Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director
Mauricio Sánchez-Silva, Ph. D.
Optimización Estructural
Aplicación en Losas Estructurales en una Dirección
ICIV 200410 43
Proyecto de Grado
Presentado por
al
Director
Contenido i
Índice de Tablas iii
Índice de Figuras iv
Introducción v
Capítulo 1 - Confiabilidad Estructural 1
1.1 Introducción 1
1.2 Función de Estado Límite 2
1.2.1 Función de Estado Límite Básica 2
1.2.2 Función de Estado Límite Complejas y Conjunto de FELs 3
1.3 Índice de Confiabilidad β 4
1.3.1 Variables Reducidas 5
1.3.2 Espacio Reducido y Definición General del Índice de Confiabilidad 6
1.4 Análisis de Confiabilidad de Primer Orden (FORM) 8
1.4.1 Algoritmo de FORM [9] 8
1.5 Simulaciones de Monte Carlo 8
1.6 Conclusiones 9
Capítulo 2 - Función Objetivo 11
2.1 Introducción 11
2.2 Función Objetivo Básica 11
2.3 Modificaciones a la Función Objetivo Básica 12
2.4 Función Objetivo Definida por el Ciclo de Vida 12
2.4.1 Cargas Invariantes en el Tiempo 14
2.4.2 “Fallas cuya ocurrencia está descrita por un proceso de Poisson” [1] 14
2.5 Conclusiones 15
Capítulo 3 - Métodos de Optimización 16
3.1 Introducción 16
3.2 Tipos de Restricciones 16
3.2.1 Sistema sin Restricciones 17
3.2.2 Sistema con Restricciones de Igualdad 17
3.2.3 Sistema con Restricciones de Desigualdad 18
3.3 Método de Multiplicadores de Lagrange 20
3.3.1 Derivación Geométrica [3] 21
3.3.2 Derivación Algebraica [3] 23
ICIV 200410 43 Contenido
ii
Índice de Tablas
iii
Índice de Figuras
Figura 1.1. Zona Segura y Zona de Falla: G(R,S) = 0 Adaptada de Sánchez-Silva [1]. 3
Figura 1.2. Probabilidad de falla en función de β. Aproximación en los valores típicos de β.
5
Figura 1.3. Probabilidad de falla en función de β. 7
Figura 2.1. Representación de la función Z y sus Dominios. 13
Figura 3.1 a) Restricciones h1 y h2 en un espacio tridimensional. b) Curva formada por la
intersección de las restricciones. 21
Figura 3.2. Función objetivo y línea de restricción de los parámetro x, y. 35
Figura 3.3. Función de estado límite en el plano xy. Punto óptimo calculado por medio de
SQP. 38
Figura 3.4. Seguimiento de los pasos del algoritmo hasta encontrar el punto óptimo. 39
Figura 3.5. Función de Estado Límite en el espacio transformado. 40
Figura 3.6. Función de Estado Límite proyectada en la Función Objetivo. 40
Figura 5.1. Esquema de la Losa del Ejemplo. Definición de las variables correspondientes
a la geometría de la Losa. 43
Figura 5.2. Corte A – A de la Losa del Ejemplo. 43
Figura 5.3. Probabilidad de falla contra Número de Simulaciones. Convergencia. 54
Figura 5.4. Probabilidad de falla contra ASpos. 55
Figura 5.5. Función Objetivo (Z) contra ASpos. 55
Figura 5.6. Probabilidad de falla contra ASneg. 56
Figura 5.7. Función Objetivo (Z) contra ASneg. 56
Figura 5.8. Probabilidad de falla contra b. 57
Figura 5.9. Función Objetivo (Z) contra b. 57
Figura 5.10. Probabilidad de falla contra AV. Total independencia de esta variable. Área
de acero por cada metro. 58
Figura 5.11. Influencia de ALpos y ALneg en la Probabilidad de Falla 61
Figura 5.12. Influencia de AV en la Probabilidad de Falla 62
Figura 5.13. Comportamiento de correlación entre hf y b. 63
Figura 5.14. Comportamiento de pf a lo largo de la muestra. 64
Figura 5.15. Probabilidad de Falla contra ASpos 66
Figura 5.16. Probabilidad de Falla contra ASneg 66
Figura 5.17. Probabilidad de Falla contra ALpos 67
Figura 5.18. Probabilidad de Falla contra s 68
Figura 5.19. Probabilidad de Falla contra h 68
Figura 5.20. Probabilidad de Falla contra b 69
iv
Introducción
concisos. Esta parte del proyecto es la más importante y es en donde los mayores
esfuerzos de la investigación se han concentrado y concluye proponiendo un método de
programación no – lineal para el cálculo de la probabilidad de falla. Este método
denominado Programación Sucesiva de Cuadrados es el más completo de los estudiados
en esta parte del trabajo.
Por último para dar sentido a las dos primeras partes, la tercera propone un ejemplo
práctico del diseño óptimo basado en confiabilidad en el cual se obtienen conclusiones
asombrosas que representan un enorme avance para continuar investigando acerca de
este tema. El ejemplo seleccionado fue una losa estructural armada en una dirección por
lo que en los artículos estudiados ningún ingeniero dedicado al tema reporto una
optimización hecha en este tipo de estructuras.
Al final del trabajo se encuentran 3 Apéndices en los que se presentan los
algoritmos utilizados a lo largo de todo el proyecto. Los algoritmos se encuentran
programados en Mathcad; pero evitan el uso de funciones exclusivas del programa madre
con el fin de facilitar la programación de FORTRAN o cualquier otro lenguaje de
programación.
Independientemente de si los resultados obtenidos en el Capítulo 4 sean correctos o
no las conclusiones son de gran utilidad para el grupo de investigación del área de
confiabilidad estructural de la Universidad de Los Andes dirigido por el doctor Mauricio
Sánchez-Silva también director de este proyecto de grado.
vi
Capítulo 1
Confiabilidad Estructural
1.1 Introducción
El Diseño Optimo Basado en Confiabilidad1 tiene como objetivo encontrar los
valores de los parámetros de diseño tales que representen el menor costo o el mayor
beneficio al construir una obra. Problema que se puede desarrollar desde dos puntos de
vista distintos [8]:
Minimizar: C(x)
(1.1)
Sujeto a: p f (x) ≤ Pf
Minimizar: pf(x)
(1.2)
Sujeto a: C (x) ≤ Cmax
1
Ver Capítulo 2.
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
Haldar y Mahadevan [9] critican los factores de seguridad ya que aunque estos son
obtenidos por referencia histórica, no garantizan un nivel de seguridad determinado.
Adicional a esto, los factores de seguridad no proveen información acerca de cómo cada
componente del sistema o elemento afecta la seguridad del mismo.
Se ha discutido de manera aproximada el significado de la confiabilidad estructural,
para mayor información acerca de este tema se puede acudir a diferente bibliografía (ej.
[1], [6], [7], [8], [9], [10])
G ( x) = 0 (1.3)
G ( R, S ) = R − S (1.4)
2
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
3
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
µG
β= (1.5)
σG
µG = µ R − µ S (1.6)
σ G2 = σ R2 + σ S2 (1.7)
2
pf esta dada por Φ(-β), donde Φ es la distribución normal de probabilidad.
4
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
En la Figura 1.2 se presenta una aproximación realizada con los valores reales que
se tienen en la función de distribución normal estándar, pero existen otras aproximaciones
no tan exactas pera si muy útiles por los valores de probabilidad tan pequeños. Sanchez-
Silva [1] menciona una aproximación para 1 ≤ β ≤ 3.5 de:
p f = 2 × 10 − β (1.8)
5
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
R ~ N (µ R ,σ R )
(1.9)
S ~ N (µ S ,σ S )
R − µR
UR = (1.10)
σR
S − µS
US = (1.11)
σS
Una vez teniendo las definiciones de las ecuaciones (1.10) y (1.11) se pueden
despejar las variables R y S y re-escribir la ecuación (1.4):
G (U R ,U S ) = ( µ R + U R ⋅ σ R ) − ( µ S + U S ⋅ σ S ) = 0 (1.12)
6
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
n
a 0 + ∑ a i µU i
i =1
β= (1.14)
n
∑ ( a iσ U ) i
2
i =2
G (µ ) ∂G
β= donde ai =
n ∂U i (1.15)
∑ ( a iσ U ) 2 i
i =2
7
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
*
⎛ ∂G ⎞
⎜⎜ ⎟⎟ ⋅ σ xN
∂
⎝ i⎠
x i
αx = (1.16)
i
2*
n ⎛ ∂G ⎞
∑ ⎜⎜ ∂x ⋅ σ xN ⎟⎟
i =1 ⎝ ⎠
i
i
xi* = µ xN − α i ⋅ β ⋅ σ xN (1.17)
i i
8. Repetir los pasos 4, 5, 6, y 7 hasta que los valores de los cosenos directores
converjan a una tolerancia adecuada. Usualmente se usa una tolerancia de
0.005.
9. Evaluar el nuevo valor de β tal que se satisfaga la función de estado límite en el
nuevo punto de control.
10. Volver al paso 3 hasta que el valor del índice de confiabilidad converja.
3
Se llama FORM por sus siglas en ingles: First Order Reliability Method
8
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
La función Y es la ecuación de estado límite que se tenga y las variables son los
parámetros estructurales de los que depende esa falla. El generar valores aleatorios de
acuerdo a una distribución especifica tampoco representada dificultad ya que muchos
programas cuentan con funciones propias que tienen esta labor.
Elaborar un algoritmo en el que se utilicen los N valores generados es relativamente
sencillo. En este, como lo indica el paso 4, se evalúa la función de estado límite llevando
un contador que indique el número de veces que ocurre la falla: NF. Al final del
procedimiento la probabilidad de falla se puede calcular como:
NF
pf ≈ (1.18)
N
1.6 Conclusiones
En este Capítulo se discutieron, de manera aproximada, los métodos que existen
para evaluar la probabilidad de falla de un sistema o un elemento. Cada método discutido
es igualmente útil en todos los problemas de confiabilidad estructural como el tratado en
este proyecto de grado. La selección de la metodología utilizada depende exclusivamente
de la persona dedicada a la investigación y cuya decisión depende exclusivamente de la
naturaleza del problema.
En un futuro, el desarrollo del diseño óptimo basado en confiabilidad necesita
herramientas computacionales en las que se programen todos los métodos existentes
9
ICIV 200410 43 Capítulo 1 – Confiabilidad Estructural
para el cálculo de probabilidad y debe contar con algún tipo de inteligencia artificial para
lograr seleccionar de manera adecuada el método necesario para cada problema.
Si bien el cálculo de la función de probabilidad teniendo en cuenta todas las
variables involucradas es el procedimiento más complicado, el procedimiento de
optimización puede llevar cierta dificultad. En los siguientes capítulos se hace una
aproximación a la función objetivo de la optimización y de los métodos más utilizados para
este análisis en los últimos años.
10
Capítulo 2
Función Objetivo
2.1 Introducción
El diseño en Ingeniería Civil consiste en encontrar los valores de los distintos
parámetros estructurales para garantizar el funcionamiento y economía. El hombre a
través de los años ha estudiado el comportamiento de materiales y sistemas
determinando ecuaciones que relacionan los valores de los parámetros y niveles
requeridos. Pero existe en torno a esta toma de decisiones por las que tiene que pasar
todo ingeniero diseñador una discusión perpetua: “¿cuan seguro es suficientemente
seguro?”. Se puede pensar que poner columnas de dimensiones colosales, capas de
pavimentos extremadamente gruesas, o sobredimensionar estructuras hidráulicas puede
garantizar la vida de sus ocupantes o personas pero existe otra consideración muy
importante a la hora de evaluar un diseño, la economía. Esta es crucial a la hora de
evaluar la viabilidad de una construcción. Ahora bien retomando el tema de que tan
seguro es suficiente se puede replantear esta afirmación como que tan seguro es
económicamente viable.
Los costos de un proyecto se pueden dividir en dos categorías principales, los
costos directos donde se agrupa todos esos costos que implica la construcción, y los
costos indirectos, que entre otros se encuentra los costos de daño y reconstrucción en
caso de falla. Un análisis para verificar la factibilidad de un proyecto debe estar orientado
al costo total, para no sobre diseñar una estructura o en el caso más critico entregar un
diseño que no cumpla las exigencias de funcionalidad requeridas.
Los códigos, criticados por algunos y alabados por otros, tienen ventajas y
desventajas. Una de las principales desventajas y por las cuales la ingeniería moderna ha
enfocado sus esfuerzos en “el diseño óptimo basado en confiabilidad”, es el hecho que
agrupa todas las estructuras en unos pocos grupos. Para lograr hacer esta agrupación
garantizando el buen desempeño de todo el conjunto, en muchas ocasiones el diseño se
realiza por el lado seguro, y aunque su construcción es factible, no resulta
económicamente óptimo. Es entonces donde el concepto de diseño óptimo entra a jugar
un papel muy importante. Los códigos llevan este concepto, junto con el de probabilidad
de falla, muy ligado a sus recomendaciones, pero se ha comprobado que en algunos
casos un análisis independiente a cada estructura sería una fuente de ahorro para el
sector y para el país.
diversas funciones objetivo, pero todas parten de una función básica propuesta por
Rosenblueth y Hasofer [6] en la década de los setenta. Si se agrupan todo los parámetros
de cualquier diseño en un vector denominado p, se puede ver la función objetivo como
una función de utilidad que se quiere maximizar [6].
C (p) = C 0 + ∑ ci ⋅ pi (2.3)
i
12
ICIV 200410 43 Capítulo 2 – Función Objetivo
13
ICIV 200410 43 Capítulo 2 – Función Objetivo
B p f (p)
Z (p) = − C (p) − (C (p) + H ) ⋅ (2.8)
γ 1 − p f (p)
2.4.2 “Fallas cuya ocurrencia está descrita por un proceso de Poisson” [1]
Si las fallas tienen una ocurrencia que obedece a un proceso de Poisson puede
darse por un proceso normal o por la influencia de cargas extremas como terremotos o
terrorismo. Estas últimas de conocen como perturbaciones de Poisson. Para los dos
casos se tienen los dos escenarios de reconstrucción. Para el proceso simple de Poisson
con una ocurrencia de falla λ (t ) la función objetivo con política de abandono una vez
ocurrida la falla es [1]:
B λ (p )
Z (p) = − C (p) − + H ⋅ (2.9)
γ + λ ( p) γ − λ (p )
14
ICIV 200410 43 Capítulo 2 – Función Objetivo
B λ ( p)
Z (p) = − C (p) − (C (p) + H ) ⋅ (2.10)
γ γ
B λ ⋅ p f (p)
Z (p) = − C (p ) − + H ⋅ (2.11)
γ + λ ⋅ p f (p) γ − λ ⋅ p f (p)
B λ ⋅ p f (p )
Z (p) = − C (p) − (C (p) + H ) ⋅ (2.12)
γ γ
2.5 Conclusiones
Existen diversas formas de la función objetivo utilizada para el diseño óptimo
basado en confiabilidad, pero aquella presentada por el profesor Rackwitz y otros
investigadores como el Dr. Sánchez – Silva en donde se introduce el ciclo de vida es de
vital importancia para el futuro de la investigación. La inclusión del ciclo de vida aterriza el
procedimiento de optimización a situaciones económicas que vive cada país. El uso de
estas funciones en lugar de las funciones rudimentarias avala el valor futuro que puede
tener la obra en el momento de la falla.
Por estas razones es recomendable el uso de las funciones de objetivo donde se
incluya el ciclo de vida en el proceso de optimización de estructuras.
15
Capítulo 3
Métodos de Optimización
3.1 Introducción
Las técnicas de optimización se dividen en dos, de acuerdo con el sistema que se
quiera evaluar. Un sistema consta de dos partes, la función objetivo que esta precedida
del objetivo de la optimización (minimizar o maximizar) y las funciones de restricción. Si
ambas partes del sistema están conformadas por funciones estrictamente lineales, se dice
que el problema es de programación lineal. Si por el contrario, alguna de las partes no es
lineal, el problema es de programación no-lineal. En general la optimización estructural no
puede desconocer las propiedades mecánicas, la teoría de la elasticidad, o los métodos
más modernos como los elementos finitos, en los que se basa el análisis estructural. La
combinación de estos resultados, como resultado del análisis, arroja ecuaciones de orden
superior a uno; por lo tanto la optimización estructural, debe recurrir usualmente a
métodos de programación no-lineal.
Varios paquetes computacionales como MATLAB, MATHCAD, Microsoft Excel,
entre otros, contienen bibliotecas o programas para resolver problemas de optimización
no-lineales. Sin embargo en algunas ocasiones la ecuación objetivo es tan compleja que
los programas de cómputo no son capaces de resolverlos; y es en estos casos que es
necesario recurrir a los algoritmos de los métodos y de ser posible elaborar un programa
que se adapte perfectamente al problema al que se esta enfrentando.
Los métodos utilizados varían mucho con respecto al grupo de investigación y al
problema que se quiere tratar. Los más utilizados en problemas estrictamente de
optimización basada en confiabilidad estructural, son:
• El método del Gradiente Reducido
• Programación Sucesiva de Cuadrados ó Aproximación por Lagrangiano
Proyectado
Cada uno de ellos se utiliza según el sistema que se quiere evaluar. El algoritmo de
estos se explica en las siguientes secciones.
El vector gradiente de una función ∇f es el vector cuyas componentes son las derivadas
1
17
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
3
En inglés, clousure hace referencia al conjunto formado por los elementos que se encuentran en
las fronteras de un conjunto mayor.
18
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
g i (x) = 0 i∈Ψ
(3.5)
g i (x) > 0 i∉Ψ
{
∆ ( x) = d | ∇ g i ( x ) t d ≥ 0 ∀ i∈Ψ } (3.6)
Este nuevo conjunto toma en cuenta solo las restricciones activas por lo que se
tiene un nuevo lema: D (x) ⊂ ∆ (x) . Desafortunadamente existen situaciones en las que
direcciones incluidas en ∆ no se encuentran en D , sin embargo se ha demostrado que
estas situaciones son puramente matemáticas y no tienen aplicaciones prácticas [3]. Esta
pequeña perdida de generalidad se considera despreciable y para formular las
condiciones KKT, se tiene que D (x) = ∆(x) en especial para el punto óptimo:
{
∇f (x*) t d ≤ 0 ∀ d ∈ ∆(x*) = d | ∇g i (x*)t d ≥ 0 ∀ i ∈ Ψ (x*) } (3.8)
∇f (x*) + ∑ λi ∇g i (x*) =0
(3.9)
i∈Ψ ( x*)
Maximizar : f (x)
(3.10)
Sujeto a : g i (x) ≥ 0 i ∈ [1, m]
19
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
Este teorema con solo estas tres condiciones ha demostrado ser insuficiente en
algunas ocasiones [3]. Por esta razón se cuenta con un teorema adicional que se conoce
como el teorema de “suficiencia4”. Este agrega características especiales que deben tener
las funciones en el problema P para que se cumplan las condiciones propuestas por el
teorema KT. Tanto la función f como las funciones g’s deben ser diferenciables,
adicionalmente la función objetivo, f, debe ser pseudo-cóncava y las restricciones, g’s,
deben ser cuasi-cóncavas. Esto garantiza que la región factible Π sea convexa. Este
teorema de condiciones necesarias extras que deben cumplir las función f y g’s hace que
las condiciones tomen el tercer nombre y sean actualmente conocidas como Karush –
Kuhn – Tucker [2].
Finalmente se debe tener en cuenta que las condiciones KKT pueden tener en
cuenta las restricciones de igualdad explicadas en la sección anterior, para el caso se
convertirían en restricciones activas en el punto óptimo. Si se modifica el problema P a:
Maximizar : f (x)
Sujeto a : g i (x) ≥ 0 i ∈ [1, m] (3.11)
Sujeto a : hi (x) = 0 i ∈ [1, l ]
20
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
máximo o mínimo. Sin embargo en algunas ocasiones cuando las funciones no son
polinómicas (pueden ser exponenciales, logarítmicas entre otras) la solución analítica es
difícil de encontrar. Además, cuando las restricciones son numerosas también complica
de manera considerable el despeje.
La demostración de la metodología de los multiplicadores de Lagrange, puede
hacerse de manera algebraica, o de manera geométrica, esta última limitando el espacio
a 3 dimensiones, pero facilitando se compresión. Por esta razón se mencionan a
continuación a las dos metodologías.
Minimizar: f ( x1 , x 2 , x3 )
Sujeto a: h1 ( x1 , x 2 , x3 ) = 0 (3.13)
h2 ( x1 , x 2 , x3 ) = 0
Si se supone que existe una solución factible para el problema (3.13), las superficies
formadas por las restricciones h1 y h2 forman una curva, C, en el espacio tridimensional.
Curva que se puede ver en cualquier ejes coordenados, pero por conveniencia se
muestra (Figura 3.1) proyectada en el plano de los ejes de x1 y x2. Se puede ver que al
manejar restricciones de igualdad es necesario tener una restricción menos que el
número total de variables que ya si se igualan, la intersección no sería una curva sino un
punto, y la solución del problema estaría dada al resolver es sistema de ecuaciones
planteadas en las restricciones.
La solución del sistema (3.13), puede encontrase explorando los valores k, tal que
f(x1; x2; x3) = k, encontrando el punto optimo cuando el valor de k sea máximo. Es
fácilmente demostrable que la superficie formada por f(x1; x2; x3) = kmax es tangente a la
curva C, en P = (x1,opt,x2,opt). El vector gradiente de la función f es perpendicular a la
21
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
misma, y por la propiedad de tangencia que existe entre la curva C y esta función,
también es perpendicular a C. Ahora bien, si se organiza el proceso comenzando por la
intersección de las superficies formadas por f(x1; x2; x3) = k y cualquiera de las
intersecciones se puede ver que el gradiente de las restricciones cumple a su vez la
perpendicularidad con C y f. En otras palabras se dice que los vectores gradientes de las
funciones involucradas en el sistema (3.13), son linealmente dependientes en P, por lo
que existen α1, α2 y α3 pertenecientes a ℜ , no todos 0, tal que:[3]
Dado que las dos superficies de las restricciones se interceptan para la formar la
curva C, sus gradientes también deben interceptarse por lo que no existe otro resultado
que α 2 ∇h1 + α 3∇h2 = 0 [3], para satisfacer la ecuación (3.14) por lo que α 1
necesariamente debe ser distinto de 0, y por lo tanto se puede dividir esta ecuación por
este valor. Si se definen los multiplicadores de Lagrange como λ1 = −α 2 / α 1 y
λ2 = −α 3 / α1 , se puede volver a escribir la ecuación (3.14) como:
∂f ∂h ∂h
− λ1 ⋅ 1 − λ2 ⋅ 2 = 0
∂x1 ∂x1 ∂x1
∂f ∂h ∂h
− λ1 ⋅ 1 − λ2 ⋅ 2 = 0 (3.16)
∂x 2 ∂x 2 ∂x 2
∂f ∂h ∂h
− λ1 ⋅ 1 − λ2 ⋅ 2 = 0
∂x3 ∂x3 ∂x3
Las ecuaciones de la restricciones del sistema (3.13), dan las otra dos ecuaciones
para completar el un sistema de 5 ecuaciones con 5 incógnitas. Si estas ecuaciones son
lineales, se encuentra una única solución, pero si no son lineales se encuentran varias
soluciones, entre ellas el máximo global o mínimo global, que se esta buscando. Para
otras combinaciones de número de variables y número de restricciones no es necesario
memorizarse las ecuaciones a resolver, para esto se cuenta con la función Lagrangiana, y
el sistema esta dado por las derivadas parciales con respecto a los x y a los λ igualadas a
cero, se obtienen todas las ecuaciones necesarias incluidas las restricciones.
22
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
Minimizar: f ( x)
(3.18)
Sujeto a: hi ( x) = b1 ∀i ∈ [1, m ]
⎛ m ∂f ∂g k ⎞ ∂f
⎜∑ ⋅ ⎟+ =0 ∀j ∈ [m + 1, n] (3.20)
⎜ ∂x k ∂x j ⎟ ∂x j
⎝ k =1 ⎠
Así mismo las restricciones, que son funciones de las n variables se pueden
expresar en función del vector x) , y aplicando la misma metodología de la regla de la
cadena que se uso con la función objetivo, se tiene (3.21) que a diferencia de su
semejante con la función objetivo no solo se cumple en el punto óptimo, si no en sus
vecindades.
⎛ m ∂hi ∂g k ⎞ ∂g i ∀j ∈ [m + 1, n]
⎜∑ ⋅ ⎟+ =0 (3.21)
⎜ ∂x k ∂x j ⎟ ∂x j
⎝ k =1 ⎠ ∀i ∈ [1, m]
23
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
m
∂hi (x o ) ∂f (x o )
∑ λi = ∀i ∈ [1, n] (3.22)
i =1 ∂x j ∂x j
Dado que desde el principio se definió la matriz Jacobina como invertible, se puede
demostrar que los valores de los distintos multiplicadores son iguales para todas las
variables. Por ende se tiene nuevamente la función Lagrangiana como base para
encontrar la solución óptima de cualquier sistema, ya sea lineal o no-lineal. Con la
derivación algebraica se pueden incluir restricciones de desigualdad transformando las de
igualdad al aumentar el número de variables. Es decir si una expresión necesariamente
tiene que ser menor que cierto número dado, es equivalente a decir que esta expresión
más nueva variable elevada al cuadrado es igual a dicho número. Como la explicación
algebraica no nos obliga a quedarnos en un solo espacio, es factible hacer este cambio y
plantear las derivadas parciales del Lagrangiano incluida la correspondiente a esta nueva
variable y realizar todo el procedimiento.
Minimizar: f ( x)
Sujeto a: Ax = b (3.23)
x≥0
24
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
respectivamente. Nótese que la posición de los vectores en el vector total vario con
respecto a la posición que se estaba llevando hasta el momento. Esto es porque el que
define la posición de los vectores y las matrices B y N es el conjunto de índices de los m
mayores partes de x, en cada posición de la parte básica y la parte no básica es la
misma, pero esta varia al comenzar cada nuevo ciclo.
Antes de entrar al algoritmo es necesario definir un último vector denominado
gradiente reducido, finalmente es el que le da nombre al método. El gradiente reducido
es:
6
La solución óptima corresponde al punto de las condiciones KKT.
25
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
locales. Se tiene ahora que xk+1 = xk + λdk, y se vuelve al segundo paso haciendo k
= k + 1.
⎡ x1 ⎤ ⎡ b1 ⎤
⎡ a11 a12 a13 a14 ⎤ ⎢ x 2 ⎥ ⎢b2 ⎥
⎢a ⋅⎢ ⎥ = ⎢ ⎥ (3.25)
⎣ 21 a 22 a 23 a 24 ⎥⎦ ⎢ x3 ⎥ ⎢b3 ⎥
⎢ ⎥ ⎢ ⎥
⎣ x 4 ⎦ ⎣b4 ⎦
26
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
n n n
Minimizar: ∑ c j x j + ∑∑ c jk x j xk
j =1 j =1 k =1
Sujeto a: n (3.26)
∑ aij x j = bi , ∀ i ∈ [1, m]
j =1
xj ≥ 0 ∀ j ∈ [i, n]
donde aij, bij y cij ∈ ℜ . La formulación de la función objetivo es tal, que esta incluye
los cuadrados de las n variables y las combinaciones cuadráticas entre ellas. Además se
incluyen las variables en su forma lineal. El sistema (3.26) tiene n variables y m
restricciones, y resulta general si se tiene en cuenta las siguientes variaciones [3]:
a. La minimización de una función puede verse como la maximización de la función
multiplicada por -1.
max( f (x)) = min(− f (x))
b. Restricciones de desigualdad, pueden incluirse al adicionar una variable no
negativa a la restricción en cuestión.
a⋅x ≤ b ⇒ a⋅x − y = 0 ∧ y ≥ 0
c. Si existen variables sin restricción de negatividad, estas se pueden remplazar por
dos variables restringidas de tal modo la variable remplazada sea la resta de las
nuevas variables.
xi → sin restricción
Se remplaza por : xi = xiA − xiB
xiA ≥ 0 ∧ xiB ≥ 0
Haciendo uso del álgebra lineal y para comprimir un poco la expresión (3.26), esta
se puede escribir de la siguiente manera:
1
Minimizar: ct x + xt D ⋅ x
2
(3.27)
Sujeto a: A⋅x = b
x≥0
d jj = 2 ⋅ c jj ∀ j=k
(3.28)
d jk = d kj = c jk ∀ j<k
27
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
A·x + y = b
− D·x − A t λ + ν = c
xt ν = 0 (3.29)
λt y = 0
x, y , λ, ν ≥ 0
⎡0 − A⎤ ⎡b ⎤ ⎡y ⎤ ⎡λ ⎤
M=⎢ t ⎥ ; q = ⎢ ⎥; w = ⎢ ⎥; z = ⎢ ⎥ (3.30)
⎣A D ⎦ ⎣c ⎦ ⎣ν ⎦ ⎣x ⎦
w − Mz = q, w t z = 0, (w, z) ≥ 0 (3.31)
w − Mz = q
w j ≥ 0 , z j ≥ 0 ∀ j ∈ [1, p ] (3.32)
w j x j = 0 ∀ j ∈ [i, p ]
28
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
w − Mz − 1z 0 = q
w j ≥ 0 , z j ≥ 0 ∀ j ∈ [1, p ]
(3.33)
w j x j = 0 ∀ j ∈ [i, p ]
z0 ≥ 0
qr ⎧q ⎫
= min ⎨ i : d is > 0⎬ (3.34)
d rs ⎩ d is ⎭
7
Este procedimiento se explica en la nota sobre el algoritmo del Método de Gradiente Reducido.
Pagina 25.
29
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
3. Dado que la variable que entra a la base es ys y la variable que sale de la misma
es z0 se pivota por última vez con respecto a la fila r y la columna s, produciendo la
solución al sistema lineal complementario. Se detiene el algoritmo.
4. La variable que sale de la base corresponde a la fila r es un w o un z diferenta a la
que corresponde a la fila ys, que precisamente es la variable que entra. Se pivota
de acuerdo a la fila r y la columna s, y de define la nueva variable ys dependiendo
de la variable que dejó la base. Si r correspondía a wk, ys = zk y si r correspondía a
zk, ys = wk. Se vuelve al paso 2 con esta nueva variable.
5. El algoritmo para con una terminación rayo. Se debe encontrar un rayo
R = {(w , z , z 0 ) + λd : λ ≥ 0}
tal que en cada punto de estos se satisfaga (3.33). Esta entonces es una solución
quasi-complementaria asociada a la última tabla, y d es la dirección extrema teniendo un
1 en la fila correspondiente a ys.
Minimizar: f (x)
(3.35)
Sujeto a: hi (x) = 0 ∀ i ∈ [1, m]
Por los multiplicadores de Lagrange se sabe que una solución de este sistema debe
cumplir:
l
∇f (x) + ∑ λi ∇hi (x) = 0
i =1 (3.36)
hi (x) = 0 ∀ i ∈ [1, m]
Ahora bien, este sistema de ecuaciones se puede escribir de manera más compacta
como W(x, λ), por el método de Newton – raspón se puede minimizar una función en la
cual (3.36) represente la condición de primer orden que iguale el gradiente a cero [2]. Por
8
A la programación cuadrática sucesiva se le llama SQP por las siglas del método en inglés:
Sequential Quadratic Programming
30
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
lo tanto dada una solución de la primera iteración, (xk, λk), se puede encontrar la segunda
iteración resolviendo la aproximación de primer orden:
⎡x − x k ⎤
W ( x k , λ k ) + ∇W ( x k , λ k ) ⎢ ⎥=0 (3.37)
⎣λ − λ k ⎦
⎡∇ 2 L(x k ) ∇h(x k ) t ⎤
W (x k , λ k ) = ⎢ ⎥ (3.38)
⎣⎢ ∇h(x k ) 0 ⎦⎥
Ahora bien, si existe la solución para el sistema planteado, este se puede resolver
para (d, λ) = (dk, λk+1), y hacer xk+1 = xk + dk. Se incrementa k hasta encontrar d = 0. Una
vez estudiada la programación cuadrática en la sección anterior, se puede establecer u
sub-programa que pueda resolver con esta clase de programación y cuyo mínimo
represente las mismas condiciones de (3.39). Se identifica la programación cuadrática
como QP, por sus siglas en inglés, para diferenciarlo del sistema original (3.35) [2].
QP(xk, λk):
1
Minimizar: f ( x k ) + ∇f ( x k ) t d + d t ∇ 2 L( x k )d (3.40)
2
Sujeto a: hi (x) + ∇hi (x) d = 0 ∀ i ∈ [1, m]
t
31
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
QP(xk, λk):
1
Minimizar: f ( x k ) + ∇f ( x k ) t d + d t ∇ 2 L( x k )d
2 (3.41)
Sujeto a: hi (x) + ∇hi (x) t d = 0 ∀ i ∈ [1, m]
g i (x) + ∇g i (x) t d ≤ 0 ∀ i ∈ [1, l ]
32
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
q k q tk Bk pk pk Bk
B k +1 = B k + −
q tk p k p tk B k p k
Donde: p k = x k +1 − x k
(3.42)
q k = ∇L' (x k +1 ) − ∇L' (x k )
m l
∇L' (x) = ∇f (x) + ∑ λ( k +1)i ∇hi (x) + ∑ν ( k +1)i ∇g i (x)
i =1 i =1
⎡ l m ⎤
FE (x) = ( f (x) + µ ⎢∑ max{0, g i (x)} + ∑ hi (x) ⎥
⎢⎣ i =1 i =1 ⎥⎦ (3.43)
Donde: µ ≥ max{ν 1 ,L ,ν l , λ1 ,L , λ m }
9
En inglés es llamada Merit Funtion o función mérito, pero la traducción más apropiada es ventaja
y no mérito.
33
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
34
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
Minimizar: f ( x, y ) = x 2 + y 2
(3.44)
Sujeto a: h( x, y ) = y 3 + x 2 + x ⋅ y − 100 = 0
Gradientes: ⎛ 2x ⎞ ⎛ 2x + y ⎞
∇f ( x, y ) = ⎜⎜ ⎟⎟ ∇h( x, y ) = ⎜⎜ 2 ⎟⎟
⎝2y⎠ ⎝2y + x⎠
Hessianas: ⎛ 2 0⎞ ⎛2 1 ⎞
∇ 2 f ( x, y ) = ⎜⎜ ⎟⎟ ∇ 2 h( x, y ) = ⎜⎜ ⎟⎟
⎝ 0 2⎠ ⎝1 6y⎠
35
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
⎛ 2 + 2λ λ ⎞
∇ 2 L( x, y , λ ) = ⎜⎜ ⎟
⎝ λ 2 + 6· y·λ ⎟⎠
Primera Iteración
La primera solución dual propuesta es: x1 = 0.50, y1 = 4.60 y λ1 = 0.00. Con esta se
puede calcular la matriz Hessiana del Lagrangiano, y sus eigenvalores:
⎛ 2 0⎞ ⎛ 2⎞
∇ 2 L( x1 , y1 , λ1 ) = ⎜⎜ ⎟⎟ eigenvalores(∇ 2 L) = ⎜⎜ ⎟⎟
⎝ 0 2⎠ ⎝ 2⎠
Como los valores propios de la matriz, para esta iteración fueron positivos, la matriz
esta definida positiva, por lo que no es necesario aproximarla por métodos Quasi-Newton,
o lo que es lo mismo se dice que B1 = ∇ 2 L( x1 , y1, λ1 ) . Para poder armar el sistema lineal
complementario es necesario calcular los valores de los vectores gradientes de las dos
funciones en este punto, y el resultado de la función h, este último se conoce de ante
mano ya que es con esta restricción que se obtienen los valores de la primera iteración.
h(x,y) = 0 para cualquier iteración .
⎛ 5.60 ⎞ ⎛ 1.00 ⎞
∇h( x1 , y1 ) = ⎜⎜ ⎟⎟ ∇f ( x1 , y1 ) = ⎜⎜ ⎟⎟
⎝ 64. 03 ⎠ ⎝ 9. 20 ⎠
36
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
⎛ − 0.14 ⎞
solución ⎜ ⎟
z = ⎜ − 0.10 ⎟
⎜ 0.01 ⎟
⎝ ⎠
Segunda Iteración
Con: x2 = 0:40, y2 = 4:61 y λ2 = –0.14, se calcula la matriz Hessiana del Lagrangiano
y sus valores propio. Es importante resaltar que en esta ocasión la función de ventaja no
tuvo mayor implicación sobre los valores de la segunda iteración, estos resultaron siendo
los valores de la iteración anterior sumados con las direcciones halladas.
Como estos valores no son todos positivos es necesario hacer una aproximación B2
que en esta ocasión no es igual a ∇ 2 L( x 2 , y 2 , λ 2 ) , para esto se sigue una aproximación
quasi – Newton (página 32). Esta matriz, junto con los otros valores necesarios se
encuentran a continuación.
37
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
38
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
39
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
3.8 Conclusiones
La Programación Cuadrática Sucesiva es el método de programación no – lineal
más completo ya que permite la solución de sistemas en las que tanto la función objetivo
como las restricciones pueden ser funciones lineales o no. La gran conclusión que se
40
ICIV 200410 43 Capítulo 3 – Métodos de Optimización
obtiene del trabajo desarrollado en este capítulo es que siento el problema del cálculo del
índice de confiabilidad un problema de optimización no – lineal, SQP puede convertirse en
una gran solución que puede abarcar cualquier función de estado límite. Se pudo
demostrar con un ejemplo numérico que al ser la función de estado límite extremamente
no lineal FORM puede presentar errores de gran magnitud, mientras que el algoritmo de
SQP no los presenta.
El estudio de los métodos de optimización no solo permitieron el avance de un
algoritmo para un futuro programa que se enfrente a problemas de optimización sino que
permitió descubrir una nueva técnica para el problema de confiabilidad no utilizado para
este fin.
41
Capítulo 4
Ejemplo Práctico: Losa Armada en Una Dirección
4.1 Introducción
La estructura o “súper estructura” como es llamada en el caso de los puentes, es el
esqueleto de las edificaciones. Esta puede estar constituida por concreto reforzado, metal,
madera, mampostería o combinaciones entre ellas. Cuando un ingeniero diseña la
estructura toma la decisión acerca de que material usar de acuerdo no solo al diseño
arquitectónico sino a la economía de la obra. Por esta razón se puede ver más
edificaciones hechas en acero estructural en países productores del material como
Estados Unidos o el norte de Europa y más edificios en concreto reforzado en países
como Colombia y en general todo Suramérica. Varios autores que se han dedicado a
análisis y diseño óptimo basado en confiabilidad han trabajado en estos sistemas
principales, pero pocos se han dedicado a las “sub estructuras” o estructuras secundarias.
Una de las partes de una edificación donde más material es utilizado es en el
sistema de entre pisos, por esta razón es posible afirmar que optimizar las losas
estructurales puede constituir una gran fuente de ahorro en todo el diseño. En este trabajo
se ha escogido optimizar una losa estructural armada en una dirección para ver como se
puede comparar el diseño tradicional de este tipo de sub estructuras, con un diseño
basado en confiabilidad estructural. Cómo función objetivo de la optimización fue escogida
la propuesta de Rackwitz presentada en el Capítulo 2.
Para poder realizar el cálculo de la ecuación de probabilidad de falla, necesario para
la ecuación de Rackwitz (2.12), se hizo una secuencia de algoritmos en Mathcad, donde
se utilizaron simulaciones de Monte Carlo para el cálculo de esta variando sólo una
variable o variando todas las variables. Con el cálculo individual de cada se hicieron
iteraciones en para encontrar la respuesta a la optimización. Posteriormente con una
buena base de datos (cálculo variando todas las variables) se analizaron las distintas
variables para ver cuales de ellas tiene trascendencia en la probabilidad de falla. Una vez
depurada un poco la base de datos, se usó el programa SPSS para Windows, para
realizar una regresión múltiple y encontrar la ecuación pf(p).
La optimización se realizó con los métodos estudiados en el Capítulo 3, y por último
se analizaron los resultados y se compararon con el diseño que se obtiene
tradicionalmente. En las siguientes secciones se explica a mayor detalle cada paso del
procedimiento.
mostrada en la Figura 4.1 hace parte de un sistema de entre piso que tiene paneles iguales
al mostrado en ambos sentidos en un número suficiente para poder asegurar que tanto
vigas principales como viguetas se encuentran empotradas. Ya sea por diseño
arquitectónico, por ubicación de la estructura principal del edificio o por cualquier otro
motivo las distancias B y H no hacen parte de la optimización y son constantes. Más
adelante se presentarán todos los parámetros y sus características. Como se muestra en
la figura B es la longitud de la losa paralela a las viguetas y H es la medida perpendicular
a las mismas. Esta nomenclatura es puramente ilustrativa para este ejemplo y en algunos
de los casos puede variar con la utilizada en la práctica. Los valores utilizados son:
B = 8m
(4.1)
H = 5m
43
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Una vez tenida la geometría de la losa es necesario ver que solicitaciones tiene.
Normalmente las losas no hacen parte del sistema estructural de una edificación su
función es soportar el sistema de entre piso y lograr garantizar diafragma rígido. Para este
caso no se va a tener en cuenta las restricciones que se generan para garantizar este tipo
de diafragma, suponiendo que el diseño del esqueleto estructural puede también ser
diseñado con dia-fragma flexible o semi-rígido. Por último en las propiedades geométricas
se deja un recubrimiento de 7 cm.
En el diseño de losas estructurales no actúan fuerzas horizontales, por lo que sólo
recibe solicitaciones de carga viva y carga muerta. La losa hace parte de una edificación
tipo vivienda, y solo tiene como carga muerta los acabados, los muros divisorios y el peso
propio. Un avalúo preliminar que se acomoda a los objetivos de este trabajo sería:
44
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Para calcular las áreas de acero que se utilizan en el diseño tradicional tanto para el
momento positivo máximo y el momento negativo máximo se utilizó una resistencia del
concreto de 210 kgf/cm2 y de acero de 4200 kgf/cm2. Al considerar que las viguetas se
encuentran doblemente empotradas, el momento máximo posivo se puede calcular como:
+ w·L2
M = (4.4)
24
Donde w esta dado por la carga última multiplicada por la separación de viguetas. Para
esta carga, el área de acero a utilizar es:
w·L2
M− = (4.6)
12
w·L
V = (4.8)
2
Con este valor de cortante el concreto alcanza a resistir toda la fuerza que se
produce, por lo que se pone área de acero mínima. Cada 25 cm se pone un fleje número
3 en forma de S. Es decir:
Con este mismo procedimiento, calculado los valores por metro de ancho se puede
definir el área inicial del acero de refuerzo de la losa.
45
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Constantes
- Longitud de la losa paralela a las viguetas (B)
- Longitud de la losa perpendicular a las viguetas (L)
- Recubrimiento (R)
Probabilísticas de Diseño
- Altura total de la losa (h)
- Altura torta Superior de la losa (hf)
- Separación entre centroides de las viguetas (s)
Determinísticas de Diseño
- Área de acero viguetas, refuerzo positivo (ASpos)
- Área de acero viguetas, refuerzo negativo (ASneg)
- Área de acero flejes viguetas (por metro lineal) (AV)
- Área de acero torta superior refuerzo positivo
(por metro de ancho) (ALpos)
- Área de acero torta superior refuerzo negativo
(por metro de ancho) (ALneg)
46
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Donde esta vez ci es el costo directo del insumo, ti es el costo de transporte de cada
variable y MO es la mano de obra que depende de todos los parámetros del vector p.
Tanto el transporte y la mano de obra se deben tener en cuenta a la hora de optimizar ya
que pueden representar diferencia sustancial a la hora de escoger las cantidades de obra.
Por ejemplo, en una viga de concreto reforzado pude resultar más económico aumentar la
sección bruta de concreto colocando menos área de acero, manteniendo la probabilidad
de falla igual; pero si esta viga se encuentra en un décimo piso y el transporte no se esta
teniendo en cuenta se puede llegar a cometer un error en la optimización ya que llevar
acero a diez pisos de altura puede ser más económico que transportar concreto. Con la
47
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
VconcretoLosa = B ⋅ H ⋅ hf (4.12)
kg
WaceroLosa = B ⋅ H ⋅ ALpos ⋅ 7.8 × 10 −3 (4.13)
cm 3
Es necesario multiplicar la ecuación por un factor de 10-3 ya que para toda la función
objetivo de la optimización, el valor de las áreas de acero se tiene en cm2 y no en m2.
1
El peso de acero utilizado es lo que finalmente determina su costo.
48
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
VconcretoVigueta = B ⋅ b ⋅ (h − hf ) (4.14)
kg
WaceroLongitudinal = B ⋅ ( ASpos + ASneg ) ⋅ 7.8 × 10 −3 (4.15)
cm 3
Para definir el peso del acero de refuerzo transversal es necesario tener en cuenta
la altura de la vigueta y su recubrimiento. Existe además una dimensión en los ganchos
que se debe aproximar teniendo en cuenta que para viguetas se usan flejas S de un solo
ramal. Si el recubrimiento se denomina como R y la longitud del gancho se aproxima a 4
cm en cada extremo se tiene que el peso esta definido por:
kg
WaceroTransversal = B ⋅ AV ⋅ (h - 2 ⋅ R + 8cm) ⋅ 7.8 × 10 −3 (4.16)
cm 3
El área de acero transversal se expresa por cada metro de viga, por lo que
suponiendo que se tiene el mismo refuerzo a lo largo de toda la viga, este se multiplica
por B. Una vez se tiene todas las cantidades de obra teóricas por cada vigueta es
necesario determinar el número de viguetas que cubre la losa.
H
N Viguetas = −1 (4.17)
s
49
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
(4.17) se tiene la ecuación de costos rudimentaria para la losa del ejemplo propuesto en
este trabajo.
50
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
b λ ⋅ p f (p)
Z (p) = − C (p) − (C (p) + H ) (4.19)
γ γ
λ ⋅ p f (p)
Z * ( p ) = C ( p) + ( C ( p ) + H ) (4.20)
γ
La tasa de descuento γ se toma igual a 0.05 adecuada para la situación actual del
país. Se aclara que es pertinente al aplicar este procedimiento a la práctica hacer un
estudio económico del entorno social y revisar las proyecciones de entidades como
CAMACOL, el Banco de La Republica y Planeación Nacional para escoger la tasa más
adecuada según el tipo de construcción que se vaya a realizar. Por otro lado la tasa de
falla promedio en el proceso de Poisson se puede suponer como 0.1.
4.5.2 Restricciones
Para este tipo de problemas se sugiere que las restricciones se dividan en tres
grupos. Las primeras restricciones son aquellas que aparecen en las etapas anteriores del
procedimiento en este caso la (4.22) que relaciona b con hf. Dado que esta relación no
tiene ninguna explicación en el comportamiento mecánico de la losa y que la variable hf
fue omitida de la función de costos se decide no poner esta dentro de la lista de
restricciones.
El segundo gran grupo de restricciones son aquellas que impone el código. Estas
son de gran importancia porque tienen su origen en el comportamiento físico, en el
laboratorio. En este grupo además se podrían concentrar las restricciones de servicio
(también enunciadas en el código) como la máxima deformación permisible para no
afectar las actividades sobre y debajo de la losa. Para no ampliar el problema de los
51
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
ASpos
1. Cuantía Positiva Mínima: ≥ 0.0033
b ⋅ (h - R)
ASpos
2. Cuantía Positiva Máxima: ≤ 0.016
b ⋅ (h - R)
ASneg
3. Cuantía Negativa Mínima: ≥ 0.0033
b ⋅ (h - R)
ASneg
4. Cuantía Negativa Máxima: ≤ 0.016
b ⋅ (h - R)
5. Espaciamiento mínimo: s ≥ 50 cm
52
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
manejo individual de cada variable, procedimiento mucho más sencillo que aquel que
maneja todas las variables simultáneamente.
Todas las variables geométricas tienen una desviación relativamente baja, tan sólo
el 0.5 %. Esto se debe a que con las técnicas de construcción con las que se cuenta
actualmente se pueden conseguir mediciones casi exactas en las formaletas y por ende
en las variables geométricas de diseño. La única variable que tiene una desviación
estándar un poco mayor es la altura de la vigueta. Como se anticipó esta variable no tiene
involucrada sólo sus características de incertidumbre sino que también computa la
incertidumbre del recubrimiento que se fijo como constante.
Aunque los recursos computacionales que consume la simulación por Monte Carlo
son altos, se consideró que este era el mejor método para un acercamiento a la
4
CM: Carga Muerta. CV: Carga Viva.
53
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
complejidad del problema. Una de las dificultades que se tiene con este método es
escoger el número correcto de simulaciones para que la probabilidad de falla de un valor
coherente. Con varias filas de la matriz que contiene todos los datos se hizo el cálculo a
distinto número de iteraciones y todas arrogaron el mismo resultado. Para diez mil
(10000) iteraciones la probabilidad de falla converge y tiene un error de 0.001, dada la
incertidumbre y la manera como se han manejado las desviaciones no es necesario
contar con un mayor nivel de exactitud. Los resultados para solo unos valores de medias
(una fila) se muestran el la Figura 4.3.
54
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
El siguiente parámetro que entro en el análisis fue el área de acero de refuerzo para
el momento negativo este parámetro también presento un gran cambio. El nuevo valor
que entra al proceso iterativo es 4.104 cm2. Las gráficas respectivas a pf(ASneg) y
Z(ASneg) se presentan a continuación.
55
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Dado que las áreas de acero han sido modificadas, en las dos ocasiones se ha
aumentado, las variables que describen la cantidad del concreto la altura total de las
viguetas y el ancho de las mismas disminuyó. Para el caso de esta segunda variable la
gráfica de probabilidad de falla muestra que a partir de cierta medida esta de torna casi
cero y solo hasta después de 20 centímetros, probablemente por el aumento de peso, la
probabilidad de falla vuelve a crecer. Por esta razón no es impredecible el resultado de la
optimización se ajuste a la restricción mínima de esta medida. El ancho de la vigueta final
de la optimización que se consigue en la primera iteración es de 10 cm. Este resultado se
56
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
puede ver en las gráficas de las figuras Figura 4.15 y Figura 4.16. Por otro lado la altura
total de la viga debe ser de 51.3 cm.
57
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Por otro lado el refuerzo transversal de las viguetas no representa ningún efecto en
el análisis de optimización por confiabilidad y es necesario siempre poner el mínimo
refuerzo establecido por la norma.
5.13
10
8.5
1.152 1.152
2.702
Segunda
Iteración
4.925
46.17
9.164
3.783
Iteración
Tercera
5.91
43.94
FINAL 3.405 80 3.42 43.94 10 9.164 1.152 1.152
58
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Æ No existe cambio.
Mientras que la probabilidad de falla del diseño tradicional es de 0.038, con los
valores del diseño óptimo esta se reduce. Lo interesante es ver que no solo el costo
directo (C) se reduce sino que la probabilidad falla se vuelve casi nula. El costo de la
función rudimentaria propuesta para este modelo se reduce en un 44% con respecto al
resultado del diseño tradicional.
59
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
100000 filas todas las posibles combinaciones que se podrían llegar a tener si las
variables toman los valores que aparecen en la
60
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
en el extremo de la
misma.
Una vez completa la matriz con los datos de las medias de las variables de diseño y
todas las posibles combinaciones de estas de acuerdo con la Tabla 4.6 se debía calcular
la probabilidad de falla.
Con 10000 iteraciones por cada combinación de medias y exactamente 101376
combinaciones el algoritmo presentado en el Apéndice B, con el que se calcularon igual
número de probabilidades de falla el programa demoró aproximadamente 15 horas en
correr. Desafortunadamente los recursos computacionales con los que se contaba no
lograban correr la totalidad de simulaciones (10000 x 101376) simultáneamente por lo que
las 15 horas se tornaron en una semana y media dedica a este paso del proceso. Como
se discutirá más adelante este es uno de los mayores problemas de llevar el diseño
optimo basado en confiabilidad a la práctica.
De los 101376 datos ya completos (con su respectiva probabilidad de falla) no todos
eran competentes para elaborar un análisis de regresión y ajustar la función pf(p). La gran
mayoría de datos presentaban valores de pf inútiles tal como 1 o 0. Se descartaron todos
los valores mayores a 0.9 y los valores menores a 0.01. Se sabe que el punto óptimo de
de diseño no se encuentra en los rangos omitidos. Adicional a esto se redujo el tamaño de
la muestra a 2887 líneas lo que garantizaba que el programa utilizado en la regresión no
presentara problemas a la hora de manejar tal cantidad de datos.
Con la muestra ya filtrada se procedió a verificar si todas las variables utilizadas
tienen influencia en la probabilidad de falla. Por ejemplo para ALpos – ALneg los
resultados igualando una sola serie de datos mostraba independencia pero al verificar con
otras dos series se concluyo que si había una dependencia. Igualar una serie de datos
hacer referencia a dejar todos los demás parámetros iguales y ver como varia el
parámetro que se esta evaluando. Los resultaos para el área de acero de refuerzo de la
torta superior se muestran en la siguiente gráfica.
61
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
La única variable con la que la probabilidad de falla mostró total independencia fue
el área de acero de refuerzo transversal de las viguetas En esta ocasión se probaron
todas las series que existían en la muestra y se obtuvo el mismo resultado. En la Figura
4.12 se muestran 4 de estas series y se ve como el comportamiento de pf es constante
independientemente del valor que tome AV mientras los otros valores permanezcan
constantes. Esta variable fue excluida de la regresión y se ajusta a la práctica ya que
generalmente este tipo de viguetas lleva refuerzo transversal mínimo.
Por otro lado una vez reducida la muestra se encontró una relación estrecha entre la
altura de la torta y el ancho de las viguetas. Teóricamente no existe motivo para que estas
variables estén relacionadas, pero cuando una de las variables tomaba un valor
determinado la otra tenía un y solo un valor y cualquiera de las dos cambia la otra hacia lo
propio. En general como tal hf y b se comportaban como se muestra en la Figura 4.13.
Pensando que el ancho de la vigueta podría significar un mayor ahorro en el costo de la
vigueta se dejó esta variable excluyendo la altura de la torta de la regresión con la
posibilidad de asumirla como restricción de tipo igualdad (4.22) en la optimización.
hf = 0.2 x b + 2 (4.22)
62
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
Una vez hechos los cambios el resultado es una muestra de 2887 datos que
contienen todas las posibles combinaciones de variables que afectan de alguna manera la
probabilidad de falla. Se tiene que esta es estrictamente función de 6 variables:
pf = pf(ASpos,s,ASneg,h,b,ALpos) (4.23)
Tabla 4.7. Muestra de las probabilidad de falla contra 6 variables obtenida por
Monte Carlo y ya filtrada.
Aspos s Asneg h b Alpos
pf
(cm^2) (cm) (cm^2) (cm) (cm) (cm)
1 1.33 50 3.75 57.02 15 1.17 0.0138
2 1.66 60 3.09 57.04 15 0.84 0.0127
M M M M M M M M
2886 1.33 50 3.75 56.98 20 0.51 0.3554
2887 1.66 60 3.09 57 15 0.51 0.0125
63
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
5
El error en el algoritmo radica en la inclusión de los factores de seguridad en la ecuación de
estado límite de todos los estados. Para mayor detalle 4.7.4.4.
64
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
65
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
66
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
7
Un R2 bueno debe ser mayor a 0.9. Con este valor ya se podría afirmar que la ecuación que
describe una variable dependiente en función de cualquier otro número de variables tiene un error
mínimo.
67
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
68
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
4.7.3 Resultado
Una vez armado el sistema de optimización, compuesto por la función objetivo
(4.21), y las restricciones de la sección anterior, por los métodos estudiados en este
trabajo se optimizó haciendo uso de Mathcad. Desafortunadamente no se pueden reportar
resultados ya que los recursos computacionales con los que se contaba no fueron
suficientes. Aunque este procedimiento no estaba en el alcance de este proyecto, como
se discutirá en las conclusiones de este ejercicio, este fallo puede mitigar las ganas de
seguir en esta investigación, pero por el contrario da un buen acercamiento al problema al
que nos estamos enfrentando y avivan las ganas de llevar este procedimiento a la
práctica encontrando un algoritmo general para cualquier estructura.
69
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
70
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
tipo de variables se deben introducir o como se deben combinar las mismas. De este
trabajo se puede ver la necesidad de estudiar el tema con detenimiento para poder
determinar la estructura de la ecuación pf(p) para cada caso (losas, pórticos, muros, etc.)
y enfocar los algoritmos en la búsqueda de las constantes de estos modelos y no de todo
el modelo. Es necesario aclarar que se ya se han implementado varias metodologías para
evitar esta disfuncionalidad como el “response surface approach”.
71
ICIV 200410 43 Capítulo 4 – Ejemplo Práctico
posible por la posibilidad de que se requiera, para el ejemplo, refuerzo mínimo pero la
exclusión de la altura de la torta por su dependencia con el ancho de la vigueta no es
clara. No existen hipótesis del comportamiento estructural de una losa que expliquen esta
dependencia por lo que probablemente se deba al error de los factores.
La regresión múltiple, aunque es el método más exacto para encontrar la ecuación
de probabilidad de falla, si no se encuentra una correlación del 90 por ciento mínimo,
puede dar resultados muy inexactos. El error máximo que se tenía entre la probabilidad
de la simulación y la encontrada por medio de la ecuación de la regresión era de 0.2. Este
es bastante amplio si ya que el nivel de exactitud trabajado es de 0.01. Así mismo la
regresión que se tuvo presentaba comportamientos erróneos en dos de las variables. La
regresión utilizó la altura total de la losa y el ancho de las viguetas para ajustarse y no
representaba la realidad. De presentarse este error máximo en la zona cerca al óptimo el
proceso de optimización no sería confiable pero si demuestra que los errores de cierta
importancia ocurren fuera la zona de influencia del punto óptimo el procedimiento es
completamente válido.
72
Capítulo 5
Conclusiones
Constantes Necesarias
Para garantizar la convergencia del programa es necesario contar con la tolerancia que
de quiere tener en el momento de la solución. Para mayor explicación al respecto dirigirse
a 3.7. La otra constante necesaria es el límite de variables que puede llegar a tener la
función de estado límite. Existe una subrutina que determina cuantas variables se están
usando, pero es necesario que esta función recorra un número determinado de posibles
variables: 1 – LIMITEVAR
Número de Variables
La función a continuación lee el número de variables que entran en la función. Con esta
no es necesario pedir al usuario la cantidad de variables que se están usando. Para
Mathcad, queda en N este número y se puede solicitar desde cualquier otra rutina.
ICIV 200410 43 Apéndice A – Cálculo β con SQP
Función Objetivo
Dado que la función objetivo tiene la misma forma para cualquier número de variables, es
posible armarla de acuerdo al resultado de la función que identifica el número de
variables.
75
ICIV 200410 43 Apéndice A – Cálculo β con SQP
76
ICIV 200410 43 Apéndice A – Cálculo β con SQP
77
ICIV 200410 43 Apéndice A – Cálculo β con SQP
Primera Iteración
Una caracteristica de ls función h(x) (función de estado limite) es que se encuentra
igualada a cero, por lo que por el método de Newton – Raphson se puede encontrar la
primera iteración del algoritmo.
78
ICIV 200410 43 Apéndice A – Cálculo β con SQP
Valores Propios
Esta función analiza si los valores propios de una matriz son positivos o no. Devuelve 1 si
lo son y 0 de lo contrario. La función funciona sin importar el número de variables, pero
depende de la existencia en la biblioteca matemática del lenguaje de una función que
calcule los eigenvalores.
Aproximación B
Al igual que la función anterior, la función que tiene la primera aproximación cuando los
valores propios de la matriz original son distintos de cero, depende de una función en el
lenguaje que calcule los eigenvalores. La función que actualiza la matriz para las
siguientes iteraciones no tiene este problema.
79
ICIV 200410 43 Apéndice A – Cálculo β con SQP
Función de Ventaja
Aunque esta función funcione perfectamente en un programa multi – variable, es la única
función que todavía usa funciones propias de Mathcad ya que no se ha podido ver como
se calcula con cálculo numérico la derivada involucrada.
80
ICIV 200410 43 Apéndice A – Cálculo β con SQP
81
ICIV 200410 43 Apéndice A – Cálculo β con SQP
82
Apéndice B
Algoritmos de Mathcad para el Cálculo de pf de Losas
Matriz de Datos
La siguiente función tiene solo como objetivo llenar una matriz P con todas las posibles
combinaciones de variables que se van a evaluar para el cálculo de la probabilidad de
falla. Esta matriz contiene más de 100000 filas pero puede modificarse para las
necesidades del problema.
84
ICIV 200410 43 Apéndice B – Cálculo pf: Monte Carlo
Cálculo de Probabilidad
Esta función recibe como datos de entrada los índices de la matriz P de las líneas que se
quieran evaluar devolviendo un vector con el mismo número de líneas donde se
85
ICIV 200410 43 Apéndice B – Cálculo pf: Monte Carlo
86
Apéndice C
Cálculo de β en Mathcad con FORM multivariable
88
ICIV 200410 43 Apéndice C – Cálculo β con FORM
89
Bibliografía