Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO DE GRADO
TRABAJO DE GRADO
A: Dios primero ya que él hace posible todas las cosas, las cuales uno
se propone.
A: Mis compañeros de curso del colegio, que siempre que estoy con
ellos me apoyan a que siga adelante, y que salga profesional, en
verdad les agradezco a todos ellos (Henry, Isaac, Ariel, Daniel,
Marco Antonio), gracias por todo su apoyo.
A: Mis compañeros de barrio los cuales con ellos me junto para poder
tranquilizarme, distraerme y no estar pendiente de lo que fue el
Trabajo de Grado, lo cual hace bien al momento de despejar la
mente y aclarar ideas.
En el departamento de Santa Cruz se sabe bien que hay rutas trúncales o rutas
principales, que estas conectan los departamentos y son las más importantes
dentro de lo que son en cuestión de clasificación de las carreteras, estás en
algunos casos conectan directamente las capitales departamentales dando la
posibilidad del comercio interno por carreteras.
A pesar de ser una red vial fundamental, no cuenta con pavimento al igual que
muchas otras que son consideradas en esta clasificación, es por eso que se tomo
como dicho tramo de estudio, una parte de lo que es la red vial fundamental Nº 35,
más propiamente Villa Rosario-Loma Alta.
El problema más grande era saber si se podía obtener un CBR aceptable con el
cual poder demostrar la confiabilidad de este modelo matemático, para poder
utilizar posteriormente, claro está que para diferentes tipos de suelos el modelo
matemático varia.
Este es el resultado del tercer criterio de selección, este fue el que mejor se ajusto
para obtener valores de CBR.
GLOSARIO DE TÉRMINOS
1 DATOS PERSONALES
1 GENERALIDADES…………………………………………………………. 1
1.1 INTRODUCCIÓN……………………………………………………………. 1
1.2 ANTECEDENTES…………………………………………………………... 2
1.4 OBJETIVOS……………….………………………………………………… 5
1.5 JUSTIFICACIÓN……………………………………………………………. 7
1.6 ALCANCE…………………………………………………………………… 8
2 FUNDAMENTACIÓN TEÓRICA………………………………………… 13
i
2.1 CONTENIDO DEL MARCO TEÓRICO…………….……………………. 13
2.1.1 Introducción…………………………………………………………………. 13
2.2 ESTADÍSTICA………………………………………………………………. 14
2.2.11.2 La mediana………………………………………………………………… 18
2.2.11.3 La moda……………………………………………………………………. 18
2.2.12.1 El rango……………………………………………………………………. 20
ii
2.2.13.1 Software Statgraphics……………………………………………………. 21
2.5.3.1 La sub-base…………………………………………………………………… 39
2.5.4.1 El tránsito……………………………………………………………………. 40
iii
2.5.4.2 La subrasante……………………………………………………………….. 40
2.5.4.3 El clima………………………………………………………………………. 41
2.6.1 Presupuesto………………………………………………………………… 41
2.7.1 Dosificación………………………………………………………………… 43
2.7.3 Economía…………………………………………………………………… 44
2.7.4 Trabajabilidad………………………………………………………………. 45
2.7.6.2 Consistencia………………………………………………………………. 46
3 INGENIERÍA DE PROYECTO…………………………………………… 47
iv
3.1.3.1 Recolección y procesamiento de datos…………………………………… 49
LABORATORIO…………………………………………………………….. 155
4 EVALUACIÓN………………………………………………………………. 171
* BIBLIOGRAFÍA
* GLOSARIO DE TÉRMINOS
vi
ÍNDICE DE TABLAS
Pag.
vii
TABLA 23. PRUEBA 4, PRIMER CRITERIO DE SELECCIÓN………………….. 85
viii
TABLA 48. ESPECIFICACIONES DEL CONJUNTO DE DATOS………………….. 134
PROPUESTAS……………………………………………………………. 167
ix
TABLA 72. PRESUPUESTO PAVIMENTO CON DATOS DE LABORATORIO…. 169
MATEMÁTICO……………………………………………………………… 170
LABORATORIO…………………………………………………………….. 173
MATEMÁTICO…………………………………………………………….. 174
x
ÍNDICE DE FIGURAS
Pag.
xi
FIGURA 24. GRAFICA DE BARRAS CON CAPACIDAD DE PROCESO PARA
GRA………………………………………………………………………. 120
CBR………………………………………………………………………… 131
GRA………………………………………………………………………… 137
MATEMÁTICO……………………………………………………………... 153
xii
FIGURA 44. COMPARACION PAVIMENTO FLEXIBLE CON PAVIMENTO
RIGÍDO 175
xiii
1 GENERALIDADES
1.1 INTRODUCCIÓN
El departamento de Santa Cruz cuenta con una gran extensión de territorio, por lo
tanto necesita una gran red de carreteras. Muchas de las carreteras en el
departamento de Santa Cruz no cuentan con una pavimentación correcta y
necesaria, algunas de estas solo cuentan con una capa de tierra compactada con
maquinaria y otras con ripio.
Bolivia debe mejorar las condiciones de transporte, desde y hacia todas las
regiones, que permitan a sus ciudadanos trasladarse con tarifas más económicas
y, sin mayores obstáculos ni contratiempos por todo el territorio nacional. Además,
estas vías deben posibilitar que su producción de bienes llegue a los centros de
transformación, a los consumidores en el mercado interno y a los destinos de
exportación en tiempo oportuno y a menores costos.
1
El diseño de un paquete estructural parte de la determinación de las
características físicas y mecánicas de un suelo, por lo que es necesario realizar el
estudio de suelos del tramo en estudio, pero los periodos contractuales para la
ejecución de los diseños son por lo general cortos, lo que conlleva a que los
mismos se incumplan y la realización de algunos componentes del estudio se
hagan de manera ligera o peor aún no se logren realizar acorde a los términos de
referencia.
Para esto se podría contar con un modelo matemático, el cual es una herramienta
con una aproximación confiable y nos puede ayudar a determinar valores de
soporte de un suelo con una gran certeza, partiendo de características mecánicas
ya conocidas o analizadas en laboratorio.
1.2 ANTECEDENTES
2
Departamento de Santa Cruz, sin embargo, la ruta se considera como afluente de
los corredores de vinculación nacional e internacional del país.
3
En la actualidad se utilizan modelos matemáticos en la mayoría de los campos de
la ingeniería. Dichos modelos se basan en métodos numéricos de resolución de
ecuaciones.
El presente modelo solo puede ser adecuado para el tramo Villa Rosario – Loma
Alta, no así para cualquier otro tramo en estudio, por la simple razón de que este
modelo no conseguiría resultados adecuados si se introdujeran valores de otros
tramos.
En el tramo Villa Rosario – Loma Alta circulan gran cantidad de vehículos ya que
es una gran afluente para el comercio interno, la carretera que conecta estos dos
puntos se encuentra en malas condiciones las cuales son perjudiciales para el
tránsito de vehículos, siendo intransitable durante la época de lluvias.
4
1.3.2 Formulación del Problema
1.4 OBJETIVOS
Diseño de alternativas de pavimento rígido para el tramo Villa Rosario – Loma Alta
en base a valores de soporte CBR obtenidos mediante un modelo matemático.
5
1.4.3 Cuadro de Acciones
OBJETIVOS ACCIONES
Evaluar técnicamente los resultados Comparar con los parámetros que dicta
6
OBJETIVOS ACCIONES
1.5 JUSTIFICACIÓN
7
1.5.4 Justificación Social
1.6 ALCANCE
Diseño de alternativas de pavimento rígido para el tramo Villa Rosario – Loma Alta
en base a valores de soporte CBR obtenidos mediante un modelo matemático.
8
1.6.3 Alcance Geográfico
9
FIGURA 3. UBICACIÓN DEL CAMINO
10
1.7 FUNDAMENTACIÓN TEÓRICA
11
OBJETIVOS ESPECÍFICOS ACCIONES CIENCIA TEMA
12
2 FUNDAMENTACIÓN TEÓRICA
2.1.1 Introducción
El trabajo de grado presente muestra las diferentes asignaturas con las cuales son
posibles llevar a cabo un diseño de paquete estructural, más precisamente el
diseño de pavimento rígido.
Se puede decir que los suelos son el más viejo material de construcción y el más
complejo. Su variedad es enorme y sus propiedades, variables en el tiempo y en el
espacio, son difíciles de entender y de medir. A pesar de esto, antes del siglo XX
no se hizo un esfuerzo serio para atacar científicamente el estudio de la Mecánica
de Suelos.
13
creada para el oriente en nuestro país donde el clima es cálido, no cumplirá las
mismas funciones requeridas para el norte de nuestro país donde el clima frio. Es
por eso que se debe hacer un estudio y conocer al detalle todas estas cualidades.
Las materias las cuales son nombradas para la parte del Marco Teórico del
presente Trabajo de Grado, son materias que fueron cursadas en los 8 semestres
de la carrera de Ingeniería Civil.
2.2 ESTADÍSTICA
14
2.2.1 Población y Muestra
A una variable que teóricamente, toma cualquier valor entre dos valores dados, se
le llama variable continua. Si no es así, se denomina variable discreta.
15
2.2.5 Datos Sueltos y Ordenación
Se les llama datos sueltos a los datos recolectados que no han sido organizados
numéricamente.
El símbolo que define una clase, se llama intervalo de clase. Entre un rango de 60
y 62 se le conoce como Límites de clase.
16
2.2.8 Tamaño o Amplitud de un Intervalo de Clase
17
2.2.11 Promedios o Medidas de Tendencia Central
∑𝑋
Ẋ=
𝑁
2.2.11.2 La Mediana
2.2.11.3 La Moda
18
La distribución de una sola moda se llama unimodal. En el caso de datos
agrupados donde se haya construido una curva de frecuencias, para ajustar los
datos la moda será(n) el(los) valor(es) de X correspondiente(s) al(os) máximo(s)
de la curva.
𝑁
𝐺 = √∑ 𝑋
𝑁
𝐻=
1
∑
𝑋
19
2.2.12.1 El Rango
∑|𝑋 − Ẋ|
𝐷𝑀 =
𝑁
∑ ∫(𝑋 − Ẋ)2
𝑠=√
𝑁
Donde X representa las desviaciones de cada uno de los números Xj, respecto de
la Ẋ. Por lo tanto, s es la media cuadrática de las desviaciones en relación con la
media o, como se le llama en forma común, desviación de la media cuadrática.
20
2.2.12.4 Relaciones Empíricas Entre Medidas de Dispersión
2
Desviación media = 3 (desviación estándar)
1
Rango semiintercuartilar = 2 (desviación estándar)
Los programas estadísticos están diseñado para dar soluciones a problemas los
cuales tienen una gran cantidad de datos recabados, estos están en muchas
áreas como ser administración de empresas, control de calidad, medicina y en la
ingeniería.
21
medidas características. Entre sus muchas prestaciones, también figuran el
cálculo de intérvalos de confianza, contrastes de hipótesis, análisis de regresión,
análisis multivariantes.
22
2.3.2 Ensayos de suelos
Balanza
Tamices
Espátulas
Brochas
Recipientes de secado
Recolectar la muestra que este en función del tamaño máximo del agregado,
cuartear, luego se debe soltar el material fino de la grava y arena con ayuda del
agua para poder separar estos dos materiales, luego se lava el material, se lo
introduce al horno para su secado y posterior tamizado.
23
2.3.2.2 Límites de consistencia
Para medir la plasticidad de las arcillas se han desarrollado varios criterios, de los
cuales uno solo, el debido a Atterberg, se mencionara en lo que sigue. Atterberg
hizo ver que, en primer lugar, la plasticidad no era propiedad permanente de las
arcillas, sino circunstancial y dependiente de su contenido de agua. Una arcilla
muy seca puede tener la consistencia de un ladrillo, con plasticidad nula, y esa
misma, con gran contenido de agua, puede presentar las propiedades de un lodo
semilíquido o inclusive, las de una suspensión liquidan.
Entre ambos extremos existe un intervalo del contenido de agua en que la arcilla
se comporta plásticamente. En segundo lugar, Atterberg hizo ver que la plasticidad
de un suelo exige, para ser expresada en forma conveniente, la utilización de dos
parámetros en lugar de uno solo, como hasta su época se había creído; además,
señalo esos parámetros y un modo tentativo, hoy perfeccionado, de valuarías.
Los anteriores estados son fases generales por las que pasa el suelo al irse
secando y no existen criterios estrictos para distinguir sus fronteras. El
establecimiento de estas ha de hacerse en forma puramente convencional.
24
Atterberg estableció las primeras convenciones para ello, bajo el nombre general
de los límites de consistencia.
Atterberg encontró que la diferencia entre los valores de los límites de plasticidad,
llamada índice plástico, se relaciona fácilmente con la cantidad de arena añadida,
siendo de más fácil determinación, por lo que sugirió su uso, en lugar de añadir
arena, como segundo parámetro para definir la plasticidad.
Ip = LL − LP
Límite Líquido
25
Si el número de golpes para que se cierre la zanja es de 25, la humedad del suelo
(razón agua/peso) corresponde a los límites líquidos. Este ensayo se encuentra
bajo la norma ASTM D4318 y AASHTO T-89.
Límite Plástico
Límite de Contracción
26
2.3.2.3 Clasificación de Suelos
Donde:
27
Luego de obtener el índice de grupo entramos a la tabla de clasificación AASHTO,
el cual se encuentra en el ANEXO A, ANEXO A-2.
Suelos Gruesos
El símbolo de cada grupo está formado por dos letras mayúsculas, que son las
iniciales de los nombres ingleses de los suelos más típicos de ese grupo. El
significado se especifica de la siguiente manera:
Las gravas y las arenas se separan con la malla N 4, de manera que un suelo
pertenece al grupo genérico G, si mas del 50% de su fracción gruesa (retenida en
la malla 200) no pasa la malla N 4, y es del grupo genérico S, en caso contrario las
gravas y las arenas se subdividen en cuatro tipos:
28
Material con cantidad apreciable de finos no plásticos. Símbolo M (del
sueco mo y mjala). En combinación con los símbolos genéricos da lugar
a los grupos GM y SM.
Material con cantidad apreciable de finos plásticos. Símbolo C (clay). En
combinación con los símbolos genéricos, da lugar a los grupos GC y
SC.
Suelos Finos
Cada uno de estos tres tipos de suelos se subdivide, según su, límite líquido, en
dos grupos. Si este es menor de 50%, es decir, si son suelos de compresibilidad
baja o media, se añade al símbolo genérico la letra L (low compressibility),
teniéndose así los grupos ML, CL y OL. Los suelos finos con Límite Líquido mayor
de 50%, o sea de alta compresibilidad, llevan tras el símbolo genérico la letra H
(high compressibility), teniendo así los grupos MH, CH, OH.
29
También es preciso tener en cuenta que el termino compresibilidad tal como aquí
se trata, se refiere a la pendiente del tramo virgen de la curva de compresibilidad y
no a la condición actual del suelo inalterado, pues este puede estar seco
parcialmente o pre consolidado.
Los suelos altamente orgánicos, usualmente fibrosos, tales como turbas y suelos
pantanosos, extremadamente compresibles, forman un grupo independiente de
símbolo Pt (del ingles peat; turba), para mejor entendimiento ver la siguiente tabla
de clasificación unificada en el ANEXO A, ANEXO A-2.
30
2.3.2.5 Método Próctor Modificado
Con todo esto, la energía de compactación por unidad de volumen es 4.5 veces
superior a la del ensayo normal. El ensayo se puede utilizar de forma manual o
mecánica. (Procedimiento ensayo de compactación Proctor ver Anexo A Mecánica
de Suelos, Anexo A-3).
31
El CBR se obtiene como la relación de la carga unitaria en kg/cm2 (lbs. /pulg2)
necesaria para lograr una cierta profundidad de penetración del pistón (con una
área de 19.4 cm2) dentro de la muestra compactada de suelo a un contenido de
humedad y densidad dadas con respecto a la carga unitaria patrón requerida para
obtener la misma profundidad de penetración en una muestra estándar de material
triturado. En forma de ecuación esto es:
32
Dar información sobre la expansión esperada en el suelo bajo la
estructura de pavimentos cuando el suelo se satura.
Dar indicación de la perdida de resistencia debida a la saturación en el
campo.
33
2.4 INGENIERÍA DE TRÁFICO
Por otro lado se estudia al usuario todas las reacciones para maniobrar el vehículo
como ser: rapidez de reacción para frenar, para acelerar, su resistencia al
cansancio, etc.
34
2.4.3 TRÁNSITO Promedio Diario Anual (TPDA)
El TPDA no refleja las variaciones extremas que, por el límite superior, pueden
llegar a duplicar los volúmenes promedios del tránsito en algunas carreteras,
razón por la cual en las estaciones permanentes de registro de volúmenes se
deben medir y analizar las fluctuaciones del tránsito a los largo de los diferentes
periodos del año, sean estos semanales, mensuales o estacionales.
No obstante, se ha tomado el TPDA como un indicador numérico para diseño,
tanto por constituir una medida característica de la circulación de vehículos, como
por su facilidad de obtención. Constituye así el TPDA un indicador muy valioso de
la cantidad de vehículos de diferentes tipos (livianos y pesados) y funciones
(transporte de personas y de mercancías), que se sirve de la carretera existente
como su tránsito normal y que continuara haciendo uso de dicha carretera una vez
sea mejorada o ampliada, o que se estima utilizara nueva al entrar en servicio
para los usuarios.
35
Las diferentes cargas actuantes sobre un pavimento producen diferentes
tensiones y deformaciones en el mismo. Además, diferentes espesores de
pavimentos y diferentes materiales responden de diferente manera a una misma
carga. Debido a esta diferente respuesta en el pavimento, las fallas serán distintas
según la intensidad de la carga y las características del pavimento.
Dado que cada tipo de pavimento responde de manera diferente a una carga, los
LEFs cambian de acuerdo al tipo de pavimento. Por ejemplo, si el punto de falla de
un pavimento cambia, también, lo hace el LEF. Es así que pavimentos rígidos y
flexibles tienen diferentes LEFs y que también cambie según el SN para el
pavimento flexible y según el espesor de losa para pavimentos rígidos, y que
también cambien según el nivel de serviciabilidad adoptado.
36
2.4.6 Factor de Camión
Así nace el concepto de Facto de Camión (FC) que se define como el número de
ESALs por vehículo. Este tipo de camión puede ser computado para cada
clasificación general de camiones o para todos los vehículos comerciales como un
promedio para una configuración de TRÁNSITO dada. Es más exacto considerar
factores de camión para cada clasificación general de camiones.
37
2.5.1 Características que debe reunir un Pavimento
Son aquellos que fundamentalmente están constituidos por una losa de concreto
hidráulico, apoyada sobre la subrasante o sobre una capa, de material
SELECCIÓNado, la cual se denomina sub-base del pavimento rígido.
Debido a la alta rigidez del concreto hidráulico así como de su elevado coeficiente
de elasticidad, la distribución de los esfuerzos se produce en una zona muy
amplia. Además como el hormigón es capaz de resistir, en cierto grado, esfuerzos
a tensión, el comportamiento de un pavimento rígido es suficientemente
satisfactorio aun cuando existan zonas débiles en la subrasante.
2.5.3.1 La Sub-Base
La función más importante es impedir la acción del bombeo en las juntas, grietas y
extremos del pavimento. Se entiende por bombeo a la fluencia de material fino con
agua fuera de la estructura del pavimento, debido a la infiltración de agua por las
juntas de las losas.
El agua que penetra a través de las juntas licua el suelo fino de la subrasante
facilitando asa su evacuación a la superficie bajo presión ejercida por las cargas
circulantes a través de las losas. Hay otras funciones que provee la capa Sub-
Base las cuales se las describe a continuación:
39
2.5.4 Factores a considerar en el Diseño de Pavimentos
2.5.4.1 El TRÁNSITO
Interesan para el dimensionamiento del pavimento, las cargas más pesadas por
eje (simple, tándem o tridem esperadas en el carril de diseño o más solicitado, que
determinara la estructura del pavimento de la carretera) durante el periodo de
diseño adoptado. La repetición de las cargas del tránsito y la consecuente
acumulación de deformaciones sobre el pavimento (fatiga) son fundamentales
para el cálculo.
2.5.4.2 La Subrasante
De la calidad de esta capa depende, en gran parte, el espeso que debe tener un
pavimento, sea este flexible o rígido. Como parámetro de evaluación de esta capa
se emplea la capacidad de soporte o resistencia a la deformación por esfuerzo
cortante bajo las cargas del tránsito. Es necesario tener en cuenta la sensibilidad
del suelo a la humedad, tanto en lo que se refiere a la resistencia como a las
eventuales variaciones de volumen (hinchamiento – retracción).
40
2.5.4.3 El Clima
Los factores que en nuestro medio más afectan a un pavimento son las lluvias y
los cambios de temperatura.
Las lluvias por su acción directa en la elevación del nivel freático influyen en la
resistencia, la compresibilidad y los cambios volumétricos de los suelos de
subrasante especialmente. Este parámetro también influye en algunas actividades
de construcción tales como el movimiento de tierras, colocación y compactación
de capas granulares y asfálticas.
2.6.1 Presupuesto
41
2.6.1.1 Cómputos Métricos
Las mediciones deben obtenerse siempre aplicando las cotas de los planes, sin
tener que recurrir nunca a utilizar el eclímetro.
Se realizara para cada ítem de la obra, están constituidos por materiales, equipos,
maquinarias y mano de obra, así como los gastos indirectos tales como
administración.
42
Cálculo de Precios Unitarios.
Comparación.
2.7.1 Dosificación
43
2.7.2 Relación Agua/Cemento
Es uno de los parámetros más importantes del hormigón, pues este influye
directamente en la resistencia que tendrá el hormigón al final del mismo. Expresa
la intima relación que hay entre el peso del agua utilizada en la mezcla y el peso
del cemento. Dado que el peso del agua utilizada es siempre menor que el peso
del cemento, el guarismo resultante es menos que la unidad.
2.7.3 Economía
Dado que el cemento es el de mayor costo que los agregados, por lo general, la
mezcla más económica será aquella con menor contenido de cemento sin
sacrificar la calidad del hormigón. Si asociamos la calidad a la relación
agua/cemento, es evidente que debemos reducir la demanda de agua de la
mezcla empleando alguna de o todas las alternativas que se indican a
continuación:
Elegir la mezcla más seca que sea posible colocar y compactar con los
medios disponibles.
44
Optar por el máximo tamaño del agregado compatible con el tamaño del
elemento, las armaduras y el recubrimiento.
Optimizar la relación entre agregados finos y gruesos.
2.7.4 Trabajabilidad
Una mezcla bien diseñada debe ser capaz de ser mezclada, transportada,
colocada y compactada con el equipamiento disponible. La aptitud de la mezcla
para que tenga una correcta terminación también es un factor a tener en cuenta,
debiendo minimizarse la exudación y la segregación.
45
Si se trata de una obra de hormigón armado convencional, la separación de las
armaduras y las dimensiones del elemento a hormiguear condicionaran la elección
del tamaño máximo del agregado grueso a emplear. Estas relaciones pueden
indicarse como sigue:
2.7.6.2 Consistencia
46
3 INGENIERÍA DE PROYECTO
Los datos a obtenerse son del tramo Villa Rosario – Loma Alta, esta zona cuenta
con suelos con una plasticidad significativa por lo tanto se espera que la mayoría
de los estudios nos muestren suelos finos según clasificación AASHTO (A-4, A-5,
A6, A-7-5, A-7-6).
Es por tal razón que se optó en trabajar solo con suelos “finos” representados por
la clasificación AASHTO, ya que con base a esto se obtendrán una gran variedad
de datos con los cuales se podrá trabajar en el modelo. Se sabe bien en
estadística, que a mayor cantidad de datos, muchos más confiable es la obtención
del resultado, claro está, si estos datos tienen una dispersión mínima.
47
La variable independiente es aquella que es manipulada por el investigador con el
objeto de estudiar como incide sobre la expresión de la variable dependiente. Para
este caso de estudio se tomaran 2 variables independientes, las cuales están
conformadas por Límite Líquido y la Granulometría.
La variable dependiente para este trabajo de grado será el CBR, este dato puede
ser obtenido mediante otros métodos como ser el de laboratorio o in situ, como
también pueden ser obtenidos mediante una relación de datos que ya se
obtuvieron del suelo (Granulometría y Límite Líquido).
Se sabe bien que el CBR es mayormente obtenido mediante laboratorio, es por tal
razón que se intenta encontrar una expresión matemática (modelo matemático)
48
que pueda calcular el CBR en base a suelos finos (para este caso), y así poder
asegurar la confiabilidad del 90% o superior. Esto no significa que reemplazara al
valor de laboratorio, este será utilizado para el pre-diseño de un paquete
estructural, y así se puede lograr ahorrar en la etapa de anteproyecto, y presentar
alternativas confiables, con un margen de error reducido. Luego de haber pasado
la etapa del anteproyecto, se puede proceder a la obtención del CBR mediante
ensayos de laboratorio para luego reemplazar al dato obtenido mediante el modelo
matemático.
El modelo matemático para este caso será el determinístico, este trabajara con las
variables las cuales se definieron en el anterior punto, para poder obtener el
modelo matemático se trabaja con el software Statgraphics, el cual es un
programa estadístico para que pueda armar el modelo matemático, como se lo
mencionó anteriormente.
49
Se cuenta con una cantidad de 433 datos, de los cuales 124 datos son de material
granular y 309 datos son de material limo-arcilloso. Estos están clasificados en los
siguientes grupos:
A3 Arenas finas
A4 Suelos limosos
El análisis de los datos será realizado tomando en cuenta tres variables; una
dependiente y dos independientes.
50
Interacción entre variables
51
De este primer análisis, el software determinó que las variables contaban con la
confiabilidad requerida para establecer una regresión.
En el cuadro siguiente se presentan los datos con los que se realizara el presente
modelo matemático.
1 28 20 8 CL A-4 12 2.0
52
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
2 28 20 8 CL A-4 12 2.0
3 29 21 9 CL A-4 13 2.3
4 30 21 9 CL A-4 12 2.0
5 35 24 11 CL A-6 13 1.5
6 26 17 9 CL A-4 12 2.0
7 27 19 9 CL A-4 7 1.8
8 29 22 6 ML A-4 13 5.5
11 49 29 19 ML A-7-6 24 2.4
12 32 22 9 CL A-4 13 3.3
13 32 20 12 CL A-6 14 2.1
14 36 25 11 ML A-6 14 4.7
15 38 25 13 ML A-6 15 4.7
16 28 15 13 CL A-6 15 3.0
18 32 21 10 CL A-6 13 2.2
19 39 29 10 ML A-6 13 4.4
53
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
20 33 23 10 CL A-6 13 2.3
21 29 17 11 CL A-6 14 3.7
22 29 16 13 CL A-6 15 2.4
23 25 15 10 CL A-6 11 2.2
24 57 39 18 MH A-7-5 25 1.5
25 31 20 11 CL A-6 13 2.4
26 31 18 13 CL A-6 14 2.3
27 47 30 16 ML A-7-5 21 1.4
28 44 29 15 ML A-7-6 18 1.4
29 51 36 15 MH A-7-5 21 1.5
30 41 29 11 ML A-7-6 14 1.4
31 49 32 17 ML A-7-5 21 1.5
32 24 14 10 CL A-6 12 2.3
33 22 13 9 CL A-4 13 2.2
34 31 21 10 CL A-6 13 2.0
35 47 22 25 CL A-7-6 27 2.6
36 19 16 4 ML A-4 4 6.5
37 27 15 12 CL A-6 14 2.3
54
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
38 31 16 15 CL A-6 17 2.2
39 28 18 10 CL A-6 13 2.1
40 19 15 4 ML A-4 6 4.6
41 25 14 11 CL A-6 13 2.2
42 39 25 13 ML A-6 16 4.7
43 29 19 10 CL A-6 13 2.3
45 31 19 13 CL A-6 14 2.3
46 21 10 10 CL A-6 3 2.4
47 25 15 10 CL A-6 12 2.2
48 26 15 11 CL A-6 12 2.2
49 29 16 13 CL A-6 15 2.1
50 38 28 10 ML A-6 12 4.5
53 29 17 12 CL A-6 12 2.3
55 30 23 8 CL A-4 7 2.1
55
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
58 18 15 3 SM A-4 3 11.4
59 25 15 10 CL A-6 10 2.1
60 33 22 10 CL A-6 13 2.1
61 50 35 15 MH A-7-5 20 3.3
62 26 18 8 SC A-4 3 12.1
63 30 22 8 CL A-4 6 2.1
66 20 17 4 ML A-4 8 7.6
67 46 27 19 CL A-7-6 14 1.4
68 25 14 10 CL A-6 13 1.5
69 54 26 28 CH A-7-6 31 1.0
70 51 25 26 CH A-7-6 29 1.0
72 56 25 31 CH A-7-6 43 1.0
73 25 15 10 CL A-4 8 2.3
56
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
74 17 15 2 ML A-4 4 3.4
75 21 14 8 CL A-4 4 2.3
76 54 25 29 CH A-7-6 28 1.1
78 22 14 8 CL A-4 10 2.4
79 43 15 28 CL A-7-6 22 2.0
80 45 21 24 CL A-7-6 26 2.0
81 29 13 16 CL A-6 16 2.1
82 33 14 19 CL A-6 18 2.0
83 31 17 14 CL A-6 15 2.0
85 24 13 11 CL A-6 10 2.1
86 20 12 8 CL A-4 5 2.3
87 22 11 11 CL A-6 6 2.1
88 22 11 10 CL A-6 5 3.8
89 23 16 7 CL A-4 9 2.4
90 18 15 3 SM A-4 3 12.5
91 25 13 12 CL A-6 7 3.6
57
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
92 22 13 9 CL A-4 3 2.4
93 20 11 9 CL A-4 5 2.4
94 14 11 3 SM A-4 2 12.1
95 25 14 11 CL A-6 4 1.8
96 27 15 12 SC A-6 4 7.8
97 28 13 15 SC A-6 3 7.8
98 22 13 9 CL A-4 9 2.4
99 24 13 11 CL A-6 10 2.1
58
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
59
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
60
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
61
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
62
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
63
Límites Clasificación CBR
Código Ig
LL LP IP UNIFICADA AASHTO 95%
Datos: LL
Variable de Selección: LL
64
Distribución: Normal
Tamaño de la muestra = 214
Media = 30.7009
Desviación típica = 9.61729
NOMINAL = 35.5
TABLA 7. VALORES DE Z
68,3 1,00
90,0 1,64
95,0 1,96
95,5 2,00
99,0 2,58
99,7 3,00
65
Si el valor o los valores de Z no se encuentran dentro de la anterior tabla que se
mostro, entonces podemos calcular el valor de la puntuación Z está representado
por la siguiente ecuación:
X−̅X
Z=
σ
Donde:
60
K = -0.22
40
20
0
0 10 20 30 40 50 60
Ppk (inf erior) = 0.58
LL
Ppk (superior) = 0.91
66
Límites de Tolerancia de distribución libre para LL
Resumen de Datos
Recuento = 214
Máximo = 57.0
Mediana = 28.0
Mínimo =14.0
USL = 57.0
Nominal = 35.5
LSL = 14.0
95.0% intérvalos de tolerancia para 97.8025% de la población
Superior: 57.0
Inferior: 14.0
Sin asumir que LL procede de una distribución normal, el estado de los límites de
tolerancia en que podemos estar 95.0% confidencia que 97.8025% de la
distribución se encuentran entre 14.0 y 57.0.
Gráfico de Probabilidad
60
50
40
LL
30
20
10
0
0 10 20 30 40 50 60
Normal (30.7009|9.61729)
67
TABLA 8. CONTRASTES DE BONDAD DE AJUSTE PARA LL
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
LL puede ser planeado adecuadamente por una distribución de normal. El test
chi-cuadrado divide el rango de LL en intérvalos no superpuestos y compara el
número de observaciones en cada clase con el número esperado basado en la
distribución ajustada.
El p-valor más bajo entre los tests realizados es igual a 7.79205E-9. Dado que el
p-valor para este test es menor de 0.01, podemos rechazar la idea de que LL
procede de una distribución normal con un 99% de confianza.
68
Análisis de confiabilidad para datos de granulometría tamiz 200
NOMINAL = 68.3
69
apropiada para los datos, esto estima el porcentaje de la población que se
encuentra fuera de la especificación.
60
Ppk (superior) = 0.33
40 Ppk (inf erior) = 0.87
K = 0.45
20
0
0 30 60 90 120 150
GRA
70
Límite Límite Frecuencia Frecuencia
Chi-cuadrado
Inferior superior observada Esperada
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
GRA puede ser planeado adecuadamente por una distribución de normal. El test
chi-cuadrado divide el rango de GRA en intérvalos no superpuestos y compara el
número de observaciones en cada clase con el número esperado basado en la
distribución ajustada.
El p-valor más bajo entre los tests realizados es igual a 0.0. Dado que el p-valor
para este test es menor de 0.01, podemos rechazar la idea de que GRA procede
de una distribución normal con un 99% de confianza.
71
FIGURA 8. GRÁFICO DE PROBABILIDAD DE LA GRANULOMETRÍA
Gráfico de Probabilidad
116
96
GRA
76
56
36
36 56 76 96 116
Normal (82.4336|17.4011)
72
Sin asumir que GRA procede de una distribución normal, el estado de los límites
de tolerancia en que podemos estar 95.0% confidencia que 97.8025% de la
distribución se encuentran entre 36.8 y 99.9.
Este intervalo se calcula a partir de los valores más pequeños y más grandes.
Estos resultados puede utilizarlos para ayudarle a SELECCIÓNar especificaciones
razonables para su proceso, si no se reúnen las actuales especificaciones.
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
73
TABLA 12. ANÁLISIS DE VARIANZA
Cuadrados Medio
Dado que el p-valor en la tabla ANOVA es mayor o igual a 0.10, no existe relación
estadísticamente significativa entre las variables para un nivel de confianza del
90% o superior. El estadístico R-cuadrado indica que el modelo explica un
1.21041% de la variabilidad en LOG(CBR).
74
1.16362. El error absoluto medio (MAE) de 0.503616 es el valor medio de los
residuos.
Para decidir la simplificación del modelo, tenga en cuenta que el p-valor más alto
en las variables independientes es 0.2844, perteneciendo a LOG(GRA). Puesto
que el p-valor es superior o igual a 0.10, este término no es estadísticamente
significativo para un nivel de confianza del 90% o superior.
75
FIGURA 9. GRÁFICOS RESIDUOS PRUEBA 1, PRIMER CRITERIO
Gráfico de Residuos
Residuo estudentizado
4.2
2.2
0.2
-1.8
-3.8
0 0.5 1 1.5 2 2.5 3
LOG(CBR) predicho
76
Esta prueba queda completamente descartada, no se tomara en cuenta, ya que el
CBR (MODELO) está muy alejado del CBR (LAB.), esto se demuestra en la
diferencia.
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
Cuadrados Medio
77
R-cuadrado = 1.00155 porcentaje
R-cuadrado (ajustado para g.l.) = 0.0631745 porcentaje
Error estándar de est. = 6.48105
Error absoluto medio = 2.75329
Dado que el p-valor en la tabla ANOVA es mayor o igual a 0.10, no existe relación
estadísticamente significativa entre las variables para un nivel de confianza del
90% o superior.
Para decidir la simplificación del modelo, tenga en cuenta que el p-valor más alto
en las variables independientes es 0.9391, perteneciendo a GRA. Puesto que el
p-valor es superior o igual a 0.10, este término no es estadísticamente significativo
para un nivel de confianza del 90% o superior.
78
FIGURA 10. GRÁFICO DE COMPONENTE MAS RESIDUO PARA CBR
efecto de componente
10
-2
-5
36 56 76 96 116
GRA
Límite
Granulometría Cbr (lab.) Cbr (modelo) Diferencia
Líquido
79
aceptara una diferencia mayor a 2.5. Esto no demuestra la confiabilidad del
modelo.
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
Cuadrados Medio
80
R-cuadrado = 1.62308 porcentaje
R-cuadrado (ajustado para g.l.) = 0.690596 porcentaje
Error estándar de est. = 6.46067
Error absoluto medio = 2.7322
Dado que el p-valor en la tabla ANOVA es mayor o igual a 0.10, no existe relación
estadísticamente significativa entre las variables para un nivel de confianza del
90% o superior. El estadístico R-cuadrado indica que el modelo explica un
1.62308% de la variabilidad en CBR. El estadístico R-cuadrado ajustado, que es
más conveniente para comparar modelos con diferentes números de variables
independientes, es 0.690596%.
Para decidir la simplificación del modelo, tenga en cuenta que el p-valor más alto
en las variables independientes es 0.4454, perteneciendo a LOG10(GRA). Puesto
que el p-valor es superior o igual a 0.10, este término no es estadísticamente
significativo para un nivel de confianza del 90% o superior.
81
FIGURA 11. GRÁFICO DE COMPONENTE MAS RESIDUOS PARA CBR
efecto de componente
10
-2
-5
1.5 1.6 1.7 1.8 1.9 2
LOG10(GRA)
Límite
Granulometría Cbr (lab.) Cbr (modelo) Diferencia
Líquido
82
Los resultados de la prueba 3, de igual manera serán descartados, ya que la
diferencia está por encima de 2.5, volviendo al modelo desconfiable ante los
resultados.
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
Cuadrados Medio
83
R-cuadrado = 1.08126 porcentaje
R-cuadrado (ajustado para g.l.) = 0.143643 porcentaje
Error estándar de est. = 6.47844
Error absoluto medio = 2.75126
La salida muestra los resultados del ajuste a un modelo deregresión lineal múltiple
para describir la relación entre CBR y 2variables independientes. La ecuación del
modelo ajustado es:
Dado que el p-valor en la tabla ANOVA es mayor o igual a 0.10, no existe relación
estadísticamente significativa entre las variables para un nivel de confianza del
90% o superior. El estadístico R-cuadrado indica que el modelo explica un
1.08126% de la variabilidad en CBR.
84
FIGURA 12. GRÁFICO DE COMPONENTE MAS RESIDUOS PARA CBR
-2
-5
0 10 20 30 40 50 60
LL
Fuente: Elaboración propia, en base al software Statgraphics.
85
En la prueba 4, se comprueba de igual manera que no es aceptable, la diferencia
es mucho más alta que la anterior prueba
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
Cuadrados Medio
86
R-cuadrado = 1.42665 porcentaje
R-cuadrado (ajustado para g.l.) = 0.492303 porcentaje
Error estándar de est. = 6.46712
Error absoluto medio = 2.73893
Dado que el p-valor en la tabla ANOVA es mayor o igual a 0.10, no existe relación
estadísticamente significativa entre las variables para un nivel de confianza del
90% o superior. El estadístico R-cuadrado indica que el modelo explica un
1.42665% de la variabilidad en CBR.
87
FIGURA 13. GRÁFICO DE COMPONENTE MAS RESIDUOS PARA CBR
efecto de componente
10
-2
-5
2.6 2.9 3.2 3.5 3.8 4.1
LOG(LL)
88
Para esta prueba se puede ver claramente que la diferencia entre algunos valores
es mínima, e incluso es 0, pero igual no se tomara en cuenta ya que todos los
valores de CBR (modelo) deberán estar próximos a los de CBR (Lab.).
Con el primer criterio de selección se pudo constatar que todavía hay una gran
dispersión de datos dentro del universo de 214 datos, es por tal razón que se
desarrollo un segundo criterio que consta de los siguientes parámetros limitantes:
El tipo de suelo A-4, tiene una subclasificación con el método UNIFICADO, se dijo
anteriormente que el método AASHTO es la principal clasificación para este
modelo, y que la UNIFICADA sería tomada como consulta y respaldo, aclarado
eso, se tiene lo siguiente:
Para la clasificación AASHTO en el grupo A-4, hay una subdivisión que acompaña
la clasificación UNIFICADA y estas son: SM, SM-SC, SC, ML, ML-CL y CL. Se
eliminaran aquellos suelos tipo A-4 que presenten un comportamiento de suelo de
grano grueso (SM, SM-SC, SC).
Se eliminaran los datos que tienen una granulometría por debajo del 85%, puestos
que estos también presentarían un comportamiento granular. Al hacer este nuevo
criterio, se cuenta con un nuevo universo de datos, este consta de 120 datos, que
se los muestra a continuación:
1 28 20 8 CL A-4 12 2.0
89
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
2 28 20 8 CL A-4 12 2.0
3 29 21 9 CL A-4 13 2.3
4 30 21 9 CL A-4 12 2.0
5 35 24 11 CL A-6 13 1.5
6 26 17 9 CL A-4 12 2.0
7 29 22 6 ML A-4 13 5.5
10 49 29 19 ML A-7-6 24 2.4
11 32 22 9 CL A-4 13 3.3
12 32 20 12 CL A-6 14 2.1
13 36 25 11 ML A-6 14 4.7
14 38 25 13 ML A-6 15 4.7
15 28 15 13 CL A-6 15 3.0
17 32 21 10 CL A-6 13 2.2
18 39 29 10 ML A-6 13 4.4
19 33 23 10 CL A-6 13 2.3
90
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
20 29 17 11 CL A-6 14 3.7
21 29 16 13 CL A-6 15 2.4
22 25 15 10 CL A-6 11 2.2
23 57 39 18 MH A-7-5 25 1.5
24 31 20 11 CL A-6 13 2.4
25 31 18 13 CL A-6 14 2.3
26 47 30 16 ML A-7-5 21 1.4
27 44 29 15 ML A-7-6 18 1.4
28 51 36 15 MH A-7-5 21 1.5
29 41 29 11 ML A-7-6 14 1.4
30 49 32 17 ML A-7-5 21 1.5
31 24 14 10 CL A-6 12 2.3
32 22 13 9 CL A-4 13 2.2
33 31 21 10 CL A-6 13 2.0
34 47 22 25 CL A-7-6 27 2.6
35 27 15 12 CL A-6 14 2.3
36 31 16 15 CL A-6 17 2.2
37 28 18 10 CL A-6 13 2.1
91
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
38 25 14 11 CL A-6 13 2.2
39 39 25 13 ML A-6 16 4.7
40 29 19 10 CL A-6 13 2.3
41 31 19 13 CL A-6 14 2.3
42 25 15 10 CL A-6 12 2.2
43 26 15 11 CL A-6 12 2.2
44 29 16 13 CL A-6 15 2.1
45 38 28 10 ML A-6 12 4.5
46 29 17 12 CL A-6 12 2.3
47 33 22 10 CL A-6 13 2.1
48 50 35 15 MH A-7-5 20 3.3
49 25 14 10 CL A-6 13 1.5
50 54 26 28 CH A-7-6 31 1.0
51 51 25 26 CH A-7-6 29 1.0
52 56 25 31 CH A-7-6 43 1.0
53 54 25 29 CH A-7-6 28 1.1
54 22 14 8 CL A-4 10 2.4
55 45 21 24 CL A-7-6 26 2.0
92
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
56 29 13 16 CL A-6 16 2.1
57 33 14 19 CL A-6 18 2.0
58 31 17 14 CL A-6 15 2.0
60 27 16 10 CL A-6 11 2.0
61 35 26 10 ML A-4 12 3.5
62 30 21 8 CL A-4 12 2.4
64 40 27 13 ML A-6 14 2.3
65 24 14 10 CL A-6 12 2.4
66 42 27 15 ML A-7-6 16 2.0
67 46 21 26 CL A-7-6 28 2.0
68 30 17 14 CL A-6 14 3.0
69 52 21 31 CH A-7-6 40 1.0
70 34 16 18 CL A-6 18 3.0
71 31 21 10 CL A-6 12 3.6
72 33 22 11 CL A-6 13 3.1
73 27 15 13 CL A-6 13 3.6
93
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
74 30 18 12 CL A-6 13 3.0
75 31 17 13 CL A-6 13 2.7
76 28 19 10 CL A-4 11 2.8
77 27 19 9 CL A-4 11 4.3
78 31 23 8 ML A-4 12 4.0
79 27 16 11 CL A-6 11 2.3
80 34 22 13 CL A-6 13 3.4
81 32 20 12 CL A-6 14 3.2
82 41 25 15 CL A-7-6 16 2.0
83 37 26 11 ML A-6 11 2.5
84 28 15 13 CL A-6 14 2.0
85 41 22 20 CL A-7-6 19 2.1
86 25 15 10 CL A-6 12 2.2
87 30 17 14 CL A-6 15 2.0
88 47 26 21 CL A-7-6 22 2.1
89 31 15 15 CL A-6 17 2.0
90 47 25 22 CL A-7-6 23 2.0
91 42 31 11 ML A-7-5 12 1.2
94
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
92 57 27 29 CH A-7-6 35 1.0
93 51 29 22 MH A-7-6 26 1.1
94 45 27 18 CL A-7-6 20 2.0
95 55 23 32 CH A-7-6 35 1.0
96 45 24 22 CL A-7-6 23 2.0
97 28 21 7 CL A-4 12 4.3
98 25 18 8 CL A-4 11 3.6
99 38 28 10 ML A-6 12 3.4
95
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
Datos: CBR
Variable de Selección: CBR
Distribución: Lognormal
Tamaño de la muestra = 120
Media = 2.79572
Desviación típica = 1.03551
96
TABLA 28. ESPECIFICACIONES DE LOS DATOS
NOMINAL = 35.5
0
0 2 4 6 8 10
CBR
97
TABLA 29. CONTRASTES DE BONDAD DE AJUSTE PARA CBR
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
CBR puede ser planeado adecuadamente por una distribución de lognormal. El
test chi-cuadrado divide el rango de CBR en intérvalos no superpuestos y compara
el número de observaciones en cada clase con el número esperado basado en la
distribución ajustada.
98
El p-valor más bajo entre los tests realizados es igual a 3.9914E-7. Dado que el p-
valor para este test es menor de 0.01, podemos rechazar la idea de que CBR
procede de una distribución lognormal con un 99% de confianza.
FIGURA 15. GRÁFICO DE PROBABILIDAD PARA CBR
Gráfico de Probabilidad
8
6
CBR
0
0 2 4 6 8
Lognormal (2.79572|1.03551)
Datos: LL
Variable de Selección: LL
Distribución: Lognormal
Tamaño de la muestra = 120
Media = 34.4398
Desviación típica = 8.08495
99
TABLA 30. ESPECIFICACIONES DE LAS VARIABLES
NOMINAL = 37.0
8 K = -0.13
0
0 20 40 60 80
LL
100
TABLA 31. CONTRASTES DE BONDAD DE AJUSTE
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
LL puede ser planeado adecuadamente por una distribución de lognormal. El test
chi-cuadrado divide el rango de LL en intérvalos no superpuestos y compara el
número de observaciones en cada clase con el número esperado basado en la
distribución ajustada.
101
El p-valor más bajo entre los tests realizados es igual a 0.0169536. Dado que el
p-valor para este test es menor de 0.05, podemos rechazar la idea de que LL
procede de una distribución lognormal con un 95% de confianza.
Gráfico de Probabilidad
57
47
LL
37
27
17
17 27 37 47 57
Lognormal (34.4398|8.08495)
102
TABLA 32. PARÁMETROS DE LAS VARIABLES
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
Cuadrados Medio
103
Dado que el p-valor en la tabla ANOVA es inferior a 0.05, existe relación
estadísticamente significativa entre las variables para un nivel de confianza del
95%.
Para decidir la simplificación del modelo, tenga en cuenta que el p-valor más alto
en las variables independientes es 0.8673, perteneciendo a GRA.
6.3
4.3
2.3
0.3
-1.7
85 88 91 94 97 100
GRA
104
estimarse los coeficientes dada la cantidad de datos disponibles y el ruido que
está presente.
FIGURA 19. GRÁFICO OBSERVADO VERSUS PREDICHO
Gráfico de CBR
8
observado
0
0 2 4 6 8
predicho
105
Para nuestro segundo criterio, se tiene entendido que el universo fue reducido
debido a los criterios que se platearon en este, aun con estos nuevos criterios el
modelo no es aceptable, ya que la diferencia sigue siendo significativa.
Se eliminaron una fracción de valores de CBR (al 95% según método Proctor T-
180), comprendidos entre [4.7 ; 7.7], la eliminación fue a causa de que estos
valores no eran tan representativos en el universo de 120 datos del anterior
criterio, alcanzaba tan solo el 7.5%, lo cual en vez de aportar al modelo,
perjudicaba en la obtención del mismo.
Citados estos parámetros se redujo el universo por tercera vez, a un total de 107
datos, que se muestran a continuación:
106
TABLA 35. DATOS PARA EL TERCER CRITERIO DE SELECCIÓN
1 28 20 8 CL A-4 12 2.0
2 28 20 8 CL A-4 12 2.0
3 29 21 9 CL A-4 13 2.3
4 30 21 9 CL A-4 12 2.0
5 35 24 11 CL A-6 13 1.5
6 26 17 9 CL A-4 12 2.0
7 49 29 19 ML A-7-6 24 2.4
8 32 22 9 CL A-4 13 3.3
9 32 20 12 CL A-6 14 2.1
10 28 15 13 CL A-6 15 3.0
11 32 21 10 CL A-6 13 2.2
12 39 29 10 ML A-6 13 4.4
13 33 23 10 CL A-6 13 2.3
14 29 17 11 CL A-6 14 3.7
15 29 16 13 CL A-6 15 2.4
16 25 15 10 CL A-6 11 2.2
17 31 20 11 CL A-6 13 2.4
18 31 18 13 CL A-6 14 2.3
107
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
19 47 30 16 ML A-7-5 21 1.4
20 44 29 15 ML A-7-6 18 1.4
21 41 29 11 ML A-7-6 14 1.4
22 49 32 17 ML A-7-5 21 1.5
23 24 14 10 CL A-6 12 2.3
24 22 13 9 CL A-4 13 2.2
25 31 21 10 CL A-6 13 2.0
26 47 22 25 CL A-7-6 27 2.6
27 27 15 12 CL A-6 14 2.3
28 31 16 15 CL A-6 17 2.2
29 28 18 10 CL A-6 13 2.1
30 25 14 11 CL A-6 13 2.2
31 29 19 10 CL A-6 13 2.3
32 31 19 13 CL A-6 14 2.3
33 25 15 10 CL A-6 12 2.2
34 26 15 11 CL A-6 12 2.2
35 29 16 13 CL A-6 15 2.1
36 38 28 10 ML A-6 12 4.5
108
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
37 29 17 12 CL A-6 12 2.3
38 33 22 10 CL A-6 13 2.1
39 25 14 10 CL A-6 13 1.5
40 22 14 8 CL A-4 10 2.4
41 45 21 24 CL A-7-6 26 2.0
42 29 13 16 CL A-6 16 2.1
43 33 14 19 CL A-6 18 2.0
44 31 17 14 CL A-6 15 2.0
46 27 16 10 CL A-6 11 2.0
47 35 26 10 ML A-4 12 3.5
48 30 21 8 CL A-4 12 2.4
50 40 27 13 ML A-6 14 2.3
51 24 14 10 CL A-6 12 2.4
52 42 27 15 ML A-7-6 16 2.0
53 46 21 26 CL A-7-6 28 2.0
54 30 17 14 CL A-6 14 3.0
109
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
55 34 16 18 CL A-6 18 3.0
56 31 21 10 CL A-6 12 3.6
57 33 22 11 CL A-6 13 3.1
58 27 15 13 CL A-6 13 3.6
59 30 18 12 CL A-6 13 3.0
60 31 17 13 CL A-6 13 2.7
61 28 19 10 CL A-4 11 2.8
62 27 19 9 CL A-4 11 4.3
63 31 23 8 ML A-4 12 4.0
64 27 16 11 CL A-6 11 2.3
65 34 22 13 CL A-6 13 3.4
66 32 20 12 CL A-6 14 3.2
67 41 25 15 CL A-7-6 16 2.0
68 37 26 11 ML A-6 11 2.5
69 28 15 13 CL A-6 14 2.0
70 41 22 20 CL A-7-6 19 2.1
71 25 15 10 CL A-6 12 2.2
72 30 17 14 CL A-6 15 2.0
110
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
73 47 26 21 CL A-7-6 22 2.1
74 31 15 15 CL A-6 17 2.0
75 47 25 22 CL A-7-6 23 2.0
76 42 31 11 ML A-7-5 12 1.2
77 45 27 18 CL A-7-6 20 2.0
78 45 24 22 CL A-7-6 23 2.0
79 28 21 7 CL A-4 12 4.3
80 25 18 8 CL A-4 11 3.6
81 38 28 10 ML A-6 12 3.4
82 47 28 19 ML A-7-6 21 2.7
83 45 29 16 ML A-7-6 16 2.9
84 46 24 22 CL A-7-6 22 2.7
85 37 20 17 CL A-6 17 2.3
86 42 29 14 ML A-7-6 15 2.7
87 43 25 18 CL A-7-6 20 2.0
88 41 30 12 ML A-7-6 14 2.5
89 40 23 17 CL A-7-6 18 2.7
90 42 30 12 ML A-7-6 14 2.5
111
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
91 45 26 19 CL A-7-6 21 2.0
92 38 27 12 ML A-6 14 2.8
93 49 32 17 ML A-7-5 19 2.5
94 40 28 12 ML A-6 13 2.9
95 40 29 12 ML A-7-6 13 2.3
96 43 24 19 CL A-7-6 21 3.0
97 35 17 18 CL A-6 16 3.1
98 31 18 13 CL A-6 13 3.0
99 35 21 14 CL A-6 16 3.0
112
Análisis de Capacidad de Procesos - CBR (CBR)
Datos: CBR
Variable de Selección: CBR
Distribución: Lognormal
Tamaño de la muestra = 107
Media = 2.59906
Desviación típica = 0.736908
Observado
Estimado Defectos
Especificaciones Fuera de Puntuación z
por millón
Fuera de espec.
espec.
NOMINAL = 2.85
10 K = -0.15
0
0 1 2 3 4 5 6
CBR
114
Límite Límite Frecuencia Frecuencia
Chi-cuadrado
Inferior superior observada Esperada
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
CBR puede ser planeado adecuadamente por una distribución de lognormal.
El p-valor más bajo entre los tests realizados es igual a 0.0000806581. Dado que
el p-valor para este test es menor de 0.01, podemos rechazar la idea de que CBR
procede de una distribución lognormal con un 99% de confianza.
Gráfico de Probabilidad
5.2
4.2
CBR
3.2
2.2
1.2
1.2 2.2 3.2 4.2 5.2
Lognormal (2.59906|0.736908)
115
Análisis de Capacidad de Procesos - LL (LL)
Datos: LL
Variable de Selección: LL
Distribución: Lognormal
Tamaño de la muestra = 107
Media = 33.9368
Desviación típica = 7.66085
Observado
Estimado Defectos
Especificaciones Fuera de Puntuación z
por millón
Fuera de espec.
espec.
NOMINAL = 33
116
Si la distribución lognormal es apropiada para los datos, esto estima el porcentaje
de la población que se encuentra fuera de la especificación.
0
0 20 40 60 80
LL
117
Límite Límite Frecuencia Frecuencia
Chi-cuadrado
Inferior superior observada Esperada
Gráfico de Probabilidad
57
47
LL
37
27
17
17 27 37 47 57
Lognormal (33.9368|7.66085)
118
Análisis de Capacidad de Procesos - GRA (GRA)
Datos: GRA
Variable de Selección: GRA
Distribución: Lognormal
Tamaño de la muestra = 107
Media = 94.5864
Desviación típica = 3.87647
Observado
Estimado Defectos
Especificaciones Fuera de Puntuación z
por millón
Fuera de espec.
espec.
NOMINAL = 92.4
0
83 87 91 95 99 103 107
GRA
Fuente: Elaboración propia, en base al software Statgraphics.
120
Límite Límite Frecuencia Frecuencia
Chi-cuadrado
Inferior superior observada Esperada
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
GRA puede ser planeado adecuadamente por una distribución de lognormal. El
test chi-cuadrado divide el rango de GRA en intérvalos no superpuestos y
compara el número de observaciones en cada clase con el número esperado
basado en la distribución ajustada.
El p-valor más bajo entre los tests realizados es igual a 0.00000403865. Dado
que el p-valor para este test es menor de 0.01, podemos rechazar la idea de que
GRA procede de una distribución lognormal con un 99% de confianza.
121
FIGURA 25. GRÁFICO DE PROBABILIDAD DE GRA
Gráfico de Probabilidad
100
97
GRA
94
91
88
85
85 88 91 94 97 100
Lognormal (94.5864|3.87647)
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
122
TABLA 43. ANÁLISIS DE VARIANZA
Suma de Cuadrado
Fuente GL Cociente-F P-Valor
Cuadrados Medio
123
El error absoluto medio (MAE) de 0.590979 es el valor medio de los residuos. El
estadístico Durbin-Watson (DW) examina los residuos para determinar si hay
alguna correlación significativa basada en el orden en el que se han introducido
los datos en el fichero. Dado que el p-valor es inferior a 0.05, hay indicio de una
posible correlación serial. Represente los residuos frente al orden de fila para ver
si hay algún modelo que pueda verse.
2.7
1.7
0.7
-0.3
-1.3
85 88 91 94 97 100
GRA
124
FIGURA 27. GRÁFICO DE RESIDUOS
Gráfico de Residuos
Residuo estudentizado 3.1
2.1
1.1
0.1
-0.9
-1.9
-2.9
1.2 2.2 3.2 4.2 5.2
CBR predicho
Para este modelo con nuevos criterios planteados, el universo nuevamente fue
reducido, y como se puede observar la proximidad de los resultados es muy
125
cercana, pero se decidió hacer un último criterio para ver si es que se puede
mejorar los resultados obtenidos.
Dado que los datos del anterior criterio cumplen con una confiabilidad aceptable,
este criterio se lleva a cabo con fines de mejorar tal confiabilidad obtenida en el
anterior, que pacta los siguientes parámetros:
Y dado que la norma AASHTO establece que para los suelos Limo-Arcillosos su
límite líquido está comprendido entre (30-150), es por ello que los que estén por
debajo de este límite inferior (30); no serán tomados en cuenta para el análisis del
modelo.
1 30 21 9 CL A-4 12 2.0
2 35 24 11 CL A-6 13 1.5
3 49 29 19 ML A-7-6 24 2.4
4 32 22 9 CL A-4 13 3.3
126
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
5 32 20 12 CL A-6 14 2.1
6 32 21 10 CL A-6 13 2.2
7 39 29 10 ML A-6 13 4.4
8 33 23 10 CL A-6 13 2.3
9 31 20 11 CL A-6 13 2.4
10 31 18 13 CL A-6 14 2.3
11 47 30 16 ML A-7-5 21 1.4
12 44 29 15 ML A-7-6 18 1.4
13 41 29 11 ML A-7-6 14 1.4
14 49 32 17 ML A-7-5 21 1.5
15 31 21 10 CL A-6 13 2.0
16 47 22 25 CL A-7-6 27 2.6
17 31 16 15 CL A-6 17 2.2
18 31 19 13 CL A-6 14 2.3
19 38 28 10 ML A-6 12 4.5
20 33 22 10 CL A-6 13 2.1
21 45 21 24 CL A-7-6 26 2.0
22 33 14 19 CL A-6 18 2.0
127
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
23 31 17 14 CL A-6 15 2.0
24 35 26 10 ML A-4 12 3.5
25 30 21 8 CL A-4 12 2.4
26 40 27 13 ML A-6 14 2.3
27 42 27 15 ML A-7-6 16 2.0
28 46 21 26 CL A-7-6 28 2.0
29 30 17 14 CL A-6 14 3.0
30 34 16 18 CL A-6 18 3.0
31 31 21 10 CL A-6 12 3.6
32 33 22 11 CL A-6 13 3.1
33 30 18 12 CL A-6 13 3.0
34 31 23 8 ML A-4 12 4.0
35 34 22 13 CL A-6 13 3.4
36 32 20 12 CL A-6 14 3.2
37 41 25 15 CL A-7-6 16 2.0
38 41 22 20 CL A-7-6 19 2.1
39 30 17 14 CL A-6 15 2.0
40 47 26 21 CL A-7-6 22 2.1
128
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
41 31 15 15 CL A-6 17 2.0
42 47 25 22 CL A-7-6 23 2.0
43 45 27 18 CL A-7-6 20 2.0
44 45 24 22 CL A-7-6 23 2.0
45 38 28 10 ML A-6 12 3.4
46 47 28 19 ML A-7-6 21 2.7
47 46 24 22 CL A-7-6 22 2.7
48 37 20 17 CL A-6 17 2.3
49 42 29 14 ML A-7-6 15 2.7
50 43 25 18 CL A-7-6 20 2.0
51 41 30 12 ML A-7-6 14 2.5
52 40 23 17 CL A-7-6 18 2.7
53 42 30 12 ML A-7-6 14 2.5
54 45 26 19 CL A-7-6 21 2.0
55 38 27 12 ML A-6 14 2.8
56 49 32 17 ML A-7-5 19 2.5
57 40 28 12 ML A-6 13 2.9
58 40 29 12 ML A-7-6 13 2.3
129
Límites Clasificación Cbr
Código Ig
LL LP IP UNIFICADA AASHTO 95%
59 43 24 19 CL A-7-6 21 3.0
60 35 21 14 CL A-6 16 3.0
61 35 18 17 CL A-6 17 3.1
62 33 23 10 CL A-4 12 4.3
63 35 18 17 CL A-6 19 3.4
64 44 30 13 ML A-7-5 17 3.0
Datos: CBR
Variable de Selección: CBR
Distribución: Lognormal
Tamaño de la muestra = 64
Media = 2.54439
Desviación típica = 0.704561
130
TABLA 46. ESPECIFICACIONES DEL CONJUNTO DE DATOS
Observado
Estimado Defectos por
Especificaciones Fuera de Puntuación z
millón
Fuera de espec.
espec.
NOMINAL = 2.95
0
0 1 2 3 4 5 6
CBR
Fuente: Elaboración propia, en base al software Statgraphics.
131
TABLA 47. CONTRASTES DE BONDAD DE AJUSTE PARA CBR
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
CBR puede ser planeado adecuadamente por una distribución de lognormal. El
test chi-cuadrado divide el rango de CBR en intérvalos no superpuestos y compara
el número de observaciones en cada clase con el número esperado basado en la
distribución ajustada.
El p-valor más bajo entre los tests realizados es igual a 0.0215018. Dado que el
p-valor para este test es menor de 0.05, podemos rechazar la idea de que CBR
procede de una distribución lognormal con un 95% de confianza.
132
FIGURA 29. GRÁFICO DE PROBABILIDAD CBR
Gráfico de Probabilidad
5.4
4.4
CBR
3.4
2.4
1.4
1.4 2.4 3.4 4.4 5.4
Lognormal (2.54439|0.704561)
Fuente: Elaboración propia, en base al software Statgraphics.
Datos: LL
Variable de Selección: LL
Distribución: Lognormal
Tamaño de la muestra = 64
Media = 38.0223
Desviación típica = 6.22089
133
TABLA 48. ESPECIFICACIONES DEL CONJUNTO DE DATOS
Observado
Estimado Defectos
Especificaciones Fuera de Puntuación z
por millón
Fuera de espec.
espec.
NOMINAL = 2.95
0
23 33 43 53 63
LL
134
TABLA 49. CONTRASTES DE BONDAD DE AJUSTE PARA LL
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
LL puede ser planeado adecuadamente por una distribución de lognormal. El test
chi-cuadrado divide el rango de LL en intérvalos no superpuestos y compara el
número de observaciones en cada clase con el número esperado basado en la
distribución ajustada.
El p-valor más bajo entre los tests realizados es igual a 0.0120694. Dado que el
p-valor para este test es menor de 0.05, podemos rechazar la idea de que LL
procede de una distribución lognormal con un 95% de confianza.
135
FIGURA 31. GRÁFICO DE PROBABILIDAD PARA LL
Gráfico de Probabilidad
50
46
42
LL
38
34
30
30 34 38 42 46 50
Lognormal (38.0223|6.22089)
Fuente: Elaboración propia, en base al software Statgraphics.
Datos: GRA
Variable de Selección: GRA
Distribución: Lognormal
Tamaño de la muestra = 64
Media = 95.8413
Desviación típica = 2.78597
136
TABLA 50. ESPECIFICACIONES DEL CONJUNTO DE DATOS
NOMINAL = 2.95
6
Ppk (superior) = 0.47
4 Ppk (inf erior) = 0.69
K = 0.18
2
0
87 90 93 96 99 102 105
GRA
137
TABLA 51. CONTRASTES DE BONDAD DE AJUSTE PARA GRA
Esta ventana muestra los resultados de la ejecución de los tests para determinar si
GRA puede ser planeado adecuadamente por una distribución de lognormal. El
test chi-cuadrado divide el rango de GRA en intérvalos no superpuestos y
compara el número de observaciones en cada clase con el número esperado
basado en la distribución ajustada.
El p-valor más bajo entre los tests realizados es igual a 0.00458766. Dado que el
p-valor para este test es menor de 0.01, podemos rechazar la idea de que GRA
procede de una distribución lognormal con un 99% de confianza.
138
FIGURA 33. GRÁFICO DE PROBABILIDAD PARA GRA
Gráfico de Probabilidad
100
98
GRA
96
94
92
90
90 92 94 96 98 100
Lognormal (95.8413|2.78597)
Error Estadístico
Parámetro Estimación P-Valor
Estándar T
139
TABLA 53. ANÁLISIS DE VARIANZA
Cuadrados Medio
total 31.8575 63
140
Puesto que el p-valor es superior o igual a 0.10, este término no es
estadísticamente significativo para un nivel de confianza del 90% o superior.
2.8
1.8
0.8
-0.2
-1.2
90 92 94 96 98 100
GRA
141
Para esta prueba se implementaron nuevos criterios y como se puede observar se
obtuvieron los resultados, pero no cumplen con las expectativas, es por tal razón
que el modelo a utilizarse es el que se obtuvo en el tercer criterio de selección, ya
que es mucho más próximo al CBR (LAB.).
Las actividades que se realizan en cada estudio de tráfico vehicular de la zona son
las siguientes:
142
Proyecto, a la entrada y salida de las manchas urbanas que sean atravesadas por
la carretera, antes y después de los ingresos a poblaciones.
El aforo vehicular fue realizado en la comunidad de Loma Alta parte de la red vial
fundamental San Pedro – La Enconada, a continuación se muestra un croquis de
la ubicación de los puntos de aforo de la carretera. En la figura que se muestra a
continuación, señala los puntos de control donde se realizo el aforo de vehículos:
Para realizar el diseño del paquete estructural se debe contar con el aforo
vehicular del sub-tramo I, el cual es el tramo Santa Rosa - Sagrado Corazón. La
línea trazada marca el tramo Villa Rosario - Loma Alta el cual esta utilizada para
realizar el presente trabajo de grado, este se encuentra dentro del subtramo I, los
cuales se muestran en el Anexo C.
143
3.2.2 Calculo de ESAL`s
El diseño del paquete estructural se hizo según el Método AASHTO ’93. A tal
efecto, se adoptaron los criterios que se enuncian a continuación. Se prevé la
apertura al tráfico para el año 2017. El tráfico promedio diario anual para el año
base (2012) es:
Las diversas cargas por eje de los diferentes tipos de vehículos que circulan por
la carretera, producen sobre el pavimento un efecto destructivo cuya magnitud
crece geométricamente en función de la intensidad de la carga.
144
TABLA 56. FACTORES DE CRECIMIENTO DE TRÁNSITO
145
El cuadro siguiente muestra el tráfico resultante durante la vida útil, con el TPDA
correspondiente al subtramo I.
Año de Apertura al
2017 1 566
Tráfico
2018 2 585
2019 3 604
2020 4 624
2021 5 645
2022 6 666
2023 7 688
2024 8 712
2025 9 736
2026 10 761
2027 11 787
2028 12 814
2029 13 842
2030 14 871
2031 15 901
2032 16 932
146
AÑO X TOTAL TPDA CON PROYECTO
2033 17 965
2034 18 999
2035 19 1035
2036 20 1071
[(1 + r)P − 1]
Factor de Crecimiento =
r
Dónde:
147
TABLA 58. COMPOSICIÓN DE TRÁFICO Y ESAL`S DE DISEÑO (20 AÑOS)
2 Camionetas 130
12 Otros 355
148
TABLA 59. COMPOSICIÓN DE TRÁFICO Y ESAL`S DE DISEÑO (30 Años)
2 Camionetas 130
12 Otros 355
149
Análogamente se procede para 30 años de período de diseño y la diferencia entre
los W 18 para 30 años y los W 18 para 20 años será el número de ESAL’s para el
período de refuerzo.
Para 20 años:
Para 30 años:
Donde:
150
3.3 ANÁLISIS DE SUELOS
RESUMEN ESTADÍSTICO
Desviación Standard 1
151
FIGURA 36. ANÁLISIS ESTADÍSTICO DE LAS VARIABLES DE LABORATORIO
5,00
4,50
4,00
3,50
3,00
2,50 DATOS
1,50 RANGO
INFERIOR AL 60%
RANGO
1,00 SUPERIOR AL
60%
0,50
0,00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100103106109112
152
En la gráfica se pueden observar valores que sobrepasan el límite inferior y el
límite superior, esto no quiere decir que son datos que se los está descartando,
significa que para este universo, los datos que sobresalen de los límites no son
representativos para poder diseñar nuestro paquete estructural.
CBR = 2.3%
PORCENTAJE DE SUELOS
A-7-6
25%
A-6
53%
Otros
30%
A-4 A-7-5
17% 5%
153
El gráfico circular nos demuestra cual es el porcentaje de ocurrencia de cada tipo
de suelo existente en el tramo.
Como se puede observar el suelo con mayor incidencia en el tramo es de tipo A-6
suelos Limo - Arcillosos con un 53%, los tipos de suelos A-4 que son también
suelos Limo - Arcillosos de mejor gradación y soporte son de una menor
presencia en el tramo, los de tipo A-7-5 y A-7-6 que forman el 30% en el tramo,
son suelos de muy mala capacidad portante.
Se sabe muy bien que para el diseño de carreteras, en los suelos de fundación
hay diferentes tipos de suelos, es por tal razón que no se podía elegir un tipo de
suelo al azar, sin antes haberse realizado dicho análisis, esto nos dio una mayor
certeza al momento de elegir el tipo suelo con el cual trabajar.
Donde:
LL : Límite líquido
GRA : Granulometría
LL = 35
Gran = 99,7
154
Obtenemos el siguiente resultado:
CBR = 2.44%
LABORATORIO
155
TABLA 61. CAPACIDAD DE DRENAJE
Excelente 2 Horas
Bueno 1 Día
Regular 1 Semana
Malo 1 Mes
156
Los valores de confiabilidad R, vienen en la siguiente tabla:
Carreteras de primer
80,0 – 99,0 75,0 – 95,0
orden
Dispositivos NO
SI NO SI
Transferencia
Tipo de
Pavimento
157
TABLA 65. DATOS PARA ENTRAR AL ABACO
Factor J 3,1
Perdida de Serviciabilidad 2
Confiabilidad 95%
158
FIGURA 38. ABACO PARA EL CÁLCULO DE ESPESOR
11,2 in
159
Obtenemos un SN de: 11,2 pulg.
Psi
log
4.2 1.5
log W18 Z R S 0 9.36 log( SN 1) 0.2 2.32 log( M R ) 8.07
1094
0.4
( SN 1) 5.19
Dónde:
So = Desviación Standard.
160
Los espesores del paquete estructural mediante datos de laboratorio quedan
representados de la siguiente manera:
Losa de Hormigón 28 cm
16 cm
Capa SubBase
Sub-Rasante
161
La Serviciabilidad Inicial (Po), se adoptara 4.5, este es un valor
recomendado por la AASHTO Road Test.
La Serviciabilidad Final (Pt), se adoptara 2.5 y 3, este también es un
valor recomendado por la AASHTO Road Test.
El módulo elástico del hormigón viene dada por la siguiente fórmula:
Ec = 57000 * (f`c) 0,5
El módulo de ruptura del hormigón a los 28 días usualmente viene dado
de la siguiente manera:
S`c = 4,0 a 4,5 Mpa.
Los coeficientes de drenaje vienen de la siguiente tabla:
Excelente 2 Horas
Bueno 1 Día
Regular 1 Semana
Malo 1 Mes
162
TABLA 67. VALORES DE CD RECOMENDADOS
Carreteras de primer
80,0 – 99,0 75,0 – 95,0
orden
163
El coeficiente de transferencia de cargas J, viene de la siguiente tabla:
Dispositivos NO
SI NO SI
Transferencia
Tipo de
Pavimento
Factor J 3,1
Perdida de Serviciabilidad 2
Confiabilidad 95%
164
FIGURA 40. ABACO PARA EL CÁLCULO DE ESPESOR
11,4 in
165
Obtenemos un SN de: 11,4 pulg.
Psi
log
4.2 1.5
log W18 Z R S 0 9.36 log( SN 1) 0.2 2.32 log( M R ) 8.07
1094
0.4
( SN 1) 5.19
Dónde:
So = Desviación Standard.
166
Los espesores del paquete estructural mediante datos de laboratorio quedan
representados de la siguiente manera:
Losa de Hormigón 29 cm
15 cm
Capa SubBase
Sub-Rasante
Puntaje
Criterios de
rígido, datos de rígido, según modelo
evaluación
laboratorio matemático
167
Alternativa 1: pavimento Alternativa 2: pavimento
Puntaje
Puntaje
Criterios de
rígido, datos de rígido, según modelo
evaluación
laboratorio matemático
No se necesita mucha
Se debe contar con gran cantidad de personal, ya que
cantidad de personal para solo es necesario datos del
Personal 0 1
poder realizar el diseño y suelo para poder obtener el
estudios. modelo y poder diseñar el
paquete estructural.
La inversión económica
para este punto es muy La inversión económica es
Inversión
alta, si tan solo es una relativamente poca, para
para el 0 1
presentación del este punto del anteproyecto,
anteproyecto
anteproyecto, y no el el cual es perfecto.
diseño final.
Costos de construcción
Losa de
200.343.802,30 Bs 1 204.898.409,10 Bs 0
Hormigón
Sub-Base
73.586.835,84 Bs 0 72.567.178,75 Bs 1
granular
168
3.6.1 Pavimento rígido según datos de laboratorio
PRESUPUESTO EN BOLIVIANOS
Losa de Hormigón 28 cm
16 cm
Capa SubBase
Sub-Rasante
Fuente: Elaboración propia
169
3.6.2 Pavimento rígido según modelo matemático
PRESUPUESTO EN BOLIVIANOS
Losa de Hormigón 29 cm
15 cm
Capa SubBase
Sub-Rasante
170
4 EVALUACIÓN
PUNTAJE
PUNTAJE
DE PAVIMENTO RÍGIDO, RÍGIDO, SEGÚN MODELO
EVALUACIÓN DATOS DE LABORATORIO MATÉMATICO
Costos de construcción
Losa de
200.343.802,30 Bs 1 204.898.409,10 Bs 0
Hormigón
Sub-Base
73.586.835,84 Bs 0 72.567.178,75 Bs 1
granular
171
CRITERIOS ALTERNATIVA 1: ALTERNATIVA 2: PAVIMENTO
PUNTAJE
PUNTAJE
DE PAVIMENTO RÍGIDO, RÍGIDO, SEGÚN MODELO
EVALUACIÓN DATOS DE LABORATORIO MATÉMATICO
La losa de hormigón es de 28
La losa de hormigón es de 29
cm de espesor para el diseño
cm de espesor para el diseño
con los datos de laboratorio,
Losa de con el modelo matemático, lo
lo cual comparado con el otro 0 1
Hormigón cual comparado con el otro
espesor obtenido el periodo
espesor obtenido el periodo de
de vida útil ostenta a ser
vida útil ostenta a ser mayor.
menor.
CAMPO CAMPO
172
LABORATORIO LABORATORIO
PRESUPUESTO EN BOLIVIANOS
173
4.2.2 Pavimento rígido según modelo matemático
PRESUPUESTO EN BOLIVIANOS
174
FIGURA 44. COMPARACION PAVIMENTO FLEXIBLE CON PAVIMENTO RÍGIDO
175
5 CONCLUSIONES Y RECOMENDACIONES
5.1 CONCLUSIONES
Determinar las variables en base a Las variables definidas dieron un buen modelo
las propiedades de los suelos para matemático, se pensó primero tan solo trabajar con
poder dar los parámetros al modelo en base a una propiedad como ser granulometría o
matemático. Límite Líquido, pero al final se trabajo con los dos
para mayor seguridad y confiabilidad.
Diseñar el pavimento rígido con Se pudo diseñar el pavimento rígido como se hace
valores de CBR según ensayos de convencionalmente con las tablas las cuales
laboratorio, para obtener una base establece la AASHTO y el ábaco para obtener el
de comparación mediante el sistema espesor, esto con los datos de laboratorio.
mecanístico empírico.
176
OBJETIVO ESPECÍFICO CONCLUSIÓN
5.2 RECOMENDACIONES
Recopilación de las propiedades Se recomienda que los datos sean los más exactos
mecánicas de los suelos del tramo posibles, y también que sean lo más recientes.
Villa Rosario – Loma Alta, para
definir los parámetros de estudio.
Determinar qué modelo matemático En este caso se recomienda trabajar, con el modelo
concuerda mejor con el problema. que mejor se ajuste a su nube de datos, y no
apresurarse a definir al principio el modelo, ya que
este puede cambiar.
Diseñar el pavimento rígido con Se recomienda siempre apegarse a los que dicen las
valores de CBR según ensayos de normas, tratar de ser lo más certeros posibles si es
177
OBJETIVO ESPECÍFICO RECOMENDACIÓN
laboratorio, para obtener una base que se realizan análisis estadísticos para datos de
de comparación mediante el sistema laboratorio.
mecanístico empírico.
178
BIBLIOGRAFÍA
Guía para el diseño de la estructura del pavimento AASHTO 1993 (Guide for
Design of Pavement Structure).
Generalidades
Equipo Necesario
Procedimiento de Prueba
Para ver los resultados de los limites de los suelos ver el ANEXO B PLANILLA
DE DATOS.
ANEXO A-3
Pruebas de Compactación
Equipo Necesario
Procedimiento de Prueba
Ensayo CBR
Equipo Necesario
1. Equipo de CBR:
a. Molde de Compactación (con collar y base).
b. Disco Espaciador.
2. Martillo de Compactación.
3. Aparato para medir la expansión con deformimetro de caratula
con precisión de 0.01 mm.
4. Pesos para Sobrecarga.
5. Maquina de compresión equipada con pistón de penetración CBR
capaz de penetrar a una velocidad de 1.27 mm/min.
Procedimiento de Ensayo
Cálculos
Para ver los resultados del ensayo CBR ver el ANEXO B PLANILLA DE
DATOS.
ESTUDIO INTEGRAL TÉCNICO, ECONÓMICO, SOCIAL Y AMBIENTAL (TESA) CONSTRUCCIÓN CARRETERA SAN PEDRO - LA ENCONADA
LABORATORIO DE SUELOS Y MATERIALES
RESUMEN GENERAL DE ENSAYOS DE LABORATORIO
Camioneta Max. 2
46 130 37 213
ton.
Minibús 0 11 2 13
221
LP-
Microbús 12-21
0 3 0 3
asientos
Bus mediano 2 ejes
0 0 0 0
22-35 asientos
Bus grande 3 ejes (+
0 0 0 0
36 asientos)
Camión mediano
2 5 3 10
2ejes (max 6 ton)
Camión grande (2
0 10 9 19
ejes)
Camión grande (3
0 1 1 2
ejes)
Camión
semirremolque (4 0 1 0 1
ejes ó +).
Camión con
0 1 0 1
remolque
Motocicletas
236 351 237 824
Otros vehículos
15 4 0 19
PRECIOS UNÍTARIOS
PRESUPUESTO GENERAL
PROYECTO: VILLA ROSARIO - LOMA ALTA
Moneda: Dólares Americanos
PRESUPUESTO GENERAL
PROYECTO: VILLA ROSARIO - LOMA ALTA
Moneda: Dólares Americanos
A-7-6
N 10 50max
N 40
30max 50max 51max
N 200
15max 25max 10max 35max 35max 35max 35max 36min 36min 36min 36min
Limite Liquido No 40max 41min 40max 41min 40max 41max 40max 41max
Plástico
Índice de Plasticidad 6max 6max 10max 10max 11min 11min 10max 10max 11min 11min
Tipo de Material Fragmentos de Arena Gravas, arenas limosas y arcillosas Suelos Limosos Suelos Arcillosos
piedra, grava y fina
arena
Menos del 5% pasa por el tamiz 200 GW GP SW SP. Mas del 12% pasa por el tamiz 200 GM,GC, SM, GC. 15 AL 12% pasa por el tamiz 200. Para
de arena y grava con pocos finos
o sin finos
𝐷60 2
𝐶𝑣 = Entre 1 y 3
GRAVAS LIMPIAS
50% o mas de la fraccion gruesa es retennido en el tamiz No 4
𝐷60 ∗𝐷10
superior a 7.
𝐷60 2
𝐶𝑣 = Entre 1 y 3
𝐷60 ∗𝐷10
inferior a 4
superior a 7.
limosas o arcillas
limite liquido de 50%o inferior
CL ARCILLAS inorgánicas de
plasticidad baja a media, arcillas
SUELOS DE GRANOS FINOS
gravosas, arcillas
LIMOS Y ARCILLAS
50
mi
rio
do
pe
liq
LL
su
te
CI
M
ui
%
LI
R
A
S
Y
li
limos elasticos
Suelos altamente orgánicos PT Turba, estiércol y otros suelos Para identificación manual y visual ver manual ASTM d 2488
altamente orgánicos