∙lnx1 + ε, que es la transformación de
y = e(β0+β1lnx1+ε) = eβ0+ε∙x1β1 (Montgomery et al 2015)
23
Figura 6. Función de regresión: (a) lineal; (b) exponencial; (c) logarítmica; (d) potencial. Para
estimar σc a partir de vp.
Tabla 4. Resultados análisis de la varianza para el análisis de regresión con vp como variable
predictora (α = 0,05).
Fuente de Suma de Media
Modelo GL F0 Fα,1,N-2 Significancia
variación cuadrados cuadrática
Modelo 3671,99 1 3671,99 26,89 6,72 0,0003
lineal Residuo 1502,22 11 136,565
Total 5174,21 12
Modelo 0,8225 1 0,8225 27,76 6,72 0,0003
Exponencial Residuo 0,3259 11 0,0296
Total 1,1484 12
Modelo 3636,76 1 3636,76 26,02 6,72 0,0003
Logarítmico Residuo 1537,45 11 139,768
Total 5174,21 12
Modelo 0,8153 1 0,8153 26,93 6,72 0,0003
Potencial Residuo 0,3331 11 0,0303
Total 1,1484 12
24
En el análisis de varianza realizado para un nivel de confianza del 95% (α = 0,05),
los cuatro modelos cumplen la condición para poder rechazar H0 con valores de
F0 mayores al valor de F0,025,1,11 = 6,72. A tenor de los resultados obtenidos, todos
los modelos quedan validados, siendo el modelo exponencial el que presenta el
mejor ajuste R2, logrando ajustar el 71,62% de la variabilidad de σc. Con estos
resultados se puede afirmar que estadísticamente la probabilidad de que la
resistencia compresión uniaxial no dependa de la velocidad de la onda P es
inferior al 5%.
Tabla 5. Resultados análisis de residuos para análisis de regresión con vp como variable
predictora (α = 0,05).
Modelo Error absoluto medio Estadístico DW Significancia
Lineal 9,4902 1,7639 0,3318
Exponencial 0,1353 1,6548 0,2616
Logarítmico 9,6100 1,7443 0,3183
Potencial 0,1371 1,6340 0,2487
▪ El estadístico DW oscila entre 0 y 4, y toma el valor 2 cuando los residuos son independientes
▪ Se asume independencia entre residuos cuando DW toma valores entre 1,5 y 2,5.
25
Figura 7. Gráfico de residuos (σc – vp): (a) lineal, (b) exponencial, (c) logarítmico y (d) potencial.
26
σc = 376,934∙ρsat – 922,932 (R2 = 0,1639) (12)
Tabla 6. Resultados del contraste de hipótesis para el análisis de regresión simple con ρ como
variable predictora (α = 0,05).
Coeficientes
Modelo R2 Variable Est. t (t0) tα/2,N-2 Significancia
Beta Error
Constante -922,932 675,487 -1,3663 2,5931 0,1991
Lineal 0,1639
ρ (g∙cm–3) 376,934 256,68 1,4685 2,5931 0,1700
Constante -11,8922 9,8796 -1,2037 2,5931 0,2540
Exponencial 0,1941
ρ (g∙cm–3) 6,1116 3,7542 1,6279 2,5931 0,1318
Constante -899,095 654,588 -1,3735 2,5931 0,1969
Logarítmico 0,1659
ρ (g∙cm–3) 1000,56 676,528 1,479 2,5931 0,1672
Constante -11,4932 9,5733 -1,2006 2,5931 0,2551
Potencial 0,1962
ρ (g∙cm–3) 16,2101 9,8941 1,6384 2,5931 0,1296
▪ Los valores representan la ecuación lny = β0 + β1∙x1 + ε, que es la transformación de
y = e(β0+ β1x1+ε) (Montgomery et al 2015)
▪ Los valores representan la ecuación lny = β0 + β1∙lnx1 + ε, que es la transformación de
y = e(β0+β1lnx1+ε) = eβ0+ε∙x1β1 (Montgomery et al 2015)
27
Figura 8. Función de regresión: (a) lineal; (b) exponencial; (c) logarítmica; (d) potencial. Para
estimar σc a partir de ρ.
Tabla 7. Resultados análisis de la varianza para el análisis de regresión con ρ como variable
predictora (α = 0,05).
Fuente de Suma de Media
Modelo GL F0 Fα,1,N-2 Significancia
variación cuadrados cuadrática
Modelo 848,105 1 848,105 2,16 6,72 0,17
Lineal Residuo 4326,1 11 393,282
Total 5174,21 12
Modelo 0,223 1 0,223 2,65 6,72 0,1318
Exponencial Residuo 0,9254 11 0,0841
Total 1,1484 12
Modelo 858,229 1 858,229 2,19 6,72 0,1672
Logarítmico Residuo 4315,98 11 392,362
Total 5174,21 12
Modelo 0,2253 1 0,2253 2,68 6,72 0,1296
Potencial Residuo 0,9231 11 0,0839
Total 1,1484 12
28
En el análisis de varianza realizado para un nivel de confianza del 95% (α = 0,05),
ninguno de los cuatro modelos cumple la condición para poder rechazar H0 con
valores de F0 menores al valor de F0,025,1,11 = 6,72. A tenor de los resultados
obtenidos, los cuatro modelos quedan definitivamente descartados.
29
Tabla 8. Resultados del contraste de hipótesis para el análisis de regresión simple con n como
variable predictora (α = 0,05).
Coeficientes
Modelo R2 Variable Est. t (t0) tα/2,N-2 Significancia
Beta Error
Constante 178,784 25,4177 7,0338 2,5931 0,0000
Lineal 0,6340
n (%) -43,0076 9,874 -4,3648 2,5931 0,0011
Constante 5,8785 0,3568 16,4747 2,5931 0,0000
Exponencial 0,6750
n (%) -0,6625 0,1386 -4,7795 2,5931 0,0006
Constante 174,234 23,5941 7,3847 2,5931 0,0000
Logarítmico 0,6493
n (%) -113,775 25,2129 -4,5126 2,5931 0,0009
Constante 5,7955 0,3357 17,2654 2,5931 0,0000
Potencial 0,6802
n (%) -1,7348 0,3587 -4,8364 2,5931 0,0005
▪ Los valores representan la ecuación lny = β0 + β1∙x1 + ε, que es la transformación de
y = e(β0+ β1x1+ε) (Montgomery et al 2015)
▪ Los valores representan la ecuación lny = β0 + β1∙lnx1 + ε, que es la transformación de
y = e(β0+β1lnx1+ε) = eβ0+ε∙x1β1 (Montgomery et al 2015)
30
Figura 9. Función de regresión: (a) lineal; (b) exponencial; (c) logarítmica; (d) potencial. Para
estimar σc a partir de n.
Tabla 9. Resultados análisis de la varianza para el análisis de regresión con n como variable
predictora (α = 0,05).
Fuente de Suma de Media
Modelo GL F0 Fα,1,N-2 Significancia
variación cuadrados cuadrática
Modelo 3280,23 1 3280,23 19,05 6,72 0,0011
Lineal Residuo 1893,98 11 172,18
Total 5174,21 12
Modelo 0,7751 1 0,7751 22,84 6,72 0,0006
Exponencial Residuo 0,3733 11 0,0339
Total 1,1484 12
Modelo 3359,47 1 3359,47 20,36 6,72 0,0009
Logarítmico Residuo 1814,74 11 164,977
Total 5174,21 12
Modelo 0,7811 1 0,7811 23,39 6,72 0,0005
Potencial Residuo 0,3673 11 0,0334
Total 1,1484 12
31
En el análisis de varianza realizado para un nivel de confianza del 95% (α = 0,05),
los cuatro modelos cumplen la condición para poder rechazar H0 con valores de
F0 mayores a F0,025,1,11 = 6,72. A tenor de los resultados obtenidos, todos los
modelos quedan validados, siendo el modelo potencial el que presenta el mejor
ajuste R2, logrando explicar el 68,02% de la variabilidad de σc. Con estos
resultados se puede afirmar que estadísticamente la probabilidad de que σc
depende de n es superior al 95%.
Tabla 10. Resultados análisis de residuos para análisis de regresión con n como variable
predictora (α = 0,05).
32
Figura 10. Gráfico de residuos (σc – n): (a) lineal, (b) exponencial, (c) logarítmico y (d) potencial.
33
4.2. Análisis de regresión múltiple
Tabla 11. Análisis de correlación entre los parámetros físicos y mecánicos con σc.
Variables σc vp ρ N
σc (MPa) 1,0000 0,8424 0,4049 -0,7962
vp (km·s–1) 0,8424 1,0000 0,3451 -0,6676
ρsat (g·cm–3) 0,4049 0,3451 1,0000 -0,6248
n (%) -0,7962 -0,6676 -0,6248 1,0000
1 > |r| > 0,76 correlación muy fuerte 0,5 > |r| > 0,26 correlación débil
0,75 > |r| > 0,51 correlación moderada 0,25 > |r| > 0 correlación escasa o nula
Escala número cuatro para medir el nivel de correlación de Spearman (Spearman, 1909).
El orden de las variables que presentan de mayor a menor relación con σc son
vp, n y ρsat. Las primeras dos variables presentaron un nivel de correlación muy
fuerte, según Martínez et al. (2009), con valores de r iguales a 0,8424 y −0,7962
respectivamente. Por otra parte, la densidad presenta un nivel de correlación
débil, con un valor de r igual a 0,4049. Estos resultados son acordes a los
obtenidos en los análisis de regresión simple del Apartado 4.1.
34
A continuación, se construye un modelo de regresión múltiple
(y = β0 + β1∙x1 + β2∙x2 + ε), utilizando como variables independientes vp y n. Para
este análisis se probaron cuatro modelos (lineal, exponencial, logarítmico y
potencial) a partir de los resultados de la Tabla 2, representados por las
Ecuaciones 20, 21, 22 y 23. Los cuatro modelos presentan sus coeficientes (β0,
β1, β2, R2) en la Tabla 12.
35
De acuerdo con los resultados obtenidos en la prueba de contraste de hipótesis
(Tabla 12) para un intervalo de confianza del 95% (α = 0,05), se afirma que todos
los modelos cumplen con la condición: |t0| > tα/2,N-2, para poder rechazar la
hipótesis nula (H0: β1 = β2 = 0). Presentando un nivel de significancia menor a
0,05 en todos los casos, esto indica: que la probabilidad que se tiene de no
considerar alguna de las variables independientes (vp y n) como significativa es
menor al 5%. En conclusión, se puede considerar que los cuatro modelos
propuestos son fiables en primera instancia. Con el fin de validar dichos modelos
se prosigue con un análisis de varianza cuyos resultados se encuentran en la
Tabla 13.
Tabla 13. Resultados análisis de la varianza para el análisis de regresión múltiple con vp y n
como variables predictoras (α = 0,05).
Fuente de Suma de Media
Modelo GL F0 Fα,2,N-2 Significancia
variación cuadrados cuadrática
Modelo 4182,34 2 2091,17 21,09 5,26 0,0003
Lineal Residuo 991,865 10 99,1865
Total 5174,21 12
Modelo 0,9582 2 0,4791 25,24 5,26 0,0001
Exponencial Residuo 0,1899 10 0,019
Total 1,1481 12
Modelo 4187,12 2 2093,56 21,21 5,26 0,0003
Logarítmico Residuo 987,084 10 98,7084
Total 5174,21 12
Modelo 0,9533 2 0,4766 24,46 5,26 0,0001
Potencial Residuo 0,1948 10 0,0195
Total 1,1481 12
Producto del análisis de varianza realizado para un nivel de confianza del 95%
(α = 0,05), se puede afirmar que los cuatro modelos cumplen con la condición
F0 > F0,025,2,11 = 5,26, para poder rechazar la hipótesis nula H0. De acuerdo con
los resultados obtenidos, los cuatro modelos propuestos quedan validados,
36
siendo el modelo exponencial el que presento un mejor ajuste de R2, llegando a
explicar el 80,16% de la variabilidad de σc.
Tabla 14. Resultados análisis de residuos para análisis de regresión múltiple con vp y n como
variables predictoras (α = 0,05).
Modelo Error absoluto medio Estadístico DW Significancia
Lineal 7,7557 2,0054 0,5216
Exponencial 0,1097 1,7826 0,3696
Logarítmico 7,7165 1,9211 0,4651
Potencial 0,1104 1,6985 0,3173
▪ El estadístico DW oscila entre 0 y 4, y toma el valor 2 cuando los residuos son independientes
▪ Se asume independencia entre residuos cuando DW toma valores entre 1,5 y 2,5.
37
Figura 11. Gráfico de residuos: (a) lineal, (b) exponencial, (c) logarítmico y (d) potencial.
38
4.3. Comparación de las relaciones para estimar σc para caliza
39
observa que ninguna de las ecuaciones bibliográficas se ajusta correctamente a
las pruebas realizadas, aunque existen algunas coincidencias con las
ecuaciones propuestas por Chistaras et al. (1997) (Ecuación a), Karakul, Ulusay
(2013) sat. (Ecuación b) y Kurtulus (2016) Ecuación c). La Tabla 15 muestra la
comparación de los erros relativos de las ecuaciones anteriormente
mencionadas (Ec. a, b y c.) con la correlación empírica obtenida en este estudio.
Ecuación
Tabla 15. Comparación de los errores relativos de las ecuaciones bibliográfica con la
correlación obtenida en este estudio.
σc Exp. σc predicho (MPa) Error relativo %
Probeta
(MPa) Ec. a Ec. b Ec. c Estudio Ec. a Ec. b Ec. c Estudio
1 76,300 79,938 70,667 82,323 63,596 4,768 7,383 7,894 16,650
2 41,370 78,368 68,718 80,685 45,439 89,432 66,105 95,033 9,837
3 77,590 83,913 75,671 86,445 83,552 8,150 2,473 11,413 7,684
4 106,190 84,611 76,560 87,165 97,100 20,321 27,903 17,916 8,560
5 77,100 83,913 75,671 86,445 74,986 8,837 1,853 12,121 2,742
6 91,430 84,611 76,560 87,165 80,279 7,458 16,264 4,665 12,196
7 55,930 78,368 68,718 80,685 59,438 40,118 22,864 44,261 6,273
8 73,140 83,913 75,671 86,445 82,622 14,730 3,461 18,191 12,965
9 49,240 79,247 69,807 81,603 45,412 60,941 41,769 65,725 7,773
10 42,150 78,368 68,718 80,685 48,959 85,927 63,031 91,423 16,154
11 61,240 81,982 73,228 84,447 75,894 33,871 19,575 37,895 23,930
12 94,320 85,607 77,834 88,191 88,863 9,238 17,479 6,498 5,786
13 50,800 75,022 64,617 77,175 44,223 47,681 27,199 51,919 12,946
Media 68,985 81,374 72,495 83,805 68,490 33,190 24,412 35,766 11,038
40
4.4. Correlación entre Eest y las propiedades físicas y mecánicas
Uno de los últimos objetivos de este trabajo, es intentar hallar una correlación
fiable entre el módulo elástico estático Eest y las propiedades físicas y/o
mecánicas de la roca caliza (vp, vs, ρ, n y σc). Para cumplir este objetivo es
necesario en primer lugar, realizar un análisis de correlación entre Eest y las
variables anteriormente mencionadas. El resultado de este análisis se encuentra
en la Tabla 16.
Tabla 16. Análisis de correlación entre los parámetros físicos y mecánicos con Eest.
Variables Eest vp vs ρ N σc
Eest (GPa) 1,0000 0,2397 0,1164 0,5601 -0,2896 0,3164
vp (km·s–1) 0,2397 1,0000 0,5592 0,3451 -0,6676 0,8424
vs (km·s–1) 0,1164 0,5592 1,0000 0,0428 -0,5263 0,5510
ρsat (g·cm–3) 0,5601 0,3451 0,0428 1,0000 -0,6248 0,4049
n (%) -0,2896 -0,6676 -0,5263 -0,6248 1,0000 -0,7962
σc (MPa) 0,3164 0,8424 0,5510 0,4049 -0,7962 1,0000
1 > |r| > 0,76 correlación muy fuerte 0,5 > |r| > 0,26 correlación débil
0,75 > |r| > 0,51 correlación moderada 0,25 > |r| > 0 correlación escasa o nula
Escala número cuatro para medir el nivel de correlación de Spearman (Spearman, 1909).
41
Tabla 17. Resultados del contraste de hipótesis para el análisis de regresión simple (Eest) con ρ
como variable predictora (α = 0,05).
Coeficientes
Modelo R2 Variable Est. t (t0) tα/2,N-2 Significancia
Beta Error
Constante -568,337 268,881 -2,1137 2,5931 0,0582
Lineal 0,3137
ρsat (g·cm–3) 229,081 102,173 2,2421 2,5931 0,0465
Constante -15,270 8,9144 -1,713 2,5931 0,1147
Exponencial 0,2874
ρsat (g·cm–3) 7,1342 3,3874 2,1061 2,5931 0,0590
Constante -551,382 260,661 -2,1153 2,5931 0,0580
Logarítmico 0,3147
ρsat (g·cm–3) 605,539 269,397 2,2478 2,5931 0,0461
Constante -14,7436 8,6424 -1,706 2,5931 0,1161
Potencial 0,2884
ρsat (g·cm–3) 18,859 8,9321 2,1114 2,5931 0,0584
▪ Los valores representan la ecuación lny = β0 + β1∙x1 + ε, que es la transformación de
y = e(β0+ β1x1+ε) (Montgomery et al 2015)
▪ Los valores representan la ecuación lny = β0 + β1∙lnx1 + ε, que es la transformación de
y = e(β0+β1lnx1+ε) = eβ0+ε∙x1β1 (Montgomery et al 2015)
Figura 13. Función de regresión (Eest): (a) lineal; (b) exponencial; (c) logarítmica; (d) potencial.
Para estimar Eest a partir de ρ.
42
En concordancia con los resultados obtenidos en la prueba de contraste de
hipótesis (Tabla 17) para un intervalo de confianza del 95% (α = 0,05), ninguno
de los modelos cumple con la condición: |t0| > tα/2,N-2, para poder rechazar la
hipótesis nula (H0: β1 = 0); Con una significancia mayor a 0,05 en todos los casos,
esto significa: que la probabilidad que se tiene de rechazar la variable
independiente ρ como significativa es mayor al 5%. Por dicha razón, ninguno de
los cuatro modelos puede ser considerado como fiable en una primera instancia.
Para poder determinar si los modelos deben ser rechazados o no, se realiza un
análisis de la varianza cuyos resultados se encuentran en la Tabla 18.
Tabla 18. Resultados análisis de la varianza para el análisis de regresión simple (E est) con ρ
como variable predictora (α = 0,05).
43
Finalmente, debido a que los modelos han sido descartados, se consideró
innecesario realizar un análisis de residuos para dichos modelos. Debido a que
no es posible determinar un parámetro que sea estadísticamente significativo, se
decide no continuar con el análisis de regresión múltiple para estimar Eest.
4.5. Discusiones
44
CAPÍTULO 5: CONCLUSIONES
(i) En este estudio, se puso a prueba la relación que existe entre las
propiedades índice, mecánicas y resistivas (ρ, n, vp, vs, Eest y σc) de la
piedra caliza. Los resultados indicaron correlaciones muy fuertes
(1>|r|>0,76) entre los parámetros de σc, vp y n (Tabla 12). Los parámetros
Eest y ρ presentaron una correlación moderada (0,75>|r|>0,51) (Tabla 15).
Mientras que se obtuvo una correlación baja (0,5>|r|>0,26) entre los
parámetros de σc y ρ (Tabla 11).
(ii) Utilizando los métodos de regresión lineal simple y múltiple, se logró
expresar las relaciones empíricas entre σc y vp y n. Los resultados de las
pruebas de contraste de hipótesis y análisis de varianza mostraron valores
de t0 y F0 más altos que los valores tabulados (ver Tablas 3, 4, 8 y 9), lo
que significa que la probabilidad de que σc no dependa estadísticamente
de vp y/o n es menor al 5%.
(iii) Si bien en este estudio se logró desarrollar numerosas ecuaciones para
estimar σc que se pueden considerar como estadísticamente fiables, las
ecuaciones con mejores resultados para cada análisis de regresión tanto
simple como múltiple son las Ecuaciones 9, 19 y 21 con valores de R2
iguales a 0,7162, 0,6802 y 0,8016 respectivamente.
(iv) Al comparar las relaciones bibliográficas para estimar σc en un estado
saturado con la relación empírica obtenida en este estudio, se observó
que las relaciones bibliográficas en cierto punto suelen subestimar o
sobreestimar los valores de σc, puesto que dichas ecuaciones están
diseñadas para rocas con propiedades muy concretas, no pudiendo
extrapolarlas al mismo tipo de roca con diferentes valores de esas mismas
propiedades. El motivo se atribuye a que la mayoría de las correlaciones
son simples, relacionando solamente σc con vp, mientras que σc depende
45
de otras propiedades como ρ, n y contenido de agua (Goodman 1989). En
base a los resultados de este estudio, σc depende principalmente de vp y
n.
(v) Queda demostrado que, en el momento de intentar estimar σc, el hecho
de considerar otras variables independientes además de vp, produce un
mejor ajuste de las correlaciones experimentales. Esto se traduce en un
aumento en su capacidad predictora. Específicamente en este estudio al
considerar n como segunda variable predictora, la capacidad predictora
del modelo aumentó un 8,54%, logrando explicar el 80,16% de la
variabilidad de σc.
(vi) Utilizando el método de regresión lineal simple, se consiguieron cuatro
relaciones empírica entre Eest y ρsat para intentar estimar el valor de Eest
sin la necesidad de realizar ensayos directos. Sin embargo, los resultados
de la prueba de contraste de hipótesis y análisis de varianza arrojaron
valores de t0 y F0 más bajos que los valores tabulados (ver Tablas 16 y
17), por lo que se afirma que no es posible considerar ρ como
estadísticamente significativa para estimar Eest, con un nivel de confianza
del 95% o superior.
(vii) En base a los resultados obtenidos en este estudio, se determina que no
es posible obtener una relación empírica fiable para estimar Eest a partir
de las propiedades índice (vp, ρsat y n) y/o resistivas (σc) de la caliza.
46
CAPÍTULO 6: RECOMENDACIONES
(i) Utilizar probetas con un mayor diámetro y largo, con el objeto de obtener
un mejor gráfico de resistencia y deformabilidad de la roca para determinar
de una manera más confiable el Módulo elástico estático y el coeficiente
de Poisson.
(ii) Aumentar el número de probetas a ensayar e idealmente obtener
muestras de roca de diferentes puntos geográficos, de esta manera
generar una base de datos más rica y variada para así poder conseguir
una relación que se pueda extrapolar sin problemas a diferentes
condiciones de la piedra caliza.
(iii) Probar con un ancho de banda mayor a 54 KHz con el objeto de
determinar si este tiene alguna influencia al medir la velocidad de la onda.
47
CAPÍTULO 7: REFERENCIAS BIBLIOGRÁFICAS
ASTM D7012-14: Standard Test Methods for Compressive Strength and Elastic
Moduli of Intact Rock Core Specimens under Varying States of Stress and
Temperatures. American Society for Testing and Materials, Pensilvania.
ASTM (2017a) D7012-14: Standard Test method for Compressive Strength and
Elastic Moduli of intact Rock Core Specimens under Varying States of Stress and
Temperatures. American Society for Testing and Materials, Pensilvania
ASTM (2019) D4543-19: Standard Test Methods for preparing Rock Core as
Cylindrical Test Specimens and Verifying conformance to Dimensional and
Shape Tolerances. American Society for Testing and Materials, Pensilvania.
Barton, N., Lien, R., & Lunde, j. (1974). Engineering classification of rock masses
for the desing of tunel support. Rock Mech, 6, 189−236.
48
Bieniawski, Z.T. (1989). Engineering Rock Mass Classifications. Willey,
Rotterdam.
Brotons, V., Tomás, R., Ivorra, S. et al. (2016). Improved correlation between the
static and dynamic elastic modulus of Different types of rocks. Mater Struct, 49,
3021−3037.
Christaras, B., Auger, F., & Mosse, E. (1994). Determiantion of the moduli of
elasticity of rocks. Comparison of the ultrasonic velocity and mechanical
resonance frequency methods with direct static methods. Materials and
Structures, 27, 222−228.
Christaras, B., Marjolakos, I., Foundoulis, J., Athanasias, S., & Dimirou, A.
(1997). Geotechnical input for the protection of some Macedonian Tombs in
Northeen Greece. Proceedings of the 6th international symposium conservation
of monumnets in the Mediterranean Basin, 125−132. Rhodes.
Cobanoglu, I., & Celik, S.B. (2008). Estimation of uniaxial compressive strength
from point load. Bulletin of Engineering Geology and the Environment, 67(4),
491−498.
D'Andrea D.V., Fisher R.L., & Fogelson D.E. (1964). Prediction of compressive
strength from other rock properties. Colo Sch Mines Q, 59(4B) 623−640.
Eissa, E., & Kazi, A. (1988). Relation between static and dynamic Young's moduli
of rocks. International Journal of Rock Mechanics and Mining Sciences &
Geomechanics Abstracts, 25(6), 479−482.
49
Goodman. (1989). Introduction to Rock Mechanics (2a edicion). John Wile &
Sons, New York.
ISRM. (2015). The ISRM Suggested Methods for Rock Characterization, Testing
and Monitoring: 2007–2014. R Ulusay (ed) Commission on Testing Methods,
International Society for Rock Mechanics. ISRM Turkish National Group, Ankara.
Jamshidi, A., Zamanian, H., Zarei, R., & Sahamieh. (2018). The Effect of Density
and Porosity on the Correlation Between Uniaxial. Rock Mechanics and Rock
Engineering, 51(4), 1279−1286.
Karakul, H., & Ulusay, R. (2013). Empirical Correlations for Predicting Strength
Properties of Rocks from P-Wave Velocity Under Different Degrees of Saturation.
Rock Mechanics and Rock Engineering, 46(5), 981−999.
Kharaman, S. (2007). The correlations between the saturated and dry P-wave
velocity of rocks. Ultrasonics, 46(4), 341−348.
King, M.S. (1983). Static and dynamic elastic properties of rocks from the
Canadian shield. International Journal of Rock Mechanics and Mining Sciences,
20(5), 273−241.
50
King, M.S. Recent deveploments in seismic rock physics. Int J Rock Mech & Min
Sci, 46(8), 1341−1348
Mayko, G., Mukerji, T., & Dyorkin, J. (2009). The rock physics handbook: Tools
for Seismic Analysis of Porous Media. Cambridge University Press, Cambridge.
Consultado el 8 de noviembre de 2019: https://bit.ly/2X4n3yR
McNally, G. (1987). Estimation of Coal Measures Rock Strength using Sonic and
Neutron Logs. Geoexploration, 24(4−5) 381−395.
Montgomery, D.C. (2012). Desing and Analysis of Experiments, 8th ed.; Willey:
New Jersey, USA.
Pardo, A., & Ruiz, M. Á. (2002). Análisis de datos con SPSS 13 Base. Mc Graw
Hill. Madrid, España.
Pickett, G.R. (1963). Acoustic character logs and their applications in formation
evaluation. J Petr Toch, diciembre, 659−667.
Sarkar, K., Vishal, V., & Singh, T. (2012). An empirical Correlation of index
geomechanical parameters with the compressional wave velocity. Geotech &
Geol Eng, 30(2), 469−479.
51
Spearman, C. (1909). General Intelligence” Objectively Determined and
measured. Am J Piscol, 15, 201-293.
Terzaghi, K. (1943). Theoritical Soil Mechanics. Jhon Wiley & Sons, New York.
Wyllie, M.R.J., Gregory, A.R., and Gardner, L.W. (1956). Elastic wave velocities
in heterogeneous and porous media. GEOPHYSICS, 21, 41−70.
Yasar, E., & Erdogan, Y. (2004). Correlating sound velocity with the density,
compressive strength and Young's modulus of carbonate rocks. International
Journal of Rock Mechanics and Mining Sciences, 41(5), 871−875.
52
CAPÍTULO 8: ANEXOS
53
Figura 17. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 4.
54
Figura 20. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 7.
55
Figura 23. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 10.
Figura 24. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 11.
Figura 25. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 12.
56
Figura 26. Grafico del ensayos de pulsos ultrasónicos sobre la probeta 13.
57