Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
Ingeniería Geológica
Dian-Qing Li a,⁎, Shui-Hua Jiang a,B, Zi-Jun Cao a, Wei Zhou a, Chuang-Bing Zhou B, Li-Min Zhang C
a Laboratorio clave estatal de ciencias de la ingeniería de recursos hídricos y energía hidroeléctrica, Laboratorio clave de mecánica de rocas en ingeniería estructural hidráulica (Ministerio de Educación), Universidad de
Wuhan, 8 Donghu South Road, Wuhan 430072, PR China
B Escuela de Ingeniería Civil y Arquitectura, Universidad de Nanchang, Nanchang 330031, PR China
C Departamento de Ingeniería Civil y Ambiental, Universidad de Ciencia y Tecnología de Hong Kong, Clear Water Bay, Kowloon, Hong Kong
Historia del artículo: Este artículo propone un método de superficie de respuesta múltiple para el análisis de confiabilidad de taludes considerando
Recibido el 28 de mayo de 2014 propiedades del suelo espacialmente variables. Se resumen las escalas de fluctuación de los parámetros de resistencia al corte del suelo.
Recibido en forma revisada el 7 de diciembre de 2014
Se destaca el efecto de las funciones de autocorrelación teóricas (ACF) sobre la confiabilidad de la pendiente, ya que las ACF teóricas se
Aceptado el 8 de diciembre de 2014
utilizan a menudo para caracterizar la variabilidad espacial de las propiedades del suelo debido a un número limitado de datos de
On-line el 27 de diciembre de 2014
observación del sitio disponibles. Se examinan las diferencias en cinco ACF teóricos, a saber, exponencial simple, exponencial al
cuadrado, Markov de segundo orden, exponencial de coseno y ACF de ruido binario. Un homogéneoc – ϕ La pendiente y una pendiente
Palabras clave:
Pendientes
heterogénea que consta de tres capas de suelo (incluida una capa débil) se estudian para demostrar la validez del método propuesto y
Análisis de fiabilidad explorar el efecto de los ACF en la confiabilidad de la pendiente. Los resultados indican que el método propuesto proporciona una
Variabilidad espacial herramienta práctica para evaluar la confiabilidad de las pendientes en suelos espacialmente variables. Puede mejorar en gran medida la
Campo aleatorio eficiencia computacional en análisis de probabilidad relativamente baja y análisis de sensibilidad paramétrica. La técnica de
Función de autocorrelación descomposición de Cholesky ampliada puede discretizar eficazmente los campos aleatorios no gaussianos correlacionados cruzados de
Superficie de respuesta
propiedades del suelo espacialmente variables. Entre los cinco ACF seleccionados, los ACF exponenciales al cuadrado y de segundo orden
de Markov podrían caracterizar la correlación espacial de las propiedades del suelo de manera más realista. La probabilidad de falla
asociada con el ACF exponencial único de uso común puede estar subestimada. En general, la diferencia en las probabilidades de falla
asociadas con los cinco ACF es mínima.
© 2014 Elsevier BV Todos los derechos reservados.
⁎ Autor correspondiente. Tel .: +86 27 6877 2496; fax: +86 27 6877 4295. paso a paso. Finalmente, un homogéneoc – ϕ pendiente y una pendiente heterogénea
Dirección de correo electrónico: dianqing@whu.edu.cn (D.-Q. Li). que consta de tres capas de suelo (incluida una capa débil) son
http://dx.doi.org/10.1016/j.enggeo.2014.12.003
0013-7952 / © 2014 Elsevier BV Todos los derechos reservados.
D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72 61
investigado para ilustrar el método propuesto. También se lleva a cabo un estudio de una gran cantidad de datos estadísticos requiere mucho esfuerzo, especialmente
de sensibilidad paramétrica para explorar el efecto de los ACF en la confiabilidad cuando el tamaño de la muestra disponible es pequeño (Phoon y col., 2003). Por lo tanto,
de la pendiente. Se destaca la confiabilidad de la pendiente asociada con el ACF algunos ACF teóricos se utilizan generalmente para caracterizar la correlación espacial
exponencial único de uso común. de las propiedades del suelo. Por ejemplo, el ACF exponencial simple (SNX) se ha
utilizado ampliamente para modelar la variabilidad espacial inherente de las
2. Función de autocorrelación y escala de fluctuación propiedades del suelo en el análisis probabilístico de estabilidad de taludes (Griffiths y
Fenton, 2004; Cho, 2010; Huang y col., 2010; Wang y col., 2011; Ahmed y Soubra, 2012; Ji
Los parámetros del suelo en un lugar particular son variables aleatorias y col., 2012; Li y col., 2013c, 2014; Salgado y Kim, 2014). El ACF exponencial al cuadrado
debido a la variación espacial, pero son más similares a los de lugares adyacentes (SQX) generalmente se selecciona para modelar las propiedades del suelo que varían
que a los lejanos (Vanmarcke, 2010). Como se informa en la literatura (Jaksa, 1995; espacialmente en el método de expansión en serie, ya que se requieren los términos de
Fenton y Griffiths, 2003; Kasama y col., 2012; Wu y col., 2012; Ji, 2014; Jiang y col., expansión mínimos para lograr la precisión deseada (por ejemplo,Jiang y col., 2014b, c).
2014b, c; Salgado y Kim, 2014), las propiedades del suelo en una capa de suelo El coseno exponencial (CSX) ACF ha sido utilizado porCafaro y Cherubini (2002) para
estadísticamente homogénea se consideran campos aleatorios débilmente ajustar los datos experimentales para estimar el SOF vertical de la resistencia al corte de
estacionarios. En este caso, las medias y las variaciones de las propiedades del la arcilla de Taranto. El ruido binario (BIN) ACF ha sido empleado porCheng y col. (2000)
suelo siguen siendo las mismas en todos los puntos dentro de la región del
campo aleatorio, y un ACF gobierna el grado de correlación entre los residuos de estimar los SOF de más de 300 suelos diferentes de más de 10 ciudades
dos puntos cualesquiera, independientemente de sus coordenadas absolutas diferentes en China.
dentro del campo aleatorio. Sin embargo, los campos aleatorios a menudo no son Tabla 2 resume cinco ACF teóricos 2-D para la caracterización de la correlación
estacionarios para pendientes de suelo de varias capas. El método informado en espacial de las propiedades del suelo. Estos cinco ACF se investigan para explorar
Lu y Zhang (2007) y Cho (2012) se puede adoptar para caracterizar y modelar la el efecto de varios ACF en la confiabilidad del talud. EnTabla 2, se retrasa τX y τy
variabilidad espacial de las propiedades del suelo de múltiples capas. El dominio son las distancias entre dos ubicaciones en las direcciones horizontal y vertical,
de simulación está dividido en varios subdominios no superpuestos. Se supone respectivamente; δh y δv son las SOF horizontales y verticales, respectivamente; a
que el comportamiento del suelo es estadísticamente estacionario dentro de cada B C D y mi son parámetros del modelo relacionados con la escala de fluctuación.
subdominio, lo que implica que la covarianza entre dos puntos depende solo de Cuando los parámetros del modelo se ajustan para producir SOF unidades
su distancia separada en lugar de sus ubicaciones. Se supone que la covarianza horizontales y verticales, las superficies resultantes de cinco ACF 2-D se trazan en
entre dos puntos cualesquiera en diferentes regiones es cero. Por lo tanto, el Figura 1. Generalmente, las diferencias entre estas superficies son significativas.
medio del suelo es globalmente no estacionario. El ACF de un campo aleatorio Dado que SNX, CSX y BIN ACF son funciones no diferenciables, las superficies
estacionario dentro de cada subdominio,H (x, y), se define como la correlación correspondientes exhiben cuatro ángulos de borde y una esquina aguda cerca del
entre las cantidades espaciales en dos ubicaciones (Vanmarcke, 2010; Wu y col., origen. Por el contrario, los ACF SQX y SMK son diferenciables cerca del origen, y
2012; Salgado y Kim, 2014) como sigue: las superficies correspondientes son isotrópicas y muy lisas. Además, la superficie
del SNX ACF decae más rápidamente con el aumento de los valores absolutos de
dónde (XI, yI) y (Xj, yj) son las coordenadas de dos ubicaciones en un espacio 3.1. Concepto general del método de superficie de respuesta múltiple
bidimensional; Var (.) Denota la varianza; COV (.,.) Denota la covarianza.
De acuerdo a Vanmarcke (2010), la escala de fluctuación (SOF) es una Se adopta una expansión de caos polinomial cuadrática (PCE) sin términos cruzados para
medida conveniente para describir la variabilidad espacial de una propiedad del suelo en establecer una función de superficie de respuesta (RSF) entre el factor de seguridad para cada
un campo aleatorio. Es una medida de la distancia dentro de la cual los puntos están superficie de deslizamiento potencial y las variables aleatorias originales de entrada (como los
significativamente correlacionados. Un SOF pequeño implica que la propiedad del suelo parámetros de resistencia al corte) involucradas en el análisis de estabilidad de taludes. Para
fluctúa rápidamente alrededor del valor medio. Por el contrario, un SOF grande indica identificar correctamente la superficie de deslizamiento crítica subyacente a una pendiente,
que la propiedad del suelo está significativamente correlacionada en una gran extensión nortes Se generan aleatoriamente diferentes superficies de deslizamiento potenciales
espacial. Es importante estimar el SOF con precisión porque el SOF juega un papel clave para cubrir todo el dominio de falla de la pendiente, en el cual el valor de nortes es
en la caracterización de la variabilidad espacial de las propiedades del suelo en un sitio. frecuentemente del orden de magnitud de 103–104 (p.ej, Zhang y col., 2011; Li y col.,
Aunque varios métodos, como el método basado en la bondad de ajuste de diferentes 2013c). De esta manera, eljLa RSF cuadrática se expresa de la siguiente manera (Jiang y
ACF teóricos a la muestra de ACF estimados a partir de los datos de observación del sitio col., 2014a):
disponibles (Uzielli y col., 2005), y el método basado en información de campos
aleatorios condicionales (Lloret-Cabot et al., 2014), se pueden utilizar para estimar el X
norteC
X norte
X
norte
2
SOF, estos métodos pueden no ser fácilmente implementados porque se requiere una FSjDXÞ ¼ aI; jΨI; jDXÞ ¼ a1; j þ BI; jXI þ CI; jXI D2Þ
gran cantidad de datos. Para determinar los valores apropiados de SOF para un suelo I¼1 I¼1 I¼1
específico, en este estudio se realiza una revisión extensa de la literatura sobre los
valores de SOF subyacentes a los parámetros de resistencia al corte del suelo. Los dónde FSj(X), j = 1, 2,⋯, nortes, es el factor de seguridad para el jla superficie de deslizamiento
valores de los SOF verticales y horizontales informados en la literatura se resumen en potencial; X = (X1, ⋯, XI, ⋯, Xnorte)T es el vector de variables aleatorias de entrada en el espacio
tabla 1. Los SOF horizontales y verticales para las arcillas se encuentran típicamente físico, en el que norte es el número de variables aleatorias de entrada;
dentro de los rangos de 10–92,4 my 0,1–8,0 m, respectivamente. Para arenas y limos, los aj = (un1,j, B1,j, ⋯, BNueva Jersey, C1,j, ⋯, CNueva Jersey)T es el vector de coeficientes desconocidos
SOF horizontales y verticales son de aproximadamente 12,7 a 75 my con un tamaño de norteC = 2n + 1; Ψyo, j(⋅) es un PCE general.
Un método de diseño de muestra que utiliza (2n + 1) combinaciones propuestas por
0,14-3,0 m, respectivamente. Bucher y Bourgund (1990) se adopta para determinar los coeficientes desconocidos en la
Como se mencionó anteriormente, la autocorrelación entre cantidades espaciales ecuación. (2). El factor de seguridad para eljla superficie de deslizamiento potencial,
generalmente se describe mediante un ACF que cae rápidamente a medida que j = 1, 2,⋯, N, se evalúa por primera vez en N = 2nC+o1 muestras de la siguiente manera:
norte s sobre norte o
aumenta la distancia de separación entre ellas. El ACF se puede estimar usando el μX ; μX ; ⋯; μXnorte
2
, μX1 kσX 1; μ; X2 ⋯; μXnorte , μX1; μX2 kσ; X⋯;
2 μX norte ,…,
método de momentos (p. Ej.,Jaksa, 1995; Phoon y col., 2003) o el método de máxima 1 norte o
verosimilitud (DeGroot y Baecher, 1993). Sin embargo, la determinación de una muestra
y μX ; μ;⋯;
1
μXXnorte
2
kσX norte
re k es un coeficiente nortet para generar
, quién y dónde
de ACF en geoestadística tampoco es fácil porque la adquisición los puntos de muestreo, y k = 2 se utiliza en este estudio (p. Ej., Zhang
62 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72
tabla 1
Resumen de escalas de fluctuación para los parámetros de resistencia al corte del suelo.
Propiedad del suelo Tipo de suelo ACF Escala de fluctuación (m) Referencias
Horizontal Vertical
(δh) (δv)
Nota: Ctu, c, ϕ son la resistencia al corte no drenada, la cohesión y el ángulo de fricción, respectivamente; Ctu (VST) es la resistencia al corte no drenada de la prueba de corte con paleta; Ctu (DST), C(DST), ϕ (DST) son parámetros de resistencia al
corte de la prueba de corte directo; Ctu (qC), c (qC), ϕ (qC) denotan los SOF de los parámetros de resistencia al corte y se refieren a los de la resistencia de la punta del cono qC de la prueba de penetración del cono. El símbolo "-" indica que los
resultados no están disponibles.
Tabla 2
Funciones de autocorrelación comunes para análisis geoestadístico.
Figura 1. Funciones comunes de autocorrelación 2-D para análisis geoestadístico (normalizadas a escalas unitarias de fluctuación).
3.2. Discretización de campos aleatorios no gaussianos con correlación cruzada mediante la Suchomel y Masen 2010; Kasama y col., 2012; Wu y col., 2012), la técnica de
técnica de descomposición de Cholesky ampliada descomposición de Cholesky se ha utilizado ampliamente para discretizar campos
aleatorios de propiedades del suelo porque es conceptualmente simple y fácil de
Para problemas de confiabilidad de pendientes que consideran la variabilidad implementar. Sin embargo, la técnica de descomposición de Cholesky antes
espacial de las propiedades del suelo, a menudo se involucran campos aleatorios no mencionada no puede tratar los campos aleatorios no gaussianos con correlación
gaussianos con correlación cruzada, que deben discretizarse adecuadamente. La cruzada. Con esta deficiencia en mente, este estudio extiende la técnica de
expansión Karhunen – Loève (K – L) (Cho, 2010; Jiang y col., 2014b, c) se puede utilizar descomposición de Cholesky para discretizar campos aleatorios no gaussianos
para discretizar los campos aleatorios no gaussianos con correlación cruzada, pero el correlacionados cruzados de propiedades del suelo espacialmente variables.
proceso puede ser muy complejo, especialmente cuando el problema del valor propio de
la ecuación integral de Fredholm no se puede resolver analíticamente. En la literatura ( Basado en las coordenadas del centroide (XI, yI) de elementos de campo aleatorio,
Haldar y Sivakumar Babu, 2009; Srivastava y col., 2010; en el cual yo = 1, 2,⋯, nortemi, nortemi es el número de elementos de campo aleatorios, y
64 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72
yI−yj son las distancias absolutas entre las coordenadas del centroide de
los Ith elemento y el jth elemento. Luego, una matriz de correlación cruzada
R se obtiene como R = (ρk, l)metro × metro, en el que ρk, l es el coeficiente de correlación
cruzada entre el kth campo aleatorio y el lel campo aleatorio subyacente a las
propiedades del suelo, y metro es el número de campos aleatorios con correlación
cruzada. El algoritmo de descomposición estándar de Cholesky se utiliza para factorizar
las matricesC y R para obtener las matrices triangulares inferiores L1 con una dimensión
de nortemi × nortemi y L2 con una dimensión de
metro × metro, respectivamente:
Nueva Hampshire io
Hk;XINGDX; yÞ ¼ FI−1 Φ Hkg X IDX; yÞ dónde k ¼ 1; 2;…; nortepag; I ¼ 1; 2;…; metro
D6Þ
Figura 2. Diagrama de flujo del método de superficie de respuesta múltiple.
dónde F -1
I (·) Es la función inversa de la distribución acumulativa marginal
los ACF seleccionados que se muestran en Tabla 2, una matriz de autocorrelación C se del campo aleatorio del vector no gaussiano XI; Φ (·) es la función de
expresa como distribución gaussiana estándar.
Habiendo obtenido las RSF cuadráticas múltiples para los factores de seguridad y los
C ¼ 66 ρ τX ; τ12y12 1 ⋯ ρ τX ; 7
D3Þ
τy2nordeste 7 campos aleatorios no gaussianos con correlación cruzada en el espacio físico en
6 7
2nordeste
Tabla 3
Propiedades estadísticas de los parámetros del suelo para el Ejemplo I.
Parámetros del suelo Significar COV Distribución Escala de fluctuación Coeficiente de correlación
Se realizan muestras para obtener la probabilidad de falla de la pendiente como La implementación combinada con SLOPE / W puede ser referida
sigue: Jiang y col. (2014b).
(4) Realice MCS para generar el vector de muestra aleatorio normal estándar
1 X
nortepag
h I independiente ξ para nortepag veces, y obtener nortepag Realizaciones de los
pagF ¼ I min FSj H k; NGDX; yÞ B 1: 0 D7Þ campos aleatorios no gaussianos con correlación cruzada HNG(x, y) utilizando la
j¼1; 2;⋯;nortes
nortepaquete¼1
técnica de descomposición de Cholesky ampliada en Sección 3.2.
NG
(5) Sustituya cada realización de H (x, y) en Eq. (7) ceder nortes factores de seguridad.
dónde I{.} es una función indicadora. Para una muestra aleatoria dada,I{.} se
El factor mínimo de seguridad entrenortes factores de seguridad se identifica
toma como el valor de 1 para min FS ð ÞB1: 0. jDe lo contrario, se establece en
j¼1; 2;⋯;nortes como FSmin. De este modo,nortepag FSmin se obtienen los valores. Tomando el
cero. Cabe señalar que la evaluación de los factores de seguridad en este número delFSmin valor por debajo de 1.0 como norteF, la probabilidad de falla de
documento no requiere nuevamente análisis deterministas de estabilidad de la pendiente viene dada por pagF = norteF/NORTEpag.
taludes, sino que solo involucra la evaluación de las expresiones algebraicas en la
Ec.(2). Por lo tanto, el costo computacional de MCS para cada muestra aleatoria se
reduce sustancialmente.
Tenga en cuenta que los RSF obtenidos entre los factores de seguridad y las 5. Ejemplo I: Aplicación a un c – ϕ Pendiente
variables aleatorias originales no dependen de las estructuras de correlación (es
decir, ACF) y las estadísticas (p. Ej., Coeficiente de variación, COV y coeficiente de Una hipotética c – ϕ pendiente estudiado por Cho (2010) es adecuado para ilustrar la
correlación cruzada) de las propiedades del suelo. En otras palabras, los RSF técnica de descomposición de Cholesky ampliada para la discretización de campos
permanecen sin cambios para diferentes ACF y estadísticas, y no es necesario aleatorios no gaussianos con correlación cruzada. Los resultados obtenidos deCho
volver a calibrar los RSF durante los estudios de sensibilidad paramétrica. Por lo (2010) se puede utilizar directamente para validar el método de superficie de respuesta
tanto, el método propuesto proporciona una manera eficiente de realizar los múltiple propuesto. Además, se explora el efecto de los ACF sobre la confiabilidad de la
análisis de sensibilidad y explorar las influencias de los ACF y las estadísticas pendiente utilizando el método propuesto. Un modelo típico de elementos de campo
sobre la confiabilidad de las pendientes. aleatorio para la pendiente considerada se muestra enFig. 3. La pendiente tiene una
altura deH = 10.0 my una inclinación de α = 45 °. La malla de campo aleatorio consta de
4. Procedimiento de implementación del método de superficie de respuesta elementos cuadriláteros de 4 nodos, que se degeneran en elementos triangulares de 3
múltiple nodos en el límite de la malla inclinada. La malla de campo aleatorio consta de 1210
elementos (es decir,nortemi = 1210) y 1281 nodos. Un total denortes =2992 superficies de
Para facilitar la comprensión del método de superficie de respuesta múltiple, deslizamiento potenciales se generan aleatoriamente para cubrir todo el dominio de
Figura 2 muestra un diagrama de flujo para el procedimiento de implementación. falla de la pendiente.
Este procedimiento consta de cinco pasos. Los detalles de cada paso se resumen Siguiente Cho (2010), cohesión C y el ángulo de fricción ϕ se consideran campos
a continuación: aleatorios logarítmicos normales con correlación cruzada para evitar valores negativos, y
se utiliza el ACF exponencial único. El coeficiente de correlación cruzada entreC y ϕ se
(1) Identifique los parámetros inciertos y determine sus estadísticas como
toma como ρc, ϕ = -0,5. Los SOF horizontales y verticales son δh = 40 my δv = 4,0 m,
medias, COV, distribuciones marginales y coeficientes de correlación
respectivamente. Estos parámetros se toman como caso de referencia.Tabla 3 resume
cruzada entre variables aleatorias de entrada. Luego, seleccione un
las propiedades estadísticas de los parámetros del suelo para la pendiente considerada.
ACF apropiado y los SOF horizontales y verticales para un modelo de
Basado en los valores medios de los parámetros de resistencia al corte (c, ϕ), el factor
campo aleatorio 2-D.
mínimo de seguridad se obtiene como 1,208 utilizando el método simplificado de
(2) Construya el modelo de estabilidad de taludes con los valores de las variables
Bishop, que es
aleatorias de entrada. Luego, malla los elementos de campo aleatorio y extrae
las coordenadas del centroide (XI, yI) de cada elemento de campo aleatorio, en el
que yo = 1, 2,⋯, nortemi. Después de eso,nortes Las superficies de deslizamiento
potenciales se generan aleatoriamente para cubrir todo el dominio de falla de la
pendiente dentro de SLOPE / W (GEO-SLOPE International Ltd., 2010). El factor
de seguridad de la pendiente se calcula utilizando el método simplificado de
Bishop en este estudio.
(3) Construir nortes RSF cuadráticas entre los factores de seguridad para
nortes superficies de deslizamiento potenciales y las variables aleatorias originales
utilizando el método de diseño de muestra en Sección 3.1. Un detallado
Cuadro 4
Comparación de los resultados de confiabilidad del Ejemplo I.
Figura 5. Realizaciones típicas de campos aleatorios del ángulo de cohesión y fricción y resultados de estabilidad de taludes (ρc, ф = -0,5, COVC = 0.3 y COVϕ = 0,2, δh = 40 my δv = 4,0 m).
D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72 67
Las RSF cuadráticas múltiples entre los factores de seguridad asociados con 2992
superficies de deslizamiento potenciales y 2420 variables aleatorias originales (es decir,
1210 C y 1210 ϕ) se construyen primero, lo que requiere un total de 4821 corridas de
análisis deterministas de estabilidad de taludes. Luego, la probabilidad de falla de la
pendiente se calcula usando el MCS basado en las múltiples RSF cuadráticas que se
muestran en la Ec.(2). Las probabilidades de fallapagF, y las estadísticas del factor de
seguridad (es decir, valor medio μFS, desviación estándar σFS, coeficiente de variación
COVFS) se enumeran en Cuadro 4. Para los considerados
c – ϕ Pendiente, Cho (2010) realizó un análisis probabilístico utilizando una
expansión K – L basada en MCS con 150 términos de modo propio y 50.000
análisis de estabilidad de taludes. Los resultados obtenidos deCho (2010) se
toman como las soluciones "exactas" para este ejemplo. Para tres conjuntos
diferentes de SOF enCuadro 4, las probabilidades de falla obtenidas de este
estudio (p. ej., 1,87 × 10−2, 3,97 × 10−2 y 2.06 × 10−2) son muy consistentes con los
(p. ej., 1,71 × 10−2, 3,70 × 10−2 y 1,91 × 10−2) obtenido de Cho (2010),
respectivamente. Las medias resultantes y las desviaciones estándar del factor de
Figura 6. Variación de la probabilidad de falla con coeficiente de correlación cruzada entre la seguridad parecen ser similares. Estos resultados indican que el método
cohesión y el ángulo de fricción.
propuesto puede producir resultados de confiabilidad suficientemente precisos
teniendo en cuenta las propiedades del suelo espacialmente variables.
cerca de 1.204 utilizando el método simplificado de Bishop como se informa en Cho
(2010). La superficie de falla crítica correspondiente se traza enFig. 3, que pasa
cerca de la punta de la pendiente.
Figura 7. Variación de la probabilidad de falla con coeficientes de variación de los parámetros de Figura 8. Variación de la probabilidad de falla con escalas horizontales y verticales de fluctuación de los
resistencia al corte (μC = 10 kPa y μϕ = 30 °). parámetros de resistencia al corte.
68 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72
Cuadro 5
Propiedades estadísticas de los parámetros del suelo para el Ejemplo II.
Tipo de suelo Parámetros Significar COV Distribución Escala de fluctuación Coeficiente de correlación
suelo arenoso C1′ (kPa) 5 0,15 Lognormal δh = 40 m, δv = 4,0 m ρC10; ϕ10 = -0,5
ϕ1′ (°) 46 0,1 Lognormal δh = 40 m, δv = 4,0 m
γ1 (kN / m3) 20 - - - -
Arcilla Ctu (kPa) 50 0,16 Lognormal δh = 40 m, δv = 4,0 m -
γ2 (kN / m3) 20 - - - -
Capa débil C2′ (kPa) 0 - - - -
ϕ2′ (°) 10 0,15 Lognormal δh = 40 m, δv = 4,0 m -
γ3 (kN / m3) 20 - - - -
D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72 69
Figura 10. Resultados de estabilidad de taludes y malla de campo aleatorio (FS = 1.317).
del método propuesto. También se considera el agua subterránea con alturas muestra. La resultantepagF es 9.5 × 10−4, como se muestra en Tabla 6, que se
hidráulicas de 11 my 5 m en ambos lados. Las propiedades estadísticas de los compara favorablemente con eso (por ejemplo, 7.1 × 10−4) del método propuesto.
parámetros del suelo para la pendiente heterogénea se resumen enCuadro 5. Un Es un desafío identificar información detallada de estratigrafía subterránea
modelo típico de elemento de campo aleatorio de la pendiente heterogénea con con datos de sitio limitados en la práctica geotécnica (Cao y Wang, 2014; Tang et
tres capas de suelo se muestra enFigura 10. CohesiónC1′ y ángulo de fricción ϕ1′ al., 2015). En otras palabras, la ubicación de la capa débil en la pendiente
del suelo arenoso en el terraplén, resistencia al corte sin drenaje Ctu de la heterogénea puede ser incierta. Esta incertidumbre debe tenerse en cuenta en el
arcilla en la cimentación y ángulo de fricción ϕ2′ de la capa débil se análisis de confiabilidad de pendientes. Como ilustración, la ubicación de la capa
caracterizan por cuatro campos aleatorios lognormales diferentes. El débil se caracteriza por una variable aleatoria discreta,Y. La función de masa de
coeficiente de correlación cruzada entreC1′ y ϕ1′ se toma como ρC10; ϕ10 = -0,5. probabilidad de Y es dado por
El ACF exponencial único con SOF horizontal y vertical se toma como δh = 40 8
my δv = Se utilizan 4,0 m, respectivamente. El factor mínimo de seguridad > 0: 061; Y ¼ 2:75DmetroÞ
>
basado en los valores medios de los parámetros de resistencia al corte (C1′, <0: 245; Y ¼ 3:25DmetroÞ
Tabla 6
Comparación de los resultados de fiabilidad del Ejemplo II.
Caso Método nortellama μFS σFS COVFS pagF Error relativo de pagF
Nota: nortellama denota el número de análisis deterministas de estabilidad de taludes. Caso 1: La ubicación de la capa débil es fija (Y = 3,75 m) como se muestra en Figura 9. Caso 2: la ubicación de la capa débil se modela
utilizando una variable aleatoria discreta,Y.
70 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72
7. Conclusiones
Figura 12. Una realización típica de campos aleatorios (C1′, Ctu y ϕ2′) y resultados de estabilidad de taludes (FS = 0,976).
D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72 71
liso. En resumen, los ACF SQX y SMK podrían caracterizar la correlación Gao, DZ, 1996. Índice de seguridad del diseño geotécnico y su aplicación. Barbilla. J. Geotech.
Investig. Surv. 1, 1–6 (en chino).
espacial de las propiedades del suelo de manera más realista. Entre los GEO-SLOPE International Ltd., 2010. Modelado de estabilidad con SLOPE / W 2007 Versión: An
cinco ACF seleccionados, se subestima la probabilidad de falla asociada Metodología de la ingeniería [programa informático]. GEO-SLOPE International Ltd.,
con el ACF exponencial único de uso común. Además, la diferencia en las Calgary, Alberta, Canadá.
Griffiths, DV, Fenton, GA, 2004. Análisis probabilístico de estabilidad de taludes mediante elementos finitos.
probabilidades de rotura de taludes asociadas con los cinco ACF depende
J. Geotech. Geoenviron. 130 (5), 507–518.
de la correlación cruzada entre los parámetros de resistencia al corte, los Haldar, S., Sivakumar Babu, GLS, 2009. Diseño de pilotes cargados lateralmente en arcillas en base a
COV y los SOF de los parámetros de resistencia al corte. Generalmente, Datos de prueba de penetración de cono: un enfoque basado en la confiabilidad. Geotechnique 59
(7), 593–607.
esa diferencia es mínima.
Hicks, MA, Samy, K., 2002. Influencia de la heterogeneidad en la estabilidad de taludes arcillosos no drenados.
(4) El método propuesto se desarrolla en base a la descomposición de QJ Eng. Geol. Hydrogeol. 35 (1), 41–49.
Cholesky, por lo que puede ser propenso a errores de redondeo numérico Hsu, Carolina del Sur, Nelson, PP, 2006. Variabilidad espacial material y estabilidad de taludes para rocas débiles
masas. J. Geotech. Geoenviron. 132 (2), 183-193.
porque la construcción de la matriz de autocorrelación puede simplificar
Huang, J., Griffiths, DV, Fenton, GA, 2010. Fiabilidad del sistema de pendientes por RFEM. Suelos
demasiado la estructura de correlación entre dos áreas finitas, Fundar. 50 (3), 343–353.
especialmente cuando los elementos del campo aleatorio son cercanos. Jaksa, MB, 1995. La influencia de la variabilidad espacial en el diseño geotécnico adecuado
lazos de una arcilla rígida y sobreconsolidada. [Doctor. tesis]. Universidad de Adelaide,
espaciados e irregulares. Su costo computacional aumentará
Australia.
significativamente si se consideran las incertidumbres en la estratigrafía Ji, J., 2014. Un enfoque simplificado para modelar la variabilidad espacial de la cizalladura no drenada
subterránea y aumenta el número de elementos de campo aleatorios. resistencia en el modo de falla fuera del plano del terraplén de tierra. Ing. Geol. 183, 315–323.
Ji, J., Liao, HJ, Baja, BK, 2012. Modelado de la variación espacial 2-D en el análisis de confiabilidad de pendientes
Además, la deformación de la pendiente en suelos espacialmente
utilizando autocorrelaciones interpoladas. Computación. Geotech. 40, 135-146.
variables no se tiene en cuenta en este estudio porque solo se considera Jiang, SH, Li, DQ, Zhou, CB, Zhang, LM, 2014a. Capacidades de respuesta estocástica sur-
el estado límite último (es decir, la estabilidad) de la pendiente y los RSF se método de la cara y método de la superficie de respuesta en el análisis de fiabilidad. Struct. Ing. Mech. 49
construyen utilizando los factores de seguridad calculados a partir del (1), 111-128.
Jiang, SH, Li, DQ, Zhang, LM, Zhou, CB, 2014b. Análisis de confiabilidad de taludes considerando
método de equilibrio límite. , que no proporciona información sobre la
Parámetros de resistencia al corte espacialmente variables utilizando un método de elementos finitos
deformación del talud. Estas limitaciones deberían estudiarse más y estocásticos no intrusivos. Ing. Geol. 168, 120-128.
eliminarse en el futuro. También se debe investigar en el futuro cómo Jiang, SH, Li, DQ, Cao, ZJ, Zhou, CB, Phoon, KK, 2014c. Análisis de fiabilidad del sistema eficiente
Análisis de estabilidad de taludes en suelos espacialmente variables usando simulación Monte Carlo.
determinar los valores medios, COV y SOF de campos aleatorios y
J. Geotech. Geoenviron.http://dx.doi.org/10.1061/(ASCE)GT.1943-5606.000122
caracterizar las ubicaciones desconocidas y las propiedades de las capas (04014096).
débiles para un sitio específico con datos limitados del sitio. Kasama, K., Whittle, AJ, Zen, K., 2012. Efecto de la variabilidad espacial sobre la capacidad portante
de suelo tratado con cemento. Suelos encontrados. 52 (4), 600–619.
Kim, JM, Sitar, N., 2013. Enfoque de confiabilidad para el análisis de estabilidad de taludes con
propiedades del suelo relacionadas. Suelos encontrados. 53 (1), 1–10.
Li, KS, Lumb, P., 1987. Diseño probabilístico de taludes. Poder. Geotech. J. 24 (4), 520–535.
Li, XY, Xie, KH, Yu, Y., 2003. Investigación de las características de la distancia de correlación en índices de
Expresiones de gratitud
propiedades del suelo. China Civ. Ing. J. 36 (8), 91–95 (en chino).
Li, DQ, Chen, YF, Lu, WB, Zhou, CB, 2011. Método de superficie de respuesta estocástica para el análisis de
Este trabajo fue apoyado por el Fondo Nacional de Ciencias para Jóvenes confiabilidad de taludes rocosos que involucran variables no normales correlacionadas.
Computación. Geotech. 38 (1), 58–68.
Académicos Distinguidos (Proyecto No. 51225903), el Programa Nacional de
Li, DQ, Jiang, SH, Wu, SB, Zhou, CB, Zhang, LM, 2013a. Modelado de distribución multivariante
Investigación Básica de China (Programa 973) (Proyecto No. 2011CB013506), usando simulación Monte Carlo para análisis de confiabilidad con función de desempeño
la Fundación Nacional de Ciencias Naturales de China (Proyecto No. compleja. J. Riesgo Reliab. 227 (2), 109-118.
Li, DQ, Jiang, SH, Chen, YG, Zhou, CB, 2013b. Un estudio comparativo de tres métodos de puntos de
51329901) y la Fundación de Ciencias Naturales de la Provincia de Hubei de
colocación para el método de superficie de respuesta estocástica de orden impar. Struct. Ing. Mech.
China (Proyecto No. 2014CFA001). 45 (5), 595–611.
Li, L., Wang, Y., Cao, ZJ, Chu, XS, 2013c. Análisis de desagregación de riesgos y confiabilidad del sistema de estabilidad
de taludes utilizando superficies de deslizamiento representativas. Computación. Geotech. 53, 95-105.
Referencias Li, DQ, Qi, XH, Zhou, CB, Phoon, KK, 2014. Efecto de los parámetros de resistencia al corte espacialmente
variables con tendencia media creciente linealmente sobre la confiabilidad de pendientes infinitas.
Ahmed, A., Soubra, A.-H., 2012. Análisis probabilístico de zapatas de banda que descansan sobre un espacio Struct. Saf. 49, 45–55.
suelo aleatorio utilizando un enfoque de simulación de subconjuntos. Georisk 6 (3), 188-201. Lloret-Cabot, M., Fenton, GA, Hicks, MA, 2014. Sobre la estimación de la escala de fluctuación
Ang, AH-S., Tang, WH, 2007. Conceptos de probabilidad en ingeniería: énfasis en la aplicación en geoestadística. Georisk 8 (2), 129-140.
ciones a la Ingeniería Civil y Ambiental. 2ª ed. John Wiley and Sons, Nueva York. Baja, BK, 2014. FORM, SORM y modelización espacial en ingeniería geotécnica. Struct.
Saf. 49, 56–64.
Bucher, CG, Bourgund, U., 1990. Un enfoque de superficie de respuesta rápida y eficiente para estructuras Lu, Z., Zhang, D., 2007. Simulaciones estocásticas para flujo en heterogeneidad aleatoria no estacionaria
problemas de fiabilidad tural. Struct. Saf. 7 (1), 57–66. medios porosos generosos utilizando un enfoque de ecuación de momento basado en KL. Modelo
Cafaro, F., Cherubini, C., 2002. Espaciado de muestra grande en la evaluación de la variación de resistencia vertical multiescala. Simul. SIAM 6 (1), 228–245.
iabilidad del suelo arcilloso. J. Geotech. Geoenviron. 128 (7), 558–568. Matsuo, M., 1976. Fiabilidad en el diseño de terraplenes. MIT, Departamento de Ingeniería Civil
Cao, Z., Wang, Y., 2014. Comparación de modelos bayesianos y selección de correlación espacial ing, Cambridge.
funciones para los parámetros del suelo. Struct. Saf. 49, 10-17. Ni, WK, Niu, FJ, Liu, DY, 2002. Un estudio sobre la autocorrelación espacial de los parámetros de loess
Cheng, Q., Luo, SX, Gao, XQ, 2000. Análisis y discusión del cálculo de la escala de fluctuación ters. Barbilla. J. Xian Eng. Univ. 24 (2), 4–9 (en chino).
ación utilizando el método de función de correlación. Barbilla. J. Rock Soil Mech. 21 (3), 281-283 (en Phoon, KK, Kulhawy, FH, 1999. Caracterización de la variabilidad geotécnica. Poder.
chino). Geotech. J. 36 (4), 612–624.
Ching, JY, Phoon, KK, 2013. Distribución de probabilidad para resistencias de corte movilizadas de espa- Phoon, KK, Quek, ST, An, P., 2003. Identificación de capas de suelo estadísticamente homogéneas
suelos ligeramente variables bajo estados de tensión uniformes. Georisk 7 (3), 209–224. utilizando estadísticas de Bartlett modificadas. J. Geotech. Geoenviron. 129 (7), 649–659.
Ching, J., Hu, YG, Yang, ZY, Shiau, JQ, Chen, JC, Li, YS, 2011. Diseño basado en confiabilidad Ronold, M., 1990. Modelado de campo aleatorio de modos de falla de cimentaciones. J. Geotech. Ing.
para la capacidad de carga permisible de las zapatas en macizos rocosos considerando el ángulo de 166 (4), 554–570.
distorsión. En t. J. Rock Mech. Min. Sci. 48 (5), 728–740. Salgado, R., Kim, D., 2014. Análisis de confiabilidad y diseño de factores de carga y resistencia de
Cho, SE, 2007. Efectos de la variabilidad espacial de las propiedades del suelo sobre la estabilidad del talud. Ing. Geol. pendientes. J. Geotech. Geoenviron. 140 (1), 57–73.
92 (3–4), 97–109. Srivastava, A., Sivakumar Babu, GL, Haldar, S., 2010. Influencia de la variabilidad espacial de per-
Cho, SE, 2010. Evaluación probabilística de la estabilidad de taludes que considera la variación espacial propiedad de la capacidad de medición en el flujo de filtración en estado estacionario y análisis de estabilidad de taludes. Ing.
capacidad de las propiedades del suelo. J. Geotech. Geoenviron. 136 (7), 975–984. Geol. 110 (3-4), 93-101.
Cho, SE, 2012. Análisis probabilístico de filtración que considera la variabilidad espacial de Suchomel, R., Masen, D., 2010. Comparación de diferentes métodos probabilísticos para
permeabilidad para un terraplén en la base del suelo. Ing. Geol. 133-134, 30-39. predecir la estabilidad de una pendiente en espacialmente variable c – φ tierra. Computación.
Cho, SE, 2014. Análisis probabilístico de estabilidad de deslizamientos de tierra inducidos por lluvias considerando Geotech. 37 (1–2), 132–140 (2010).
variabilidad espacial de la permeabilidad. Ing. Geol. 171, 11-20. Tanahashi, H., 1998. Discusión sobre “Respuesta del pilote empotrado en suelo estocástico
Degroot, DJ, Baecher, GB, 1993. Estimación de la autocovarianza de las propiedades del suelo in situ. medios de comunicación". Struct. Saf. 20 (2), 189-193.
J. Geotech. Ing. 119 (1), 147-166. Tang, XS, Li, DQ, Rong, G., Phoon, KK, Zhou, CB, 2013. Impacto de la selección de la cópula en
El-Ramly, H., Morgenstern, NR, Cruden, DM, 2003. Análisis probabilístico de estabilidad de un confiabilidad geotécnica bajo información de probabilidad incompleta. Computación. Geotech.
dique de relaves sobre arcilla-pizarra precortada. Poder. Geotech. J. 40 (1), 192-208. 49, 264-278.
Fenton, GA, Griffiths, DV, 2003. Predicción de capacidad de carga de espacio aleatorio c – φ Tang, XS, Li, DQ, Zhou, CB, Phoon, KK, 2015. Enfoques basados en cópulas para evaluar
suelos. Poder. Geotech. J. 40 (1), 54–65. confiabilidad de la pendiente bajo información de probabilidad incompleta. Struct. Saf. 52, 90–99.
72 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72
Uzielli, M., Vannucchi, G., Phoon, KK, 2005. Caracterización de campo aleatorio de estrés-nor- Xie, GH, 2009. Análisis estocástico de parámetros geotécnicos y estudio de reli-
parámetros de prueba de penetración de cono malised. Geotechnique 55 (1), 3–20. capacidad de pendiente. [Doctor. tesis], Central South University, China (en chino).
Vanmarcke, EH, 1977. Modelización probabilística de perfiles de suelos. J. Geotech. Ing. 103 (11), Yan, SW, Zhu, HX, Liu, R., 2009. Estudios numéricos y análisis estadísticos de correlación
1227–1246. distancias de las propiedades del suelo en el puerto de Tianjin. Barbilla. J. Rock Soil Mech. 30
Vanmarcke, EH, 2010. Campos aleatorios: análisis y síntesis (revisado y ampliado). (7), 2179-2185 (en chino).
Nueva ed. World Scientific Publishing Co. Pte. Ltd., Singapur. Zhang, J., Zhang, LM, Tang, WH, 2011. Nuevos métodos para el análisis de la confiabilidad del sistema del suelo
Wang, Y., Cao, ZJ, Au, SK, 2011. Análisis práctico de confiabilidad de la estabilidad de taludes mediante ad- pendientes. Poder. Geotech. J. 48 (7), 1138-1148.
simulaciones de Monte Carlo avanzadas en una hoja de cálculo. Poder. Geotech. J. 48 (1), Zhang, J., Huang, HW, Juang, CH, Li, DQ, 2013. Extensión del método de Hassan y Wolff
162-172. para el análisis de la confiabilidad del sistema de pendientes del suelo. Ing. Geol. 160, 81–88.
Wu, ZJ, Ge, XR, Wang, SL, 2011. Análisis de confiabilidad de la estabilidad del talud del suelo considerando Zhao, HF, Zhang, LM, Xu, Y., Chang, DS, 2013. Variabilidad de las propiedades geotécnicas de un
origen geológico. Barbilla. J. Rock Mech. Ing. 30 (9), 1904-1911 (en chino). depósito de suelo de deslizamiento de tierra fresco. Ing. Geol. 166, 1–10.
Wu, S., Ou, C., Ching, J., Juang, CH, 2012. Diseño basado en confiabilidad para estabilidad basal de levantamiento
de excavaciones profundas en suelos que varían espacialmente. J. Geotech. Geoenviron. 138 (5), 594–
603.