Traducido del inglés al español - www.onlinedoctranslator.

com

Ingeniería Geología 92 (2007) 97–109

www.elsevier.com/locate/enggeo

Efectos de la variabilidad espacial de las propiedades del suelo sobre la estabilidad del talud

Sung Eun Cho ⁎

Dam Engineering Research Center, Instituto de Agua y Medio Ambiente de Corea, Corporación de Recursos Hídricos de Corea, 462-1,
Jeonmin-Dong, Yusung-Gu, Daejon 305-730, Corea del Sur

Recibido el 22 de noviembre de 2006; recibido en forma revisada el 7 de marzo de 2007; aceptado el 20 de marzo de 2007
On-line el 5 de abril de 2007

Abstracto

El análisis de estabilidad de taludes es un problema de ingeniería geotécnica caracterizado por muchas fuentes de incertidumbre. Algunas de las incertidumbres
están relacionadas con la variabilidad de las propiedades del suelo involucradas en el análisis. En este trabajo se presenta un procedimiento numérico para un
análisis probabilístico de estabilidad de taludes basado en una simulación de Monte Carlo que considera la variabilidad espacial de las propiedades del suelo. El
enfoque adopta el método de confiabilidad de primer orden para determinar la superficie crítica de falla y realizar análisis de sensibilidad preliminares. La función de
desempeño fue formulada por el método de equilibrio límite de Spencer para calcular el índice de confiabilidad definido por Hasofer y Lind. Como ejemplos, Se
realizaron evaluaciones probabilísticas de estabilidad para estudiar los efectos de la incertidumbre debido a la variabilidad de las propiedades del suelo sobre la
estabilidad de las pendientes en pendientes estratificadas. Los ejemplos dan una idea de la aplicación del tratamiento de la incertidumbre a la estabilidad del talud y
muestran la importancia de la variabilidad espacial de las propiedades del suelo con respecto al resultado de una evaluación probabilística.

© 2007 Elsevier BV Todos los derechos reservados.

Palabras clave: Estabilidad de taludes; Variabilidad espacial; Simulación del Monte Carlo; Índice de confiabilidad; Probabilidad

1. Introducción
Las propiedades del suelo varían espacialmente incluso
dentro de capas homogéneas como resultado de procesos de
depósito y posdeposición que causan variación en las
propiedades (Lacasse y Nadim, 1996). No obstante, la mayoría
de los análisis geotécnicos adoptan un enfoque determinista
basado en parámetros de suelo únicos aplicados a cada capa
distinta. Las herramientas convencionales para lidiar con la
heterogeneidad del terreno en el campo de la ingeniería
geotécnica se han aplicado bajo el uso de factores de
seguridad y mediante la implementación de la experiencia
local y el juicio de ingeniería (Elkateb y col., 2002). Sin
embargo, se ha reconocido que el factor de seguridad no es un
⁎ Tel .: +82 42 870 7632; fax: +82 42 870 7639.
Dirección de correo electrónico: drsecho@hanmail.net.
medida de riesgo, ya que las pendientes con el mismo valor de factor de
seguridad pueden presentar diferentes niveles de riesgo dependiendo
de la variabilidad de las propiedades del suelo (Li y Lumb, 1987). En
consecuencia, se han realizado numerosos estudios en los últimos años
para desarrollar un análisis probabilístico de estabilidad de taludes que
aborde las incertidumbres de las propiedades del suelo de manera
sistemática (Alonso, 1976; Vanmarcke, 1977b; Li y Lumb, 1987; Christian
y col., 1994; Griffiths y Fenton, 2004). Se pueden encontrar revisiones
detalladas de estos estudios enMostyn y Li (1993), El-Ramly y col. (2002),
y
Baecher y Christian (2003).
Desafortunadamente, los métodos de análisis
probabilístico de estabilidad de taludes no consideran todos
los componentes del diseño de taludes donde se debe utilizar
el juicio y tampoco sugieren el nivel de confiabilidad al que se
debe apuntar (D'Andrea, 2001). Sin embargo, trabajar dentro
de un marco probabilístico ofrece la ventaja de que

0013-7952 / $ - ver la portada © 2007 Elsevier BV Todos los derechos reservados.

doi:10.1016 / j.enggeo.2007.03.006
98 SE Cho / Engineering Geology 92 (2007) 97–109
la fiabilidad del sistema se puede considerar de forma
lógica. Así, los modelos probabilísticos pueden facilitar el
desarrollo de nuevas perspectivas sobre riesgo y
confiabilidad que están fuera del alcance de los modelos
deterministas convencionales.
En este estudio se presenta un procedimiento para un análisis
probabilístico de estabilidad de taludes. El procedimiento se basa en
una simulación de Monte Carlo para calcular una distribución de
probabilidad de los factores de seguridad resultantes. El análisis
considera la variabilidad espacial de las propiedades del suelo basado
en promedios locales para discretizar campos aleatorios continuos.
Un componente esencial del procedimiento es la
determinación de la superficie crítica de falla. El enfoque que se
presenta en este documento adopta el método de confiabilidad de
primer orden (FORM) para determinar la superficie probabilística
crítica y realizar análisis de sensibilidad preliminares. Estos últimos
se utilizan para identificar los parámetros de entrada del modelo
que hacen contribuciones importantes a la estabilidad. El método
se basa en el modelo de estabilidad presentado por
Spencer (1967) para la formulación de la función de desempeño
para calcular el índice de confiabilidad, definido por
Hasofer y Lind (1974). El índice da una medida de riesgo
invariante y, por lo tanto, todos los formatos equivalentes de
la función de desempeño arrojan el mismo índice de
confiabilidad (Li y Lumb, 1987). Low y Tang (1997) y Low et al.
(1998) han utilizado un método de evaluación de confiabilidad de
hoja de cálculo basado en la perspectiva elipsoidal intuitiva en el
espacio original de las variables aleatorias para calcular el índice
de confiabilidad de Hasofer-Lind.
Este estudio se centra principalmente en la variabilidad
inherente del suelo, donde se pueden emplear análisis
probabilísticos para evaluar el efecto de este tipo de variabilidad
en la estabilidad de la pendiente. Se destaca la importancia de la
estructura de correlación espacial de las propiedades del suelo y se
estudia su efecto sobre la estabilidad del talud.
2. Análisis de estabilidad de taludes
2.1. Método de equilibrio límite
Los problemas de estabilidad de taludes se analizan comúnmente
usando métodos de corte de equilibrio límite. La masa de suelo que
falla se divide en una serie de cortes verticales para calcular el factor de
seguridad, definido como la relación entre la resistencia al cortante y el
esfuerzo cortante movilizado para mantener el equilibrio estático. El
equilibrio estático de las rodajas y la masa en su conjunto se utilizan
para resolver el problema. Sin embargo, todos los métodos de cortes
son estáticamente indeterminados y, como resultado, requieren
suposiciones para resolver el problema.Spencer (1967) desarrolló una
técnica de análisis de estabilidad de taludes basada en el método de
cortes que satisface los equilibrios de fuerza y momento
rium para la masa en su conjunto. El enfoque presentado en este
documento adopta el método de Spencer y es aplicable a una
superficie de falla de forma arbitraria.
2.2. Búsqueda de la superficie determinista crítica
Los métodos de equilibrio límite requieren que la
superficie crítica de falla se determine como parte del
análisis. El problema de ubicar la superficie crítica se
puede formular como un problema de optimización
restringida, y la superficie de deslizamiento no circular se
genera mediante una serie de líneas rectas cuyos vértices
se consideran variables de forma.
min FDXÞ sujeto a algunas limitaciones cinemáticas
superficie
D1Þ
dónde F(X) es la función objetivo y X es un vector variable de forma
que define la ubicación de la superficie de deslizamiento.
En el problema de encontrar la superficie determinista
crítica, la función objetivo se define como el factor de
seguridad asociado con las variables de las coordenadas que
describen la geometría de una superficie de deslizamiento y
los valores medios de los parámetros del suelo. En trabajos
anteriores se han aplicado muchas técnicas de optimización
para buscar la superficie crítica. En los últimos años, también
se han aplicado algunos métodos de optimización global al
problema de estabilidad de taludes (Bolton y col., 2003;
Cheng, 2003; Zolfaghari et al., 2005). En este estudio, para
resolver el problema de optimización restringida, se utiliza el
método de dirección factible, pasando de un punto factible a
un punto factible mejorado a lo largo de la dirección factible.
Una estrategia de búsqueda mejorada, propuesta por Li y White
(1987) y Greco (1996), se utiliza para una superficie crítica no circular. El
enfoque comienza con un método de búsqueda de una superficie crítica
circular, ya que con frecuencia se obtienen resultados deficientes
cuando se utiliza un número relativamente grande de variables en la
estimación inicial. Durante el proceso de búsqueda, se introducen
sucesivamente nuevos vértices en los puntos medios de las líneas rectas
que unen los vértices adyacentes, y los puntos que definen una
superficie de deslizamiento de prueba se mueven en un espacio
bidimensional sujeto a algunas restricciones cinemáticas para suavizar
la superficie de deslizamiento. Una nueva búsqueda comienza con la
superficie de deslizamiento crítica en el paso de búsqueda anterior
como superficie de deslizamiento de prueba para el siguiente.Kim y Lee
(1997) han presentado una descripción detallada de este procedimiento.
3. Análisis probabilístico de estabilidad de taludes
El problema de estabilidad de taludes se puede considerar como un
sistema con muchas superficies de falla potenciales. Sin embargo,
 SE Cho / Engineering Geology 92 (2007) 97–109
no es posible determinar la fiabilidad exacta del sistema del problema
de estabilidad del talud. Por lo tanto, la probabilidad de la superficie de
deslizamiento más crítica se usa comúnmente como la estimación de la
probabilidad de falla del sistema. Este enfoque asume que la
probabilidad de falla a lo largo de diferentes superficies de
deslizamiento está altamente correlacionada (Mostyn y
Li, 1993; Chowdhury y Xu, 1995).
Un enfoque común para un análisis probabilístico
es ubicar la superficie determinista crítica y luego
calcular la probabilidad de falla correspondiente a esta
superficie. Sin embargo, la superficie del factor mínimo
de seguridad puede no ser la superficie de la
probabilidad máxima de falla (Hassan y Wolff, 1999).
Como alternativa, se podría considerar la superficie
probabilística crítica que está asociada con la mayor
probabilidad de falla o la menor confiabilidad (Li y Lumb,
1987; Chowdhury y Xu, 1995; Liang y col., 1999;
Bhattacharya et al., 2003). La búsqueda de la superficie
probabilística crítica no es diferente en concepto de la de
la superficie crítica determinista. El problema de ubicar la
superficie probabilística crítica se puede realizar
minimizando un índice de confiabilidad β asociado con un
conjunto de parámetros geotécnicos que incluyen las
propiedades estadísticas.
Ha habido numerosas discusiones sobre el
problema de ubicar la superficie probabilística
crítica asociada con la probabilidad máxima de falla (
Hassan y Wolff, 1999; Li y Cheung, 2001;
Bhattacharya et al., 2003).
3.1. Función de rendimiento
El problema del análisis probabilístico está formulado
por un vector, X = [X1,X2,X3,…,Xnorte], que representa un
conjunto de variables aleatorias. De las variables inciertas,
una función de desempeñogramo(X) está formulado para
describir el estado límite en el espacio de X. En el
hiperespacio n-dimensional de las variables básicas,
gramo(X) =0 es el límite entre la región en la que no se
excede el factor objetivo de seguridad y la región en la
que se excede. La probabilidad de falla de la pendiente
viene dada por la siguiente integral:
Z
PAGF ¼ PAG½gramoDXV0Þ ¼ FXDXÞDX
gramoDXÞV0
dónde FX(X) representa la función de densidad de probabilidad
conjunta y la integral se lleva a cabo sobre el dominio de falla.
Para problemas de estabilidad de taludes, la evaluación directa
de la integral n-veces es virtualmente imposible. La dificultad
radica en que la información probabilística completa sobre el suelo
99
properties no está disponible y el dominio de integración
es una función complicada. Por tanto, se han desarrollado
técnicas aproximadas para evaluar esta integral.
La función de rendimiento para la estabilidad de taludes se define
generalmente como
gramoDXÞ ¼ Fs 1: 0 D3Þ
El método de análisis de estabilidad propuesto por Spencer
se utiliza para describir la función de rendimiento anterior
calculando Fs para la superficie de falla.
3.2. Método de confiabilidad de primer orden
La evaluación de confiabilidad de primer orden de la
Ec. (2) se logra transformando las variables inciertas,X,
en variables normales estándar no correlacionadas, Y. La
contribución principal a la integral de probabilidad en la ecuación.
(2) proviene de la parte de la región de falla (GRAMO(Y)≤0, donde
GRAMO(Y) es la función de desempeño en el espacio normal
transformado) más cercana al origen. El punto de diseño se
define como el puntoY⁎ en el espacio normal estándar que se
encuentra en la función de rendimiento (GRAMO(Y) =0) y con
una densidad de probabilidad máxima adjunta. Por lo tanto, el
punto de diseño, que es el punto más cercano al origen en la
región de falla (GRAMO(Y)≤0), es un punto óptimo para
aproximar la superficie del estado límite. La probabilidad
aproximada en el punto de diseño es:
PAG½gramoDXÞV0 CUD BÞ D4Þ
donde β es el índice de confiabilidad, definido por la distancia
desde el origen al punto de diseño, y Φ es la función de
densidad acumulada normal estándar.
En el método de confiabilidad de primer orden, se ajusta
un hiperplano tangente a la superficie del estado límite en el
punto de diseño. Por lo tanto, el paso más importante y
exigente del método es encontrar el punto de diseño. El punto
de diseño es la solución del siguiente problema de
optimización con restricciones no lineales:
minjjYjj sujeto a GRAMO DYÞ ¼ 0 D5Þ
Se han propuesto varios algoritmos para la solución de
este problema (Hasofer y Lind, 1974; Rackwitz y Fiessler, 1978;
D2Þ
Liu y Der Kiureghian, 1990). Como subproducto del método de
confiabilidad de primer orden, podemos evaluar las
medidas de sensibilidad del índice de confiabilidad con
respecto a las variables aleatorias básicas. Estas medidas de
sensibilidad identifican las variables aleatorias que tienen el
mayor impacto en la probabilidad de falla.
El vector unitario, α, normal a la superficie del estado límite
en el punto de diseño es la sensibilidad más fundamental
100 SE Cho / Engineering Geology 92 (2007) 97–109
medida que describe la sensibilidad del índice de
confiabilidad, con respecto a las variaciones en cada una de
las variables estándar.
~ ¼ jY⁎B
Para el análisis de confiabilidad de primer orden, FERUM
(Fiabilidad de elementos finitos usando Matlab, http: // www.
ce.berkeley.edu/FERUM) desarrollado en la Universidad de
California en Berkeley por Haukaas y Der Kiuregian
(2001) se utiliza mediante acoplamiento directo con la rutina de
análisis de estabilidad de taludes escrita en FORTRAN.
3.3. simulación del Monte Carlo
Un medio alternativo para evaluar la integral
multidimensional de la ecuación. (2) es el uso de una
simulación de Monte Carlo. En una simulación de Monte Carlo,
los valores discretos de las variables aleatorias componentes
se generan de una manera consistente con su distribución de
probabilidad, y la función de desempeño se calcula para cada
conjunto generado. El proceso se repite muchas veces para
obtener una función de densidad de probabilidad discreta
aproximada de la función de desempeño.
Se han desarrollado varias técnicas de muestreo, también
llamadas técnicas de reducción de la varianza, para mejorar la
eficiencia computacional del método reduciendo el error
estadístico inherente a los métodos de Monte Carlo y
manteniendo el tamaño de la muestra al mínimo posible.
Puede encontrar una revisión detallada enBaecher y Christian
(2003). Entre ellos, el muestreo por hipercubo latino puede
verse como un esquema de muestreo estratificado diseñado
para garantizar que los extremos superior o inferior de las
distribuciones utilizadas en el análisis estén bien
representados. El muestreo por hipercubo latino se considera
más eficiente que el muestreo aleatorio simple, es decir,
Fig. 1. Segmento lineal de longitud L inclinado a la horizontal.
requiere menos simulaciones para producir el mismo nivel de
precisión. El muestreo de hipercubo latino generalmente se
recomienda sobre el muestreo aleatorio simple cuando el modelo
es complejo o cuando el tiempo es un problema.
D6Þ En este estudio, se utiliza la técnica de muestreo Latin
Hypercube para generar propiedades aleatorias del suelo. En
particular, el método propuesto porStein (1987) para el
muestreo de variables dependientes basadas en el rango de
una distribución multivariante objetivo con un método de
promedio local se implementa en Matlab.
4. Discretización de campos aleatorios
Los suelos son muy variables en sus propiedades y rara vez son
homogéneos por naturaleza. Una de las principales fuentes de
heterogeneidad es la variabilidad espacial inherente del suelo, es
decir, la variación de las propiedades del suelo de un punto a otro
en el espacio debido a diferentes condiciones de deposición y
diferentes historias de carga (Elkateb y col., 2002). Las variaciones
espaciales de las propiedades del suelo pueden describirse
eficazmente por su estructura de correlación dentro del marco de
campos aleatorios (Vanmarcke, 1983).
La mayoría de los algoritmos de solución numérica requieren
que todos los campos de parámetros continuos estén
discretizados. Cuando los efectos de la incertidumbre espacial se
incluyen directamente en el análisis, es razonable utilizar campos
aleatorios para una representación más precisa de las variaciones.
Las fluctuaciones espaciales de un parámetro no se pueden tener
en cuenta si el parámetro está modelado por una única variable
aleatoria.
El método del punto medio, el método más simple de
discretización, se ha utilizado para manejar la variación espacial de
las propiedades del suelo (Auvinet y González, 2000; Baja, 2003). En
este método, el campo dentro de un segmento se describe
mediante una única variable aleatoria, que representa el valor del
campo en el centroide de la base del segmento.
 SE Cho / Engineering Geology 92 (2007) 97–109 101

tabla 1
Funciones de varianza espacial exacta para dos funciones de autocorrelación

Tipo de función de autocorrelación Función de autocorrelación Función de varianza

Exponencial isotrópico ρ (z) =exp {-d | z |}, δenX= 2 /D 2

gramoDLÞ ¼ ½dL 1 þ ExpF dLgramo
DdLÞ2

Exponencial anisotrópico ρ (x, y) =exp {- (D1| x | + d2| y |)}, 2½LDD Iporquea þ D 2pecadoaÞ 1 þ ExpF LDD1porquea þ D2pecadoaÞg
δenX (x)= 2 /D1, δlnX ( y)= 2 /D2 gramoDLÞ ¼
L2DD1porquea þ D2pecadoaÞ2

δenX (x) es la escala horizontal de fluctuación, y δenX (y) es la escala vertical de fluctuación.

En consecuencia, el campo discretizado es una constante la varianza del proceso de media móvil σ 2 U estarán
L
escalonada con discontinuidades en los límites del segmento. expresado de la siguiente manera:

La estabilidad de una pendiente de suelo tiende a ser controlada

por la resistencia promedio del suelo más que por la resistencia del Var½UL ¼ r2U ¼L gramoDLÞr2U D8Þ
suelo en una ubicación particular a lo largo de la superficie de
donde σ2U es la varianza puntual del campo aleatorio U
deslizamiento, ya que los suelos generalmente exhiben un
y γ (L) es la función de varianza limitada por 0 y 1; es decir,
comportamiento plástico (Li y Lumb, 1987). La varianza de la fuerza
la varianza de la propiedad promediada del suelo es en
promediada espacialmente sobre algún dominio es menor que la
general menor que la varianza de la propiedad puntual (Li
varianza de las mediciones puntuales utilizadas para el método del
y Lumb, 1987).
punto medio. A medida que aumenta la extensión del dominio sobre el
La función de varianza está relacionada con la función de
cual se promedia la propiedad del suelo, la varianza disminuye (El-Ramly
correlación de la siguiente manera (Vanmarcke, 1977a):
et al., 2002).
Z L
El efecto del promedio espacial y la autocorrelación 2 z
gramoDLÞ ¼ Cor½L; L¼ 1 qDzÞDz D9Þ
espacial de las propiedades del suelo sobre la estabilidad del L0 L
talud se ha observado en la literatura (Vanmarcke, 1977a; Li y
Vanmarcke (1977a) observó que γ (L) se vuelve
Lumb, 1987; El-Ramly et al., 2002). En el método de
inversamente proporcional a L a grandes valores de L, y se
promediado local, el campo dentro de cada segmento se
refiere a la constante de proporcionalidad como la escala
describe en términos de la media espacial del campo sobre la
de fluctuación, δ:
base del segmento. El campo discretizado sigue siendo
constante en cada segmento con discontinuidades D ¼ lim ½LgramoDLÞ D10Þ
escalonadas en los límites del segmento, pero se puede LYl

esperar un mejor ajuste debido al proceso de promediado.

Ésta es una medida de la extensión espacial dentro de la cual las
En este estudio, se adopta un método de promediado local
propiedades del suelo muestran una fuerte correlación. Un gran valor de δ
combinado con integración numérica para discretizar campos
implica que la propiedad del suelo está altamente correlacionada con un
aleatorios isotrópicos y anisotrópicos de propiedades del suelo en
un espacio bidimensional.

4.1. Función de varianza

De un campo aleatorio estacionario continuo de dos

parámetros U (x, y) tener una relación lineal entre los
parámetros, como se muestra en Figura 1, una familia de
procesos de media móvil se forma de la siguiente manera (
Knabe y col., 1998):

ZL
1
UL ¼ UDzÞDz D7Þ
L0

dónde L denota la longitud promediada. La operación

av_eraging no cambiará el valor esperadoU tiempo Fig. 2. Ubicados arbitrariamente dos segmentos lineales a lo largo de la superficie de falla.
102 SE Cho / Engineering Geology 92 (2007) 97–109

Fig. 3. Ejemplo 1: Sección transversal y superficies de deslizamiento críticas buscadas.

gran extensión espacial, lo que resulta en una variación suave
dentro del perfil del suelo. Por otro lado, un valor pequeño indica
que la fluctuación de la propiedad del suelo es grande (Li y Lumb,
1987). Funciones de varianza para dos funciones de correlación
comúnmente aplicadas en ingeniería (tabla 1) se utilizan en este
estudio.
dónde Xpag, ypag son las coordenadas del comienzo de un
segmento y Xk, yk son las coordenadas del final de un
segmento.
La distancia z entre dos puntos situados arbitrariamente,
uno en el segmento I y otro en segmento j, es:
qffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffif
z ¼ ½broncearseBVDXD jÞ XpagD jÞÞ broncearseaVDXDIÞ XpagDIÞÞ þ y 2pag
þ ðXD jÞ XDIÞÞ2

4.2. Correlación de promedios locales D13Þ

En un análisis probabilístico, la variabilidad espacial de las Eq. (11) luego toma la siguiente forma:
propiedades del suelo se describe mediante una función de
1
correlación. Al promediar el campo aleatorio sobre los segmentos Cor UL I; ULj ¼
situados arbitrariamenteLI y Lj, como se muestra en Figura 2, se LILjporqueaVporqueBV
"Z XkDjÞ #
definen los promedios locales. La correlación entre estas variables Z XkDIÞ
se puede calcular promediando la correlación qDzÞDXDjÞ DXDIÞ
entre variables aleatorias en absoluto puntos en ambos
XpagDIÞ XpagD jÞ

segmentos. D14Þ
Z LI Z Lj
1
qDLI; LjÞ ¼ Cor½ULI ; ULj ¼ qDzÞDjDI 5. Análisis de ejemplo
LILj 0 0
D11Þ En esta sección, la aplicación del procedimiento presentado se
ilustra a través de un análisis de problemas de ejemplo para
Dado que los resultados analíticos de la Ec. (11) son difíciles de
obtener, las integraciones deben realizarse numéricamente (Knabe
y col., 1998; Rackwitz, 2000). En este estudio, el esquema de
integración numérica presentado porKnabe y col. Tabla 2
Ejemplo 1: Propiedades estadísticas de los parámetros del suelo (basado en Hassan
(1998) se utiliza para calcular la correlación.
y Wolff, 1999)
Para dos segmentos ubicados arbitrariamente con puntos
finales de coordenadas conocidas (Figura 2), los ángulos α′ y β′ de
μX COV
líneas rectas inclinadas a la horizontal son las siguientes: Caso 1 Caso 2

γ1 18 0,05 0,05
aV¼ broncearse 1 ykDIÞ ypagDIÞ C1 38,31 0,2 0.4
y BV ϕ1 0.0 - -
XkDIÞ XpagDIÞ ¼
γ2 18 0,05 0,05
broncearse 1 ykDjÞ ypagDjÞ C2 23,94 0,2 0,2
D12Þ
XkDjÞ XpagDjÞ ϕ2 12 0,1 0,1
 SE Cho / Engineering Geology 92 (2007) 97–109 103

Tabla 3
Ejemplo 1: Resultados de FORM

Sensibilidad Fiabilidad Falla

índice β probabilidad PAGF
αγ1 αC1 αγ2 αC2 αϕ2
Caso 1 0.2439 - 0,9698 0,0002 - 0,0011 0,0050 2.604 4.61e − 3
Caso 2 0.1522 - 0,9883 0,0005 - 0,0023 0,0033 1.227 1,10e − 1

evaluar el efecto de la variabilidad espacial de los parámetros del La discretización de un campo aleatorio distribuido
suelo sobre la probabilidad de falla. espacialmente se realiza discretizando la pendiente en varios
Se supone que todas las variables se caracterizan estadísticamente segmentos y especificando un conjunto de variables aleatorias
por una distribución logarítmica normal definida por una media μX correlacionadas de manera que cada variable aleatoria representa
y una desviación estándar σX. La distribución logarítmica el campo aleatorio sobre un segmento particular.
normal varía entre cero e infinito, sesgada al rango bajo y, por
lo tanto, es particularmente adecuada para parámetros que 5.1. Ejemplo 1: Aplicación a una pendiente de dos capas
no pueden tomar valores negativos. Una vez que la media y la
desviación estándar se expresan en términos del coeficiente En este ejemplo, se realiza una serie de estudios paramétricos
de variación adimensional (COV), definido comoVX= en una pendiente de dos capas con una sección transversal como
σX / μX, entonces la media y la desviación estándar de la se muestra en Fig. 3. Los parámetros básicos del suelo que están
distribución logarítmica normal están dadas por relacionados con la estabilidad de la pendiente, incluido el peso

qffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
unitario, el ángulo de fricción y la cohesión, se consideran variables

renX ¼ enF1 þ V2gramoX D15Þ aleatorias.Tabla 2 resume las propiedades estadísticas de los
parámetros del suelo para dos coeficientes de variación de
cohesión diferentes en la capa superior.
lenX ¼ enlX 0: 5r2enX DdieciséisÞ
El factor mínimo de seguridad asociado con la superficie
determinista crítica basado en los valores medios de las
Todas las variables aleatorias se consideran independientes ya
propiedades del suelo es 1.592 y la superficie pasa a través de
que esta suposición simplifica el cálculo y también da resultados
la capa inferior del suelo como se presenta en Fig. 3. La
conservadores (Li y Lumb, 1987) si la cohesión y el ángulo de
superficie probabilística crítica, determinada por una
fricción están correlacionados negativamente.
búsqueda de FORM, pasa a través de la capa superior donde
Las estadísticas del campo lognormal subyacente,
la variación de la resistencia al corte es grande, ya que la
incluido el promedio local, están dadas por (Griffiths y
superficie está asociada con la máxima probabilidad de falla.
Fenton, 2004)
Las superficies probabilísticas buscadas para los dos casos
muestran casi las mismas ubicaciones.Tabla 3 presenta los
r2enXA¼ r2 gramoDLÞ
enX D17Þ
resultados obtenidos de FORM, es decir, las sensibilidades, el
índice de confiabilidad y la probabilidad de falla. Las
lenXA ¼ lenX D18Þ
sensibilidades muestran la importancia relativa de la
donde μen XA es la media localmente promediada y σenXA es la incertidumbre en cada variable aleatoria.
desviación estándar promediada localmente de lnX. Cuadro 4 presenta los resultados calculados a partir de una simulación de
En el estudio actual, la escala de fluctuación δenX se Monte Carlo para los puntos críticos previamente localizados
considera para la discretización espacial del campo aleatorio
logarítmico normal. Aunque se pueden usar diferentes valores Cuadro 4

de la escala de fluctuación para cada variable aleatoria, se Ejemplo 1: Resultados de la simulación de Monte Carlo asumiendo perfecto
correlación espacial
supone que son iguales en este estudio. La media localmente
promediada μXA y desviación estándar σXA sobre el segmento Probabilística crítica Determinista crítico
superficie superficie
en la superficie de falla están dados por
Caso 1 Caso 2 Caso 1 Caso 2
lXA ¼ ExpDlenXA þ 0: 5r2 enXAÞ
D19Þ μFS 1.7364 1,7350 1.5954 1.5948
σFS 0.3582 0,7001 0,1917 0.3152
qffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
PAGF 4.64e − 3 1,10e − 1 2.00e − 5 3.17e − 3
rXA ¼ lXA ExpDr2 enXAÞ 1 D20Þ Oblicuidad 0,627 1.277 0,448 1.089
104 SE Cho / Engineering Geology 92 (2007) 97–109

Fig. 4. Ejemplo 1: Resultados de la simulación de Monte Carlo (Caso 1).

superficies asumiendo una correlación espacial perfecta.
Aunque los factores medios de seguridad en la superficie
determinista crítica son menores, las probabilidades de falla
son mayores en la superficie probabilística crítica.Higos. 4 y 5
muestran los resultados relacionados con la superficie
probabilística crítica. Se observa una concordancia relativamente
buena con los obtenidos de FORM.
Higos. 4 (a) y 5 (a)mostrar la convergencia de las simulaciones.
Como se esperaba, se requieren considerablemente más
ejecuciones de prueba para la convergencia en el caso de una
pequeña probabilidad de falla.
En el siguiente paso, la variabilidad espacial de los parámetros
del suelo se considera en una simulación de Monte Carlo para la
superficie probabilística crítica del caso 2. La longitud de la
superficie probabilística crítica es 28,5 my la superficie se divide en
varios segmentos agrupando cortes. La función de varianza de
cada segmento se calcula mediante la ecuación. (9)
y los coeficientes de correlación entre segmentos se estiman
usando la Ec. (14). La simulación de Monte Carlo se realiza
utilizando un conjunto de datos muestreados en función de la
información estadística.
Figura 6 muestra la distribución de probabilidad del factor de
seguridad con la variación de la escala de fluctuación para un
campo aleatorio isotrópico. La figura indica que el factor de
seguridad se distribuye en un rango más amplio con un aumento
de δenX, dado que la variación espacial de las propiedades del suelo
no afecta significativamente el factor medio de seguridad, pero
tiene un efecto muy significativo sobre la desviación estándar del
factor de seguridad.
Figura 7 muestra la distribución de probabilidad del
factor de seguridad con variación de la escala vertical de
fluctuación para δ fijoenX (x) (=10 m), cuando se considera la
función de autocorrelación anisotrópica. Los resultados
también muestran una tendencia similar con el caso de un

Fig. 5. Ejemplo 1: Resultados de la simulación de Monte Carlo (Caso 2).

 SE Cho / Engineering Geology 92 (2007) 97–109
Fig. 6. Ejemplo 1: Variación de la distribución de probabilidad del factor de
seguridad con δenX (campo aleatorio isotrópico).
campo aleatorio isotrópico. Cuando la razón de δenX (x) / δenX (y)
se convierte en 1,0, la curva es casi idéntica a la del
caso isotrópico.
Los efectos de la escala de fluctuación sobre la
probabilidad de falla se resumen en Higos. 8 y 9
para campos aleatorios isotrópicos y anisotrópicos, respectivamente.
Como se indica en la figura, la probabilidad de falla disminuye con una
disminución en la escala de fluctuación, lo que sería de esperar, ya que
la escala de fluctuación más pequeña conduce a una menor
incertidumbre en el valor de resistencia promedio a través de la
superficie de falla. La correlación débil induce una fluctuación
significativa de las propiedades del suelo muestreadas a lo largo de la
superficie de deslizamiento. Por lo tanto, la probabilidad de que se
realice una prueba con un factor de seguridad menor
Fig. 7. Ejemplo 1: Variación de la distribución de probabilidad del factor de
seguridad con δenX (x) / δenX (y) (δenX (x)= 10 m, campo aleatorio anisotrópico).
105
Fig. 8. Influencia de la escala de fluctuación sobre la probabilidad de falla
(campo aleatorio isotrópico).
que 1.0 disminuye ya que las fluctuaciones se promedian a un
valor medio a lo largo de toda la superficie de falla. Por el
contrario, la probabilidad de falla aumenta al aumentar la
escala de fluctuación. Esto es de esperar, ya que una escala
más alta de valor de fluctuación indica que las variables
aleatorias están más fuertemente correlacionadas. Por lo
tanto, el valor infinito de la escala de fluctuación implica un
campo aleatorio perfectamente correlacionado, o una sola
variable aleatoria, y da el valor máximo de probabilidad de
falla.Figura 9 también muestra que la suposición de campo
aleatorio isotrópico es conservadora.
5.2. Ejemplo 2: Aplicación al talud de relleno del
terraplén de Sugar Creek
Este ejemplo se refiere a la estabilidad del talud de relleno
del terraplén de Sugar Creek informado en White y col.
(2005). Se realizó investigación y caracterización
geotécnica en el sitio para determinar la estratificación
del subsuelo y la resistencia al corte de los suelos. A
Fig. 9. Influencia de la escala de fluctuación sobre la probabilidad de falla
(campo aleatorio anisotrópico).
106 SE Cho / Engineering Geology 92 (2007) 97–109

Fig. 10. Ejemplo 2: Sección transversal y superficies de deslizamiento críticas buscadas para el terraplén de Sugar Creek.

La sección típica de la pendiente que muestra el perfil del suelo y el resultados. La lutita moderadamente degradada y la lutita
nivel freático se presenta en Figura 10. Los suelos subsuperficiales levemente degradada parecen no tener esencialmente ningún
del sitio se dividieron aproximadamente en la capa de aluvión y las efecto sobre la estabilidad del talud, a pesar de variaciones
lutitas subyacentes. Las lutitas se clasificaron de acuerdo con los sustanciales en la cohesión, ya que la resistencia de estas capas es
grados de intemperismo en tres capas de lutitas: lutita altamente mucho mayor que la de los suelos suprayacentes. Esto está
degradada, lutita moderadamente degradada y lutita ligeramente respaldado por las sensibilidades presentadas enTabla 6.
degradada. Todas las lutitas se clasificaron como arcilla de baja En el segundo paso, la variabilidad espacial de los parámetros
plasticidad (CL) o arcilla de alta plasticidad (CH) según USCS. del suelo se considera en una simulación de Monte Carlo para la
superficie probabilística crítica basada en las variables aleatorias
Para el análisis de estabilidad de taludes se utilizaron los promediadas espacialmente.
valores del parámetro de resistencia al corte obtenidos de una BST Según los resultados de FORM, las sensibilidades del peso
(Ensayo de corte del pozo), que da la resistencia al corte de suelos unitario son relativamente pequeñas en comparación con las
no perturbados in situ. La incertidumbre en la presión del agua de las otras variables; por lo tanto, el peso unitario se trata de
intersticial no se consideró en este análisis y las líneas manera determinista en este ejemplo, lo que reduce
piezométricas se trataron como valores deterministas, ya que los drásticamente el esfuerzo computacional.
resultados del análisis de sensibilidad dados porWhite y col. Como la escala de fluctuación no se conoce en este sitio, se
(2005) indicó que, dentro del rango de variación del nivel del examina la sensibilidad de la probabilidad de falla a la escala
agua en el arroyo, la variación del factor de seguridad por de fluctuación. Cuando la probabilidad de falla es demasiado
pendiente es insignificante. Las propiedades estadísticas de sensible a la escala de fluctuación, se necesitan esfuerzos
los parámetros del suelo se dan enCuadro 5. adicionales para estimar la estructura de correlación en la
El factor de seguridad asociado con la superficie capa dominante de estabilidad. De acuerdo aEl-Ramly y col.
determinista crítica es 1,615. Figura 10 muestra las superficies (2003), las escalas horizontales de fluctuación que son relevantes
críticas buscadas. Muestran ubicaciones algo diferentes, pero para la estabilidad del talud son típicamente entre 20 y 80 m
atraviesan la capa relativamente débil de la lutita altamente
erosionada.Tabla 6 presenta el FORMULARIO
Tabla 6
Ejemplo 2: Resultados de FORM para el terraplén de Sugar Creek
Cuadro 5
Sensibilidad β PAGF
Ejemplo 2: Propiedades estadísticas de los parámetros del suelo para el terraplén de
Sugar Creek (basado en White et al., 2005) αγ αC αϕ
Tierra ϕ C γ Relleno compactado 0,0002 - 0.2309 - 0.0940
Aluvión - 0.1629 - 0.3726 - 0.2986
μ COV μ COV μ COV
Muy - 0.0788 - 0.5787 - 0,5850 2,053 2,01e − 2
Relleno compactado 12,0 0,2 29 0,22 20,4 0,08 esquisto degradado
Aluvión 16,5 0,21 33,0 0,62 19,0 0,11 Moderadamente 0.0 0.0 0.0
Esquisto muy degradado 12,8 0,38 33,2 0,60 20,0 0,1 esquisto degradado
Esquisto moderadamente degradado 21,6 0,44 97 1,38 20,0 0,1 Levemente 0.0 0.0 0.0
Esquisto ligeramente degradado 23,3 0,48 675 1,86 21,0 0,10 esquisto degradado
 SE Cho / Engineering Geology 92 (2007) 97–109 107

Tabla 7
Ejemplo 2: Resultados de la simulación de Monte Carlo considerando la variabilidad
espacial

δenX
20 m 40 m ∞
μFS 1,6310 1,6314 1,6344
σFS 0.2777 0.3514 0.3865
PAGF 1,19e − 3 8.79e − 3 1,18e − 2
Oblicuidad 0,704 0,886 1,151

independientemente de los diferentes tipos de suelo. La

variabilidad espacial de todos los parámetros del suelo inciertos se
caracteriza por un campo aleatorio isotrópico, ya que la variación
isotrópica es conservadora, como se indicó en el ejemplo anterior.
La longitud de la superficie probabilística crítica es de 69 my la
superficie se agrupó en 8 segmentos que contienen múltiples
cortes.
Tabla 7 presenta los resultados calculados a partir de una
simulación de Monte Carlo considerando la variabilidad espacial con
δenX= 20, 40 m. Fig. 11 (a) y 12 (a) mostrar la conversión

Fig. 12. Ejemplo 2: Resultados de la simulación de Monte Carlo (δenX= 40 m).

gencia de las simulaciones. Como se esperaba, se requieren

considerablemente más ejecuciones de prueba para la convergencia en
el caso de una pequeña escala de fluctuación, lo que resulta en una baja

Fig. 13. Ejemplo 2: Distribución de probabilidad del factor de seguridad

Fig. 11. Ejemplo 2: Resultados de la simulación de Monte Carlo (δenX= 20 m). obtenido de la simulación de Monte Carlo.
108 SE Cho / Engineering Geology 92 (2007) 97–109
probabilidad de falla. Las probabilidades de falla calculadas
fueron 0.12% para δenX= 20 m, 0.88% para δenX= 40 my 1,18%
para δenX= ∞. Estos valores son más altos que el valor típico (3
× 10−5) señalado como un "buen" nivel de desempeño en las
recomendaciones de la Ingenieros del Cuerpo del Ejército de
EE. UU. (1995).
Fig. 11 (b) y 12 (b) muestre las distribuciones de
probabilidad del factor de seguridad para dos escalas
diferentes de fluctuación a lo largo de la falla. Muestran que el
histograma del factor de seguridad tiene un sesgo positivo.
Esto significa que tiene una cola más larga a la derecha que a
la izquierda. El coeficiente de asimetría, que es una medida de
asimetría en la distribución, aumenta con un aumento de la
escala de fluctuación, como se presenta enTabla 7. Como
puede verse en el gráfico de probabilidad acumulada en
Figura 13, la probabilidad de falla aumenta a medida que
aumenta el coeficiente de asimetría.
6. Conclusiones
Este artículo consideró problemas de estabilidad de taludes
con cantidades inciertas mediante un procedimiento numérico
basado en simulaciones de Monte Carlo que consideran la
variabilidad espacial de las propiedades del suelo. El enfoque
adopta un método de confiabilidad de primer orden basado en el
modelo de estabilidad presentado por Spencer para determinar la
superficie crítica de falla y realizar un análisis de sensibilidad
preliminar para la consideración selectiva de algunos parámetros
aleatorios como campos aleatorios. Las propiedades del suelo,
representadas como campos aleatorios, luego se discretizan en
conjuntos de variables aleatorias correlacionadas para su uso en la
simulación de Monte Carlo.
Se realizaron evaluaciones probabilísticas de estabilidad
para obtener la variación de la probabilidad de falla con la
variación de los parámetros del suelo en pendientes
estratificadas. Las superficies probabilísticas críticas buscadas
mostraron ubicaciones algo diferentes de la superficie
determinista crítica. Los ejemplos numéricos también
demostraron que las características de correlación del campo
aleatorio tienen una fuerte influencia en las probabilidades de
falla estimadas y la convergencia del análisis.
Aunque los ejemplos se limitan a un campo aleatorio
bidimensional, proporcionan información sobre la aplicación
del tratamiento de incertidumbre a los análisis de estabilidad
de taludes y muestran la importancia de la variabilidad
espacial de las propiedades del suelo en el resultado de una
evaluación probabilística.
Referencias
Alonso, EE, 1976. Análisis de riesgo de pendientes y su aplicación a
pendientes en arcillas sensibles canadienses. Geotechnique 26, 453–472.
Auvinet, G., González, JL, 2000. Fiabilidad tridimensional
análisis de pendientes de tierra. Computadoras y geotecnia 26, 247–
261.
Baecher, GB, Christian, JT, 2003. Confiabilidad y estadísticas en
Ingeniería geotécnica. John Wiley e hijos.
Bhattacharya, G., Jana, D., Ojha, S., Chakraborty, S., 2003. Directo
búsqueda del índice mínimo de confiabilidad de las pendientes de la tierra.
Computadoras y geotecnia 30, 455–462.
Bolton, HPJ, Heymann, G., Groenwold, A., 2003. Búsqueda global de
superficie de falla crítica en el análisis de estabilidad de taludes. Optimización de
ingeniería 35, 51–65.
Cheng, YM, 2003. Ubicaciones de la superficie de falla crítica y algunas
estudios adicionales sobre análisis de estabilidad de taludes.
Computadoras y geotecnia 30, 255–267.
Chowdhury, RN, Xu, DW, 1995. Fiabilidad del sistema geotécnico de
pendientes. Ingeniería de confiabilidad y seguridad de sistemas 47,
141-151. Christian, JT, Ladd, CC, Baecher, GB, 1994. Fiabilidad aplicada a
análisis de estabilidad de taludes. Revista de la División de Ingeniería
Geotécnica, ASCE 120, 2180–2207.
D'Andrea, R., 2001. Discusión de "Algoritmo de búsqueda para mínimos
índice de confiabilidad de las pendientes de la tierra ”por Hassan y
Wolff. Revista de ingeniería geotécnica y geoambiental, ASCE 127
(2), 195-197.
Elkateb, T., Chalaturnyk, R., Robertson, PK, 2002. Una descripción general de
heterogeneidad del suelo: cuantificación e implicaciones en
problemas de campo geotécnico. Canadian Geotechnical Journal 40,
1-15. El-Ramly, H., Morgenstern, NR, Cruden, DM, 2002. Probabilistic
análisis de estabilidad de taludes para la práctica. Revista geotécnica canadiense
39, 665–683.
El-Ramly, H., Morgenstern, NR, Cruden, DM, 2003. Probabilistic
análisis de estabilidad de un dique de relaves en arcilla-pizarra
precortada. Canadian Geotechnical Journal 40, 192-208.
Greco, VR, 1996. Técnica eficiente de Monte Carlo para localizar
superficie de deslizamiento crítica. Revista de la División de Ingeniería
Geotécnica, ASCE 122, 517–525.
Griffiths, DV, Fenton, GA, 2004. Estabilidad probabilística de taludes
análisis por elementos finitos. Revista de la División de Ingeniería
Geotécnica, ASCE 130 (5), 507–518.
Hasofer, AM, Lind, NC, 1974. Segundo momento exacto e invariante
formato de código. Revista de la División de Ingeniería Mecánica,
ASCE 100, 111–121.
Hassan, AM, Wolff, TF, 1999. Algoritmo de búsqueda de mínimos
índice de fiabilidad de las pendientes de la tierra. Revista de la División de
Ingeniería Geotécnica, ASCE 125, 301-308.
Haukaas, T., Der Kiuregian, A., 2001. Un programa de computadora para
análisis de elementos finitos no lineales. Actas de la Octava Conferencia
Internacional sobre Seguridad y Confiabilidad Estructural, Newport
Beach, CA.
Kim, JY, Lee, SR, 1997. Una estrategia de búsqueda mejorada para los
superficie de deslizamiento utilizando campos de tensión de elementos finitos.
Computadoras y geotecnia 21 (4), 295–313.
Knabe, W., Przewlocki, J., Rozynski, G., 1998. Promedios espaciales para
elementos lineales para campo aleatorio de dos parámetros. Mecánica de
ingeniería probalística 13, 147-167.
Lacasse, S., Nadim, F., 1996. Incertidumbres en la caracterización del suelo
propiedades. En: Shackleford, CD, Nelson, PP, Roth, MJS (Eds.),
Incertidumbre en el entorno geológico: de la teoría a la práctica.
Publicación especial geotécnica de ASCE, vol. 58, págs. 49-75.
Li, KS, Cheung, RWM, 2001. Discusión del “Algoritmo de búsqueda para el
índice mínimo de confiabilidad de las pendientes de la tierra” por Hassan
y Wolff. Revista de la División de Ingeniería Geotécnica, ASCE 127 (2),
197-198.
 SE Cho / Engineering Geology 92 (2007) 97–109
Li, KS, Lumb, P., 1987. Diseño probabilístico de pendientes. Canadian
Geotechnical Journal 24, 520–535.
Li, KS, White, W., 1987. Evaluación rápida de la superficie crítica de deslizamiento en
el problema de estabilidad de taludes. Revista internacional de métodos
numéricos y analíticos en geomecánica 11, 449–473.
Liang, RY, Nusier, OK, Malkawi, AH, 1999. Una confiabilidad basada
enfoque para evaluar la estabilidad de taludes de presas de terraplenes.
Engineering Geology 54, 271-285.
Liu, PL, Der Kiureghian, A., 1990. Algoritmos de optimización para
confiabilidad estructural. Seguridad estructural 9, 161-177.
Low, BK, 2003. Análisis práctico probabilístico de estabilidad de taludes. 12
Conferencia Panamericana sobre Mecánica de Suelos e Ingeniería
Geotécnica y 39º Simposio de Mecánica de Rocas de EE. UU., Vol. 2.
MIT, Cambridge, Massachusetts, págs. 2777–2784.
Low, BK, Tang, WH, 1997. Análisis de confiabilidad de reforzados
terraplenes sobre suelo blando. Canadian Geotechnical Journal 34,
672–685.
Low, BK, Gilbert, RB, Wright, SG, 1998. Análisis de confiabilidad de pendientes
utilizando el método generalizado de rodajas. Revista de la División
de Ingeniería Geotécnica, ASCE 124, 350–362.
Mostyn, GR, Li, KS, 1993. Estabilidad probabilística de taludes: estado de
juego. En: Li, Lo (Eds.), Conf. sobre métodos probabilísticos en
ingeniería geotécnica. Balkema, Rotterdam, Países Bajos, págs.
89-110.
Rackwitz, R., 2000. Revisión de modelos probabilísticos de suelos. Compu-
ters and Geotechnics 26, 199-223.
Rackwitz, R., Fiessler, B., 1978. Fiabilidad estructural en combinación
secuencias de carga. Computadoras y estructuras 9, 489–494.
109
Spencer, E., 1967. Un método de análisis para la estabilidad de terraplenes.
utilizando fuerzas paralelas entre cortes. Geotechnique 17 (1), 11-26. Stein, ML,
1987. Muestras grandes de propiedades de simulaciones usando Latin
muestreo de hipercubo. Technometrics 29, 143-151.
Ingenieros del Cuerpo del Ejército de EE. UU., 1995. Introducción a la probabilidad y
métodos de confiabilidad para su uso en ingeniería geotécnica.
Carta técnica de ingeniería No. 1110-2-547. US Arm Corps of
Engineer, Departamento del Ejército, Washington DC
Vanmarcke, EH, 1977a. Modelización probabilística de perfiles de suelos.
Revista de la División de Ingeniería Geotécnica, ASCE 103, 1227–
1246.
Vanmarcke, EH, 1977b. Fiabilidad de pendientes de tierra. Diario de la
División de Ingeniería Geotécnica, ASCE 103, 1247–1265.
Vanmarcke, EH, 1983. Campos aleatorios: análisis y síntesis. los
MIT Press, Cambridge, MA.
White, DJ, Schaefer, VR, Yang, H., Thompson, MJ, 2005.
Soluciones innovadoras para el refuerzo y caracterización de la
estabilidad de taludes: Vol. I, Informe final CTRE Proyecto 03-127. Centro
de Investigación y Educación en Transporte de la Universidad Estatal de
Iowa. Zolfaghari, AR, Heath, AC, McCombie, PF, 2005. Genética simple
Búsqueda de algoritmos para superficies críticas de falla no circular en el análisis
de estabilidad de taludes. Computadoras y geotecnia 32, 139-152.