Ensayo CPT

UNIVERSIDAD DE LOS ANDES
DEPARTAMENTO DE INGENIERIA CIVIL Y AMBIENTAL

MAGÍSTER EN INGENIERÍA CIVIL
MIC-2002-II-19
METODOLOGÍA CON REDES NEURONALES PARA LA CLASIFICACIÓN DE

SUELOS POR MEDIO DE SONDEOS DE CPT
ANA CRISTINA GUTIÉRREZ GONZÁLEZ
Asesor: ARCESIO LIZCANO PELAEZ
SANTAFE DE BOGOTA, ENERO DEL 2002

MIC 2002-II-19
Metodología con redes neuronales para la clasificación de suelos por medio de sondeos de CPT
TABLA DE CONTENIDO
OBJETIVOS 9
INTRODUCCIÓN 9
1. CLASIFICACIÓN DE SUELOS 13
1.1. Suelos Granulares 14
1.2. Suelos de grano fino 14
2. ENSAYO DE PENETRACIÓN ESTÁTICA - CPT 17
2.1. Utilidad del ensayo 18
2.2. Historia del ensayo 19

2.2.1. Penetrómetro mecánico 19
2.2.2. Penetrómetros eléctricos 21
2.2.3. Piezocono 23
2.2.4. Historia del ensayo en Colombia 24
2.3. Descripción del equipo utilizado 26

2.3.1. Penetrómetro de cono y piezocono 26
2.3.2. Equipo de empuje 28
2.3.3. Sistema de recolección de datos 29
2.4. Metodología de Ensayo 29

2.4.1. Preexcavado 29
2.4.2. Verticalidad 30
2.4.3. Velocidad de penetración 30
2.4.4. Intervalo de lecturas 30
2.4.5. Saturación del piezocono 30
2.4.6. Ensayo de disipación 31
Ana Cristina Gutiérrez González 1

MIC 2002-II-19
2.5. Problemas que pueden surgir durante el ensayo 32

2.5.1. Fuerza de reacción excedida 32
2.5.2. Doblamiento en la tubería de empuje 33
2.5.3. Rápido cambio en la inclinación 33
2.5.4. Daño en el equipo 34
2.6. Calibración de sensores 34
2.7. Mantenimiento 36
2.8. Análisis de resultados 37

2.8.1. Parámetros medidos 37
2.8.2. Parámetros derivados 37
2.8.3. Información adicional 38
3. EXPLORACIÓN DE SUELOS POR MEDIO DE CPT 40
3.1. Estratigrafía 41
3.2. Clasificación de suelos 41

3.2.1. Gráfico de Douglas y Olsen (1981) 42
3.2.2. Gráfico de Robertson (1990) 43
3.3. Estimación de parametros geotecnicos 46

3.3.1. Generalidades acerca del manejo estadístico de datos 46
3.3.2. Generalidades acerca de las teorías más comunes en la estimación de parámetros 54
3.3.3. Estimación de características de estado 58
3.3.4. Estimación de características de esfuerzo 68
3.3.5. Estimación de características de deformación 72
4. GENERALIDADES DE REDES NEURONALES 75
4.1. Implementación electrónica de neuronas artificiales 77
4.2. Partes de la red neuronal 78

4.2.1. Factores de peso 78
4.2.2. Función de suma 79

MIC 2002-II-19
4.2.3. Función de transferencia 79

4.2.4. Escalamiento 79
4.2.5. Función de salida (competencia) 80
4.2.6. Función de error 80
4.2.7. Algoritmo de entrenamiento 80
4.3. Operaciones de la red neuronal 80
4.4. Entrenamiento de una red neuronal 82

4.4.1. Entrenamiento supervisado 82
4.4.2. Entrenamiento sin supervisión 83
4.5. Selección del tipo de red neuronal 83
5. METODOLOGÍA CON REDES NEURONALES PARA LA CLASIFICACIÓN DE SUELOS POR

MEDIO DE SONDEOS CON CPT 85
5.1. Planteamiento del problema y variables necesarias 86
5.2. ARQUITECTURA DE LA RED 87
5.3. ENTRENAMIENTO DE LA RED NEURONAL 89

5.3.1. Configuración de archivos 89
5.3.2. Procedimiento de entrenamiento 94
5.3.3. Medidas de desempeño 94
5.3.4. Condición de terminación del entrenamiento 95
5.4. RESULTADOS ENCONTRADOS 95

5.4.1. Entrenamiento de la red 95
5.4.2. Comprobación del entrenamiento de la red 97
6. CONCLUSIONES Y RECOMENDACIONES 106
BIBLIOGRAFIA 109

MIC 2002-II-19
INDICE DE FIGURAS
Figura 1.1: Esquema de la distribución de los límites de Attemberg de acuerdo con el comportamiento del
suelo 14
Figura 1.2: Carta de plasticidad de Casagrande (1948) [24] 15
Figura 2.1: Esquema del penetrómetro 17
Figura 2.2: Esquema del penetrómetro desarrollado por P. Barentsen 1932 [41] 19
Figura 2.3: Esquema del penetrómetro con camisa de fricción desarrollado por Begemann 1953. [41] 20
Figura 2.4: Esquema del penetrómetro mecánico [41] 21
Figura 2.5: Penetrómetro eléctrico de cono, desarrollado por Fugro [31] 22
Figura 2.6: Esquema del penetrómetro mecánico desarrollado por CEBPT en París (1966) [41] 23
Figura 2.7: Probeta utilizada para la medición de poros desarrollada por Wissa 1974 [31] 24
Figura 2.8:Diseño de penetrómetros de cono. a) Resistencia por punta y fricción medidas con las celdas en
comprensión, b) Celda de carga de la resistencia por punta a compresión y celda de carga de la fricción
en tensión y c) Una sola celda de carga a compresión 26
Figura 2.9: Detalle del diseño y terminología del piezocono 27
Figura 2.10: Ubicación del filtro dentro del piezocono 28
Figura 2.11: Correlación entre el contenido de finos y el tiempo para alcanzar el 50% de disipación. Robertson
1992 [44] 32
Figura 2.12: Registro de CPT afectado por inclinación en la tubería de empuje. [41] 34
Figura 2.13: Definición de las características de calibración. Schaap y Zuidberg 1982. [41] 36
Figura 3.1: Gráfico de clasificación de Douglas y Olsen 1981 [41] 42
Figura 3.2: Gráfico de clasificación simplificado presentado por Olsen 1984. (qcl, en tsf o bar) 43
Figura 3.3: Gráfico de Clasificación presentado por Robertson 1990 [43] 45
Figura 3.4: Histograma para la resistencia a la penetración [31] 50
Figura 3.5: Análisis de regresión lineal 51
Figura3.6: Análisis de regresión lineal, variación constante con la profundidad (z) 51
Figura3.7: Análisis de regresión lineal, variación no constante con la profundidad (z) 51
Figura 3.8: Variación espacial de una propiedad del suelo. [31] 52
Figura 3.9: Funciones comunes de autocovarianza: a) Exponencial, b) Exponencial cuadrática y c) esférica 53

MIC 2002-II-19
Figura 3.10: Mecanismos de falla asumidos [58] 55

Figura 3.11: Conjunto de líneas de falla para análisis de la penetración del cono [58] 56
Figura 3.12: Relaciones entre la cavidad de expansión y la resistencia a la penetración del cono [58] 57
Figura 3.13: Peso unitario a partir del CPT (Larsson y Mulabdic, 1991) 58
Figura 3.14: Estimación de OCR y Ko (Andresen 1979) 59
Figura 3.15: Aproximación del OCR a partir de qt vs. profundidad [31] 60
Figura 3.16: Correlaciones empiricas para OCR vs. parámetros de CPTU normalizados [31] 62
Figura 3.17: Correlación para OCR <10 presentada por Sully 1988 [31] 63
Figura 3.18: Resumen de los resultados obtenidos por Mayne 1991, para la obtención del OCR [31] 64
Figura 3.19: Resultados de OCR medidos y estimados en diferentes tipos de arcillas [31] 65
Figura 3.20: Estimación de Ko a partir de datos de CPTU Kulhawy y Mayne 1990 [31] 66
Figura 3.21: Diferencia de la presión de poros PPSV vs. Ko, Sully y Campanella 1991 [31] 67
Figura 3.22: Relación propuesta para fs, OCR y Ko, Masood y Mitchel 1990 [31] 68
Figura 3.23: Factor de cono Nke en función de Bq [31] 71
Figura 3.24 Estimación del módulo de elasticidad no drenado, en función de Su y OCR 74
Figura 4.1: Esquema de una neurona 75
Figura 4.2: Neurona artificial 76
Figura 4.3: Modelo de un elemento de proceso 77
Figura 4.4: Diagrama de un red neuronal simple 81
Figura 4.5: Esquema de una red neuronal simple con retroalimentación y competencia 82
Figura 5.1: Esquema de la solución al problema planteado 86
Figura 5.2: Gráfica comparativa del índice de plasticidad para los datos de prueba 98
Figura 5.3: Gráfica comparativa del peso especifico para los datos de prueba 98
Figura 5.4: Gráfica comparativa de la relación de sobreconsolidación para los datos de prueba 99
Figura 5.5: Gráfica de la cohesión no drenada para los datos de prueba 99
Figura 5.6: Variación del Índice de plasticidad y del peso especifico con la profundidad para los datos del
sondeo del Canal Salitre 102
Figura 5.7: Variación del Índice de plasticidad datos canal salitre 103
Figura 5.8: Variación del Peso especifico datos canal salitre 103
Figura 5.9: Variación de la relación de sobreconsolidación datos canal salitre 103
Figura 5.10: Variación de la cohesión no drenada datos canal salitre 104

MIC 2002-II-19
INDICE DE TABLAS
Tabla 1-1: Definición de tamaños de partículas, rangos de tamaños y símbolos según USCS [24] 13
Tabla 1-2: Variables necesarias para clasificar suelos 16
Tabla 1-3: Variables de comportamiento de suelos 16
Tabla 2-1: Capacidad de exploración con CPT según el tipo de suelo para un equipo de empuje de 20 ton.
[41] 18
Tabla 2-2: Capacidad de exploración con CPT según el tipo de suelo para un equipo de empuje de 5 ton. [41]
19
Tabla 3-1: Aplicabilidad del CPT para la estimación de parámetros de geotécnicos [31] 41
Tabla 3-2: Herramientas estadísticas y sus aplicaciones al análisis geotécnico [28] 46
Tabla 3-3: Estimaciones cortas del rango de valores en una población [48] 49
Tabla 3-4: Valores aproximados de Peso Unitario γ 58
Tabla 3-5: Resumen de las soluciones encontradas para suelos cohesivos con la teoría de la capacidad
portante [58] 69
Tabla 3-6: Resumen de las soluciones encontradas para suelos cohesivos con la teoría de la cavidad de
expansión [58] 69
Tabla 3-7: Estimación del módulo volumétrico M, para arcillas por Sanglerat [46] 72
Tabla 4-1: Tipos de redes neuronales 84
Tabla 5-1: Datos provenientes del sondeo y perforación realizados en Onsøy, Noruega 90
Tabla 5-2: Datos provenientes del sondeo y perforación realizados en Lilla Mellösa, Suecia 91
Tabla 5-3: Datos provenientes del sondeo y perforación realizados en Cowden, Inglaterra 91
Tabla 5-4: Datos provenientes del sondeo y perforación realizados en Pentre, Inglaterra 92
Tabla 5-5: Datos utilizados para la calibración de la red neuronal para la variable OCR [31] 93
Tabla 5-6: Datos normalizados utilizados para la clasificación de la red neuronal para la variable OCR 94
Tabla 5-7: Tabla de los resultados encontrados durante el entrenamiento de la red 96
Tabla 5-8: Matriz de pesos de transferencia obtenidos 97
Tabla 5-9: Resultados encontrados para los datos de prueba 98
Tabla 5-10: Errores encontrados en las variables de salida para los datos de prueba 100
Tabla 5-11: Resultados del análisis realizado para los datos del sondeo Canal Salitre 101
Tabla 5-12: Errores encontrados en las variables de salida para los datos del Canal Salitre 101

MIC 2002-II-19
INDICE DE ECUACIONES
Ecuación 2.1: Correlación utilizada por Víctor Romero para la cohesión no drenada en Bogotá 25
Ecuación 2.2: Correlación utilizada por Luis Fernando Orozco como guía para el diseño de pilotes 25
Ecuación 2.3: Corrección de qc por efectos de la presión de poros 37
Ecuación 2.4: Corrección de fs por efectos de la presión de poros 37
Ecuación 2.5: Relación de fricción 38
Ecuación 2.6: Relación de fricción ideal 38
Ecuación 2.7: Relación de fricción típicamente utilizada 38
Ecuación 2.8: Relación de la presión de poros 38
Ecuación 2.9: Presión de poros normalizada 38
Ecuación 3.1: Normalización de la resistencia por punta. (σov: Esfuerzo efectivo “in situ” (tsf)) 43
Ecuación 3.2: Normalización de la resistencia por punta 44
Ecuación 3.3: Normalización de la relación de fricción 44
Ecuación 3.4: Relación de presión de poros 44
Ecuación 3.5: Expresión de una propiedad en la posición x. [31] 52
Ecuación 3.6: Expresión para calcular el grado de correlación 52
Ecuación 3.7: Forma normalizada de la autocovarianza 53
Ecuación 3.8: Función exponencial de autocovarianza 53
Ecuación 3.9: Función exponencial cuadrática de autocovarianza 53
Ecuación 3.10: Función esférica de autocovarianza 54
Ecuación 3.11: Forma del perfil de la resistencia por punta. [31] 60
Ecuación 3.12: Expresión para calcular el OCR a partir del perfil del CPT 61
Ecuación 3.13: Diferencia de presión de poros normalizada [31] 62
Ecuación 3.14: Correlación para OCR<10 presentada por Sully 1988 [31] 63
Ecuación 3.15: Correlación presentada por Mayne (1991) [31] 64
Ecuación 3.16: Correlación propuesta por Kulhawy y Mayne 1990 [31] 66
Ecuación 3.17: Diferencia de la presión de poros, Sully y Campanella 1991 [31] 67
Ecuación 3.18: Relación teórica entre la resistencia a la penetración del cono y Su [31] 69
Ecuación 3.19: Estimación de Su a partir de la resistencia total del cono [41] 70

MIC 2002-II-19
Ecuación 3.20: Estimación de Su a partir de la resistencia efectiva a la penetración del cono [31] 71
Ecuación 3.21: Relación entre el exceso de presión de poros y Su [31] 71
Ecuación 3.22 Expresión para el módulo volumétrico en función de la resistencia por punta del cono 72
Ecuación 3.23 Modulo volumétrico en función de la resistencia por punta neta ¡Error! Marcador no definido.
Ecuación 3.24 Expresión para el módulo volumétrico, basada en correlaciones estadísticas 73
Ecuación 3.25 Expresión para el módulo de elasticidad no drenado 73
Ecuación 4.1: Representación vectorial de los valores de entrada y sus respectivos pesos 77
Ecuación 5.1: Ecuación utilizada para normalizar y preprocesar los datos[26] 93

MIC 2002-II-19
OBJETIVOS
• Realizar un análisis de los métodos tradicionales de clasificación de suelos, con el fin de

identificar las variables que influyen durante este proceso.
• Analizar los diferentes métodos de clasificación de suelos y obtención de parámetros
geotécnicos por medio de sondeos con CPT.
• Generar una metodología para el análisis de resultados de CPT mediante redes neuronales.
• Realizar el montaje de una red neuronal para la clasificación de suelos a partir de los
resultados de sondeos con CPT.
INTRODUCCIÓN
Determinar el perfil estratigráfico y asignar propiedades físicas y mecánicas a las diferentes capas de
suelo, es uno de los principales objetivos dentro de la ingeniería geotécnica. Esto con el fin de
realizar un análisis de capacidad de carga y deformación del terreno donde se va a construir. Esta
actividad se realiza tradicionalmente mediante perforación y obtención de muestras, las cuales son
llevadas al laboratorio para ser analizadas por medio de ensayos de clasificación (humedad natural,
peso unitario, gravedad específica, límites de Attemberg, granulometría mecánica o por hidrómetro,
etc) y ensayos de resistencia al corte (compresión inconfinada, corte directo, triaxial). Realizar estos
ensayos es dispendioso y costoso; además, existen varios aspectos que afectan el muestreo:
alteración de la estructura de la muestra, pobre conservación de las condiciones de humedad y
pérdida de historia de esfuerzos, por lo que la información que se obtiene es de poca calidad,
haciendo necesario encontrar una solución que permita obtener resultados en tiempo real y a menor
costo.

MIC 2002-II-19
Como respuesta a esta necesidad se han venido desarrollando ensayos “in situ” (ejem: sondeos con
Standard Penetration Test SPT, Cone Penetration Test CPT, métodos geofísicos: down hole, cross
hole, resistividad eléctrica, etc.). Este desarrollo ha permitido encontrar otras aplicaciones para
ensayos ya existentes como el CPT (Cone Penetration Test), el cual fue desarrollado en Holanda en
1932 con el fin de determinar la capacidad portante de pilotes. Actualmente se conocen otros usos
para el ensayo como: generación del perfil estratigráfico, clasificación de suelos y obtención de
parámetros geotécnicos. Además, con algunos dispositivos adicionales se pueden realizar
mediciones de esfuerzo lateral, sísmica, resistividad eléctrica, flujo de calor, radio isotopía, ruido
acústico y geoambientales. Además entre 1994 – 1995 la Universidad de Michigan introdujo una
pequeña cámara de video (VisCPT Visual Cone Penetrarion Test), lo que permite ver la estructura
granulométrica del suelo, con esto ultimo se ha podido eliminar el problema de no poder observar el
suelo durante el sondeo. Lo anterior hace que el ensayo se convierta en una versátil y poderosa
herramienta dentro del estudio de las propiedades de los suelos.
El ensayo de CPT consiste en penetrar una punta cónica de 60° de inclinación y 10 cm2 de área
transversal a una velocidad constante (2 cm/s). Se realizan medidas de la resistencia a la
penetración del cono qc y la fricción fs que se desarrolla. En 1974 se adiciona un dispositivo para la
medición de la presión de poros, con lo cual cambia el nombre del dispositivo a piezocono y el del
ensayo a CPTU. Con la medición de la presión de poros la clasificación de suelos por medio de este
ensayo es más precisa, lo que conlleva a una mejor interpretación por medio de correlaciones de
otros parámetros geotécnicos de clasificación, esfuerzo y deformación, historia de esfuerzos y
permeabilidad.
Existen diferentes formas para analizar suelos por medio de resultados de sondeos con CPT;
métodos estadísticos basados en correlaciones obtenidas de datos obtenidos mediante sondeos con
CPT y ensayos de laboratorio de muestras provenientes de perforaciones cercanas, métodos
teóricos los cuales están fundamentados en diferentes teorías: cavidad de expansión, estado critico,
capacidad portante, etc. y métodos basados en modelos de redes neuronales, como el que se
propone en este documento.

MIC 2002-II-19
La clasificación de suelos representa una de las principales aplicaciones de ensayo de CPT, por lo
que los métodos de clasificación han evolucionado a través de las categorías descritas
anteriormente. El primer trabajo acerca de clasificación de suelos mediante el ensayo de cono se
presento en 1981 por Douglas y Olsen, la clasificación se obtienen mediante la interpolación en un
gráfico que relaciona las mediciones del cono (resistencia por punta qc y fricción fs) con diferentes
tipos de suelo. Este gráfico fue desarrollado a partir de correlaciones estadísticas entre sondeos con
CPT (con 30 m de profundidad) y exploraciones por métodos tradicionales. Una de las conclusiones
importantes de este trabajo tiene que ver con la distinción de que la clasificación de suelos realizada
por medio del CPT, esta basada en el comportamiento del suelo durante la penetración del cono y
no en distribuciones granulométricas como se realiza por los métodos tradicionales (USCS). Por
esta razón también se encuentra información acerca de variables que tienen que ver directamente
con el comportamiento del suelo, tales como: Over Consolidation Ratio OCR, ángulo de fricción
específico φ´ Densidad relativa Dr y sensitividad St.
Además, de la información proporcionada por los gráficos de clasificación, se han determinado

correlaciones estadísticas y formulas teóricas para la obtención de parámetros geotécnicos como:
peso unitario γ, esfuerzo horizontal “in situ” σh, coeficiente de empuje en reposo Ko, Cohesión no
drenada Su, Módulo volumétrico M, Módulo de Young no drenado Eu, Módulo de cortante inicial Go,
Coeficiente de consolidación cv, Factor de tiempo de consolidación Tv y Coeficiente de
permeabilidad k.
A pesar de los buenos resultados obtenidos con los métodos estadísticos y teóricos, se ha
necesitado de la innovación en el análisis de resultados de sondeos con CPT, por lo que se ha
empezado a trabajar con modelos de redes neuronales. Esta metodología se ha venido utilizando en
la solución de problemas geotécnicos, presentando buenos resultados, en problemas de
caracterización de suelos (Juang, 2001; Kurup, 2002).
Debido a las ventajas de clasificación de suelos mediante sondeos con CPT, se hace necesario
implementar este ensayo en nuestro país, en especial en la ciudad de Bogotá. Para esto se debe

MIC 2002-II-19
realizar un análisis de los diferentes métodos estadísticos y teóricos con el objetivo de verificar su
utilidad para las características de los suelos bogotanos. Teniendo en cuenta lo anterior, es
necesario generar una base de datos con resultados de perforaciones y sondeos con CPT. Sin
embargo, debido a las dificultades logísticas que se presentan la para la obtención de datos, pues
son necesarias una gran cantidad de perforaciones para obtener una muestra estadísticamente
representativa, se plantea la solución de utilizar modelos con redes neuronales.
Una red neuronal es un algoritmo que esta basado en la estructura neuronal del cerebro, el cual
aprende de la experiencia. Este tipo de metodología esta siendo ampliamente aplicada en problemas
que implican predicción, clasificación o control de variables, el éxito que se le atribuye tiene que ver
con la capacidad de modelar funciones complejas de manera fácil, por lo que representa una
herramienta de modelación útil que se adapta a las condiciones del problema planteado. Teniendo
en cuenta que las redes neuronales aprenden mediante la experiencia se puede realizar un modelo
para la clasificación de suelos por medio de sondeos de CPT, utilizando datos obtenidos de otros
investigadores en diferentes países. Esto con el fin de obtener la estructura neuronal que pueda ser
entrenada posteriormente con datos provenientes de sondeos en suelos bogotanos.

MIC 2002-II-19
1. CLASIFICACIÓN DE SUELOS
La clasificación de suelos es una herramienta de diagnostico para el ingeniero, por lo que la

información que provea debe ser clara y directa pues representa un lenguaje de comunicación al
categorizar el suelo de acuerdo con su posible comportamiento; lo que significa que debe ser de
carácter físico comprensible, de forma que sirva para generar soluciones a problemas geotécnicos;
sin embargo, es necesario recordar que aunque la clasificación no es la fuente para la obtención de
parámetros geotécnicos, si representa una guía para revelar aspectos críticos que deben ser
evaluados en el proceso de solución a un problema. [22].
Para clasificar suelos se requiere de variables de referencia con el fin de determinar algunas
características de comportamiento comunes de los suelos según su tipo; tradicionalmente esto ha
estado asociado con el tamaño de las partículas como se puede ver en la Tabla 1-1. Respecto a
esto se han desarrollado metodologías de clasificación (AASHTO, USCS, etc.). A continuación se
describirá de forma breve las variables que intervienen en la clasificación de suelos según la
metodología USCS (United Soil Classification System).
Tabla 1-1: Definición de tamaños de partículas, rangos de tamaños y símbolos según USCS [24]
Nombre Símbolo Rango de tamaños
75 mm a 4.75 mm (tamiz Nº 4)
Gravas
Suelos granulares
Gruesas G 75 mm a 19 mm
Finas 19mm a 4.75 mm (tamiz Nº 4)
4.75 mm (tamiz Nº 4) a 0.075 mm (tamiz Nº 200)
Arenas
Gruesas 4.75 mm (tamiz Nº 4) a 2 mm (tamiz Nº 10)

S
Medias 2 mm (tamiz Nº 10) a 0.425 mm (tamiz Nº 40)
Finas 0.425 mm (tamiz Nº 40) a 0.075 mm (tamiz Nº 200)
Limos M Menores a 0.075 mm (tamiz Nº 200)
Suelos
Finos
Arcillas C Menores a 0.075 mm (tamiz Nº 200)

MIC 2002-II-19
1.1. SUELOS GRANULARES
Para clasificar suelos granulares se realiza un análisis granulométrico, por medio del ensayo de
granulometría mecánica (ASTM C-136 D-422). Ya que se considera importante conocer la
distribución de tamaños de partículas dentro de una muestra de suelo; teniendo en cuenta que esto
tiene algún efecto sobre el comportamiento mecánico del suelo [24].
Para realizar el análisis se podría recurrir a herramientas estadísticas, lo cual es común en petrología
de sedimentos, pero no en mecánica de suelos, donde el interés radica en la distribución de
tamaños, lo que esta determinado por la forma de la curva de distribución granulométrica; para la
cual se define el Cu Coeficiente de uniformidad y el Cc coeficiente de curvatura, los cuales
representan la variación en los tamaños de las partículas, determinando si la muestra se encuentra
bien gradada (Cu > 3 y 1 < Cc < 3), es decir si existe una buena distribución de tamaños, que
permita un mejor comportamiento mecánico del suelo. [24]
1.2. SUELOS DE GRANO FINO
Para la clasificación de suelos de grano fino se utilizan los resultados del ensayo de límites de
Attemberg, el cual fue desarrollado en 1900´s. Durante este ensayo se evalúa el cambio de
comportamiento de la muestra de suelo ante la presencia de agua ya que el comportamiento de los
suelos finos esta asociado con la humedad ω. En mecánica de suelos se determinan los límites de
contracción ωc, plástico ωP y líquido ωL. La relación entre la humedad y los límites se puede
observar el la Figura 1.1, la cual es un esquema de la relación entre el estado del suelo (sólido,
plástico, líquido) y su contenido de agua.
Estado Estado Estado Suspensión

Sólido Semi-sólido Líquido
ϖ
Límite de Límite Límite
Contracción Plástico Líquido
Figura 1.1: Esquema de la distribución de los límites de Attemberg de acuerdo con el comportamiento del suelo

MIC 2002-II-19
Para asociar este comportamiento con algún tipo de suelo blando (limo o arcilla) es necesario
comparar con un estándar, de aquí la utilidad de la carta de plasticidad de Casagrande desarrollada
en 1948 (Ver Figura 1.2) para estudiar el comportamiento de los suelos finos ante la presencia de
agua, pues relaciona el límite líquido con el índice de plasticidad IP.[24]
Figura 1.2: Carta de plasticidad de Casagrande (1948) [24]
El grafico esta compuesto por varias zonas de comportamiento asociadas a tipos de suelo, las
cuales están divididas por líneas. La línea U representa la mayor relación del índice de plasticidad y
el límite líquido, por lo que por encima de esta línea no se encuentra ningún tipo de suelo. La línea A
separa los materiales arcillosos de los limosos y también los orgánicos de los inorgánicos; la
excepción son las arcillas orgánicas (OH, OL) las cuales se grafican por debajo de esta línea. Las
arcillas, limos y suelos orgánicos se subdividen de acuerdo con su comportamiento plástico como de
baja (L) o alta (H) plasticidad, lo cual esta relacionado directamente con el límite líquido; la línea
divisoria fue arbitrariamente colocada en el límite líquido igual a 50. [24]
Además de las variables descritas anteriormente, existen otras que también ayudan en la
clasificación de suelos, ya que dan una idea de su comportamiento; estas variables son: peso
unitario γ, gravedad específica Gs y densidad relativa DR. La siguiente tabla resume las variables
que se utilizan para clasificar suelos.

MIC 2002-II-19
Tabla 1-2: Variables necesarias para clasificar suelos

Tipo de Suelo Variables
Coeficiente de uniformidad Cu
Coeficiente de curvatura Cc
Suelos granulares Peso especifico γ
Gravedad especifica Gs
Densidad relativa DR
Límite líquido ωL
Índice de plasticidad IP
Suelos Finos
Peso especifico γ
Gravedad especifica Gs
Las variables de clasificación son útiles para la determinación del tipo de suelo y por consiguiente de
su comportamiento. Sin embargo, existen variables que están específicamente ligadas a la
respuesta del suelo frente a diferentes circunstancias [Ver Tabla 1-3]. Estas variables no son
suministradas por los ensayos de clasificación, pero son muy importantes por lo que es necesario
obtenerlas mediante otros ensayos, lo que implica una mayor inversión de dinero y tiempo, para
obtener resultados más precisos y confiables. De aquí surge la necesidad de encontrar métodos de
exploración confiables que permitan obtener la mayoría de las variables necesarias a bajo costo y en
tiempo real.
Tabla 1-3: Variables de comportamiento de suelos
Tipo de VARIABLES
Suelo Historia de esfuerzos Esfuerzo Deformación Módulos
! Módulo de Young E
! Módulo de Cortante G
Suelos
Ángulo de Fricción ϕ ! Módulo de Cortante
granulares !
inicial Go
!
Módulo de contracción M
! Cohesión no drenada Cu
! Coef. de empuje Ko
! Cohesión total C ! Módulo de Young E
! Relación de Cohesión especifica C´
! ! Módulo de Cortante G
Suelos Sobreconsolidación OCR
! Ángulo de Fricción ϕ ! Módulo de Cortante
Finos ! Coef. de consolidación Cc.
! Ángulo de Fricción especifico inicial Go
φ´ ! Módulo de contracción M

MIC 2002-II-19
2. ENSAYO DE PENETRACIÓN ESTÁTICA - CPT
El ensayo de CPT, consiste en empujar en el suelo una punta cónica colocada al final de una serie
de tubería, con una velocidad constante, realizando mediciones continuas o intermitentes de la
resistencia a la penetración del cono Qs y de la fricción Fs que se desarrolla en la superficie de una
camisa colocada inmediatamente después de la punta cónica. (ver Figura 2.1)
Figura 2.1: Esquema del penetrómetro
La fuerza total que actúa sobre el cono Qs se divide por el área proyectada del cono Ac,
obteniéndose la resistencia del cono qs. Asi mismo la fuerza de fricción desarrollada sobre la camisa
Fs se divide por la superficie As, lo que produce la fricción en la camisa fs. En el piezocono la
presión de poros es medida por un dispositivo especial.[31]

MIC 2002-II-19
2.1. UTILIDAD DEL ENSAYO
El ensayo de CPT tiene tres aplicaciones principales dentro de las exploraciones de subsuelo:
! Determinar la estratigrafía e identificar los materiales presentes
! Estimar parámetros geotécnicos
! Proveer resultados para el diseño geotécnico.
Sin embargo, el ensayo debe ser acompañado de toma de muestras por las siguientes razones:
! Clarificar la información del tipo de suelo
! Verificar correlaciones locales
! Proveer de información complementaria donde la interpretación de los resultados del CPT es
difícil de evaluar.
El ensayo de CPT frente a la toma de muestras por métodos tradicionales tiene las siguientes
ventajas:
! Información del perfil estratigráfico casi continua
! Datos de penetración confiables y repetibles
! Ahorro de dinero
[31]
Además, debido a su gran sensibilidad el ensayo de CPT es útil en el estudio de arcillas blandas, arenas sueltas y limos [ver
Tabla 2-1 y Tabla 2-2], lo que lo convierte en una poderosa herramienta en la exploración del
subsuelo.[41]
Arcilla Arena
Profundidad (m)
blanda media dura suelta media densa
5 " " " " " "
10 " " " " " "
20 " " " " " "
30 " " " "
60 " "
100 "

MIC 2002-II-19
Arcilla Arena
Profundidad (m)
blanda media dura suelta media densa
2 " " " " "
3 " " " "
5 " " " "
6 " " "
9 " "
12 " "
15 " "
18 "
21 "
24 "
2.2. HISTORIA DEL ENSAYO
Los dispositivos de CPT existentes se pueden agrupar en tres grandes grupos: penetrómetros
mecánicos, penetrómetros eléctricos y piezoconos.
2.2.1. Penetrómetro mecánico
El primer penetrómetro mecánico (cono holandés) fue hecho en 1932 por P. Barentsen, un
ingeniero del Departamento de Obras Públicas en Holanda, consistía en una tubería de gas de 19
mm de diámetro interior, en la cual se podía mover libremente una vara de acero de 15 mm de
diámetro a la cual le fue adherida una punta cónica; este dispositivo era empujado con la mano o
con la ayuda de un gato. La máxima profundidad alcanzada fue 10 - 12 m y la resistencia a la
penetración (qc) era medida únicamente por un manómetro.[31]
Figura 2.2: Esquema del penetrómetro desarrollado por P. Barentsen 1932 [41]

MIC 2002-II-19
En 1946, el Laboratorio de Mecánica de Suelos en Holanda, desarrollo un penetrómetro mecánico

con una capacidad de 2.500 kg la cual fue incrementada en 1948 a 10.000 kg. El cono tenía un
ángulo de 60° y un diámetro de 36 mm. [41]
En 1953 L. Parez construyó el penetrómetro estático para ensayos de suelo, el cual consistía en
una punta cónica conectada al pistón de un gato hidráulico, con lo cual se podían realizar lecturas
continuas de la resistencia a la penetración. En el mismo año Gidroprockt en Rusia diseño un
dispositivo estático que consistía en varas de 33 mm de diámetro y un cono de 60° de ángulo y 35.6
mm de diámetro, las mediciones eran realizadas por medio de un dinamómetro. [41]
Begemann (1953) mejoró notablemente el cono holandés adicionando una camisa de fricción detrás
del cono. Con el nuevo dispositivo se podía medir la fricción además de la resistencia del cono. Las
medidas eran realizadas cada 0.2 m y para condiciones especiales el intervalo podía disminuir a 0.1
m. Este método fue patentado en 1953. Después de esto fueron desarrollados diferentes modelos de
conos en Bélgica, Suiza, Alemania, Francia, Rusia y otros países.[31]
Figura 2.3: Esquema del penetrómetro con camisa de fricción desarrollado por Begemann
1953. [41]
Los penetrómetros de cono mecánicos son ampliamente utilizados debido a sus bajos costos y
simplicidad en la operación del equipo. Sin embargo, se debe recordar que es necesario que el
operador sea una persona experimentada, con el fin de obtener información de calidad. [31]

MIC 2002-II-19
2.2.2. Penetrómetros eléctricos
Los penetrómetros eléctricos surgieron durante la segunda guerra mundial. La señal era transmitida
a la superficie por una serie de cables los cuales van dentro de la tubería. Las principales mejoras
respecto a los penetrómetros mecánicos, son:
! La eliminación de una interpretación errónea de los datos de fricción obtenidos.
! Realización del ensayo a una velocidad constante
! Obtención de datos de forma más fácil y confiable, además de la posibilidad de lecturas
continúas.
! Con el uso de sistemas de medición eléctricos se puede obtener datos más confiables. [31]
! Excelente precisión y posibilidad de repetir resultados
! Gran precisión en suelos blandos
! Alto grado de resolución en suelos estratificados
! Determinación más precisa de la relación de fricción (ver Ecuación 2.6, Ecuación 2.7, Ecuación
2.8)
! Posibilidad de adicionar sensores adicionales [10]
El primer penetrómetro eléctrico fue desarrollado y patentado en Holanda (1948) por el ingeniero
municipal Bakker. El Laboratorio Holandés de Mecánica de Suelos (DSML) estuvo trabajando con
penetrómetros eléctricos desde 1949, pero solo hasta 1957 produjo su primer penetrómetro
eléctrico, con el cual se podía realizar la medición de la fricción por separado. [31]
Figura 2.4: Esquema del penetrómetro mecánico [41]
A partir de este se han desarrollado diferentes modelos, experimentando con la geometría,

disposición de las celdas de carga y colocación de dispositivos adicionales como inclinómetros.[31]

MIC 2002-II-19
A continuación se encuentra un resumen de los primeros desarrollos de penetrómetros eléctricos en

diferentes lugares de Europa:
! En 1965 Fugro desarrollo un penetrómetro eléctrico en cooperación con el Instituto de

Investigación Holandés (TNO). La forma y dimensiones de este cono son tomadas como base
para el procedimiento internacional de procedimientos de ensayo (International Referente Test
Procedure ISSMFE). (Figura 2.5) [31]
! En 1966 el Centro Experimental de la construcción y de trabajos públicos (Centre Experimental
du Bâtiment et des Travaux Publics CEBTP) en París desarrollo un penetrómetro eléctrico
(Figura 2.6).
! En 1968, se desarrollo un cono en Australia con el cual se podía medir la resistencia por punta y
la fricción desarrollada, tenía un área transversal de 6.2 pulg y un ángulo de 60°.
! En 1969 el Laboratorio de puentes y caminos (Laboratoire des Ponts et Chaussées, in France
LPC) en Francia desarrollo un dispositivo eléctrico similar al tipo Fugro. [41]
1. Punta cónica 5. Anillo de ajuste

2. Celda de carga 6. Protección contra agua
3. Anillos de deformación 7. Cable
4. Camisa de fricción 8. Varillas de conexión
Figura 2.5: Penetrómetro eléctrico de cono, desarrollado por Fugro [31]

MIC 2002-II-19
Figura 2.6: Esquema del penetrómetro mecánico desarrollado por CEBPT en París (1966) [41]
2.2.3. Piezocono
En 1974 durante la primera Conferencia Europea sobre Ensayos de Penetración se presentaron dos
trabajos acerca de la medición de la presión de poros durante la penetración. Janbu y Senneset
presentaron “Effective stress interpretation of “in situ” static penetration test” y Schmertmann
presentó “Penetration pore pressure effects on quasi – static cone bearing, qc”. Reconociendo la
importancia de la medición de la presión de poros para la interpretación de los datos del CPT. Casi
simultáneamente Torstensson en Suiza y Wissa en Estados Unidos desarrollaron probetas de
piezómetros eléctricos con el propósito de medir la presión de poros durante la penetración y
pausas en la misma. [31]
Con la introducción de la medición de la presión de poros se mejoro notablemente la interpretación

de los datos obtenidos con el penetrómetro eléctrico. [41] Las primeras versiones de piezoconos
contenían solo el dispositivo de medición de presión de poros, por lo que qc y fs debían ser medidos
con un sondeo adyacente adicional. Después, el dispositivo fue adicionado al cuerpo del cono, por lo
que la relación entre qc, fs y u, comenzó a ser estudiada.[10]
Baligh en 1980 realizó mediciones con las primeras probetas desarrolladas para realizar mediciones
de la presión de poros (Figura 2.7), encontrando que este podía ser un método para identificación de

MIC 2002-II-19
tipo de suelo y estimación del grado de sobreconsolidación de un depósito de arcilla, al determinar

que la relación qc/u podía dar información acerca del cambio en estas variables.[5]
Tubo protector de
polietileno
Cable eléctrico
transductor
Transductor de
presión
Punta de acero Sello de anillo
Figura 2.7: Probeta utilizada para la medición de poros desarrollada por Wissa 1974 [31]
En 1981 en la convención nacional de ASCE (American Society of Civil Engineers) varios autores
presentaron resultados de ensayos de CPTU en los cuales podía ser medidos simultáneamente qc, fs
y u. En este tipo de piezoconos la posición del filtro varía de un modelo a otro. Inicialmente se
encontraba en la punta cónica, pero con el tiempo la posición recomendada es detrás del cono u2.
[31]
2.2.4. Historia del ensayo en Colombia
El ensayo de CPT ha sido utilizado en Colombia tradicionalmente para la determinación de

capacidad portante de pilotes, encontrándose de esta manera subutilizado. La primera persona en
traer un equipo de CPT fue un holandés, quien utilizó el equipo en los suelos arenosos de
Cartagena. Aproximadamente en 1960, Víctor Romero Ingeniero Civil de la Universidad Nacional,
compro un penetrómetro mecánico y un muestreador de pistón especial para utilizar con el cono.

MIC 2002-II-19
Dentro de los registros de estudios de suelos realizados se encuentran algunas construcciones

conocidas como los centros comerciales Metrópolis y Unicentro, urbanizaciones como La Floresta, y
edificios de entidades como el SENA, ETB y Universidad Nacional.
Víctor Romero utiliza el ensayo de CPT para generar estratigrafías, clasificación de suelos y
estimación de parámetros geotécnicos. Debido a su gran experiencia con el ensayo en Bogotá, ha
podido determinar algunas correlaciones, las cuales ha verificado a través del tiempo mediante
ensayos de laboratorio. Por ejemplo para la cohesión no drenada:
qc
Su =
17
Ecuación 2.1: Correlación utilizada por Víctor Romero para la cohesión no drenada en Bogotá
El segundo colombiano en adquirir el equipo fue Luis Fernando Orozco R. (LFOR & Cia.) en 1981.
Este penetrómetro mecánico tiene una capacidad de 5 ton y es utilizado para el diseño de pilotes por
fricción. Solo se registran mediciones de la resistencia por punta a la penetración, no se toman
mediciones de la fricción desarrollada, ya que se trata de un procedimiento engorroso. El valor de
qc es tomado como guía dentro de los criterios de diseño:
qc
Su =
12
Ecuación 2.2: Correlación utilizada por Luis Fernando Orozco como guía para el diseño de pilotes
Para realizar los sondeos con CPT LFOR & Cia. tiene algunas condiciones: se tienen algunas si se
trata suelos heterogéneos se realiza un ensayo de SPT en un lugar cercano; sin embargo si se trata
de un suelo homogéneo se pueden realizar varios sondeos sin necesidad del SPT de referencia.
Este método de exploración ha tenido algunos problemas de aceptación en el medio de las

empresas de ingeniería, ya que algunas consideran que sin realizar una perforación es imposible
conocer el tipo de suelo y otros parámetros geotécnicos, y los que aceptan la necesidad de realizar
ensayos “in situ” se inclinan por tradición a utilizar el SPT.

MIC 2002-II-19
En los últimos años ha surgido la necesidad de encontrar un medio confiable más económico,
eficiente y eficaz que responda a las necesidades de los nuevos proyectos. Por esto el Ingeominas y
la Universidad de los Andes adquirieron penetrómetros eléctricos, los cuales se encuentran en
proceso de calibración para la ciudad de Bogotá, este trabajo en particular hace parte del proceso
que se esta siguiendo en la Universidad de los Andes.
2.3. DESCRIPCIÓN DEL EQUIPO UTILIZADO
2.3.1. Penetrómetro de cono y piezocono
El equipo de referencia consiste en un cono de 60°, con 10 cm2 de área en la base y 150 cm2 de
área en la camisa de fricción, la cual se localiza detrás del cono. También se utilizan conos de 15
cm2, especialmente cuando se colocan sensores adicionales.
La resistencia por punta qc y la fricción fs, son usualmente medidas por celdas de carga. Las cuales
pueden ser colocadas de diferentes maneras en la Figura 2.8 se encuentran las principales
disposiciones de estas celdas. Aunque el diseño ‘c’ es el más sencillo, no se logran mediciones
precisas de la fricción, por lo que se prefiere la utilización de los modelos ‘ a’ y ‘ b’.
Celda de carga de Celda de carga de

la camisa la camisa Celda de carga del
cono y de la
Celda de carga del camisa
Dispositivo de cono
protección contra
sobrecarga de la Celda de carga del
celda cono
Sello de protección
Celda de carga del

cono
Figura 2.8: Diseño de penetrómetros de cono. a) Resistencia por punta y fricción medidas con las celdas en comprensión, b) Celda de
carga de la resistencia por punta a compresión y celda de carga de la fricción en tensión y c) Una sola celda de carga a compresión

MIC 2002-II-19
Todos los dispositivos de CPT y CPTU incluyen sellos o anillos que sirven para detener el ingreso de
suelo y agua dentro del cuerpo del cono durante el ensayo. En la Figura 2.9 se muestra la posición
de los anillos.
Figura 2.9: Detalle del diseño y terminología del piezocono
El filtro puede estar hecho de los siguientes materiales: plástico poroso, cerámica o acero inoxidable.
Su función es permitir rápidos movimientos de pequeñas cantidades de agua activen el sensor de
presión, mientras evitan que porciones de suelo entren al cuerpo del cono. La escogencia del
material depende del tipo de suelo donde se realice el ensayo; un filtro de cerámica usualmente no

MIC 2002-II-19
sobrevive a una penetración a través de arena densa, para esto es mejor utilizar polipropileno
poroso. [31]
Figura 2.10: Ubicación del filtro dentro del piezocono
La posición del filtro también es importante y es función del tipo de suelo y el objetivo del proyecto.
El dispositivo se puede ubicar en alguna de locaciones mostradas en la Figura 2.10. Las cuales se
conocen como: u1 en el cono, u2 detrás del cono y u3 detrás de la camisa de fricción. Las más
comunes son u1 y u2.
La posición u2 tiene como ventaja la buena protección de daño por abrasión y generalmente el
procedimiento de saturación es más fácil. Con la posición u3 se obtienen valores de presión de poros
más altos y por lo tanto provee mejor información para interpretación de la estratigrafía con un gran
detalle; sin embargo, existen problemas con la compresión del filtro, transferencia de carga y
abrasión. [43]
2.3.2. Equipo de empuje
El equipo de empuje consiste generalmente en un sistema hidráulico, generalmente es construido

para este propósito, pero algunas veces se utiliza el mismo equipo que para hacer una perforación.
La capacidad de empuje varia generalmente entre 10 – 20 ton. Los equipos de empuje son

MIC 2002-II-19
generalmente montados sobre camiones con un peso muerto de 15 ton o más, también se pueden
utilizar anclajes para desarrollar una reacción extra. [31]
2.3.3. Sistema de recolección de datos
Los datos obtenidos de penetrómetros mecánicos son leídos de manómetros. Los valores son
tabulados en campo para posteriormente ser graficados en la oficina. Algunos sistemas permiten
imprimir o guardar las lecturas en campo.[10]
Los penetrómetros eléctricos producen señales continuas que requieren de sistemas de recolección
de datos relativamente complejos. Normalmente las señales son transmitidas con un cable, se han
desarrollado sistemas que reciben señales acústicas, lo que facilita el manejo de la tubería, ya que
no es necesario el uso de cable. Otros sistemas permiten guardar los datos dentro del cuerpo del
cono, obteniendo estos después del ensayo, estos sistemas también eliminan el uso del cable. [31]
La mayoría de sistemas de adquisición de datos incluyen convertidores de datos análogos a digital,

así las señales pueden ser convertidas directamente a digital. [31]
2.4. METODOLOGÍA DE ENSAYO
A continuación se explicara cada uno de los pasos a seguir para realizar un sondeo con CPT . En
caso de realizar el sondeo con el piezocono se podrá realizar el ensayo de disipación para lo cual es
necesario revisar los apartes 2.4.5 y 2.4.6.
2.4.1. Preexcavado
Para realizar el ensayo es necesario realizar un preexcavado del sitio donde se va a realizar el
ensayo, se realiza un agujero con un diámetro un poco más grande que el cono. En suelos duros
esto es muy importante pues se puede presentar una sobrecarga o daño del penetrómetro. Cuando

MIC 2002-II-19
se utiliza el piezocono es necesario llenar el agujero de agua al menos hasta el nivel freático para
asegurar la saturación del piezo elemento. [31]
2.4.2. Verticalidad
El equipo de empuje debe ser acondicionado para mantener la dirección de empuje vertical. La
desviación máxima permitida desde la vertical es 2°; así mismo se debe asegurar que la tubería se
encuentre recta. Esto con el objetivo de asegurar que el cono no se desviara durante la penetración,
excepto con el contacto de estratos duros. La mayoría de penetrómetros eléctricos tienen
inclinómetros incluidos, con el objetivo de medir la verticalidad de la penetración. [31]
2.4.3. Velocidad de penetración
La velocidad de penetración debe ser de 20 mm ± 5 mm/s. Se debe recordar que durante cualquier
pausa durante la penetración el exceso de presión de poros comenzara a disiparse. Por esto es
necesario que los sondeos sean tan continuos como sea posible, especialmente en suelos de grano
fino. [31]
2.4.4. Intervalo de lecturas
Los penetrómetros eléctricos producen datos de manera continua. Sin embargo, la mayoría de los
sistemas de recolección convierten la información análoga en digital en intervalos, cuya duración es
determinada por el usuario de acuerdo con la complejidad del estudio que se realiza. Usualmente
toman datos cada 10 – 50 mm y nunca a menos de 200 mm. [31]
2.4.5. Saturación del piezocono
No hay mayores diferencias entre un sondeo con CPT y CPTU, sin embargo este último requiere la
saturación del piezocono. Para tener una buena medición de la presión de poros durante el sondeo,
es necesario que el sistema de medición de la presión de poros este completamente saturado. Para
lograr esto se debe verificar que los siguientes elementos se encuentren saturados:

MIC 2002-II-19
! El filtro
! El canal o tubo entre el filtro y el transductor
! La cavidad del transductor
Los fluidos que se utilizan para saturar son usualmente agua, silicona o glicerina. Usualmente, los
elementos son saturados en el laboratorio y se transportan en un dispositivo al vacío.
2.4.6. Ensayo de disipación
Cualquier pausa durante el ensayo hace que el exceso de presión de poros empiece a disiparse. La
tasa de disipación depende del coeficiente de consolidación y por lo tanto de la compresibilidad y
permeabilidad del suelo.
El ensayo de disipación consiste en detener la penetración y observar el decaimiento del exceso de

presión de poros respecto al tiempo. Se recomienda tomar datos hasta que por lo menos se disipe el
50% y observar el comportamiento de qc y fs, para determinar posibles errores durante el análisis de
resultados. [31]
El siguiente es el procedimiento utilizado para realizar el ensayo de disipación:

1. Detener la penetración del cono por completo dejando de empujar la tubería. Tan pronto como
esto ocurra el exceso de presión de poros comenzara a disiparse.
2. Tomar datos de la presión de poros total u t = u 0 + ∆u , a 0, 1, 2, 4, 8, 16, 30 segundos, 1, 2, 4,
8, 16, 30 minutos, para obtener datos razonablemente espaciados para la curva de disipación.
3. Mientras se realiza el ensayo, grafique el exceso de presión de poros normalizado ∆u / ∆u 0 en
función del logaritmo del tiempo.
4. Continúe el ensayo hasta que se alcance a disipar el 50 u 80% del exceso de presión de poros.
o se puede consultar la Figura 2.11 la cual da una idea del tiempo requerido para alcanzar el
50% de disipación basado en el contenido de finos.

MIC 2002-II-19
Figura 2.11: Correlación entre el contenido de finos y el tiempo para alcanzar el 50% de disipación. Robertson 1992 [44]
2.5. PROBLEMAS QUE PUEDEN SURGIR DURANTE EL ENSAYO
2.5.1. Fuerza de reacción excedida
Este problema puede ocurrir durante el ensayo dependiendo del área geológica, ya que puede
presentarse una capa muy dura, que no pueda ser penetrada por el cono (
Tabla 2-1 y Tabla 2-2). Usualmente, los anclajes ceden o el peso muerto se levanta; esto puede
evitarse con reguladores hidráulicos o válvulas que alivien la presión. Una de las maneras de
prevenir esto es reduciendo la fricción a través de la tubería.
Se debe utilizar un reductor de fricción con el penetrómetro estándar de 10 cm2 de área, usualmente
se trata de un anillo de un diámetro ampliado colocado cerca de la punta del cono. Este debe ser
localizado al menos a 400 mm por encima de la base del cono o 300 mm arriba de la camisa de

MIC 2002-II-19
fricción. Una de las ventajas de utilizar conos de 15 cm2 de área, es que no requieren del reductor de
fricción porque el diámetro de la probeta es más grande que el de la tubería de empuje. Otra manera
de reducir la fricción es utilizando bentonita, bombeando esta en el interior de la tubería de empuje e
inyectándola dentro del suelo detrás de la punta.
También se puede evitar este problema utilizando un equipo de empuje más pesado o un anclaje
más grande. Si ninguna de estas alternativas funciona será necesario recuperar el penetrómetro y
excavar a través de la capa dura. [41]
2.5.2. Doblamiento en la tubería de empuje
En suelos muy sueltos o blandos como pantanos, depósitos orgánicos de aguas negras, rellenos
hidráulicos de limos o arena suelta; la tubería de empuje puede doblarse cuando esta es penetrada
en el suelo.
Una de las maneras de evitar este problema es colocar guías para la tubería de empuje a través de
la capa blanda o suelta. Otra forma es limitar la fuerza de penetración aplicada a la tubería. [41]
2.5.3. Rápido cambio en la inclinación
Si el equipo de CPT no ha sido nivelado al comienzo del ensayo, la inclinación aumentará a medida
que se incremente la profundidad. También, si el cono encuentra grava o piedras, puede haber un
rápido cambio en la inclinación.
La manera de detectar este problema es instalando un inclinómetro dentro de la punta del

penetrómetro y verificar la inclinación constantemente. Cuando la inclinación alcanza los 10°,
especialmente cuando esto ocurre en menos de 1 m, el cono puede presentar averías, en este caso
la única solución es retirar el penetrómetro y comenzar de nuevo. La inclinación de la tubería puede
causar serios errores en el registro de la profundidad del CPT. En la Figura 2.12 se muestra como la
inclinación puede afectar el registro del ensayo. [41]

MIC 2002-II-19
Figura 2.12: Registro de CPT afectado por inclinación en la tubería de empuje. [41]
2.5.4. Daño en el equipo
La experiencia muestra que mientras la fuerza de empuje este por debajo de las 10 ton, es raro que
ocurra algún daño en el cono o en la tubería. [41]
2.6. CALIBRACIÓN DE SENSORES
La mayoría de penetrómetros miden la resistencia por punta qc y fs por medio de celdas de carga
que se ubican por dentro del cuerpo del cono. Las celdas están pegadas al cuerpo del cono, cuando
es aplicada carga al cono o a la camisa de fricción, la longitud del cuerpo del cono se ve afectada y
las celdas sufren la misma variación, es por esto que la resistencia de la celda de carga es función
de la carga aplicada al cono y a la camisa de fricción. [41]

MIC 2002-II-19
Cuando una señal de excitación constante es enviada a la celda de carga, el valor de la señal de
salida depende de la resistencia de la celda de carga. Por lo tanto la señal de salida de la celda de
carga es función de la carga aplicada al cono y a la camisa de fricción. [41]
Por lo anterior la calibración de los sensores del CPT / CPTU es fundamental para el exitoso y
confiable uso de los dispositivos. La calibración de las celdas de carga de la resistencia por punta y
fricción, deben hacerse separadamente, pero al mismo tiempo deben ser revisadas para evitar que
un sensor se vea afectado por la carga en otros sensores. Para esto se debe tener en cuenta la
curva de calibración la cual debe ser evaluada para repeatibilidad, no linealidad y efectos de
histéresis. [31] La curva de calibración se genera comparando la señal de salida con la carga
aplicada, a una temperatura constante. La curva de calibración cambia durante el tiempo de vida del
cono. [41]
Como se había dicho la curva de calibración (Figura 2.13) debe ser evaluada para los diferentes
parámetros:
! Error de calibración: es la diferencia en porcentaje entre la calibración original, es decir cuando
el penetrómetro era nuevo y la calibración una vez ya ha sido utilizado.
! Error en la carga inicial: es la diferencia entre las lecturas antes y después de la calibración y
antes y después de los sondeos.
! No linealidad: se refiere a la curvatura de la curva de calibración.
! Repetibilidad: hace referencia al rango de valores obtenidos durante una serie de calibraciones.
! Histéresis: se refiere al ancho del ciclo en la curva de calibración. [41]

MIC 2002-II-19
Figura 2.13: Definición de las características de calibración. Schaap y Zuidberg 1982. [41]
Se deben calibrar los sensores en intervalos regulares, según la ISSMFE cada tres meses. Sin
embargo, la frecuencia de la calibración es una función de los requerimientos del proyecto y de las
condiciones del subsuelo. [31]
Con un diseño cuidadoso, calibración y mantenimiento, las celdas de carga y los transductores de
presión pueden tener una precisión de ±0.2% en la escala total. [31]
2.7. MANTENIMIENTO
Antes de cada sondeo, el cono y la camisa de fricción deben ser revisados en busca de algún daño
o desgaste. Los filtros deben ser inspeccionados y reemplazados después de cada sondeo, para
evitar la pérdida de saturación. Los sellos entre diferentes elementos deben ser limpiados e
inspeccionados antes y después de cada ensayo.
Un detallado registro de las calibraciones, lecturas de carga inicial y reparaciones, debe ser llevado
para cada penetrómetro. [31]

MIC 2002-II-19
2.8. ANÁLISIS DE RESULTADOS
La información que debe presentarse se agrupa dentro de las siguientes categorías:

! Parámetros medidos
! Parámetros derivados
! Información adicional
2.8.1. Parámetros medidos
Los parámetros medidos qc, fs, y u deben ser graficados en función de la profundidad en una sola
hoja y debe procurarse que la escala escogida se útil para el análisis de la información.
Los resultados del ensayo de disipación (u y qc) se grafican en función del tiempo en escala
logarítmica o la raíz cuadrada del tiempo.
2.8.2. Parámetros derivados
Los siguientes parámetros deben ser derivados y graficados en función de la profundidad, siempre
que sea posible:
! qt Resistencia del cono corregida de los efectos de la presión de poros.

qt = qc + u 2 (1 − a )
Ecuación 2.3: Corrección de qc por efectos de la presión de poros
! fs Fricción corregida de los efectos de la presión de poros.

(u 2 Asb − u 3 Ast )
ft = f s −
As
Ecuación 2.4: Corrección de fs por efectos de la presión de poros
! Rf Relación de fricción (en porcentaje)

fs
Rf =
qc

MIC 2002-II-19
Ecuación 2.5: Relación de fricción
ft
Rf =
qt
Ecuación 2.6: Relación de fricción ideal
fs
Rf =
qt
Ecuación 2.7: Relación de fricción típicamente utilizada
! Bq Relación de la presión de poros

Λu
Bq =
qt − σ vo
Ecuación 2.8: Relación de la presión de poros
La Presión de poros normalizada U (Ecuación 2.9) debe ser graficada en función del logaritmo o de
la raíz cuadrada del tiempo.
ut − uo
U=
ui − uo
Ecuación 2.9: Presión de poros normalizada
2.8.3. Información adicional
Además para cada sondeo se debe anexar la siguiente información:
Información del sondeo:

! Nombre del sitio donde se llevo a cabo el sondeo
! Número de sondeo
! Fecha del sondeo
! Frecuencia de lecturas
Información del dispositivo (cono)

! Tipo de cono
! Características geométricas (ángulo del cono, Ac, As, Asb, Ast)
! Serial del dispositivo

MIC 2002-II-19
! Posición del elemento poroso (u1, u2 o u3)

! Fecha de ultima calibración de los sensores (qc, fs, u)
Información del sitio del sondeo

! Posición del nivel freático
! Profundidad del preexcavado (si es relevante)
! Esfuerzo total “in situ” (σo)
Información sobre el manejo de los datos

! Correcciones por presión de poros (qc, fs)

MIC 2002-II-19
3. EXPLORACIÓN DE SUELOS POR MEDIO DE CPT
El principal objetivo de un programa de exploración de suelos esta en determinar la naturaleza de la

estratigrafía del subsuelo (p.e. la extensión, espesor y localización de las diferentes capas de suelo)
y aquellas propiedades físicas y mecánicas necesarias para el diseño geotécnico. Para esto es
necesario que la información sea precisa, sin embargo con los métodos tradicionales el ingeniero
debe interpolar entre los datos obtenidos de las diferentes perforaciones y entre las diferentes
muestras tomadas. Por lo anterior este procedimiento es poco preciso y lo que se espera es realizar
una buena aproximación y un diseño geotécnico que reduzca el riesgo de generar una estructura de
cimentación inadecuada. [5]
El ensayo de CPT se ha utilizado para determinar de manera muy precisa la estratigrafía y

parámetros geotécnicos asociados a los estratos de un sitio. Así mismo el ensayo de CPTU permite
mejorar los resultados obtenidos con el CPT pues se pueden determinar variaciones en la presión de
poros que no son visibles cuando solo se mide qc y fs. Debido a esta gran precisión se puede
optimizar la programación de exploración, determinando estratos donde es necesario tomar
muestras para ser llevadas al laboratorio y de esta manera complementar la información
suministrada por el sondeo. [10]
Como se había dicho anteriormente, los ensayos de CPT y CPTU tienen tres principales
aplicaciones:
! Determinar la estratigrafía del subsuelo y los materiales presentes
! Estimar parámetros geotécnicos
! Proveer resultados para diseños geotécnicos

MIC 2002-II-19
La aplicabilidad de la estimación de los parámetros geotécnicos se resume en la siguiente tabla. La

calificación que allí aparece es cualitativa y puede variar de acuerdo con el conocimiento del
comportamiento del ensayo en una determinada área.
Tabla 3-1: Aplicabilidad del CPT para la estimación de parámetros de geotécnicos [31]
Parámetros Características de Características
Parámetros de estado inicial
de esfuerzo deformación de flujo
Tipo de OC
γDr Ψ Ko St Su ϕ´a E, G M Go k ch
suelo R
Arcilla 3-4 4-5 2-3 2-3 1-2 3-4 4-5 4-5 4-5 2-4 2-3
Arena 2-3 2 4-5 4-5 2 2-4 2-4 2-3
Rangos de aplicabilidad: 1: alta, 2: alta – moderada, 3: moderada, 4: moderada – baja, 5: baja.
3.1. ESTRATIGRAFÍA
La evaluación de la estratigrafía es el propósito principal de los sondeos con CPT, ya que representa
una herramienta con la que se puede relacionar los estratos dentro del suelo a muy bajo costo.
La estratigrafía no consiste únicamente en identificar el tipo de suelo, también es necesario

identificar las diferentes capas dentro del subsuelo explorado. Para esto resultan muy útiles las
lecturas continuas realizadas por el cono, ya que por ejemplo las caídas o aumentos en las
resistencias representan una clave importante para identificar las capas de diferente material, lo que
permite tener una idea de la distribución de los estratos en el sitio de estudio. [41]
3.2. CLASIFICACIÓN DE SUELOS
Se han propuesto varios gráficos de clasificación basados en los resultados del ensayo de CPT y
CPTU; en estos se utilizan la resistencia por punta medida “in situ” qc o corregida por efectos de la
presión de poros qt, la relación de fricción Rf o la relación de la presión de poros Bq. Estos gráficos
deben ser solo utilizados como guías pues muchas veces el mismo suelo puede caer en diferentes
zonas de clasificación; en este caso el juicio del ingeniero y la experiencia local ayudaran a clasificar

MIC 2002-II-19
correctamente el comportamiento del suelo. Generalmente además de la utilización de los gráficos

se toman algunas muestras para ser ensayadas en el laboratorio con el fin de corroborar lo
encontrado en campo. [41]
3.2.1. Gráfico de Douglas y Olsen (1981)
En 1981 Douglas y Olsen propusieron un gráfico de clasificación con la relación de fricción Rf en

función qc (Figura 3.1), proporcionando un mejor entendimiento de los factores que influencian estas
variables.
Figura 3.1: Gráfico de clasificación de Douglas y Olsen 1981 [41]
Una versión simplificada de este grafico fue presentada por Douglas en 1984 (Figura 3.2). Este
gráfico utiliza qcl, es decir la resistencia por punta esta normalizada por el esfuerzo “in situ”. Esto

MIC 2002-II-19
hace mas precisa la clasificación pues al normalizar qc se toma en cuenta el aumento del esfuerzo
“in situ” a medida que aumenta la profundidad. [41]
q t = q cl (1 − 1.25 log10 σ vo )
Ecuación 3.1: Normalización de la resistencia por punta. (σov: Esfuerzo efectivo “in situ” (tsf))
Figura 3.2: Gráfico de clasificación simplificado presentado por Olsen 1984. (qcl, en tsf o bar)
3.2.2. Gráfico de Robertson (1990)
Las correlaciones del gráfico anterior fueron hechas con sondeos realizados a 30 m de profundidad.
Se puede suponer que se genera algún error en la clasificación al realizar el ensayo a profundidades
mayores, teniendo en cuenta que se esta trabajando con variables como qt o qc y Rf. Este error
puede ser minimizado normalizando los resultados del CPT. Sin embargo, esto requiere del uso de
programas de computador pues se genera un proceso iterativo para diferentes tipos de suelo. Ya
que cualquier normalización en los esfuerzos verticales genera un cambio en los esfuerzos
horizontales, ya que la resistencia a la penetración del cono esta influenciada por el esfuerzo

MIC 2002-II-19
efectivo horizontal. Si dejamos de un lado el cambio en los esfuerzos horizontales, aun es necesario
iterar pues se necesita ingresar valores iniciales para el peso unitario y las condiciones por debajo
del nivel freático. [43]
Wroth (1984) y Houlsby (1988) sugirieron que los datos obtenidos del CPT podían ser calibrados de
la siguiente manera:
qt − σ vo
Qt =
′
σ vo
Ecuación 3.2: Normalización de la resistencia por punta
fs
FR = x100%
qt − σ vo
Ecuación 3.3: Normalización de la relación de fricción
u − uo ∆u
Bq = =
qt − σ vo qt − σ vo
Ecuación 3.4: Relación de presión de poros
Utilizando esta normalización y la extensiva base de datos disponible en documentos publicados y

no publicados, Robertson en 1990 modificó el gráfico de clasificación de suelos (Figura 3.3). Los
gráficos mostrados representan un sistema de clasificación en tres dimensiones que incorpora las
tres variables que se obtienen con el CPTU. Si se requiere clasificar utilizando únicamente CPT, se
puede utilizar el gráfico de la izquierda; los resultados se verán afectados únicamente en la parte
baja del grafico la cual corresponde a suelos muy blandos donde qc es pequeño y u es alto. [43]
Dentro del grafico se encuentra incluida una zona que representa el comportamiento de un suelo
normalmente consolidado. También se incluye una guía del comportamiento de las variables
normalizadas para cambios en la relación de sobreconsolidación OCR, edad y sensitividad para
suelos de grano fino y para suelos de grano grueso: OCR, edad, cementación y ángulo de fricción.
[43]

MIC 2002-II-19
Los gráficos de la Figura 3.3 todavía son globales y deben ser utilizados como una guía para definir
el comportamiento del tipo de suelo, basados en los resultados de sondeos con CPT y CPTU.
Factores como cambios en la historia de esfuerzos, sensitividad, dureza, y relación de vacíos
también afectan la clasificación. [43]
Ocasionalmente, suelos caen en diferentes zonas de los gráficos, en esos casos el juicio del
ingeniero es requerido para la correcta clasificación del comportamiento del suelo. A menudo, la tasa
y manera como se disipa el exceso de presión de poros durante el ensayo de disipación representa
una ayuda significativa en la clasificación. [43]
1. Suelo de grano fino sensitivo

2. Suelos orgánicos: turbas
3. Arcillas: arcilla a arcilla limosa
4. Mezclas de limos: arcilla limosa a limo arcilloso
5. Mezclas de arenas: limo arenoso a limo
6. Arenas: arena limpia a limo arenoso
7. Gravas arenosas a arena
8. Arena muy densa a arcilla arenosa (altamente sobreconsolidada o cementada)
9. Suelo de grano fino muy duro (altamente sobreconsolidada o cementada)
Figura 3.3: Gráfico de Clasificación presentado por Robertson 1990 [43]
La relación de presión de poros correlacionada en la Figura 3.3 esta basada en presiones de poros
medidas inmediatamente detrás del cono y antes de la camisa de fricción. [43]

MIC 2002-II-19
3.3. ESTIMACIÓN DE PARAMETROS GEOTECNICOS
El amplio uso del CPT/CPTU en la ingeniería geotécnica, ha tenido como resultado una gran
demanda de correlaciones entre los resultados del ensayo y parámetros del suelo. Es muy difícil
realizar un riguroso análisis teórico acerca de la penetración del cono teniendo en cuenta las
grandes deformaciones y características no lineales del material. Sin embargo, desde la mitad de la
década de 1960´s se han propuesto muchas correlaciones teóricas y estadísticas, algunas de las
cuales han sido ampliamente utilizadas. [58]
3.3.1. Generalidades acerca del manejo estadístico de datos
Las técnicas de confiabilidad fueron introducidas en la ingeniería geotécnica con el objetivo de

proveer un complemento a los análisis deterministicos. Una importante parte del análisis de
confiabilidad es el tratamiento estadístico para la evaluación de parámetros de suelo, para esto se
calcula un valor medio y la incertidumbre de los datos. La estadística debe ser utilizada como un
complemento al juicio ingenieril para seleccionar parámetros de diseño. [31]
La siguiente tabla resume los diferentes métodos estadísticos que pueden ser utilizados en la
utilización de datos de CPT y CPTU.
Tabla 3-2: Herramientas estadísticas y sus aplicaciones al análisis geotécnico [28]
Método Aplicación Recomendación
! Utilizar la varianza cuando existe
! Cuando se tiene un poco cantidad
duda debido al bajo número de
Estimaciones pequeñas de datos
datos
! Útil para datos simétricos
! Método rápido
! Es el mejor método cuando se
Media, varianza, histograma y
tiene suficiente número de datos.
función de densidad de ! Utilizar siempre que sea posible
! La función de distribución se
probabilidad
obtiene de ensayos de ajuste.
! Estudio de las variaciones locales
Métodos de agrupamiento de la distancia entre datos ! Utilizar interpolación estocástica
puntuales.
! Para hacer descripción estadística
del sitio ! Aplica cuando existen suficientes
Geoestadística con interpolación ! Existe sofware adaptado para datos
estocástica parámetros geotécnicos ! Se puede utilizar para cualquier
! Representa una ventaja en la propiedad de suelo o parámetro.
presentación de los datos

MIC 2002-II-19
Definiciones
Correlación Dependencia mutua entre dos o mas variables

Desviación estándar Medida de la dispersión o variabilidad de una variable aleatoria. La
desviación estándar es la raíz cuadrada de la varianza.
Distancia de autocorrelación Distancia que expresa la tasa de decaimiento de la función de
autocorrelación.
La distancia de autocorrelación depende de la función de
autocorrelación utilizada.
Función de autocorrelación Función que describe la correlación de residuos alrededor de una
tendencia.
Función de densidad de probabilidad Distribución de probabilidad para una variable aleatoria continua.
Función de distribución de Ley que describe la probabilidad asociada a cada uno de los
probabilidad avalores de una variable aleatoria
Histograma Representación gráfica de un rango de valores medidos y
observados y la frecuencia de estos.
Media Medida del valor mas común de una variable aleatoria
Población Conjunto de datos considerados
Proceso aleatorio Proceso aleatorio asociado con la generación de variables
aleatorias
Regresión lineal Relación lineal entre dos variables aleatorias expresada en
términos de la media y varianza de una variable aleatoria en función
de otra variable.
Residuos Medición algebraica de la distancia entre el valor de un punto y el
valor de la tendencia en la misma posición.
Tendencia Dirección de un par de variables
Variable aleatoria Variable que presenta dispersión y su valor no puede ser predecido
con certeza.

MIC 2002-II-19
Varianza Medida de la dispersión o variabilidad de una variable aleatoria y la

cercanía de sus valores; la dispersión es medida respecto a la
media.
Fuentes de incertidumbre y variabilidad de las propiedades del suelo
Dos tipos de incertidumbres afectan las propiedades de los suelos:

! Aleatoriedad o incertidumbre inherente: Representa la variación natural de una propiedad. Este
tipo de incertidumbre no puede ser reducida.
! Incertidumbre epistémica: representa la incertidumbre dada por la falta de conocimiento de una
propiedad. Este tipo de incertidumbre puede ser reducida, por ejemplo incrementando el
número de ensayos, mejorando el método de medición o evaluando el procedimiento de cálculo
con un modelo de ensayo.
Para cualquier volumen extensivo de suelo, las características fluctúan espacialmente. Por lo tanto
se considera que las propiedades del suelo están controladas por un proceso aleatorio, con un
patrón de variación y una tendencia determinada. La variabilidad puede ser pequeña o grande.
Existe una tendencia de las propiedades de ser similares a las de puntos cercanos y dejar de serlo
con puntos ampliamente espaciados. Se espera que las propiedades de los suelos muestren alguna
dependencia tanto lateral como con la profundidad. Sin embargo, en la dirección vertical la densidad
del suelo depende del esfuerzo efectivo. [31]
Existen tres fuentes de incertidumbre en un perfil de suelo:

! Hetereogenidad natural o variabilidad en “in situ”. En suelos naturales esta es causada por la
variación en la composición mineral y la historia de esfuerzos. En rellenos, fluctuaciones en la
humedad y densidad. Evidentemente, solo un gran número de exploraciones “in situ” podría
aportar suficiente información para generar una descripción deterministica de las variaciones
locales; solo un modelo probabilístico puede capturar lo más notable con un mínimo número de
parámetros adicionales del suelo.
! Limitada información acerca de las condiciones del subsuelo. Las características del subsuelo
deben ser inferidas del laboratorio en campo o en laboratorio con un número pequeño de

MIC 2002-II-19
muestras. Este es el tipo de incertidumbre estadística que puede ser reducida aumentado en
número de ensayos.
! Errores de medición. Los valores medidos difieren de los valores reales debido a la perturbación
de las muestras, imperfecciones en los ensayos y factores humanos. Este tipo de incertidumbre
también ocurre cuando las propiedades de los suelos son obtenidas a través de la correlación.
[54]
Tratamiento Estadístico
Estimaciones cortas
La media es obtenida mediante el promedio de todos los datos disponibles. La desviación estándar
puede ser obtenida mediante la multiplicación del rango de los valores disponibles por un factor de
peso que es mostrado en la siguiente tabla, definida por Snedecor y Cochran 1964. El rango es
definido como la diferencia entre el valor más grande y el más pequeño en la población de datos.
Este tipo de aproximación es un buen estimador para poblaciones de datos simétricos. [31]
Tabla 3-3: Estimaciones cortas del rango de valores en una población [48]
Número de Factor de peso Número de Factor de peso
puntos puntos
1 11 0.315
2 0.886 12 0.307
3 0.591 13 0.300
4 0.486 14 0.294
5 0.430 15 0.288
6 0.395 16 0.283
7 0.370 17 0.279
8 0.351 18 0.275
9 0.337 19 0.271
10 0.325 20 0.268
Media, Varianza, histograma y función de densidad de probabilidad
La estadística convencional incluye en desarrollo de un histograma y la obtención de una media y un

coeficiente de variabilidad. Un ejemplo idealizado de esto para la resistencia por punta es mostrado

MIC 2002-II-19
en la Figura 3.4. Cuando existen suficientes datos se puede establecer una función de probabilidad.
En geotecnia, las funciones normal y lognormal son las más comunes.
Figura 3.4: Histograma para la resistencia a la penetración [31]
Es muy común que se relacionen dos variables aleatorias que sean de relevancia para determinados
cálculos. En este caso se utiliza un análisis de regresión para establecer las relaciones estadísticas
entre las variables. Generalmente, se utiliza la regresión lineal. En las siguientes ilustraciones se
puede observar la relación entre la cohesión no drenada (Su) y la resistencia a la penetración (qc) y
la profundidad (z). El ajuste de los datos se da en función del coeficiente de correlación r, el cual se
debe acercar a la unidad para un buen resultado.

MIC 2002-II-19
Figura 3.5: Análisis de regresión lineal
Figura3.6: Análisis de regresión lineal, variación constante con la profundidad (z)
Figura3.7: Análisis de regresión lineal, variación no constante con la profundidad (z)

MIC 2002-II-19
Autocorrelación
Aunque normalmente se denomine una capa homogénea, las propiedades de los suelos pueden
variar de un punto a otro. Por lo que se han desarrollado nuevos conceptos para describir la
variabilidad espacial de un suelo, intentado con esto ayudar con el riesgo y la incertidumbre en la
ingeniería geotécnica.
Figura 3.8: Variación espacial de una propiedad del suelo. [31]
La variación de una propiedad del suelo en el espacio esta representada como una tendencia T(x) y
unos residuos ε(x), la representación de esto se puede encontrar en la Figura 3.8. La función de
tendencia es obtenida mediante una regresión y los residuos con correlacionados a no ser que
estén demasiado espaciados. [31]
La variación espacial de una propiedad puede ser modelada como la suma de la componente de la
tendencia y los residuos:
Y ( x) = T ( x) + ε ( x)
Ecuación 3.5: Expresión de una propiedad en la posición x. [31]
Las desviaciones alrededor de T(x) tienden a tener una correlación espacial. El grado de correlación
C(r) puede ser expresado como:
C (r ) = E[(Y (i ) − T (i )) ⋅ (Y ( j ) − T ( j ))]
C (r ) = E[ε ri − ε rj ]
Ecuación 3.6: Expresión para calcular el grado de correlación
Donde r es el vector de separación entre los puntos i y j, E[] es el valor esperado, Y(i) es el dato
tomado en la posición i y T(i) es la tendencia en la posición i.

MIC 2002-II-19
C (r )
ρ (r ) =
C (0)
Ecuación 3.7: Forma normalizada de la autocovarianza
La forma normalizada de la función de autocovarianza (Ecuación 3.6), es conocida como la función

de autocorrelación (Ecuación 3.7), donde C(0) es la función de autocovarianza cuando la distancia r
es cero y representa la distancia a la cual la propiedad del suelo muestra una fuerte correlación.
Las funciones que mas ajustan con propiedades de suelos son:
Figura 3.9: Funciones comunes de autocovarianza: a) Exponencial, b) Exponencial cuadrática y c) esférica
−r
C (r ) = σ 2 e r0
Ecuación 3.8: Función exponencial de autocovarianza
2
 r 
− 
2  r0
C (r ) = σ e 
Ecuación 3.9: Función exponencial cuadrática de autocovarianza

MIC 2002-II-19
 3r r3 
C ( r ) = σ 1 −
2
+ 
 2 r0 2 r0 
Ecuación 3.10: Función esférica de autocovarianza
3.3.2. Generalidades acerca de las teorías más comunes en la estimación de parámetros
Teoría de la capacidad portante
Esta teoría fue una de las primeras en ser tratada como una solución al problema de la
interpretación de los resultados del CPT/CPTU. La resistencia a la penetración del cono se asume
que es igual a la carga de colapso de una cimentación circular profunda. Se han definido dos ramas
para la interpretación de este problema: el equilibrio límite y el análisis de la línea de falla.
Método del equilibrio límite
Se asume un mecanismo de falla (Figura 3.10) y luego se analiza el equilibrio global de la masa de
suelo para determinar la carga de falla. Las soluciones obtenidas por este método son solo una
aproximación, ya que ignora por completo el efecto del comportamiento esfuerzo deformación del
suelo. [58]

MIC 2002-II-19
Figura 3.10: Mecanismos de falla asumidos [58]
Este método presenta algunos inconvenientes pues solo satisface el equilibrio global.
Método de la línea de falla
Se combina un criterio de fluencia, como Mohr-Coulomb o Tresca, con ecuaciones de equilibrio; con
lo que se obtiene un conjunto de ecuaciones diferenciales del equilibrio plástico de la masa de suelo.
A partir de estas ecuaciones se puede construir una conjunto de líneas de falla con la cuales se
puede determinar la carga de falla. Sin embargo a pesar de que el esfuerzo de fluencia calculado
cumpla con el criterio de fluencia determinado y las condiciones de equilibrio dentro del conjunto de
líneas de falla, la distribución de esfuerzo por fuera de esta es desconocida. [58]

MIC 2002-II-19
Figura 3.11: Conjunto de líneas de falla para análisis de la penetración del cono [58]
La teoría de capacidad portante tiene algunas limitaciones:

! En el análisis de la capacidad portante, las deformaciones del suelo son despreciadas, esto
significa que la dependencia de la resistencia a la penetración del cono sobre la rigidez y
compresibilidad del suelo, no puede ser predecida.
! La capacidad portante ignora la influencia del proceso de la penetración del cono sobre el
estado inicial de esfuerzos alrededor de la camisa de fricción. En particular, el esfuerzo
horizontal tiende a incrementarse alrededor de este dispositivo después de la penetración del
cono.
! El método de la línea de falla es más riguroso que el del equilibrio límite. [58]
Teoría de cavidad de expansión
La analogía entre la cavidad de expansión y la penetración del cono fue presentada por primera vez
por Bishop en 1945, después de observar que la presión requerida para producir un hueco profundo
en un medio elastoplástico es proporcional a la necesaria para expandir una cavidad del mismo
volumen bajo las mismas condiciones. Es necesario seguir dos pasos para poder interpretar la
resistencia a la penetración del cono a partir de esta teoría: 1) Desarrollar soluciones teóricas
(numéricas o analíticas) para el límite de presión para la cavidad de expansión en suelos, 2)
Relacionar las presiones límites con la resistencia a la penetración. [58]

MIC 2002-II-19
Figura 3.12: Relaciones entre la cavidad de expansión y la resistencia a la penetración del cono [58]
La existencia de varias soluciones de cavidad de expansión ha demostrado que el efecto de las

diferentes relaciones de esfuerzo deformación (elásticas y plásticas) pueden ser determinadas si se
utiliza este método para el análisis de la resistencia a la penetración. [58]

MIC 2002-II-19
3.3.3. Estimación de características de estado
Peso unitario
Figura 3.13: Peso unitario a partir del CPT (Larsson y Mulabdic, 1991)
La estimación del peso unitario a partir de los datos del CPT/CPTU se puede realizar con la Figura
3.13, sin embargo para esto es necesario realizar una iteración preliminar para poder calcular el
esfuerzo “in situ” σvo. También se puede utilizar la Tabla 3-4, la cual esta basada en las zonas del
gráfico de clasificación de Robertson (Figura 3.3)
Tabla 3-4: Valores aproximados de Peso Unitario γ

ZONA PESO UNITARIO APROX.
(kN/m3)
1 17.5
2 12.5
3 17.5
4 18.0
5 18.0
6 18.0
7 18.5
8 19.0
9 19.5
10 20.0
11 20.5
12 19.0

MIC 2002-II-19
Relación de sobreconsolidación
Para estimar el valor de OCR se pueden determinar tres tipos de métodos:
Métodos basados en la Cohesión no drenada
Para aplicar este tipo de métodos se requiere estimar algunos parámetros:

! Cohesión no drenada Su
! Esfuerzo efectivo “in situ” (Peso unitario γ)
! Índice de plasticidad IP
Una vez se tengan estos se puede utilizar la Figura 3.14, la cual también sirve para la obtención del
coeficiente de empuje de tierras en reposo Ko.
Figura 3.14: Estimación de OCR y Ko (Andresen 1979)

MIC 2002-II-19
El inconveniente con la utilización de este método esta en la necesidad de estimar los parámetros
necesarios para utilizar la gráfica, lo que implica que el resultado obtenido no se ajuste a las
condiciones reales del suelo. [31]
Métodos basados en la forma del perfil del CPTU
La forma de la gráfica de la resistencia por punta en función de la profundidad puede dar una idea
acerca del grado de sobreconsolidación de un suelo. Se estima que para un suelo normalmente
consolidado, se puede esperar el siguiente rango de resistencia por punta normalizado:
qt − σ vo
Qt = = 2 .5 − 5 .0
σ ´vo
Ecuación 3.11: Forma del perfil de la resistencia por punta. [31]
Así, si el depósito presenta una resistencia por punta normalizada mayor que este rango, será
sobreconsolidado. Esta suposición es la misma que se encuentra en el gráfico de clasificación de
Robertson. [31]
qt(Mpa)
Arena
qt=2.5-5.0 x σ´vo
Figura 3.15: Aproximación del OCR a partir de qt vs. profundidad [31]

MIC 2002-II-19
Como una aproximación, se puede evaluar el OCR dibujando una linea sobre un disgrama de qt vs.
profundidad. Si el perfil del sondeo de CPT se encuentra dentro de la banda teorica, el suelo
estudiado es normalmente consolidado. Si es mayor es sobreconsolidado. En la Figura 3.15 se
puede ver un ejemplo de una arena sobreconsolidada.
Este método solo debe ser utilizado cuando se tiene muy poca información. La relación de la
Ecuación 3.11 puede ser reexpresada como:
 q − σ vo 
OCR = k  t 
′
 σ vo 
Ecuación 3.12: Expresión para calcular el OCR a partir del perfil del CPT
Un valor promedio de k=0.3, con un rango entre 0.2 y 0.5. Se recomiendan valores de k más altos
para arcillas sobreconsolidadas.[40]
Métodos basados directamente en los datos del ensayo
Baligh (1980) menciono que la medición de la presión de poros durante el ensayo puede dar una
idea acerca de la historia de esfuerzos del suelo estudiado. Desde esto se han propuesto varias
correlaciones entre el OCR y la presión de poros junto con la resistencia por punta. Sin embargo,
ninguna de las correlaciones propuestas es válida para todos los suelos, ya que la presión de poros
medida en cualquier posición es influenciada por la sensitividad, el mecanismo preconsolidación, el
tipo de suelo y la heterogeneidad local. [31]
A continuación se presentaran algunas de las correlaciones que se han desarrollado en diferentes

trabajos.
! Basado en experimentos con muestras inalteradas de gran calidad, Lunne en 1989 presento las
correlaciones mostradas en la Figura 3.16.

MIC 2002-II-19
Figura 3.16: Correlaciones empiricas para OCR vs. parámetros de CPTU normalizados [31]
Este método es recomendado cuando se cuenta con suficientes datos de sondeos con CPTU. Ya
que se puede estimar el OCR como un promedio de los datos obtenidos con la correlación. [31]
! Con sondeos de CPTU en los cuales se media la presión de poros en las posiciones u1 y u2,
Sully en 1988 propuso la diferencia de presión de poros normalizada PPD, la cual podia ser
relacionada con el OCR.
u1 − u 2
PPD =
u0
Ecuación 3.13: Diferencia de presión de poros normalizada [31]

MIC 2002-II-19
Para OCR<10, se puede aplicar la correlación de la Ecuación 3.14 la cual se encuentra en la Figura
3.17.
OCR = 0.66 + 1.43PPD

Ecuación 3.14: Correlación para OCR<10 presentada por Sully 1988 [31]
Figura 3.17: Correlación para OCR <10 presentada por Sully 1988 [31]
Esta correlación presenta inconvenientes con grados altos de sobreconsolidación. Además de que
es necesario medir la presión de poros en u1 y u2.
! Mayne en 1991 presentó un método basado en una combinación de la teoria de cavidad de

expansión y la teoría del estado critico. Se realizaron varias comparaciones entre valores de
OCR predecidos y medidos, con sondeos realizados en diferentes partes obteniendo buenos
resultados.

MIC 2002-II-19
1.33
 1  qt − u 2 
OCR = 2   
1 . 95 M + 1  σ vo
′ 
M: Pendiente de la Línea del Estado Critico
Ecuación 3.15: Correlación presentada por Mayne (1991) [31]
En las Figura 3.18 y Figura 3.19 se pueden encontrar las gráficas resumen de los resultados
obtenidos mediante la correlación propuesta por Mayne.
Figura 3.18: Resumen de los resultados obtenidos por Mayne 1991, para la obtención del OCR [31]

MIC 2002-II-19
Figura 3.19: Resultados de OCR medidos y estimados en diferentes tipos de arcillas [31]
Esta correlación es de gran utilidad cuando se tienen sondeos realizados con CPTU, ya que se
obtienen muy buenos resultados, sin embargo, se debe recordar que en lo posible se deben verificar
los resultados con la experiencia local. [31]
Esfuerzo horizontal “in situ”
No existen métodos totalmente confiables para estimar el esfuerzo horizontal “in situ” σh o el
coeficiente de empuje lateral Ko. A continuación se presentan algunos de los métodos propuestos.
Métodos basados en OCR
! Una vez estimado el OCR se puede utilizar la Figura 3.14 para determinar el valor de Ko. Sin
embargo, este procedimiento esta limitado a suelos sobreconsolidados.

MIC 2002-II-19
! En 1990 Kulhawy y Mayne propuesieron la correlación de la Ecuación 3.16, en la Figura 3.20 se

observa que existe una considerable dispersión por lo que los resultados obtenidos con esta
correlación solo pueden ser utilizados como una guia.
 q − σ vo 
K o = 0.1 t 
′
 σ vo 
Ecuación 3.16: Correlación propuesta por Kulhawy y Mayne 1990 [31]
Figura 3.20: Estimación de Ko a partir de datos de CPTU Kulhawy y Mayne 1990 [31]
Métodos basados en la diferencia de presión poros medida
Sully y Campanella en 1991 propusieron que la distribución de presiones de poros alrededor del
cono durante la penetración es función del esfuerzo horizontal “in situ”. Por lo que correlacionaron la
diferencia entre la presión de poros medida en la posición u1 y u2 con el esfuerzo efectivo. La
correlación es mostrada en la Figura 3.21.

MIC 2002-II-19
Figura 3.21: Diferencia de la presión de poros PPSV vs. Ko, Sully y Campanella 1991 [31]
 u − u2 
PPSV =  1 
 σ ´vo 
Ecuación 3.17: Diferencia de la presión de poros, Sully y Campanella 1991 [31]
Los resultados obtenidos con esta correlación presentan una considerable dispersión por lo que
deben ser utilizados únicamente como una guía. [31]
Método basado en la medición de esfuerzo lateral o fricción
Se han realizado grandes esfuerzos para medir el esfuerzo lateral a partir de los resultados de la
fricción desarrollada durante el ensayo, para ser correlacionados con el esfuerzo horizontal “in situ”.
Sin embargo, no se han establecido correlaciones confiables, ya que el mayor problema es la poca
precisión en la medición de la fricción y la estimación del OCR. La correlación propuesta por Masood
y Mitchel en 1990 (Figura 3.22) es una de las mejores, pero aun así debe considerarse únicamente
como una guía. [31]

MIC 2002-II-19
Figura 3.22: Relación propuesta para fs, OCR y Ko, Masood y Mitchel 1990 [31]
3.3.4. Estimación de características de esfuerzo
Cohesión no drenada
La cohesión no drenada Su “in situ” depende del modo de falla, la anisotropía del suelo y la historia
de esfuerzos. Por lo tanto el análisis de la cohesión no drenada es un problema de diseño, pues
esta en función del manejo que se le de a las diferentes variables que intervienen. Como la
anisotropía y al tasa de deformación van a influenciar los resultados de todos los ensayos “in situ”,
su interpretación requerirá de algún contenido empírico para poder tener en cuenta estos factores,
así como los posibles efectos por perturbación de la muestra. [31]
Un gran número de trabajos se han dedicado a la interpretación de la cohesión no drenada en

arcillas a partir de resultados de sondeos de CPT/CPTU. Existen dos principales ramas de
interpretación, la primera esta basada en soluciones teóricas y la segunda en correlaciones
empíricas. [31]
Soluciones teóricas
Las soluciones teóricas pueden ser agrupadas bajo alguna de las siguientes teorías:
! Teoría de capacidad portante (ver 3.3.2)

MIC 2002-II-19
! Teoría de cavidad de expansión (ver 3.3.2)

! Conservación de energía combinada con teoría de cavidad de expansión
! Soluciones analíticas y numéricas utilizando relaciones esfuerzo deformación lineales y no
lineales
! Trayectorias de esfuerzo
En todas estas teorías se puede encontrar la relación entre la resistencia a la penetración del cono y
Su de la siguiente forma:
qc = N c ⋅ S u + σ o
Nc: Factor teórico del cono
Ecuación 3.18: Relación teórica entre la resistencia a la penetración del cono y Su [31]
Tabla 3-5: Resumen de las soluciones encontradas para suelos cohesivos con la teoría de la capacidad portante [58]
Autor Método Factor de cono o principales conclusiones
Análisis del equilibrio límite con  a
Mayerhof (1961) mecanismo de falla mostrado en la Nc = 1.15 6.28 + a + cot 
Figura 3.10b.  2
Análisis del equilibrio límite con   π 
Durgunoglu y
mecanismo de falla mostrado en la Nc = 1.2 2.443 + 3.303λ + sen (1 − λ )  
Mitchell (1975)  2 
Figura 3.10d. 
Análisis por el método de la línea de La resistencia a la penetración del cono se incrementa
Houlsby y Wroth
falla, con un cono estándar de 60°. indefinidamente con la profundidad de penetración.
Análisis por el método de la línea de
La resistencia a la penetración alcanzo un valor
Koumoto y Kaku falla, con un cono no estandar en el cual
constante una vez se alcanzó una profundidad mayor
(1982) el diámetro de la camisa de fricción es
que el diámetro del cono.
menor que el de la base del cono.
Tabla 3-6: Resumen de las soluciones encontradas para suelos cohesivos con la teoría de la cavidad de expansión [58]
Factor de cono o principales
Autor Método
conclusiones
El esfuerzo normal sobre la cara del son es asumido G
Ladanyi y Johnston
(1974)
igual al requerido para expandir una cavidad esférica Nc = 3.06 + 1.33 ln
desde radio igual a cero. Su
La resistencia a la penetración es relacionada con la
G
Vesic (1972, 1977) presión límite de la cavidad esferica de expansión, por Nc = 3.90 + ln
el mecanismo de falla de la Figura 3.12b. Su
La resistencia a la penetración es relacionada con una
combinación del trabajo requerido para dar a la punta G
Baligh (1975) cónica un desplazamiento vertical virtual y el trabajo Nc = 12 + ln
necesario para expandir una cavidad cilíndrica Su
alrededor de la camisa de fricción.
Yu (1993) La resistencia a la penetración es obtenida por la Cono liso

MIC 2002-II-19
combinación de la presión límite de una cavidad

3G
cilíndrica con la solución rigurosa de la penetración sin Nc = 4.18 + 1.155 ln
fricción de una cono infinitamente rígido. 2 Su
Cono rugoso
3G
Nc = 9.4 + 1.155 ln
2 Su
Como la penetración del cono es un fenómeno complejo, todas las soluciones teóricas hacen
simplificaciones asumiendo características del comportamiento del suelo, mecanismo de falla y
condiciones de borde. Las soluciones teóricas necesitan ser verificadas con ensayos en campo y en
laboratorio. [31]
Soluciones empíricas utilizando la resistencia total a la penetración del cono
La aproximación más utilizada a partir de la resistencia total del cono es:
(q c − σ vo )
Su =
Nk
Ecuación 3.19: Estimación de Su a partir de la resistencia total del cono [41]
Donde Nk es llamado en factor de cono, cuando sea posible se puede utilizar el valor de qt, para
disminuir la dispersión. Nk varía principalmente entre 10 y 20, y su valor debe ser obtenido de
correlaciones empíricas entre ensayos de compresión inconfinada y lo medido en el campo. Cuando
no se tiene información suficiente para realizar la correlación se recomienda utilizar Nk=15, sin
embargo, se debe tener en cuenta que este valor es muy sensible a la sensitividad de suelos
blandos, y cuando se tenga un suelo de este tipo se debe utilizar un valor cercano a 10. [41]
Soluciones empíricas utilizando la resistencia efectiva a la penetración del cono
Senneset en 1982 sugirió utilizar una resistencia efectiva a la penetración del cono qe la cual se
define como la diferencia entre la resistencia a la penetración de cono y la presión de poros medida
en u2.
qe (q − u 2 )
Su = = t
N ke N ke

MIC 2002-II-19
Ecuación 3.20: Estimación de Su a partir de la resistencia efectiva a la penetración del cono [31]
Nke se encuentra entre 1 y 13, y usualmente se correlaciona con Bq (

Figura 3.23)
Figura 3.23: Factor de cono Nke en función de Bq [31]
Para algunos depósitos esta estimación funciona bien. Sin embargo, no es recomendada para
arcillas blandas normalmente consolidada, pues generalmente la presión de poros medida es mayor
que la resistencia a la penetración del cono, lo que genera error. Por lo que lo mas recomendable es
estimar la cohesión no drenada utilizando el exceso de presión de poros. [31]
Soluciones empíricas a partir del exceso de presión de poros
Las relaciones para estimar Su a partir del exceso de presión de poros están basadas en la teoría de
cavidad de expansión y generalmente son de la forma:
∆u
Su =
N ∆u
Ecuación 3.21: Relación entre el exceso de presión de poros y Su [31]

MIC 2002-II-19
Teniendo en cuenta la presión de poros medida en la posición u2, se han determinado varios rangos
de valores para N∆u:
! Basado en la teoría de cavidad de expansión, N∆u varia entre 2 y 20.
! Lunne en 1985 correlaciono N∆u con Bq para arcillas del Mar Nórdico y obtuvo una variación
entre 4 y 10.
! La Rochelle en 1988 utilizó como referencia arcillas canadienses y encontró que N∆u variaba
entre 7 y 9.
3.3.5. Estimación de características de deformación
Las características de deformación son usualmente expresadas en forma de módulos. Los cuales
están generalmente en función de la historia de esfuerzos y nivel de deformación, es decir
condiciones de drenaje y trayectoria de esfuerzos.
Módulo volumétrico M
El módulo volumétrico en una dimensión, ha sido expresado en términos del coeficiente αm y la

resistencia por punta del cono, tal y como se puede ver en la siguiente expresión:
M = α m qc
Ecuación 3.22 Expresión para el módulo volumétrico en función de la resistencia por punta del cono
Sanglerat en 1972 desarrollo un arreglo de valores de αm, para diferentes tipos de suelo y
resistencia por punta.
Tabla 3-7: Estimación del módulo volumétrico M, para arcillas por Sanglerat [46]
qc < 0.7 MPa 3 < αm < 8

0.7 < qc < 2.0 MPa 2 < αm < 5 Arcilla de baja plasticidad (CL)
qc > 2.0 Mpa 1 < αm < 2.5
qc > 2.0 Mpa 3 < αm < 6
Limos de baja plasticidad (ML)
qc < 2.0 Mpa 1 < αm < 3
qc < 2.0 Mpa 2 < αm < 8 Limo orgánico (OL)
qc < 0.7 MPa
1.5 < αm < 4
50 < w < 100
1 < αm < 1.5 Turba y arcilla organica (Pt, OH)
100 < w < 200
w > 200 0.4 < αm < 1

MIC 2002-II-19
También, existen expresiones más generales como:

M = 8.25(qt − σ vo )
Ecuación 3.23 Expresión para el módulo volumétrico, basada en correlaciones estadísticas
Aunque el calculo parámetros de deformación puede ser realizado mediante expresiones obtenidas
empíricamente, se debe tener especial cuidado, pues es difícil correlacionar parámetros medidos en
condiciones no drenadas, con ensayos de laboratorio. Sin embargo, esta practica puede ser llevada
a cabo, cuando se realizan estudios detallados para zonas especificas, con características de suelo
similares. [31]
Módulo de elasticidad no drenado Eu
La estimación del Módulo de elasticidad no drenado se realiza usualmente mediante métodos

empíricos, de acuerdo con la cohesión no drenada Su, en la siguiente forma:
Eu = n ⋅ Su
Ecuación 3.24 Expresión para el módulo de elasticidad no drenado
Donde n es una constante que depende de la historia de esfuerzos cortante, la relación de

sobreconsolidación, la sensitividad de la arcilla, entre otros aspectos.
Para obtener el módulo de elasticidad es necesario estimar la cohesión no drenada y la relación de
sobreconsolidación, para después utilizar la siguiente figura:

MIC 2002-II-19
Figura 3.24 Estimación del módulo de elasticidad no drenado, en función de Su y OCR

MIC 2002-II-19
4. GENERALIDADES DE REDES NEURONALES
Una red neuronal es un algoritmo que funciona como el cerebro, el cual aprende básicamente por
experiencia. La utilización de redes neuronales permite resolver problemas de manera sencilla. Lo
que hace que la opción de utilizar esta metodología sea muy útil.
Las redes neuronales surgieron de la investigación en inteligencia artificial. Para producir este tipo
de inteligencia es necesario construir sistemas con arquitectura similar a la del cerebro. Este órgano
esta compuesto por cenca de 10.000 millones de neuronas interconectadas, cada una es una célula
especializada que puede propagar una señal electromagnética a través de cuatro estructuras
básicas de interconexión conocidas por sus nombres biológicos como: dentritas, soma y axón. Las
dentritas son extensiones de entrada del soma que reciben las señales electromagnéticas
transmitidas a través de los axones de las otras neuronas. El soma procesa la información que
ingresa y la transforma en información de salida que será transmitida por medio de los axones a las
otras neuronas.
Dentritas
Soma
Axón
Figura 4.1: Esquema de una neurona

MIC 2002-II-19
Así como en el cerebro el elemento fundamental en una red neuronal es la neurona. Básicamente,
una neurona biológica recibe entradas de fuentes y las modifica con una operación que
generalmente no es lineal y genera una salida. Experimentos recientes han demostrado que la
estructura de las neuronas es más compleja, sin embargo, el objetivo de la generación de redes
neuronales no es recrear la estructura del cerebro, sino entender como el cerebro biológico puede
solucionar problemas que no tienen solución por medio de los sistemas de cómputo tradicionales.
Para hacer esto la unidad básica de una red neuronal, las neuronas artificiales simulan las cuatro
funciones básicas de las redes neuronales (recepción de la señal, procesamiento de la información,
transformación del impulso de salida en uno de entrada y generación del impulso de salida).
Figura 4.2: Neurona artificial
En la Figura 4.2 los impulsos de entrada de la red neuronal son representados por medio del
símbolo matemático x(n). Cada uno de estos impulsos es multiplicado por un “peso” de conexión.
Estos pesos son representados por w(n). En el caso más simple las entradas son sumadas y este
valor es transferido para que sea transmitido al exterior como salida. Este proceso electrónico es
posible a otras estructuras de red las cuales utilizan diferentes funciones de suma así como
diferentes funciones de transferencia. [2]

MIC 2002-II-19
4.1. IMPLEMENTACIÓN ELECTRÓNICA DE NEURONAS ARTIFICIALES
En los paquetes de software las neuronas artificiales son llamadas “elementos de proceso” y tiene
más capacidades que la neurona descrita en la sección anterior.
Figura 4.3: Modelo de un elemento de proceso
En la Figura 4.3 los valores de entrada ingresan al elemento de procesamiento desde el extremo
superior izquierdo.
El primer paso en el proceso de operación de una neurona es calcular la suma de todas las entradas
multiplicadas por sus respectivos pesos.
Matemáticamente, los valores de entrada y sus respectivos pesos son vectores que pueden ser
representados como:
i = i1 , i 2 ,..., i n
w = w1 , w2 ,..., wn
Ecuación 4.1: Representación vectorial de los valores de entrada y sus respectivos pesos

MIC 2002-II-19
El valor total de la señal de entrada es el producto punto entre estos dos vectores, lo que da como
resultado un valor. Geométricamente, esto puede ser visto como un calculo de la similitud entre
estos vectores, si estos están hacia la misma dirección el producto punto será máximo, por el
contrario si la dirección es opuesta el producto obtenido será mínimo.
La función de suma puede ser más compleja que solo calcular el producto punto, los valores de
entrada y los factores de peso pueden combinados en muchas formas antes de ser transmitidos s la
función de transferencia. La selección del algoritmo depende de la estructura escogida para la red
neuronal.
Después, el resultado obtenido de la función de suma es enviado a la función de transferencia, la

cual transforma el valor obtenido en una salida real mediante algún algoritmo, las funciones de
transferencia usualmente utilizadas son: lineal, seno, tangente hiperbólica, etc., el resultado de la
función de transferencia es usualmente la salida del elemento de proceso. Este valor de salida
puede ser el valor de entrada de otro elemento de proceso (neurona artificial) o de la estructura de
salida de la red neuronal, esto depende del diseño de la red neuronal.
4.2. PARTES DE LA RED NEURONAL
En esta sección se describen los principales componentes de la red neuronal:
4.2.1. Factores de peso
Una red neuronal puede recibir diferentes variables de entrada. Cada entrada recibe un peso, el cual
determina el impacto que tendrá la variable dentro del la función de suma. Estos pesos tienen la
función de imitar los impulsos eléctricos que se reciben dentro de las neuronas biológicas. En los
dos casos, algunas variables de entrada se hacen más importantes que otras en la generación de la
respuesta neuronal.

MIC 2002-II-19
Los pesos son coeficientes que se pueden adaptar para determinar la intensidad de la variable de
entrada. Estos coeficientes pueden ser modificados de acuerdo con el algoritmo de entrenamiento
que sea utilizado.[2]
4.2.2. Función de suma
Como se había explicado antes, la función de suma consiste en el producto punto entre los vectores
de las variables de entrada y los factores de peso asociados a cada una de estas.
La función de suma puede ser tan compleja como requiera el problema, esto de acuerdo con la
arquitectura y algoritmo escogido.[2]
4.2.3. Función de transferencia
El resultado de la función de suma es transformado en una variable de salida mediante una función
de transferencia. Dentro de la función de transferencia el resultado de la función de suma es
comparado con algún patrón, el producto de esta comparación genera una señal, la cual debe ser
interpretada. De acuerdo con el objetivo de la red neuronal la señal genera una respuesta.
Se pueden utilizar diferentes tipos de redes neuronales de acuerdo con las necesidades del
problema: funciones escalonadas, sinusoidales, logarítmicas, etc. [2]
4.2.4. Escalamiento
Después de la función de transferencia el resultado pasa a través de un paso adicional, en el cual es

escalado, es decir es multiplicado por algún coeficiente, con el fin de generar una variable de salida
que pueda ser reconocida por el usuario.[2]

MIC 2002-II-19
4.2.5. Función de salida (competencia)
Cada una de las neuronas que componen la red, emite una respuesta, la función de salida verifica
cada uno de estos resultados y determina la respuesta final, la cual puede ser una combinación de
todas las respuestas o la respuesta de una sola neurona, teniendo en cuenta que dependiendo del
problema, el resultado pueda ser encontrado por competencia o comparación.[2]
4.2.6. Función de error
De acuerdo con el algoritmo de entrenamiento se calcula la diferencia entre la variable de salida

encontrada y deseada. La función de error esta determinada de acuerdo con el algoritmo de
entrenamiento escogido.
El error es usualmente propagado hacia atrás a la capa previa, con el fin de re-entrenar la red, el
nuevo valor de error escogido será tenido en cuenta en el próximo ciclo de entrenamiento.[2]
4.2.7. Algoritmo de entrenamiento
El objetivo del algoritmo de entrenamiento es variar los factores de peso de las variables de entrada.
El entrenamiento de la red se puede realizar de forma supervisada o sin supervisión, mas adelante
se explicará un poco más acerca de esto.
4.3. OPERACIONES DE LA RED NEURONAL
Las neuronas biológicas están organizadas en estructuras de tres dimensiones. Las redes
neuronales artificiales son estructuras de dos dimensiones, que están organizadas en capas las
cuales están conectadas unas con otras.

MIC 2002-II-19
Básicamente, todas las redes neuronales artificiales tienen una estructura similar a la mostrada en la
Figura 4.4, en esta solo dos capas de neuronas son visible al mundo exterior, la capa de entrada y la
capa de salida, el resto de las capas están ocultas.
Figura 4.4: Diagrama de un red neuronal simple
Sin embargo, una red neuronal es más que un conjunto de neuronas. Por esto es importante
encontrar la estructura de funcionamiento más apropiada para cada caso, la forma más fácil de
diseñar una red artificial es creando capas de neuronas de acuerdo con la agrupación de los
elementos que compongan al problema de estudio.
Por otro lado, existen redes neuronales artificiales útiles que contienen solo una capa o solo un
elemento, sin embargo, la mayoría de las aplicaciones requiere de al menos tres capas: entrada,
oculta y salida.
En la mayoría de redes neuronales cada neurona de la capa oculta recibe información de una
neurona de la capa de entrada y después del proceso interno de la neurona, transmite el resultado a
una neurona de la capa de salida. Sin embargo, es posible que las neuronas de la capa oculta estén
conectadas entre si por medio de procesos de competencia (comparación entre los resultados de las

MIC 2002-II-19
neuronas) o de retroalimentación (el resultado obtenido es devuelto a una capa superior), el

esquema de estos procesos puede ser visto en la Figura 4.5.
Figura 4.5: Esquema de una red neuronal simple con retroalimentación y competencia
4.4. ENTRENAMIENTO DE UNA RED NEURONAL
Una vez la red neuronal ha sido estructurada para la solución de un problema en particular, esta lista
para ser entrenada, para iniciar este proceso los valores de los pesos w(n) son escogidos al azar.
Existen dos tipos de entrenamiento: supervisado o sin supervisión. En el entrenamiento supervisado

se le asignan a la red neuronal los valores de entrada y salida, por el contrario en el entrenamiento
sin supervisión la red neuronal no tiene información de los valores de salida.
4.4.1. Entrenamiento supervisado
Durante este tipo de entrenamiento la red neuronal procesa las entradas y compara los resultados
obtenidos con las salidas deseadas. Los errores encontrados son propagados hacia atrás con el fin

MIC 2002-II-19
de ajustar los pesos que controlan la red neuronal. Este proceso se realiza una y otra vez hasta que
los pesos estén completamente ajustados.
Durante este proceso puede ocurrir que la red nunca aprenda, esto puede suceder cuando la
información de entrada no es la necesaria para resolver el problema o cuando no es suficiente para
completar el proceso.
Existen varios algoritmos para entrenar redes neuronales, el mas utilizado es el llamado propagación
hacia atrás (backpropagation).
4.4.2. Entrenamiento sin supervisión
En el entrenamiento sin supervisión la red se entrena solamente con valores de entrada, el sistema
debe decidir por si solo como adaptarse a los valores de entrada. Este tipo de entrenamiento es
utilizado en robótica, donde los robots deben reaccionar por si solos a diferentes situaciones y
ambientes, por ejemplo, esto es muy importante en situaciones militares donde se debe reaccionar
a nuevas técnicas de combate o armas. Este tipo de entrenamiento continúa en investigación, y la
mayoría de los entrenamientos de redes se realiza bajo supervisión.
4.5. SELECCIÓN DEL TIPO DE RED NEURONAL
Todas las redes neuronales están basadas en el concepto de neuronas, conexiones y funciones de
transferencia, por lo que existe similitud entre los diferentes tipos, la diferencia principal esta en el
tipo problema que se va a resolver.
Básicamente, la mayoría de las aplicaciones de redes neuronales esta dentro de una de las
siguientes categorías:
! Predicción
! Clasificación
! Asociación de datos

MIC 2002-II-19
! Conceptualización de datos
! Filtro de datos
En la siguiente tabla se puede ver las diferencias entre estas categorías y las estructuras asociadas
más comunes.
Tabla 4-1: Tipos de redes neuronales
Tipo de red Usos Estructuras asociadas

Predicción Utiliza valores de entrada para ! Propagación hacia atrás
predecir valores de salida. (BackPropagation)
! Delta bar delta
! Delta bar delta extendida
! Búsqueda aleatoria directa
! Redes neuronales de alto orden
! Mapa de auto-organización
dentro de propagación hacia
atrás
Clasificación Utiliza valores de entrada para ! Vector de aprendizaje
determinar la clasificación dentro de ! Propagación – contador
categorías predeterminadas ! Redes neuronales
probabilísticas
Asociación de datos Como la de clasificación pero detecta ! Hopfield
errores en los datos ! Maquina de Boltzmann
! Red de Hamming
! Memoria asociativa bidireccional
! Ruta de reconocimiento espacio-
temporal
Conceptualización de datos Analiza los valores de entrada ! Red adaptativa de resonancia
buscando relaciones que puedan ser ! Mapa de auto organización
útiles en la solución del problema
Filtro de datos Suaviza una señal de entrada ! Recirculación

MIC 2002-II-19
5. METODOLOGÍA CON REDES NEURONALES PARA LA CLASIFICACIÓN DE SUELOS POR

MEDIO DE SONDEOS CON CPT
Como se había mencionado en la introducción la clasificación de suelos es una de las fuentes de

información más importantes dentro de la ingeniería geotécnica, por lo que es necesario mejorar los
métodos de obtención con el fin de obtener una mayor calidad.
Los métodos de exploración “in situ”, permiten la obtención de información de calidad, por lo que se
han desarrollado estudios en este tipo de ensayos. Dentro de estos se encuentra el Cone
Penetration Test (CPT), el cual representa una valiosa herramienta para la clasificación de suelos
pues permite el estudio del comportamiento del suelo ante la presencia de esfuerzos; difiriendo así
de los métodos tradicionales, mediante los cuales la clasificación se realiza por medio de la
distribución granulométrica de las partículas.
La clasificación de suelos mediante resultados de sondeos con CPT, se puede realizar por medio de
la utilización de gráficos de clasificación, formulas de correlación estadística, ecuaciones derivadas
de estudios teóricos. Sin embargo, estos métodos requieren de un gran tratamiento estadístico de
datos, por lo que es necesario plantear una metodología alterna para solucionar este problema, por
lo que en el presente trabajo se propone la modelación por medio de redes neuronales artificiales.
La modelación de resultados de CPT mediante redes neuronales es relativamente reciente, por lo

que se trata de un campo poco conocido, sin embargo los resultados encontrados en trabajos de
investigación anteriores dentro de la ingeniería civil y en especial dentro de la geotecnia han arrojado
buenos resultados por lo que se puede determinar que este método es confiable para manejar este
tipo de información.

MIC 2002-II-19
Existe una gran ventaja en el planteamiento de esta metodología, la cual consiste en aprovechar la
ventaja del algoritmo genético, el cual permite generalizar las variables de entrada y salida, mediante
la capacidad de entrenamiento y re-entrenamiento que tiene la red neuronal. De esta forma es
posible calibrar el modelo con datos de ensayos obtenidos en el exterior, para luego re-entrenar la
red con los datos obtenidos de sondeos y perforaciones en suelo bogotano.
5.1. PLANTEAMIENTO DEL PROBLEMA Y VARIABLES NECESARIAS
Para el resolver el problema de la clasificación de suelos mediante la metodología de redes

neuronales se debe plantear la red o elemento de proceso, para esto se deben realizar diferentes
modelos de red, con el fin de obtener el modelo óptimo para el tipo de problema planteado.
Qt γ
Fr IP
Bq OCR
σo Su
Variables de entrada Capa de entrada Capa oculta Capa de salida Variables de salida
Figura 5.1: Esquema de la solución al problema planteado
En la Figura 5.1 se puede observar el esquema general del problema que debe ser solucionado por
el algoritmo genético. Para la optimización de la red se deben realizar variaciones en el número de
neuronas que componen las diferentes capas de la red, así mismo se deben variar las funciones de
transferencia y el algoritmo de entrenamiento.
Para el caso de la clasificación de suelos mediante resultados de CPT, las variables de entrada
están definidas por los resultados del ensayo: Resistencia a penetración por punta normalizada Qt,
Fricción desarrollada normalizada Fr y relación de presión de poros Bq, y por el estado de esfuerzos
“in situ” σo. Las variables de salida son aquellas variables que permiten predecir el comportamiento

MIC 2002-II-19
físico – mecánico del suelo, en este caso se tomaron: peso unitario γ, índice de plasticidad IP,
relación de sobreconsolidación OCR y cohesión no drenada Su.
Los datos necesarios para el entrenamiento y validación de la red se obtendrán de diferentes sitios
documentados en los cuales se encuentran resultados de sondeos con CPT y perforaciones con
resultados de ensayos de laboratorio.
Para realizar el montaje y entrenamiento de la red se utilizará el programa MatLab v. 6.5 realease
13, ya que este cuenta con una herramienta especial para la simulación con redes neuronales.
5.2. ARQUITECTURA DE LA RED
Debido a que el problema planteado se encuentra en la categoría de clasificación de acuerdo con la

Tabla 4-1, teniendo en cuenta las recomendaciones encontradas en los diferentes documentos
consultados, el tipo de red “backpropagation”, representa una topología robusta y sencilla, con bunos
resultados para este tipo de problemas.[26]
Backpropagation
La arquitectura de la red tipo “backpropagation” fue desarrollada durante los años 1970´s, con la
ayuda de diferentes fuentes, esta es la mas popular, efectiva y fácil de manejar en el entrenamiento
de redes multicapas.[2]
La arquitectura fue creada por la generalización de la regla de aprendizaje Widrow-Hoff para redes
multicapas y funciones de transferencia no lineales diferenciables. El entrenamiento supervisado de
la red se lleva a cabo con vectores de datos de entrada asociados a vectores de salida específicos.
El termino “backpropagation” se refiere al proceso de retroalimentación mediante el cual se

encuentra el error de entrenamiento, la determinación de este error es función de la topología de la
red (número de neuronas y número de capas). [33]

MIC 2002-II-19
Este tipo de red esta usualmente compuesta por tres capas de neuronas: dos capas visibles de
entrada y salida y una capa oculta, donde se realiza el ajuste de los pesos.[26]
Existen algunas reglas para determinar la arquitectura de la red, de acuerdo con la arquitectura de la
red seleccionada::
1. Como la complejidad de la relación entre las variables de entrada y las variables de salida se
incrementa, entonces el número de neuronas en la capa oculta también debe incrementarse.
2. Si el problema a solucionar debe hacerse en diferentes pasos, es necesario tener mas de
una capa oculta. En caso de que el problema pueda ser resuelto en un solo paso, las capas
adicionales, no generaran ninguna diferencia en la solución del problema.
3. Para determinar si la cantidad de datos es suficiente para el entrenamiento de la red. Es
decir no es demasiada o muy poca información. Se debe tomar el número de conjunto de
datos entrada y salida y se debe dividir por el número de neuronas, si el número encontrado
esta entre cinco y diez, la cantidad de datos es suficiente..
De acuerdo con la Figura 5.1, para el problema planteado se contará con tres capas, una capa de
entrada compuesta por cuatro neuronas, las cuales recibirán los resultados normalizados de los
ensayos con CPT: y el esfuerzo especifico vertical σ0. La capa intermedia, en la cual se realizará la
calibración del sistema estará compuesta inicialmente por cuatro neuronas, esto de acuerdo con las
variables de salida planteadas: γ peso especifico, IP Índice de plasticidad, OCR relación de
sobreconsolidación y Su cohesión no drenada. El número de neuronas de esta capa se aumentará
con el fin de verificar la incidencia en la respuesta de la red con el fin de optimizar el resultado
obtenido.

MIC 2002-II-19
5.3. ENTRENAMIENTO DE LA RED NEURONAL
5.3.1. Configuración de archivos
De acuerdo con las recomendaciones encontradas en los documentos consultados, los datos
seleccionados para el entrenamiento de la red, se deben subdividir en tres clases:
! Entrenamiento: Es el conjunto de datos que se usara para el proceso de aprendizaje (recalcular

pesos). Este conjunto de datos debe ser el mayor, se recomienda que este entre el 60% y 65%
de los datos.
! Validación: Este conjunto de datos se utilizará como validación de la calidad del aprendizaje de
la red, no se usara para el aprendizaje. Si el error para este conjunto de datos empieza a
aumentar durante el proceso de entrenamiento significa que la red ya no esta generalizando sino
que esta memorizando el conjunto de entrenamiento. Generalmente es el 15% al 25% de los
datos.
! Prueba: No se usa en el proceso de entrenamiento. El error calculado sobre este conjunto de
datos se toma como el error de la red, ya que se trata de datos que la red no ha visto antes.
Generalmente es el 15% al 25% de los datos. [8]
Para el caso planteado se cuenta con 4 sondeos realizados en arcillas de Noruega, Suecia e
Inglaterra, los cuales están caracterizados con ensayos de laboratorio, es así como se cuenta con
resultados para las variables de salida. A continuación se describe brevemente cada uno de los
sitios, los cuales son representativos de los tipos de arcillas que se pueden encontrar:
Arcilla ligeramente sobreconsolidada Onsøy, Noruega
El sitio de ensayo se encuentra a cerca de tres kilómetros al noreste de la ciudad de Fredrikstad. El

deposito consiste en cerca de 45 m de arcilla marina que descansa sobre una cama rocosa. Los
primeros 8 a 9 m, se caracterizan por estar compuestos por una delgada corteza formada por
desecación de la arcilla, seguida por una capa de arcilla plástica suave con presencia de hierro y
sulfato, materia orgánica y fragmentos de esquistos. Esta capa es ligeramente sobresonsolidada,

MIC 2002-II-19
debido principalmente a los cambios de clima. La presión de poros en equilibrio “in situ” u0 es de
16.5 KN/m2.
Tabla 5-1: Datos provenientes del sondeo y perforación realizados en Onsøy, Noruega
Resultados sondeo Resultados
Resultados Laboratorio
CPT normalizados CPT
σ σ´ γ Su qt Fs u2
z (m) IP OCR Qt Fr Bq
(KN/m2) (KN/m2) (KN/m3) (Kpa) (KPa) (kPa) (KPa)
5 82 82 0.3 16.4 3 10 250 2.5 250 2.85 0.15 1.39
7.5 123 123 0.31 16.4 1.5 12 300 3 250 2.3 0.17 1.32
10 164 164 0.32 16.4 1.3 11 450 4.2 320 2.64 0.15 1.06
12.5 205 205 0.4 16.4 1.2 12.5 520 6 400 2.46 0.19 1.22
15 246 246 0.45 16.4 1.2 15 600 8 500 2.37 0.23 1.37
17.5 287 16 0.47 16.4 1.3 20 700 10 700 42.72 0.24 1.65
20 328 32 0.5 16.4 1.2 30 800 10 600 24.48 0.21 1.24
Arcilla orgánica, ligeramente sobreconsolidada, Lilla Mellösa, Suecia
El sitio de exploración se encuentra a cerca de 40 Km al norte de la capital de Suecia, Estocolmo. El

área es plana y el suelo consiste en 14 m de arcilla seguidos por una delgada capa de arena que
descansa sobre el lecho de roca. El perfil del suelo es típico de las formaciones post glaciares, en la
superficie se encuentra una delgada capa de suelo orgánico, seguida por el deposito de arcilla el
cual tiene un contenido orgánico del 5%, el cual disminuye con la profundidad hasta el 2%. Se trata
de arcilla sobreconsolidada hasta una profundidad de aproximadamente 2.5m debido a la presencia
de una delgada corteza, después de esta se encuentra ligeramente sobreconsolidada, con OCR
alrededor de 1.2. La presión de poros en equilibrio “in situ” es de 8 KN/m2.

MIC 2002-II-19
Tabla 5-2: Datos provenientes del sondeo y perforación realizados en Lilla Mellösa, Suecia
Resultados Laboratorio Resultados sondeo Resultados

σϖ σ´ϖ γ OCR Su qt Fs u2
z (m) IP Qt Fr Bq
2 28 28 1.1 14 2.5 10 200 6 75 6.14 0.35 0.39

3 42 42 1.1 14 1.2 10 200 7 100 3.76 0.44 0.58
4 56.8 56.8 0.82 14.2 1.2 10 200 5 125 2.52 0.35 0.82
5 70 70 0.84 14 1.2 10 250 5 150 2.57 0.28 0.79
6 90 90 0.75 15 1.2 12 300 5 175 2.33 0.24 0.8
7 105 105 0.65 15 1.2 12.5 320 5 200 2.05 0.23 0.89
8 124 124 0.48 15.5 1.2 14 370 5 225 1.98 0.2 0.88
9 139.5 139.5 0.5 15.5 1.2 15 400 5 260 1.87 0.19 0.97
10 158 158 0.4 15.8 1.2 17 420 5 290 1.66 0.19 1.08
11 176 176 0.4 16 1.2 18 500 5 325 1.84 0.15 0.98
12 192 192 0.4 16 1.2 18 500 5 350 1.6 0.16 1.11
13 208 208 0.3 16 1.2 20 500 5 375 1.4 0.17 1.26
14 224 224 0.18 16 1.2 20 400 5 380 0.79 0.28 2.11
Arcilla, sobreconsolidada, Cowden, Inglaterra
Cowden se encuentra sobre la costa de Inglaterra a 23 Km al noreste de Kingston-upon-Hull. El

deposito esta compuesto principalmente por una matriz de arcilla con algunos trozos de rocas cuyas
dimensiones son generalmente mayores a 25 mm, separada por lentes de limo, arena y grava fina.
La presión de poros “in situ” es de 25 KN/m2.
Tabla 5-3: Datos provenientes del sondeo y perforación realizados en Cowden, Inglaterra

2 43.4 43.4 0.22 21.7 5 140 1000 30 10 22.04 0.031 -0.016

4 86.8 86.8 0.25 21.7 10 110 3500 175 12 39.32 0.051 -0.004
7 151.9 151.9 0.2 21.7 5 90 3000 200 15 18.75 0.07 -0.004
9 195.3 195.3 0.23 21.7 4.5 90 3000 100 15 14.36 0.036 -0.004
10 217 217 0.22 21.7 4.5 90 3000 100 15 12.82 0.036 -0.004
15 325.5 325.5 0.23 21.7 3 135 4000 100 20 11.29 0.027 -0.001
16 347.2 347.2 0.2 21.7 3 130 3500 100 20 9.081 0.032 -0.002
22 477.4 477.4 0.12 21.7 3 165 4500 250 25 8.426 0.062 0.000

MIC 2002-II-19
Arcilla, normalmente consolidada, Pentre, Inglaterra
Pentre es localizado en el valle de Savern, cerca del pueblo de Sherewsbury. Se trata de una
depósito del cuaternario, con una profundidad máxima de 80 m en el centro del valle. Esta
compuesto principalmente por arcilla con numerosos lentes de limo. La presión de poros “in situ” es
de 10 KN/m2.
Tabla 5-4: Datos provenientes del sondeo y perforación realizados en Pentre, Inglaterra

2 36 16 0.35 18 1 20 1000 75 800 60.25 0.078 0.82

4 72 32 0.25 18 1 22 1000 25 150 29 0.027 0.151
5 90 40 0.17 18 1 23 1000 25 200 22.75 0.027 0.209
8 144 64 0.17 18 1 25 1200 30 300 16.5 0.028 0.275
10 180 80 0.15 18 1 33 1000 25 150 10.25 0.03 0.171
12 216 96 0.2 18 1 41 1000 25 320 8.167 0.032 0.395
14 252 112 0.2 18 1 49 1000 25 320 6.679 0.033 0.414
16 288 128 0.15 18 1 57 1500 45 300 9.469 0.037 0.239
18 324 144 0.17 18 1 65 1700 50 400 9.556 0.036 0.283
20 360 160 0.17 18 1 73 1500 50 500 7.125 0.044 0.43
22 396 176 0.15 18 1 81 1300 50 550 5.136 0.055 0.597
24 432 192 0.1 18 1 89 1100 50 600 3.479 0.075 0.883
26 468 208 0.2 18 1 97 1100 50 700 3.038 0.079 1.092
28 504 224 0.15 18 1 105 1700 75 600 5.339 0.063 0.493
30 540 240 0.15 18 1 113 1500 75 700 4 0.078 0.719
32 576 256 0.15 18 1 121 1500 100 350 3.609 0.108 0.368
34 612 272 0.15 18 1 129 1700 75 600 4 0.069 0.542
36 648 288 0.15 18 1 137 1500 50 700 2.958 0.059 0.81
De los sondeos anteriores se obtienen 46 vectores de datos de entrada y salida, para el

entrenamiento de la red. Estos vectores se reorganizarán aleatoriamente con el fin de no sesgar el
resultado del entrenamiento de la red. De este conjunto de datos se tomarán de acuerdo con las
recomendaciones 30 vectores para el entrenamiento de la red, 7 vectores para validación y 9 para
prueba. Adicionalmente, se contará con algunos juegos de vectores adicionales de dos sondeos

MIC 2002-II-19
realizados con el cono de la Universidad de los Andes, con el fin de verificar la aproximación de los
resultados obtenidos con la red entrenada con sondeos realizados en otros países.
Además de la normalización de los resultados obtenidos con el CPT, por medio de la Ecuación 3.2,
Ecuación 3.3 y Ecuación 3.4. Se realizará un preprocesamiento de los datos, con el fin de obtener
datos en el rango -1 a +1, ya que los algoritmos de redes neuronales funcionan mejor con estos
valores.[8]
Para el preprocesamiento se utilizará la siguiente ecuación:
2( p − min p )
pn = −1
max p − min p
Ecuación 5.1: Ecuación utilizada para normalizar y preprocesar los datos[26]
Donde pn representa la matriz de valores de entrada o salida normalizados, p matriz de valores de

entrada o salida, minp vector de valores entrada o salida mínimos y maxp vector de valores de
entrada o salida máximos.
Por ejemplo, se puede tomar la Tabla 5-5 donde se encuentran resultados típicos del ensayo de
CPT para la relación de sobreconsolidación OCR.
Tabla 5-5: Datos utilizados para la calibración de la red neuronal para la variable OCR [31]
Bq Fr Qt OCR
0.42 4.7 4 1.7
0.58 3.7 9 2
0.59 4.5 9 3.8
0.36 4 8 4.5
0.45 6.5 13 8.5
0.25 5.5 9 2.8
Se utilizará la Ecuación 5.1 para lograr que los datos se encuentren en el rango de -1 a +1.

MIC 2002-II-19
El vector de valores mínimos estará conformado por: Bq=0.25, Ft=3.7, Qt=4 y OCR=1.7. El vector de
valores máximos tendrá los siguientes valores: Bq=0.59, Ft=6.5, Qt=13 y OCR=8.5. Con estos
valores y aplicando la Ecuación 5.1 se obtiene la siguiente tabla de datos normalizados:
Tabla 5-6: Datos normalizados utilizados para la clasificación de la red neuronal para la variable OCR
Bq Ft Q OCR
0.00 -0.44 -1.00 -1.00
0.94 -1.24 0.11 -0.91
1.00 -0.60 0.11 -0.38
-0.35 -1.00 -0.11 -0.18
0.18 1.00 1.00 1.00
-1.00 0.20 0.11 -0.68
Las tablas de los vectores normalizados y preprocesados con las que se realizará el entrenamiento
de la red neuronal se encuentran en el CD adjunto a este documento.
5.3.2. Procedimiento de entrenamiento
El entrenamiento de una red implica encontrar el valor óptimo para una serie de parámetros. El único
procedimiento conocido actualmente para optimizar estos valores óptimos es prueba y error.
En este caso se determina utilizar el entrenamiento supervisado, es decir existe un ajuste de los
pesos, de acuerdo con un conjunto de variables de salida esperado.
Para el algoritmo de entrenamiento, se escogió el de gradiente de momento descendiente, esto

quiere decir que la red buscará llegar un mínimo global en el menor número de ciclos posibles,
evitando caer en mínimos locales.[8]
5.3.3. Medidas de desempeño
El objetivo es buscar la mejor red para una tarea dada, por lo tanto se necesita medir cuando una
red es mejor que otra, para esto se obtiene la diferencia entre el valor de la salida encontrado y el
deseado, esta diferencia se determina error y tiene varias formas de medirse:

MIC 2002-II-19
! SSE: Suma de los errores al cuadrado.

! MSE: Promedio de los errores al cuadrado
! Error Porcentual: Error promedio expresado en porcentaje
Para la clasificación de suelos por medio de sondeos con CPT, de acuerdo con las
recomendaciones de los documentos consultados, tomar como medida de desempeño el error
medido como la suma de los errores al cuadrado SSE.
El valor de SSE representa la efectividad del entrenamiento de la red, de acuerdo con la diferencia
que exista entre la medición de esta variable para cada uno de los tipos de datos de entrenamiento.
5.3.4. Condición de terminación del entrenamiento
Antes de realizar el entrenamiento de la red se debe determinar la condición de terminación del

entrenamiento, básicamente se tienen dos funciones: terminar el entrenamiento al llegar a un
número de ciclos establecido o entrenar hasta que la red empieza a memorizar.[8]
Las curvas de error tienen tres etapas claramente definidas, aprendizaje, convergencia y
memorización. Para el entrenamiento de la red se recomienda llegar hasta la etapa de
memorización, el control de esto se lleva con el registro del error. Sin embargo, algunas redes
pueden demorarse mucho hasta llegar a la etapa de memorización por lo que también es
aconsejable terminar el entrenamiento cuando se alcance el 95% de precisión.
5.4. RESULTADOS ENCONTRADOS
5.4.1. Entrenamiento de la red
Se realizó el montaje de la red de acuerdo con lo determinado en las secciones anteriores:

MIC 2002-II-19
! Arquitectura Backpropagation
! Algoritmo de entrenamiento Gradiente con momento descendente
! Medición del error SSE, suma de los errores al cuadrado
! Función de transferencia sinusoidal – logaritmica
Inicialmente, se planteó que la red tuviera tres capas: dos capas visibles de entrada y salida con
cuatro neurona cada una y una capa oculta con cuatro neuronas. Después de realizar varias
pruebas, cambiando en número de neuronas de la capa oculta, con el fin de optimizar el
funcionamiento de la red, se determinó que con doce neuronas se mejora notablemente en
funcionamiento de la red. La optimización den entrenamiento de la red consiste en monitorear el
valor de la suma de los errores al cuadrado SSE para los tres tipos de datos (entrenamiento,
validación y prueba), buscando que no exista una gran diferencia.
Buscando una mayor eficacia de la red, se tomó la decisión de aumentar a dos el número de capas
ocultas con el fin de determinar si esto tiene alguna influencia sobre la optimización del
entrenamiento de la red. De nuevo, realizado pruebas, se llegó a la conclusión que el número óptimo
de neuronas para las capas ocultas es doce. Sin embargo, se logra una mayor eficiencia con este
modelo, pues los valores de SSE para los tres tipos de datos se disminuyo la diferencia entre ellos.
Aumentando así la eficacia de la red.
Tabla 5-7: Tabla de los resultados encontrados durante el entrenamiento de la red

SSE
Tipo de Red
Datos de entrenamiento Datos de validación Datos de prueba
1 capa oculta 0.03 4.57 5.14
2 capas ocultas 0.64 2.5 0.99
Una vez seleccionada la tipología de la red, se procedió al entrenamiento de la misma, para esto se
utilizaron archivos de texto, en los cuales se encontraban, los vectores de datos de entrada y salida,
para cada uno de los tipos de datos. Las tablas correspondientes a estos datos se pueden encontrar
en el CD anexo a este documento.

MIC 2002-II-19
Una vez entrenada la red, se obtiene la siguiente matriz de pesos de transferencia, estos valores
representan la incidencia de cada variable en las neuronas de la capa oculta, para predecir el valor
de las variables de salida escogidas. (Ver Tabla 5-8)
Tabla 5-8: Matriz de pesos de transferencia obtenidos

Neuronas
σ ´v Qt Fr Bq
ocultas
1 -0.62 -0.37 0.74 -0.06
2 -0.12 -0.02 -0.25 -0.29
3 0.74 -0.07 -0.69 -0.06
4 0.06 0.15 0.33 -0.01
5 -0.56 -0.03 0.55 0.07
6 -0.18 -0.03 0.16 0.06
7 0.33 0.21 0.31 0.17
8 -0.24 0.84 0.13 -0.69
9 -0.15 -0.20 -0.22 -0.17
10 -0.54 -0.15 0.03 0.01
11 -0.15 0.54 0.02 -0.62
12 -0.41 0.05 0.45 0.07
:
Los valores de los pesos de transferencia, se puede utilizar la red para predecir el valor del índice de
plasticidad, peso especifico, relación de sobreconsolidación y cohesión no drenada, para cualquier
vector de datos de entrada, compuesto por: esfuerzo vertical, resistencia a la penetración por punta
normalizada, resistencia a la fricción normalizada y relación de presión de poros.
5.4.2. Comprobación del entrenamiento de la red
Para probar la eficiencia de la red se realizó la comparación de los resultados obtenidos con los
nueve vectores de datos de prueba. La siguiente tabla y gráficas ilustran los resultados obtenidos
con esta comparación.

MIC 2002-II-19
Tabla 5-9: Resultados encontrados para los datos de prueba
IP γ (KN/m3) OCR Su (KN/m2)

Laboratorio Red Laboratorio Red Laboratorio Red Laboratorio Red
1 0.17 0.16 18.00 18.21 1.00 1.08 65.00 61.62
2 0.23 0.16 21.70 21.43 3.00 3.31 135.00 122.85
3 0.50 0.52 16.50 15.84 1.20 1.42 30.00 11.97
4 0.20 0.16 21.70 21.41 3.00 2.94 130.00 124.07
5 0.17 0.16 18.00 18.16 1.00 1.09 73.00 77.15
6 0.20 0.23 18.00 17.06 1.00 1.29 97.00 31.73
7 0.12 0.15 21.70 21.37 3.00 2.48 165.00 147.18
8 0.15 0.16 18.00 18.20 1.00 1.08 105.00 113.10
9 0.15 0.15 18.00 18.28 1.00 1.12 137.00 130.95
Valores de Indice de Plasticidad

(Datos de Prueba)
1.00
0.90
0.80
Indice de Plasticidad IP
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
0 1 2 3 4 5 6 7 8 9 10
Laboratorio Red
Figura 5.2: Gráfica comparativa del índice de plasticidad para los datos de prueba
Valores de Peso Especifico
(Datos de Prueba)
24.00
22.00
Peso Especifico g (KN/m3)
20.00
18.00
16.00
14.00
12.00
10.00
0 1 2 3 4 5 6 7 8 9 10
Laboratorio Red
Figura 5.3: Gráfica comparativa del peso especifico para los datos de prueba

MIC 2002-II-19
Valores de Relación de Sobreconsolidación

(Datos de Prueba)
5.00
4.50
Relación de Sobreconsolidación OCR

4.00
3.50
3.00
2.50
2.00
1.50
1.00
0.50
0.00
0 1 2 3 4 5 6 7 8 9 10
Laboratorio Red
Figura 5.4: Gráfica comparativa de la relación de sobreconsolidación para los datos de prueba
Valores de Cohesión no drenada
(Datos de Prueba)
200
180
160
140
120
Su (KN/m2)
100
80
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10
Laboratorio Red
Figura 5.5: Gráfica de la cohesión no drenada para los datos de prueba
En las figuras anteriores se puede observar que los datos obtenidos mediante la red, son bastante
aproximados a los valores obtenidos en laboratorio. En la siguiente tabla se encuentran los errores
encontrados para cada una de las neuronas de salida, para los nueve vectores de datos de prueba.

MIC 2002-II-19
Tabla 5-10: Errores encontrados en las variables de salida para los datos de prueba

1 0.07 -0.19 -0.02 -0.63
2 0.14 0.07 -0.08 0.18
3 0.71 -0.50 0.03 -1.69
4 0.08 0.08 0.01 0.09
5 0.08 -0.24 -0.01 -0.94
6 0.13 -0.17 -0.01 -0.86
7 -0.07 0.09 0.11 0.23
8 0.03 -0.21 -0.01 -0.68
9 0.03 -0.17 -0.01 -0.34
En la tabla anterior se puede apreciar que los errores generados por la red utilizando los datos de
prueba son pequeños para la mayoría de las variables, sin embargo para la cohesión no drenada,
los errores alcanzan valores significativos, entre -0.68 y -1.69. Es decir los valores predecidos por la
red para esta variable no son confiables.
Para comprobar si la matriz de pesos de conexión puede ser utilizada en la clasificación de suelos
bogotanos, se tomó el sondeo realizado por Lina María Otero, en julio de 2001, en las cercanías del
Canal Salitre. Aledaño al lugar donde se realizó el sondeo con el CPT, se ejecutó una perforación
tradicional, tomando muestras para ser analizadas en laboratorio. Los resultados de este análisis se
encuentran resumidos en la Tabla 5-11, además se generaron gráficas para la variación del índice
de plasticidad IP con la profundidad y del peso especifico γ: y de la dispersión de estos valores (ver
Figura 5.6, Figura 5.7, Figura 5.8, Figura 5.9, Figura 5.10), donde se aprecia que las predicciones
hechas por la red son válidas para los primeros 8 m, pero que después de esta profundidad, existen
grandes diferencias con los valores obtenidos en laboratorio.

MIC 2002-II-19
Tabla 5-11: Resultados del análisis realizado para los datos del sondeo Canal Salitre

Z (m) Laboratorio Red Laboratorio Red Laboratorio Red Laboratorio Red
0.73 0.45 1.00 14.40 15.39 2.94 16.07
0.94 0.41 0.75 13.40 15.40 2.82 21.54
1.86 0.16 0.27 15.90 14.43 1.20 19.84
4.15 0.31 0.34 12.40 14.14 1.18 9.00 43.88
5.80 0.37 0.29 12.60 14.56 2.98 1.18 67.52
10.70 1.13 0.29 12.60 15.33 1.15 1.52 71.99
12.70 0.75 0.39 8.10 14.97 1.31 74.96
15.85 0.98 0.25 7.20 15.28 1.18 1.29 85.00 71.77
17.90 1.03 0.25 6.60 15.19 1.27 63.82
19.40 1.16 0.28 7.20 15.33 1.41 59.31
21.00 1.32 0.28 6.20 15.38 1.08 1.45 54.00 55.79
23.00 0.92 0.32 5.80 13.56 1.14 50.01
25.60 0.65 0.74 14.40 8.68 1.10 1.10 44.85
31.40 0.61 1.06 7.30 7.21 1.10 22.12
Tabla 5-12: Errores encontrados en las variables de salida para los datos del Canal Salitre
γ Su
IP (KN/m3) OCR (KN/m2)
1 -0.95 -0.20
2 -0.59 -0.40
3 -0.18 0.29
4 -0.05 -0.35 -0.92
5 0.13 -0.39 1.90
6 1.46 -0.54 -0.39
7 0.63 -1.36 -0.66
8 1.26 -1.60 -0.12
9 1.34 -1.70
10 1.51 -1.61
11 1.81 -1.82 -0.39 -0.05
12 1.03 -1.54
13 -0.16 1.13 0.00
14 -0.77 0.02

MIC 2002-II-19
Variación del índice de plasticidad Variación del Peso Especifico con la profundidad
con la profundidad Sondeo Canal Salitre
Sondeo Canal Salitre
0.00 5.00 10.00 15.00 20.00

0 0
0.00 0.50 1.00 1.50
-5 -5
-10 -10
-15 -15
Profundidad (m)
Profundidad (m)
-20 -20
-25 -25
-30 -30
-35 -35
Índice de Plasticidad IP Peso Especifico g (KN/m3)
Laboratorio Red Laboratorio Red
Figura 5.6: Variación del Índice de plasticidad y del peso especifico con la profundidad para los datos del sondeo del Canal Salitre

MIC 2002-II-19
Variación del Indice de Plasticidad

Datos Canal Salitre
1.4
1.2
Indice de Plasticidad
1
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Laboratorio Red
Figura 5.7: Variación del Índice de plasticidad datos canal salitre
Variación del Peso especifico

Datos Canal Salitre
20
15
Peso especifico
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Laboratorio Red
Figura 5.8: Variación del Peso especifico datos canal salitre
Variación de la relación de sobreconsolidación

Datos Canal Salitre
3.5
Relación de sobreconsolidación
3
2.5
2
1.5
1
0.5
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Laboratorio Red
Figura 5.9: Variación de la relación de sobreconsolidación datos canal salitre

MIC 2002-II-19
Variación de la Cohesión no drenada

Datos Canal Salitre
100
Cohesión no drenada
80
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Laboratorio Red
Figura 5.10: Variación de la cohesión no drenada datos canal salitre
En la Tabla 5-12 se encuentran los errores encontrados en las neuronas de salida, para cada uno de
los vectores de datos del sondeo del Canal Salitre. Los valores contenidos en esta tabla son altos
comparando con los obtenidos con los datos de prueba (Tabla 5-10). Debido a lo anterior los datos
predecidos por la red para suelos bogotanos, no son satisfactorios, esto debido principalmente a que
los datos de calibración de la red son de origen europeo y las condiciones del suelo no son las
mismas.
De acuerdo con los resultados obtenidos con los valores de prueba y los datos provenientes del
sondeo del Canal Salitre se puede determinar que la red planteada, es eficiente para trabajar con
suelos europeos, pues los resultados obtenidos son bastante acertados para la mayoría de las
variables estudiadas, a excepción de la cohesión no drenada Su. Sin embargo, para el caso del
sondeo en el Canal Salitre, los resultados obtenidos no son aceptables, y es necesario re-entrenar la
red con datos provenientes del suelo bogotano, con el fin de aprovechar las ventajas de la
metodología planteada. Teniendo en cuenta que con pocos vectores de datos se puede lograr que la
red prediga valores para las variables más significativas en la clasificación de suelos, desde el punto
de vista del comportamiento físico - mecánico. Ahorrando de esta forma dinero y tiempo, en la toma
de muestras y ejecución de sondeos con CPT, que son necesarios para la generación de gráficos de

MIC 2002-II-19
clasificación y correlaciones estadísticas para la clasificación de suelos por medio de resultados de

sondeos con CPT.

MIC 2002-II-19
6. CONCLUSIONES Y RECOMENDACIONES
! La clasificación de suelos es una de las fuentes de información más importantes dentro de la

ingeniería geotécnica. Por lo que se ha hecho necesaria la generación de métodos de
exploración que permitan obtener información de calidad. Dentro de estos nuevos métodos se
encuentran los ensayos “in situ”, los cuales permiten obtener información de mayor calidad a un
menor precio. El Cone Penetration Test CPT ha demostrado ser una poderosa herramienta en la
clasificación de suelos, ya pues permite determinar el comportamiento físico – mecánico el suelo
a partir de los resultados del ensayo, el cual consiste en empujar dentro del suelo una punta
cónica con velocidad constante, obteniendo parámetros como resistencia a penetración por
punta, resistencia a la fricción y presión de poros. Lo anterior Esto es muy importante si se tiene
en cuenta que tradicionalmente la clasificación de suelos ha estado determinada por la
distribución granulométrica de las partículas.
! Tradicionalmente para la clasificación de suelos por medio de sondeos con CPT, se utilizan
gráficos de clasificación y correlaciones obtenidas del manejo estadístico de datos provenientes
de sondeos realizados con CPT y perforaciones bien documentadas, con los cuales se logra una
buena caracterización del perfil estratigráfico. Existen un buen número de estudios estadísticos
para suelos en diferentes partes del mundo. Sin embargo, para el caso de los suelos bogotanos
estos solo pueden ser utilizados como una guía, por lo que es necesario generar las
correlaciones estadísticas para la zona de Bogotá. Esto requiere de un gran número de sondeos
y perforaciones, lo que toma tiempo y dinero. Por lo que se requiere buscar una metodología
alterna que permita la calibración del ensayo con pocos datos.
! En este trabajo se plantea la posibilidad de utilizar redes neuronales artificiales que permitan la
obtención de parámetros geotécnicos de clasificación por medio de resultados de sondeos

MIC 2002-II-19
realizados con CPT. Esta metodología ha demostrado ser efectiva en la solución de problemas
dentro de la ingeniería civil y en especial en geotecnia. Además, este tipo de algoritmo tiene la
ventaja de ser entrenado y re-entrenado pues esta basado en el modelo neuronal biológico, es
decir en solucionar el problema por medio del aprendizaje. Esto es especialmente útil en el caso
de la clasificación de suelos, pues con pocos datos se puede verificar la aplicabilidad de la
metodología al problema de la clasificación de suelos por medio de sondeos con CPT, y de esta
manera extender su utilización a los suelos bogotanos.
! La red utilizada tiene la arquitectura del tipo backpropagation pues esta ha demostrado ser
bastante efectiva, robusta y fácil de utilizar en los problemas de predicción de datos. Esta
compuesta por cuatro capas: dos capas visibles de entrada y salida con cuatro neuronas cada
una y dos capas ocultas con doce neuronas donde se realizan los cálculos necesarios. Para el
entrenamiento de la red se utilizaron datos provenientes de cuatro sondeos caracterizados con
ensayos de laboratorio en Suecia, Inglaterra y Noruega. El resultado del entrenamiento de la red
fue satisfactorio pues se encontró que los datos predecidos por la red son bastante aproximados
a los obtenidos en laboratorio. De acuerdo con lo anterior se demostró que la metodología es
funcional para la solución del problema planteado.
! Para verificar si la red entrenada podía ser utilizada para la clasificación de suelos bogotanos, se
tomaron los datos provenientes de un sondeo realizado en julio del 2001 en el Canal Salitre, el
cual contaba con algunas muestras para la caracterización del perfil mediante ensayos de
laboratorio. Los datos predecidos por la red para este sondeo no resultaron satisfactorios pues
existen grandes diferencias con los parámetros obtenidos mediante los ensayos de laboratorio.
! Teniendo en cuenta que la red entrenada no puede ser utilizada para la generación de
parámetros geotecnicos a partir de resultados de sondeos con CPT en la sabana de Bogotá, es
necesario realizar sondeos con perforaciones aledañas que permitan obtener datos para el re-
entrenamiento de la red.

MIC 2002-II-19
! Con el re-entrenamiento de la red, se puede lograr el aprovechamiento total del ensayo en el

país, ya que este se encuentra subutilizado al realizar únicamente ensayos para el cálculo de la
resistencia de pilotes por punta.
! También es necesario resaltar sobre la necesidad de continuar realizado perforaciones aledañas

a los sondeos con CPT, ya que estas dos actividades son complementarias pues permiten
determinar un programa óptimo de muestreo y sondeos, con el fin de lograr una mejor cobertura
del área a estudiar.

MIC 2002-II-19
BIBLIOGRAFIA
1. AHMANDI M. M., BYRNE P. M., CAMPANELLA R. G. Numerical simulation of CPT tip

resistance in layered soil. Asian Institute of technology 40th year conference, New Frontiers &
Challenges. 1989.
2. ANDERSON D., McNEILL G. Artificial Neural Networks Technology. Kaman Sciences

Corporation. Nueva York. 1992.
3. ANDRESEN A., BERRE T., KLEVEN A., LUNNE T. Procedures used to obtain soil
parameters for foundation engineering in North Sea. Marine Geotechnology. Volumen 3.
Número 3. 1979.
4. BALIGH M. Theory of deep static cone penetration resistance. Reporte No. R75-56.
Departamento de Ingeniería Civil y Ambiental. Massachusetts Institute of Technology.
Cambridge. Massachusetts. 1975.
5. BALIGH M., VIVATRAT V., LADD C.. Cone Penetration in soil profiling. Journal of
Geotechnical Engineering Division. ASCE. Volumen 106. Abril 1980.
6. BARON Cesar A. Redes Neuronales en Ingeniería Civil. Proyecto de Grado Ingeniero Civil.
Universidad de los Andes. Bogotá 1998.
7. BEGEMANN H. K. S. Improved method of determining resistance to adhesion by sounding

through a loose sleeve placed behind the cone. Proceedings of the 3er International
Conference on soil Mechanic and Foundation Engineering. Montreal. 1953.

MIC 2002-II-19
8. CAYCEDO Mario. Redes Neuronales: Una Metodología para saber cuando y como
utilizarlas. Tesis Magíster en Ingeniería de Sistemas. Universidad de los Andes. Bogotá
2000.
9. DANZINGER F. A. B., ALMEIDA M. S. S., SILLS G. C. The significance of the strain path
analysis in the interpretation of odelling dissipation data. Geotechnique. Volumen 47.
Número 5. 1997.
10. DE RUITER J. The static cone penetration test. State of the art report. Proceedings of the
second European Symposium on Penetration Testing. Amsterdam 1982.
11. DURGUNOGLU H.T., MITCHELL J.K. Static penetration resistance of soils, I: Analysis.
Proceedings of conference of in situ measurements of soil properties. ASCE. Nueva York.
Volumen 1. 1975
12. FINKE K., MAYNE P., KLOPP R. Piezocone penetration testing in Atlantic piedmont
residuum. Journal of Geotechnical and Geoenviromental Engineering. ASCE. Volumen 127.
Número 1. Enero 2001.
13. Geotechnical In-Situ Testing. Informational & Reference CD-ROM version 2.00
14. HOULSBY G., WROTH C.P. Determination of undrained strengths by cone penetration tests.
Proceedings of the 2nd European symposium on penetration testing. Volumen 2. 1982
15. HOULSBY G. T., THE C. I. Analysis of the piezocono in clay. Proceedings of the
International Symposium on Penetration Testing. Orlando. 1988

MIC 2002-II-19
16. JAKSA M., BROOKER P., KAGGWA W. Inaccuracies Associated with estimating random
measurements errors. Journal of Geotechnical and Geoenviromental Engineering. Volumen
123. ASCE. Número 5. Mayo 1997.
17. JAKSA M., Random field modelling of CPT data. Journal of Geotechnical and
Geoenviromental Engineering. ASCE. Volumen 126. Número 12. Diciembre 2000.
18. JOHNSON L. D. Correlation of soil parameters from “in situ” and laboratory test for building
333. Proceedings of the ASCE Speciality Conference “in situ”`86: Use of “in situ” Tests in
Geotechnical Engineering. Blacksburg. ASCE. 1986.
19. JOHNSTON I.W. Why in-situ testing? Proceedings of an extension course on in-situ testing
for geotechnical investigations. Sydney 1983.
20. JUANG C.H. Three dimensional site characterization: neural network approach.
Geotechnique. Volumen 51. Número 9. 2001.
21. KARLSRUD K., LUNNE T., BRATTLIEN K. Improved CPTU interpretations based on block
samples. Norges Geotekniske Institutt. N° 202. Oslo. 1997.
22. KOTZIAS P., STAMATOPOULOS A. Statistical to fuzzy approach toward CPT soil
classification. Journal of Geotechnical and Geoenviromental Engineering. ASCE. Volumen
126. Número 6. Junio 2000.
23. KOUMOTO T., KAKU K., Three dimensional analysis of static cone penetration into clay.
Proceedings of the 2nd European symposium on penetration testing. Volumen 2. 1982
24. KOVACS W. HOLTZ R. An introduction to geotechnical engineering. Englewood Cliffs.

Prentice Hall 1981.

MIC 2002-II-19
25. KULHAWY F.H., MAYNE P.H. Manual on estimating soil properties for foundation design.
Electric Power Research institute. EPRI. 1990.
26. KURUP P., DUDANI K. Neural netoworks for profiling history of clays from PCPT data.
Journal of Geotechnical and Geoenviromental Engineering. ASCE. Volumen . Número .
Julio 2002.
27. LA ROCHELLE P., ZEBDI P.M., LEROUEIL S., TAVENAS F., VIRELY D. Piezocone tests in
sensitive clays of earsten Canada. Proceedings of the International Symposium on
Penetration Testing. Orlando. 1988
28. LACASSE S. LAMBALLERIE J. Y .N. Statistical treatment of CPT data. Proceedings of the
international Symposium on Cone Penetration Testing, CPT´95. Swedish Geotechnical
Society. Suecia. 1995.
29. LADANYI B., JOHNSTON G.H. Behavior of circular footings and plate anchors embedded in
permafrost. Canadian Geotechnical Journal. Ottawa. Canada. 1974
30. LARSSON R., MULABDIC M. Piezocone tests in clay. Swedish Geotechnical Institute.
Report 42. 1991.
31. LUNNE T, ROBERTSON P. K. POWELL J. J. M. Cone Penetration testing in geotechnical

engineering. Chapman & Hall. Londres 1997.
32. LUNNE T., CHRISTOPHERSEN H.P. Interpretation of cone penetrometer data for offshore
sands. Proceedings of the Offshore Technology Conference. Richardson Texas. Número
4464. 1983
33. MAT LAB HELP. Versión 6.5 realease 13. The Math Works Inc. junio 2002.

MIC 2002-II-19
34. MAYNE P.W. Determination of OCR in clays by piezocone tests using cavity expansion and
critical state concepts. Soils and foundations. Volumen 31. Número 2. 1991.
35. MAYNE P. CPT indexing of “in situ” OCR in clays. Proceedings of the ASCE Speciality
Conference “in situ”`86: Use of “in situ” Tests in Geotechnical Engineering. Blacksburg.
ASCE. 1986.
36. MAYERHOF E. The ultimate bearing capacity of wedge-shaped foundations. Proceedings of

the 5th conference on soil mechanics and foundations engineering. Volumen 2 y 3. 1961
37. OROZCO Rojas Luis Fernando. Comunicación personal. Junio 2002.
38. OTERO Restrepo Lina María. Caracterización del suelo bogotano a partir de sondeos con
CPTU. Tesis Magíster ingeniería civil. Universidad de los Andes. Bogotá 2002.
39. PENAGOS Juan C., ORTIZ Dulfay. Determinación de lluvias críticas que activan
deslizamientos empleando redes neuronales artificiales. Tesis Magíster Ingeniería Civil.
Universidad de los Andes. Bogotá 2002.
40. POWELL J.J.M, QUATERMAN R.S.T. The interpretation of cone penetration tests in clay,
with particular reference to rate effects”. Proceedings of the international Symposium of
Penetration Testing ISPT-1. Orlando. Balkema Pub. 1988.
41. RIAUND Jean Louis, MIRAN Jerome. The cone penetration test. Federal Highway
Administration FHWA. Washington 1992.
42. ROBERTSON P. K. Use of piezometer cone data. Proceedings of the ASCE Speciality
Conference “in situ”`86: Use of “in situ” Tests in Geotechnical Engineering. Blacksburg.
ASCE. 1986.

MIC 2002-II-19
43. ROBERTSON P. K. Soil Classification using the cone penetration test. Canadian
Geotechnical Journal. Volumen 127. Número 1. 1990.
44. ROBERTSON P. K., WOELLER D. J. and Finn, “Seismic CPT for Evaluating Liquefaction
Potential”. Canadian Geotechnical Journal. Volumen 29. 1992.
45. ROMERO Víctor. Comunicación personal junio 2002.
46. SANGLERAT G. The penetrometer and soil exploration, Elsevier, Ámsterdam 1972.
47. SCHAAP L. H. J. ZUIDBERG H. M. Mechanical and electrical aspects of the electric cone
penetrometer tip. Proceedings of the 2nd European Symposium on Penetration Testing.
Amsterdam 1982.
48. SNEDECOR G. W., COCHRAN W.G. Statistical methods. Universidad de Iowa. Iowa,
Estados Unidos. 1964.
49. SENNESET K., JANBU N., SVANO G. Strenght and deformation parameters from cone
penetretation tests. Proceedings of the 2nd European Symposium on Penetration Testing.
Amsterdam 1982.
50. SULLY J.P., CAMPANELLA R.G., ROBERTSON P.K. Overconsolidation ratio of clays from
penetration testing. Journal of Geotechnical Engineering. ASCE. Volumen 114. Número 2.
1988.
51. SULLY J.P., CAMPANELLA R.G. Effect of lateral stress on CPT penetration pore pressure.
Journal of Geotechnical Engineering. ASCE. Volumen 117 Número 7. 1991.
52. SUTCLIFFE G, WATERTON C. Quasi-static penetration testing. Proceedings of an

extension course on in-situ testing for geotechnical investigations. Sydney 1983.

MIC 2002-II-19
53. TEH C. I., HOULSBY T. An analytical study of the cone penetration test in clay.
Geotechnique. Volumen 41. Número 1. 1991.
54. VANMARCKE Erik. Probabilistic modelling of soil profiles. Journal of the Geotechnical
Engineering Division. ASCE. Volumen 103. Número GT11. Noviembre 1977.
55. VESIC A.S. Expansion of cavities in infinite soil mass. Journal of soils mechanics and
foundations division. ASCE. Volumen 98 Número 3. 1972
56. VESIC A.S. Design of pile foundations. Reporte No. 42. Transportantion research board.
Washington D. C: 1977
57. WROTH C. P. The interpretation of in situ soil test. 24th Rankine Lecture. Geotecnique.
Volumen 34. Número 4. 1984
58. YU H. S., MITCHELL J. K. Analysis of cone resistance: review of methods. Journal of

Geotechnical and Geoenviromental Engineering. ASCE. Volumen 124. Número 2. Febrero
1998.
59. YU H.S., A novel isoparametric finite element displacement formulation for axisymmetric
analysis of nearly incompressible materials. Methods in engineering. Número 36. 1993
60. www.ngi.no
61. www.liquefaction.com
62. www.civil.ubc.ca/home/rgc

Ensayo CPT

Cargado por

Copyright:

Formatos disponibles

Ensayo CPT

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ensayo CPT

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE LOS ANDES

DEPARTAMENTO DE INGENIERIA CIVIL Y AMBIENTAL

METODOLOGÍA CON REDES NEURONALES PARA LA CLASIFICACIÓN DE

ANA CRISTINA GUTIÉRREZ GONZÁLEZ

Asesor: ARCESIO LIZCANO PELAEZ

SANTAFE DE BOGOTA, ENERO DEL 2002

1.1. Suelos Granulares 14

1.2. Suelos de grano fino 14

2. ENSAYO DE PENETRACIÓN ESTÁTICA - CPT 17

2.1. Utilidad del ensayo 18

2.2. Historia del ensayo 19

2.3. Descripción del equipo utilizado 26

2.4. Metodología de Ensayo 29

Ana Cristina Gutiérrez González 1

2.5. Problemas que pueden surgir durante el ensayo 32

2.6. Calibración de sensores 34

2.8. Análisis de resultados 37

3. EXPLORACIÓN DE SUELOS POR MEDIO DE CPT 40

3.2. Clasificación de suelos 41

3.3. Estimación de parametros geotecnicos 46

4. GENERALIDADES DE REDES NEURONALES 75

4.1. Implementación electrónica de neuronas artificiales 77

4.2. Partes de la red neuronal 78

Ana Cristina Gutiérrez González 2

4.2.3. Función de transferencia 79

4.3. Operaciones de la red neuronal 80

4.4. Entrenamiento de una red neuronal 82

4.5. Selección del tipo de red neuronal 83

5. METODOLOGÍA CON REDES NEURONALES PARA LA CLASIFICACIÓN DE SUELOS POR

5.1. Planteamiento del problema y variables necesarias 86

5.2. ARQUITECTURA DE LA RED 87

5.3. ENTRENAMIENTO DE LA RED NEURONAL 89

5.4. RESULTADOS ENCONTRADOS 95

6. CONCLUSIONES Y RECOMENDACIONES 106

Ana Cristina Gutiérrez González 3

Ana Cristina Gutiérrez González 4

Figura 3.10: Mecanismos de falla asumidos [58] 55

Ana Cristina Gutiérrez González 5

Ana Cristina Gutiérrez González 6

Ana Cristina Gutiérrez González 7

Ana Cristina Gutiérrez González 8

• Realizar un análisis de los métodos tradicionales de clasificación de suelos, con el fin de

Ana Cristina Gutiérrez González 9

Ana Cristina Gutiérrez González 10

Además, de la información proporcionada por los gráficos de clasificación, se han determinado

Ana Cristina Gutiérrez González 11

Ana Cristina Gutiérrez González 12

La clasificación de suelos es una herramienta de diagnostico para el ingeniero, por lo que la

Gruesas 4.75 mm (tamiz Nº 4) a 2 mm (tamiz Nº 10)

Arcillas C Menores a 0.075 mm (tamiz Nº 200)

Ana Cristina Gutiérrez González 13

1.1. SUELOS GRANULARES

1.2. SUELOS DE GRANO FINO

Estado Estado Estado Suspensión

Ana Cristina Gutiérrez González 14

Figura 1.2: Carta de plasticidad de Casagrande (1948) [24]

Ana Cristina Gutiérrez González 15

Tabla 1-2: Variables necesarias para clasificar suelos

Tabla 1-3: Variables de comportamiento de suelos

Ana Cristina Gutiérrez González 16