Traducido del inglés al español - www.onlinedoctranslator.

com

Geología de ingeniería 187 (2015) 60–72

Listas de contenidos disponibles en ScienceDirect

Ingeniería Geológica

página de inicio de la revista: www.elsevier.com/ Locate / enggeo

Un método de superficie de respuesta múltiple para el análisis de confiabilidad de taludes

considerando la variabilidad espacial de las propiedades del suelo

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

información del artículo abstracto

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.

1. Introducción niveles de probabilidad. Como alternativa, el método de superficie de respuesta (RSM) se

La variabilidad espacial inherente de las propiedades del suelo se ha
considerado como una de las principales fuentes de incertidumbre en las
propiedades geotécnicas (es decir, Phoon y Kulhawy, 1999; Cho, 2007, 2014;
Ahmed y Soubra, 2012; Ching y Phoon, 2013; Zhao y col., 2013; Cao y Wang,
2014; Baja, 2014), que a menudo se caracteriza por un modelo de
autocorrelación en la práctica geotécnica. En la literatura (p. Ej.,Li y Lumb,
1987; Jaksa, 1995; Phoon y col., 2003; Uzielli y col., 2005; Kim y Sitar, 2013;
Lloret-Cabot et al., 2014), los ACF teóricos, como los ACF exponenciales
simples y exponenciales al cuadrado, a menudo se emplean para capturar
la estructura de correlación de las propiedades del suelo. Como lo señalóLi y
Lumb (1987), Tanahashi (1998) y Kasama y col. (2012)Sin embargo, se debe
explicar el fundamento del ACF exponencial único de uso común para
aclarar el supuesto hecho en la práctica geotécnica.
La simulación directa de Monte Carlo (MCS) es una herramienta conceptualmente
simple y robusta para analizar la confiabilidad de pendientes en suelos espacialmente
variables (Cho, 2010; Huang y col., 2010; Wang y col., 2011; Li et al., 2013a, 2014). Sin
embargo, el MCS adolece de una falta de eficiencia en pequeñas
ha aplicado ampliamente a problemas de confiabilidad de pendientes (p. Ej.,Li y col.,
2011, 2013b; Jiang y col., 2014a). Sin embargo, este RSM tradicional puede no resolver de
manera eficiente los problemas de confiabilidad de la pendiente considerando la
variabilidad espacial de las propiedades del suelo (Huang y col., 2010). Se debe
desarrollar un método de confiabilidad más eficiente para el análisis de confiabilidad de
pendientes considerando propiedades del suelo espacialmente variables. Además, para
explorar el efecto de varios ACF sobre la confiabilidad de la pendiente cuando se
incorporan la variabilidad espacial y la correlación cruzada de los parámetros de
resistencia al corte del suelo, un enfoque general y efectivo es realizar una serie de
estudios de sensibilidad paramétrica. Teóricamente, se puede utilizar MCS directo para
tal fin. Sin embargo, los análisis de sensibilidad paramétricos podrían llevar mucho
tiempo porque se llevan a cabo repetidamente numerosos análisis similares de
estabilidad de taludes.
El objetivo de este estudio es proponer un método de superficie de respuesta
múltiple para el análisis de confiabilidad de taludes considerando propiedades del suelo
espacialmente variables. Primero, se resumen ampliamente los rangos típicos de escalas
de fluctuación subyacentes a los parámetros de resistencia al corte del suelo. A partir de
entonces, se comparan sistemáticamente cinco ACF 2-D. Luego, se presenta un método
de superficie de respuesta múltiple y se desarrolla un procedimiento de implementación

⁎ 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

h I COV H XI; yI ; H Xj; yj

ρ HDXI; yIÞ; H Xj; yj ¼ rffiffiffiffiffiffiffiffihffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiiffi D1Þ τX y τy en comparación con los otros cuatro ACF.
pffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

Var½HDXI; yIÞ Var H Xj; yj

3. Método de superficie de respuesta múltiple

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)

Ctu Arcilla marina, Japón SNX - 1.3–2.7 Matsuo (1976)

Ctu Nueva arcilla Liskeard varved clay - 46 5,0 Vanmarcke (1977)
Ctu (DST) Clay SQX 92,4 1,19-1,23 Ronold (1990)
C Arcilla limosa de Shanghai SNX, CSX - 0,31-0,42 Gao (1996)
ϕ - 0,32-0,47
Ctu (VST) Arcilla - 46–60 2.0–6.2 Phoon y Kulhawy (1999)
Ctu (qC) suelo arenoso SQX, CSX, BIN - 0,1-1,0 Cheng et al. (2000)
Ctu (qC) Arcilla - 0,1-1,8
Ctu (qC) Arcilla suave - 0,2–2,0
Ctu (qC) Arcilla de taranto CSX - 0,287-0,401 Cafaro y Cherubini (2002)
Ctu Arcilla SNX - 0,25-2,5 Hicks y Samy (2002) Ni et al.
C Arcilla limosa de Yan'an - - 1,47 (2002)
ϕ 1,44
C Arcilla limosa de Jiangzhang - - 6,47
ϕ 2,96
C Limo tongguano - - 7.19
ϕ 1.2
Ctu Arcilla sensible, arcilla blanda SNX 20–80 2.0–6.0 El-Ramly y col. (2003)
C (DST) arcilla limosa Taiyuan COMPARTIMIENTO 36,2–41,7 0,37–0,58 Li y col. (2003)
ϕ (DST) 36–41,4 0,35-0,49
C (DST) Limo de Taiyuan 41,5–45,1 0,6-0,84
ϕ (DST) 41,8–45,5 0,54–0,92
C (DST) Arcilla limosa de Hangzhou 40,5–45,4 0,52-0,75
ϕ (DST) 40,4–45,2 0,49-0,71
C (DST) Arcilla de Hangzhou - 0,5–0,77
ϕ (DST) - 0,59-0,73
Ctu (qC) Arena, arcilla SMK, CSX - 0,13–1,11 Uzielli y col. (2005) Hsu
c, ϕ Arcilla SNX 2-30 0,1–5,0 y Nelson (2006) Xie
Ctu Arcilla de Chicago - - 0,79-1,25 (2009)
Ctu Arcilla saturada, Japón - - 1,25-2,86
Ctu (qC) Arcilla del puerto de Tianjin - 8,37 0,132-0,322 Yan y col. (2009)
Ctu (qC) Arcilla limosa del puerto de Tianjin - 9,65 0.095–0.426
Ctu (qC) Limo del puerto de Tianjin - 12,7 0,140-1,0
Ctu (qC) Arcilla limosa SNX - 0,8–6,1 Haldar y Sivakumar Babu (2009)
c, ϕ Arcilla SNX 10–40 0,5-3,0 Suchomel y Masen (2010) Wu et al.
c, ϕ Suelo aluvial SNX 30–49 0,2-0,9 (2011)
c, ϕ Suelos sedimentarios de océanos y lagos 40–80 1.3–8.0
c, ϕ Suelos de morrena - 2.0
c, ϕ Suelo eólico - 1.2–7.2
Ctu (VST) Arcilla SNX 46–60 2.0–6.2 Ching y col. (2011)
Ctu, c, ϕ Suelos in situ SNX 30–60 1.0–6.0 Ji et al. (2012)
c (qC), ϕ (qC) Arcilla SNX 10–62 1.3–4.0 Salgado y Kim (2014)
c (qC), ϕ (qC) Arena SNX 35–75 2.2-3.0 Salgado y Kim (2014)

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.

et al., 2011, 2013); μX yI σX son la

I
media y la desviación estándar de
los Ith variable, respectivamente. De esta forma, un sistema denorteC Se pueden
establecer ecuaciones algebraicas lineales para las muestras seleccionadas en
términos de los coeficientes desconocidos. aj. Luego, se usa un enfoque basado
en regresión para calcular los coeficientes desconocidosaj. Después de eso, un
RSF cuadrático para eljSe obtiene la superficie de deslizamiento. Aplicando
el método similar, nortes Los RSF cuadráticos se construyen y toman como
modelos sustitutos de funciones explícitas entre los factores de seguridad y
las variables aleatorias originales. Se puede observar que la construcción de
múltiples RSF utilizando los PCE cuadráticos sin términos cruzados es
relativamente simple, lo que puede ser implementado fácilmente por los
profesionales.

Tabla 2
Funciones de autocorrelación comunes para análisis geoestadístico.

Escribe Función de autocorrelación (1-D) Escala de fluctuación Función de autocorrelación (2-D)

Hola
Exponencial simple (SNX) ρ (τ) = exp (-aτ) δ = 2 /a ρ τ; Xτy ¼ exp -2 τX τy
δhþ δv
2 pffiffiffi
Exponencial al cuadrado (SQX) ρ (τ) = exp [- (bτ)] δ ¼ π =B τ2X τ2y
ρ τ; Xτy ¼ exp −π 2þ
δv I
2
δh
h
Markov de segundo orden (SMK) ρ (τ) = exp (-cτ) (1 + cτ) δ = 4 /C ρ τ; Xτy ¼ exp -4 τX þ τy 1þ 4τX 4τy
1 þ δv
δ h δv δh
h I
Exponencial de coseno (CSX) ρ (τ) = exp (-dτ)porquedτ) δ = 1 /D τX τX τy
ρ τX; τy ¼ exp - δh þ τδyv porque
δh porque
δv
(
Ruido binario (BIN) 1−eτ para τ≤1 =mi δ = 1 /mi
1− τX
1-
τy
Fo τ X ≤ δhy τ ≤δ
ρðτÞ ¼ ρ τ; Xτy ¼ δh δv y v
0 de lo contrario
0 de lo contrario
 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72 63

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
técnica de descomposición de Cholesky ampliada
Para problemas de confiabilidad de pendientes que consideran la variabilidad
espacial de las propiedades del suelo, a menudo se involucran campos aleatorios no
gaussianos con correlación cruzada, que deben discretizarse adecuadamente. La
expansión Karhunen – Loève (K – L) (Cho, 2010; Jiang y col., 2014b, c) se puede utilizar
para discretizar los campos aleatorios no gaussianos con correlación cruzada, pero el
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 (
Haldar y Sivakumar Babu, 2009; Srivastava y col., 2010;
Suchomel y Masen 2010; Kasama y col., 2012; Wu y col., 2012), la técnica de
descomposición de Cholesky se ha utilizado ampliamente para discretizar campos
aleatorios de propiedades del suelo porque es conceptualmente simple y fácil de
implementar. Sin embargo, la técnica de descomposición de Cholesky antes
mencionada no puede tratar los campos aleatorios no gaussianos con correlación
cruzada. Con esta deficiencia en mente, este estudio extiende la técnica de
descomposición de Cholesky para discretizar campos aleatorios no gaussianos
correlacionados cruzados de propiedades del suelo espacialmente variables.
Basado en las coordenadas del centroide (XI, yI) de elementos de campo aleatorio,
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

donde ρ τX ; ijτyij es el coeficiente de autocorrelación entre espaciales

cantidades en dos puntos cualesquiera, en los que los rezagos τX ¼ XI−xj y τy ¼

ij ij

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:

L1L 1T ¼ C y L2L T 2¼ R: D4Þ

Los campos aleatorios gaussianos estándar con correlación cruzada HGRAMO(x, y) se

deriva como

HkgDX; yÞ ¼ L1ξkL2 T dónde k ¼ 1; 2;…; nortepag D5Þ

donde ξk es un vector de muestras aleatorias normales estándar independientes,

que se divide en metro vectores con una dimensión de nortemi. La Eq.(5)
se repite para nortepag veces. Por tanto, los componentes deHGRAMO(x, y) con una
dimensión de (nortemi ×metro) ×nortepag depende de la malla de campo aleatoria dada, el
ACF seleccionado, los valores de SOF y los coeficientes de correlación cruzada entre
campos aleatorios. A partir de entonces, los campos aleatorios no gaussianos con
correlación cruzadaHNG(x, y) en el espacio físico se puede obtener mediante una
transformación isoprobabilística (por ejemplo, Li y col., 2011) como sigue:

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.

2 3 3.3. Probabilidad de falla usando el método de superficie de respuesta múltiple

1 ρ τX ;12τy12 ⋯ ρτ ; τy1nordeste
6 7
6 7
X1nordeste

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

4 ⋮ ⋮ ⋱ ⋮ 5 Secciones 3.1 y 3.2, respectivamente, la probabilidad de falla de la pendiente se puede

ρ τX ; 1τy1nordeste ρ τX2nordeste ;τ ⋯ 1
nordeste y2nordeste
evaluar convenientemente. Un MCS directo con un total denortepag

Fig. 3. El modelo de estabilidad para un c – ϕ Pendiente (FS = 1.208).

 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72 sesenta y cinco

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

C (kPa) 10 0,3 Lognormal δh = 40 m, δv = 4,0 m ρc, ϕ = -0,5

ϕ (°) 30 0,2 Lognormal δh = 40 m, δv = 4,0 m
γt (kN / m3) 20 - - - -

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.

Métodos δh (metro) δv (metro) μFS σFS COVFS pagF Relativo

error de pagF

Este estudio 40 4.0 1,195 0.102 0.085 1,87 × 10−2 0,09

Cho (2010) 1.199 0.106 0.088 1,71 × 10−2 -
Este estudio 40 8.0 1,195 0,119 0,100 3,97 × 10−2 0,07
Cho (2010) 1.202 0,126 0.105 3,70 × 10−2 -
Este estudio 80 4.0 1,196 0.104 0.087 2,06 × 10−2 0,08
Cho (2010) 1.200 0.109 0.091 1,91 × 10−2 -
Figura 4. Comparación de las probabilidades de falla obtenidas de dos métodos diferentes.
66 D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72

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
Figura 6. Variación de la probabilidad de falla con coeficiente de correlación cruzada entre la
cohesión y el ángulo de fricción.
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
resistencia al corte (μC = 10 kPa y μϕ = 30 °).
67
5.1. Resultados del análisis de confiabilidad
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
seguridad parecen ser similares. Estos resultados indican que el método
propuesto puede producir resultados de confiabilidad suficientemente precisos
teniendo en cuenta las propiedades del suelo espacialmente variables.
Figura 8. Variación de la probabilidad de falla con escalas horizontales y verticales de fluctuación de los
parámetros de resistencia al corte.
68
Figura 9. Perfil de un hipotético talud con capa débil y agua subterránea.
Es más, Figura 4 compara las probabilidades de falla obtenidas de este
estudio y Cho (2010) para varios coeficientes de correlación cruzada. Como
era de esperar, la correlación cruzada entreC y ϕ tiene una influencia
significativa en la probabilidad de falla de la pendiente. La probabilidad de
falla obtenida de este estudio aumenta de 4.94 × 10−3 a 0.12 cuando ρc, ϕ
varía de − 0,7 a 0,5. Se puede observar que los resultados obtenidos de este
estudio también coinciden bien con los obtenidos deCho
(2010). Estos resultados indican que el método propuesto puede producir con
precisión la probabilidad de falla de la pendiente a niveles relativamente bajos.
Además, se enfatiza que el número total requerido de análisis de estabilidad de
taludes deterministas asociados con el método propuesto, que es 4841, se
mantiene sin cambios a pesar de que se utilizan varios coeficientes de correlación
cruzada. La razón es que los RSF obtenidos en el método propuesto no se basan
en las estadísticas (p. Ej., Coeficiente de correlación cruzada entreC y ϕ) y no
necesitan recalibración al estimar las probabilidades de falla para diferentes
coeficientes de correlación cruzada. Por el contrario, el método propuesto porCho
(2010) necesita volver a realizar numerosos análisis de estabilidad de taludes
similares para cada coeficiente de correlación cruzada diferente. Así, el método
propuesto es más eficiente que el propuesto porCho (2010), y se adoptó para
explorar el efecto de los ACF sobre la confiabilidad de la pendiente en análisis
posteriores.
5.2. Efecto de los ACF sobre la confiabilidad de la pendiente
En esta sección, se lleva a cabo un estudio de sensibilidad paramétrica para explorar
la influencia de los ACF en la confiabilidad del talud. Con este propósito en mente, los
coeficientes de variación, COVC y COVϕ, se establecen como [0.1, 0.7] y [0.05,
0,20], respectivamente (Srivastava y col., 2010). SiguienteCho (2010) y
Tang y col. (2013), el rango de ρc, ϕ se establece como [−0,7, 0,5]. Basado en los
resultados estadísticos de las SOF resumidos enSección 2, los rangos de SOF
horizontales y verticales se seleccionan como [10 m, 60 m] y [1,0 m, 6,0 m],
respectivamente. Estos valores se adoptan para realizar el estudio de sensibilidad
paramétrica. El caso de ρc, ϕ = 0, COVC = 0,3, COVϕ = 0,2, δh = 40 my
δv = 4.0 m se toma como un caso nominal en el análisis de sensibilidad
paramétrico.
Figura 5 presenta cinco realizaciones típicas de campos aleatorios de
cohesión y ángulo de fricción en ρc, ϕ = -0.5 correspondiente a SNX, SQX, SMK,
Cuadro 5
Propiedades estadísticas de los parámetros del suelo para el Ejemplo II.
Tipo de suelo Parámetros Significar
suelo arenoso C1′ (kPa) 5 0,15
ϕ1′ (°) 46
γ1 (kN / m3) 20
Arcilla Ctu (kPa) 50
γ2 (kN / m3) 20
Capa débil C2′ (kPa) 0 -
ϕ2′ (°) 10
γ3 (kN / m3) 20
D.-Q. Li y col. / Ingeniería en geología 187 (2015) 60–72
CSX y BIN ACF. Los resultados de estabilidad de taludes correspondientes también se
muestran enFigura 5. Las regiones sombreadas más oscuras y más claras indican áreas
de mayor y menor resistencia al corte (C y ϕ), respectivamente. Tenga en cuenta que las
superficies críticas de falla tienden a pasar cerca de la base de la pendiente. Como era de
esperar, todos los campos aleatorios simulados de cohesión y ángulo de fricción exhiben
una correlación negativa. Los campos aleatorios simulados asociados con los ACF SQX y
SMK muestran una variación suave dentro del perfil de la pendiente, lo que podría
caracterizar las propiedades del suelo correlacionadas espacialmente de manera más
realista. Por el contrario, los campos aleatorios simulados asociados con las ACF de SNX,
CSX y BIN fluctúan aproximadamente, especialmente en la dirección vertical.
Figura 6 muestra las probabilidades de falla de pendiente asociadas con los
cinco ACF para varios coeficientes de correlación cruzada. Las probabilidades de
falla asociadas con la SNX ACF son menores que las asociadas con las otras cuatro
ACF, lo que indica que la aplicación de la SNX ACF de uso común puede producir
una probabilidad poco conservadora de falla de pendiente. Los resultados
subyacentes a las ACF SQX y CSX casi siguen siendo los mismos, que son un poco
más grandes que los asociados con las ACF SMK y BIN. Además, la diferencia en
las probabilidades de falla de pendiente para diferentes ACF aumenta a medida
que la correlación cruzada negativa entreC
y ϕ se vuelve más fuerte, pero aún es menos significativo que un orden de
magnitud.
Higos. 7(a) y (b) compare las probabilidades de asociación de fallas de taludes
ed con cinco ACF para varios valores de COVC y COVϕ, respectivamente.
Similar aFigura 6, el SNX ACF conduce a la menor probabilidad de falla entre
los cinco ACF. Diferentes ACF conducen a diferentes probabilidades de falla
de taludes. En general, esta diferencia no es muy significativa aunque se
trate de pequeños coeficientes de variación. Tenga en cuenta que la
probabilidad de falla de la pendiente es más sensible al cambio en el COVϕ.
Para el SNX ACF, la probabilidad de falla de la pendiente aumenta de 1.0 × 10
−3 en COVϕ = 0,05 hasta 7,0 × 10−2 en COVϕ = 0,2. Este último es 70 veces el
primero.
Para investigar el efecto de los ACF sobre la confiabilidad de la
pendiente para diferentes SOF, Higos. 8(a) y (b) muestran las probabilidades
de rotura de taludes asociadas con cinco ACF para varios SOF horizontales y
verticales, respectivamente. Similar aHigos. 6 y 7, la probabilidad de falla
asociada con el ACF exponencial único de uso común puede subestimarse,
mientras que la probabilidad de falla asociada con el ACF CSX puede estar
sobreestimada. Las probabilidades de falla asociadas con diferentes ACF
difieren ligeramente. Como era de esperar, el efecto de la SOF vertical sobre
la confiabilidad de la pendiente es mucho más significativo que el de la SOF
horizontal, lo cual es consistente con lo observado en la literatura (p. Ej.,
Cho, 2010; Ji y col., 2012).
6. Ejemplo II: Aplicación a un talud heterogéneo con una capa débil
Los suelos reales apenas presentan un comportamiento estacionario. Sin embargo,
se han hecho pocos intentos para estudiar la confiabilidad de una pendiente
heterogénea con propiedades de suelo de múltiples capas modeladas por campos
aleatorios. Por lo tanto, un ejemplo de pendiente heterogénea (verFigura 9) que consta
de tres capas de suelo (incluida una capa débil con un espesor de 0,5 my una
coordenada Y centroide de 3,75 m) se investiga para demostrar aún más la validez
COV Distribución Escala de fluctuación Coeficiente de correlación
Lognormal δh = 40 m, δv = 4,0 m ρC10; ϕ10 = -0,5
0,1 Lognormal δh = 40 m, δv = 4,0 m
- - - -
0,16 Lognormal δh = 40 m, δv = 4,0 m -
- - - -
- - -
0,15 Lognormal δh = 40 m, δv = 4,0 m -
- - - -
 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
hidráulicas de 11 my 5 m en ambos lados. Las propiedades estadísticas de los
parámetros del suelo para la pendiente heterogénea se resumen enCuadro 5. Un
modelo típico de elemento de campo aleatorio de la pendiente heterogénea con
tres capas de suelo se muestra enFigura 10. CohesiónC1′ y ángulo de fricción ϕ1′
del suelo arenoso en el terraplén, resistencia al corte sin drenaje Ctu de la
arcilla en la cimentación y ángulo de fricción ϕ2′ de la capa débil se
caracterizan por cuatro campos aleatorios lognormales diferentes. El
coeficiente de correlación cruzada entreC1′ y ϕ1′ se toma como ρC10; ϕ10 = -0,5.
El ACF exponencial único con SOF horizontal y vertical se toma como δh = 40
my δv = Se utilizan 4,0 m, respectivamente. El factor mínimo de seguridad
basado en los valores medios de los parámetros de resistencia al corte (C1′,
muestra. La resultantepagF es 9.5 × 10−4, como se muestra en Tabla 6, que se
compara favorablemente con eso (por ejemplo, 7.1 × 10−4) del método propuesto.
Es un desafío identificar información detallada de estratigrafía subterránea
con datos de sitio limitados en la práctica geotécnica (Cao y Wang, 2014; Tang et
al., 2015). En otras palabras, la ubicación de la capa débil en la pendiente
heterogénea puede ser incierta. Esta incertidumbre debe tenerse en cuenta en el
análisis de confiabilidad de pendientes. Como ilustración, la ubicación de la capa
débil se caracteriza por una variable aleatoria discreta,Y. La función de masa de
probabilidad de Y es dado por
8
> 0: 061; Y ¼ 2:75DmetroÞ
>
<0: 245; Y ¼ 3:25DmetroÞ

Φ1′, Ctu, ϕ2′) se obtiene como 1.317 utilizando el método simplificado de

pagDYÞ ¼ 0: 388; Y ¼ 3:75DmetroÞ D8Þ
>
> 0: 245; Y ¼ 4:25DmetroÞ
Bishop. La superficie de falla crítica correspondiente se traza enFigura 10, :
0: 061; Y ¼ 4:75DmetroÞ
que pasa por la parte inferior de la capa débil.
Como se menciona en Sección 2, el método informado en Lu y Zhang
dónde Y denota el centroide Y-coordenada de la capa débil como se muestra en
(2007) y Cho (2012) se adopta aquí para simular campos aleatorios globalmente no
Figura 9. Los resultados de confiabilidad correspondientes se enumeran enTabla 6
estacionarios de parámetros de resistencia al corte del suelo de tres capas. Con base en
. Los resultados obtenidos con el método propuesto concuerdan bien con los
estos, las RSF cuadráticas múltiples entre los factores de seguridad asociados con 2992
obtenidos con el método LHS. El método propuesto también estima con precisión
superficies de deslizamiento potenciales y 1820 variables aleatorias originales (es decir,
la probabilidad de falla de la pendiente a niveles de probabilidad pequeños que
610C1′, 610 ϕ1′, 540 Ctu y 60 ϕ2′) se construyen primero, lo que requiere un total de 3641
incorporan la variabilidad espacial de las propiedades del suelo de múltiples
análisis deterministas de estabilidad de taludes. La probabilidad de falla de la pendiente,
capas. Cabe señalar que el tiempo de cálculo aumenta significativamente cuando
pagF, estimado a partir del método propuesto es 7,1 × 10−4 (ver Tabla 6). Una
se considera la incertidumbre en la ubicación de la capa débil porque las RSF
probabilidad de falla tan baja es común en la práctica de la ingeniería de pendientes.
necesitan ser recalibradas para cada ubicación diferente de la capa débil.
Para este problema, el MCS requiere más de quince mil corridas de análisis de
estabilidad de taludes para producir resultados de confiabilidad precisos para un
Nuevamente, el efecto de los ACF sobre la confiabilidad de la pendiente para
coeficiente de variación objetivo depagF, COVpagF, por debajo del 30% desde el menor
diferentes SOF se explora utilizando el método propuesto. Para fines ilustrativos,
número de muestras requeridas para SCV directo,
1−pagF
solo los resultados de confiabilidad asociados con la capa débil fija (Y = 3,75 m, ver
nortepag, para evaluar pagF se calcula con precisión por nortepag ≥ Þ2 para un objetivo
pagD
F COVpF Figura 9) son presentados. Higos. 11(a) y (b) muestran las probabilidades de falla
COVpagF (p.ej, Ang y Tang, 2007). Para validar aún más el método propuesto, se del talud asociadas con cinco ACF para varios SOF horizontales y verticales,
realiza el muestreo de hipercubo latino (LHS) con 20.000 muestras para volver a respectivamente. Similar aFigura 8, la probabilidad de falla se subestima cuando
calcular elpagF, en el que se utiliza el método simplificado de Bishop para calcular se utiliza el ACF exponencial único de uso común; las probabilidades de falla
el factor mínimo de seguridad para cada obtenidas usando SQX, SMK, CSX y BIN ACF

Tabla 6
Comparación de los resultados de fiabilidad del Ejemplo II.

Caso Método nortellama μFS σFS COVFS pagF Error relativo de pagF

1 Este estudio 3641 1.270 0.091 0.071 7,1 × 10−4 0,25

LHS 20.000 1.271 0.091 0.072 9,5 × 10−4 -
2 Este estudio 18,205 1.268 0,095 0,075 1,39 × 10−3 0,16
LHS 20.000 1.269 0,096 0,075 1,65 × 10−3 -

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

diferente a Figura 8(a), el SOF horizontal tiene un efecto más importante en

la probabilidad de falla para la pendiente heterogénea cuando el SOF horizontal
es menos significativo que 40 m, aunque no tanto como el efecto del SOF vertical.
Tal hallazgo es consistente con lo reportado enJi y col. (2012). Esto se atribuye
principalmente al hecho de que se produce un mecanismo de falla
profundamente arraigado en la pendiente heterogénea y la mayor parte de la
superficie de falla pasa horizontalmente a través de la cimentación (ver
Figura 12, FS = 0,976). En consecuencia, la variabilidad espacial horizontal de la
resistencia al corte no drenada de la arcilla en la cimentación afecta la confiabilidad del
talud. Por el contrario, para los homogéneosc – ϕ pendiente, sólo se observa un
mecanismo de falla de "punta" poco profundo como se informa en Cho (2010) y
Sección 5.

7. Conclusiones

Este artículo ha propuesto un método de superficie de respuesta múltiple

para el análisis de confiabilidad de pendientes considerando las propiedades del
suelo que varían espacialmente. Se resumen las escalas de fluctuación de los
parámetros de resistencia al corte del suelo. Las diferencias en cinco ACF teóricos
2-D se comparan sistemáticamente. Un homogéneoc – ϕ La pendiente y una
pendiente heterogénea, que consta de tres capas de suelo (incluida una capa
débil) y está modelada por campos aleatorios globalmente no estacionarios, se
estudian para demostrar la validez del método propuesto y explorar el efecto de
los ACF en la confiabilidad de la pendiente, respectivamente. Se pueden extraer
varias conclusiones de este estudio:

(1) El método propuesto de superficie de respuesta múltiple puede evaluar eficientemente la

Figura 11. Variación de la probabilidad de falla con escalas horizontales y verticales de fluctuación de los
parámetros de resistencia al corte.
difieren ligeramente. Tenga en cuenta que solo un total de 3641 corridas de análisis de
estabilidad de taludes se realizan en estos análisis de sensibilidad paramétrica. Del
mismo modo, las RSF obtenidas en este caso no se basan en las ACF y SOF. Por lo tanto,
permanecen sin cambios a medida que cambian los ACF y SOF.
confiabilidad de la pendiente considerando las propiedades del suelo que varían
espacialmente, lo que proporciona una herramienta práctica para resolver problemas
de confiabilidad de la pendiente con bajo riesgo de falla, lo cual es de gran interés en la
práctica geotécnica. La técnica extendida de descomposición de Cholesky puede
discretizar de manera efectiva los campos aleatorios no gaussianos correlacionados
cruzados de propiedades del suelo espacialmente variables, que es conceptualmente
simple y fácilmente implementable.
(2) Las RSF cuadráticas múltiples entre los factores de seguridad de la pendiente y las
variables aleatorias originales no se basan en las estructuras de correlación (es
decir, ACF) y las estadísticas (por ejemplo, coeficiente de variación y coeficiente
de correlación cruzada) de las propiedades del suelo. El método propuesto no
necesita análisis de estabilidad de taludes deterministas adicionales para
estimar las probabilidades de falla de talud para diferentes ACF y estadísticas.
Da como resultado una eficiencia computacional muy alta en el análisis de
sensibilidad paramétrico y en la exploración de las influencias de los ACF y las
estadísticas sobre la confiabilidad de la pendiente.
(3) Los campos aleatorios producidos por las ACF SNX, CSX y BIN fluctúan
aproximadamente, especialmente en la dirección vertical. Por el contrario,
los campos aleatorios producidos por los ACF SQX y SMK son muy

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
liso. En resumen, los ACF SQX y SMK podrían caracterizar la correlación
espacial de las propiedades del suelo de manera más realista. Entre los
cinco ACF seleccionados, se subestima la probabilidad de falla asociada
con el ACF exponencial único de uso común. Además, la diferencia en las
probabilidades de rotura de taludes asociadas con los cinco ACF depende
de la correlación cruzada entre los parámetros de resistencia al corte, los
COV y los SOF de los parámetros de resistencia al corte. Generalmente,
esa diferencia es mínima.
(4) El método propuesto se desarrolla en base a la descomposición de
Cholesky, por lo que puede ser propenso a errores de redondeo numérico
porque la construcción de la matriz de autocorrelación puede simplificar
demasiado la estructura de correlación entre dos áreas finitas,
especialmente cuando los elementos del campo aleatorio son cercanos.
espaciados e irregulares. Su costo computacional aumentará
significativamente si se consideran las incertidumbres en la estratigrafía
subterránea y aumenta el número de elementos de campo aleatorios.
Además, la deformación de la pendiente en suelos espacialmente
variables no se tiene en cuenta en este estudio porque solo se considera
el estado límite último (es decir, la estabilidad) de la pendiente y los RSF se
construyen utilizando los factores de seguridad calculados a partir del
método de equilibrio límite. , que no proporciona información sobre la
deformación del talud. Estas limitaciones deberían estudiarse más y
eliminarse en el futuro. También se debe investigar en el futuro cómo
determinar los valores medios, COV y SOF de campos aleatorios y
caracterizar las ubicaciones desconocidas y las propiedades de las capas
débiles para un sitio específico con datos limitados del sitio.
Expresiones de gratitud
Este trabajo fue apoyado por el Fondo Nacional de Ciencias para Jóvenes
Académicos Distinguidos (Proyecto No. 51225903), el Programa Nacional de
Investigación Básica de China (Programa 973) (Proyecto No. 2011CB013506),
la Fundación Nacional de Ciencias Naturales de China (Proyecto No.
51329901) y la Fundación de Ciencias Naturales de la Provincia de Hubei de
China (Proyecto No. 2014CFA001).
Referencias
Ahmed, A., Soubra, A.-H., 2012. Análisis probabilístico de zapatas de banda que descansan sobre un espacio
suelo aleatorio utilizando un enfoque de simulación de subconjuntos. Georisk 6 (3), 188-201.
Ang, AH-S., Tang, WH, 2007. Conceptos de probabilidad en ingeniería: énfasis en la aplicación
ciones a la Ingeniería Civil y Ambiental. 2ª ed. John Wiley and Sons, Nueva York.
Bucher, CG, Bourgund, U., 1990. Un enfoque de superficie de respuesta rápida y eficiente para estructuras
problemas de fiabilidad tural. Struct. Saf. 7 (1), 57–66.
Cafaro, F., Cherubini, C., 2002. Espaciado de muestra grande en la evaluación de la variación de resistencia vertical
iabilidad del suelo arcilloso. J. Geotech. Geoenviron. 128 (7), 558–568.
Cao, Z., Wang, Y., 2014. Comparación de modelos bayesianos y selección de correlación espacial
funciones para los parámetros del suelo. Struct. Saf. 49, 10-17.
Cheng, Q., Luo, SX, Gao, XQ, 2000. Análisis y discusión del cálculo de la escala de fluctuación
ación utilizando el método de función de correlación. Barbilla. J. Rock Soil Mech. 21 (3), 281-283 (en
chino).
Ching, JY, Phoon, KK, 2013. Distribución de probabilidad para resistencias de corte movilizadas de espa-
suelos ligeramente variables bajo estados de tensión uniformes. Georisk 7 (3), 209–224.
Ching, J., Hu, YG, Yang, ZY, Shiau, JQ, Chen, JC, Li, YS, 2011. Diseño basado en confiabilidad
para la capacidad de carga permisible de las zapatas en macizos rocosos considerando el ángulo de
distorsión. En t. J. Rock Mech. Min. Sci. 48 (5), 728–740.
Cho, SE, 2007. Efectos de la variabilidad espacial de las propiedades del suelo sobre la estabilidad del talud. Ing. Geol.
92 (3–4), 97–109.
Cho, SE, 2010. Evaluación probabilística de la estabilidad de taludes que considera la variación espacial
capacidad de las propiedades del suelo. J. Geotech. Geoenviron. 136 (7), 975–984.
Cho, SE, 2012. Análisis probabilístico de filtración que considera la variabilidad espacial de
permeabilidad para un terraplén en la base del suelo. Ing. Geol. 133-134, 30-39.
Cho, SE, 2014. Análisis probabilístico de estabilidad de deslizamientos de tierra inducidos por lluvias considerando
variabilidad espacial de la permeabilidad. Ing. Geol. 171, 11-20.
Degroot, DJ, Baecher, GB, 1993. Estimación de la autocovarianza de las propiedades del suelo in situ.
J. Geotech. Ing. 119 (1), 147-166.
El-Ramly, H., Morgenstern, NR, Cruden, DM, 2003. Análisis probabilístico de estabilidad de un
dique de relaves sobre arcilla-pizarra precortada. Poder. Geotech. J. 40 (1), 192-208.
Fenton, GA, Griffiths, DV, 2003. Predicción de capacidad de carga de espacio aleatorio c – φ
suelos. Poder. Geotech. J. 40 (1), 54–65.
71
Gao, DZ, 1996. Índice de seguridad del diseño geotécnico y su aplicación. Barbilla. J. Geotech.
Investig. Surv. 1, 1–6 (en chino).
GEO-SLOPE International Ltd., 2010. Modelado de estabilidad con SLOPE / W 2007 Versión: An
Metodología de la ingeniería [programa informático]. GEO-SLOPE International Ltd.,
Calgary, Alberta, Canadá.
Griffiths, DV, Fenton, GA, 2004. Análisis probabilístico de estabilidad de taludes mediante elementos finitos.
J. Geotech. Geoenviron. 130 (5), 507–518.
Haldar, S., Sivakumar Babu, GLS, 2009. Diseño de pilotes cargados lateralmente en arcillas en base a
Datos de prueba de penetración de cono: un enfoque basado en la confiabilidad. Geotechnique 59
(7), 593–607.
Hicks, MA, Samy, K., 2002. Influencia de la heterogeneidad en la estabilidad de taludes arcillosos no drenados.
QJ Eng. Geol. Hydrogeol. 35 (1), 41–49.
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.
Huang, J., Griffiths, DV, Fenton, GA, 2010. Fiabilidad del sistema de pendientes por RFEM. Suelos
Fundar. 50 (3), 343–353.
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,
Australia.
Ji, J., 2014. Un enfoque simplificado para modelar la variabilidad espacial de la cizalladura no drenada
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
utilizando autocorrelaciones interpoladas. Computación. Geotech. 40, 135-146.
Jiang, SH, Li, DQ, Zhou, CB, Zhang, LM, 2014a. Capacidades de respuesta estocástica sur-
método de la cara y método de la superficie de respuesta en el análisis de fiabilidad. Struct. Ing. Mech. 49
(1), 111-128.
Jiang, SH, Li, DQ, Zhang, LM, Zhou, CB, 2014b. Análisis de confiabilidad de taludes considerando
Parámetros de resistencia al corte espacialmente variables utilizando un método de elementos finitos
estocásticos no intrusivos. Ing. Geol. 168, 120-128.
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.
J. Geotech. Geoenviron.http://dx.doi.org/10.1061/(ASCE)GT.1943-5606.000122
(04014096).
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
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
confiabilidad de taludes rocosos que involucran variables no normales correlacionadas.
Computación. Geotech. 38 (1), 58–68.
Li, DQ, Jiang, SH, Wu, SB, Zhou, CB, Zhang, LM, 2013a. Modelado de distribución multivariante
usando simulación Monte Carlo para análisis de confiabilidad con función de desempeño
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
colocación para el método de superficie de respuesta estocástica de orden impar. Struct. Ing. Mech.
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.
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.
Struct. Saf. 49, 45–55.
Lloret-Cabot, M., Fenton, GA, Hicks, MA, 2014. Sobre la estimación de la escala de fluctuación
en geoestadística. Georisk 8 (2), 129-140.
Baja, BK, 2014. FORM, SORM y modelización espacial en ingeniería geotécnica. Struct.
Saf. 49, 56–64.
Lu, Z., Zhang, D., 2007. Simulaciones estocásticas para flujo en heterogeneidad aleatoria no estacionaria
medios porosos generosos utilizando un enfoque de ecuación de momento basado en KL. Modelo
multiescala. Simul. SIAM 6 (1), 228–245.
Matsuo, M., 1976. Fiabilidad en el diseño de terraplenes. MIT, Departamento de Ingeniería Civil
ing, Cambridge.
Ni, WK, Niu, FJ, Liu, DY, 2002. Un estudio sobre la autocorrelación espacial de los parámetros de loess
ters. Barbilla. J. Xian Eng. Univ. 24 (2), 4–9 (en chino).
Phoon, KK, Kulhawy, FH, 1999. Caracterización de la variabilidad geotécnica. Poder.
Geotech. J. 36 (4), 612–624.
Phoon, KK, Quek, ST, An, P., 2003. Identificación de capas de suelo estadísticamente homogéneas
utilizando estadísticas de Bartlett modificadas. J. Geotech. Geoenviron. 129 (7), 649–659.
Ronold, M., 1990. Modelado de campo aleatorio de modos de falla de cimentaciones. J. Geotech. Ing.
166 (4), 554–570.
Salgado, R., Kim, D., 2014. Análisis de confiabilidad y diseño de factores de carga y resistencia de
pendientes. J. Geotech. Geoenviron. 140 (1), 57–73.
Srivastava, A., Sivakumar Babu, GL, Haldar, S., 2010. Influencia de la variabilidad espacial de per-
propiedad de la capacidad de medición en el flujo de filtración en estado estacionario y análisis de estabilidad de taludes. Ing.
Geol. 110 (3-4), 93-101.
Suchomel, R., Masen, D., 2010. Comparación de diferentes métodos probabilísticos para
predecir la estabilidad de una pendiente en espacialmente variable c – φ tierra. Computación.
Geotech. 37 (1–2), 132–140 (2010).
Tanahashi, H., 1998. Discusión sobre “Respuesta del pilote empotrado en suelo estocástico
medios de comunicación". Struct. Saf. 20 (2), 189-193.
Tang, XS, Li, DQ, Rong, G., Phoon, KK, Zhou, CB, 2013. Impacto de la selección de la cópula en
confiabilidad geotécnica bajo información de probabilidad incompleta. Computación. Geotech.
49, 264-278.
Tang, XS, Li, DQ, Zhou, CB, Phoon, KK, 2015. Enfoques basados en cópulas para evaluar
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-
parámetros de prueba de penetración de cono malised. Geotechnique 55 (1), 3–20.
Vanmarcke, EH, 1977. Modelización probabilística de perfiles de suelos. J. Geotech. Ing. 103 (11),
1227–1246.
Vanmarcke, EH, 2010. Campos aleatorios: análisis y síntesis (revisado y ampliado).
Nueva ed. World Scientific Publishing Co. Pte. Ltd., Singapur.
Wang, Y., Cao, ZJ, Au, SK, 2011. Análisis práctico de confiabilidad de la estabilidad de taludes mediante ad-
simulaciones de Monte Carlo avanzadas en una hoja de cálculo. Poder. Geotech. J. 48 (1),
162-172.
Wu, ZJ, Ge, XR, Wang, SL, 2011. Análisis de confiabilidad de la estabilidad del talud del suelo considerando
origen geológico. Barbilla. J. Rock Mech. Ing. 30 (9), 1904-1911 (en chino).
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.
Xie, GH, 2009. Análisis estocástico de parámetros geotécnicos y estudio de reli-
capacidad de pendiente. [Doctor. tesis], Central South University, China (en chino).
Yan, SW, Zhu, HX, Liu, R., 2009. Estudios numéricos y análisis estadísticos de correlación
distancias de las propiedades del suelo en el puerto de Tianjin. Barbilla. J. Rock Soil Mech. 30
(7), 2179-2185 (en chino).
Zhang, J., Zhang, LM, Tang, WH, 2011. Nuevos métodos para el análisis de la confiabilidad del sistema del suelo
pendientes. Poder. Geotech. J. 48 (7), 1138-1148.
Zhang, J., Huang, HW, Juang, CH, Li, DQ, 2013. Extensión del método de Hassan y Wolff
para el análisis de la confiabilidad del sistema de pendientes del suelo. Ing. Geol. 160, 81–88.
Zhao, HF, Zhang, LM, Xu, Y., Chang, DS, 2013. Variabilidad de las propiedades geotécnicas de un
depósito de suelo de deslizamiento de tierra fresco. Ing. Geol. 166, 1–10.