Parte 5 - Analisis Probabilisticos y de Sensibilidad

Análisis Probabilístico y Determinístico
MSc. Raúl Pozo García

Ingeniero Civil - Consultor Geotécnico
Contacto: raul.pozo@gelaboratory.com
Objetivos
• Revisión de conceptos básicos de probabilidad y estadística

 Incertidumbre
 Motivación del análisis probabilístico
 Características estadísticas de los datos
 Probabilidad de rotura
 Índice de confianza (“Reliability Index”)
 Simulación – Monte Carlo
 Análisis de sensibilidad – Fundamentos y usos
Estabilidad de Taludes con Slide v 6.0 2

Análisis Probabilístico
• Principales áreas de incertidumbre en el análisis de estabilidad de taludes

 Propiedades y comportamiento del suelo
 Condiciones del agua subterránea
 Mecanismos de rotura

• Datos para varios tipos de suelos (Harr, 1977)

 Propiedades y comportamiento del suelo El peso unitario de las arcillas presenta un
coeficiente de variación (COV) en el rango desde 1.9 hasta 12.3

• Datos para varios tipos de suelos (Harr, 1977)

 El ángulo de fricción de las arenas presenta un coeficiente de variación (COV) desde
un 7% hasta un 11%

• Principales áreas de incertidumbre en el análisis

de estabilidad de taludes
 Propiedades y comportamiento del suelo
 Mecanismos de rotura
• El análisis de estabilidad de taludes
probabilístico NO tiene en cuenta la elección
errónea del tipo de mecanismo de rotura
• Es la aproximación más razonable para el diseño

• Ayuda a tener en cuenta las incertidumbres en

la estimación de la estabilidad del talud
• Fuentes de incertidumbre en el modelo
 Método de cálculo utilizado (por ejemplo,
suposición de bloques rígidos, suposición de
un modelo de resistencia particular,
resistencia de pico frente a residual,
relevancia del método de análisis)

• Dos taludes iguales con diferentes incertidumbres

• Orígenes de la incertidumbre
 Topografía del lugar
 Estratigrafía del lugar
 Orígenes y características geológicas
 Características del material
 Propiedades ingenieriles
 Comportamiento del material

• Conceptos básicos
 Espacio de muestreo – conjunto de todas las
posibilidades (estados) de un acontecimiento
 Por ejemplo un dado de 6 caras {1, 2, 3, 4, 5, 6}
 Variable aleatoria: función que asocia un número
real con cada elemento en un espacio de muestreo

 Las variables aleatorias se representan por funciones de densidad de
probabilidad (pdf’s)
 pdf: define los rangos de valores y sus densidades

 Funciones de densidad de probabilidad (pdf): probabilidad

 Función de distribución
acumulada (cdf):
 probabilidad que una variable
aleatoria tenga un valor menor o
igual a x
 El eje horizontal es el dominio
(valores de x posibles)
 El eje vertical es la probabilidad
(entre 0 y 1)

 Asimetria


 Roles de la media y la desviación estandar

 Correlación entre dos variables aleatorias X e Y
 Coeficiente de correlación r






 Reglas practicas para el análisis

 Funciones de densidad de probabilidad usadas en
ingeniería geotécnica
 Normal
 Logarítmica normal
 Uniforme
 Triangular
 Beta
 Gamma
 Exponencial



• Distribución normal
 Es la más utilizada; simétrica
 Modelado de errores
 Ejemplo: resistencia cohesiva de un material
 Teorema del límite central: La distribución de la suma de un número de
variables aleatorias converge a la distribución normal cuanto mayor
sea el número de variables (tiende a la distribución normal cuando n
tiende a infinito)
 Esta convergencia es la razón por la cual la distribución normal se usa
para modelar diversos fenómenos

• Distribución log - normal

• Distribución log - normal

 La variable aleatoria no puede tener valores negativos debido al
carácter físico del problema
 La distribución es sesgada hacia al lado positivo, con un gran pico
cercano al cero
 Ejemplo: módulo elástico de los suelos

• Pdf Gamma

• Distribución gamma
 La variable aleatoria es siempre positiva y continua
 Distribución sesgada al lado positivo, con un gran pico cercano al cero
 Parecida a la lognormal
 Ejemplos: cohesión o resistencia al corte

• Pdf Beta

• Distribución Beta
 Flexible, usada como modelo aproximado cuando faltan datos
 Usada cuando la forma es más o menos conocida: uniforme, sesgada a
la derecha o a la izquierda, con forma de U, con forma de J
(En estos casos es mejor que la distribución normal, ya que la
distribución normal no tiene límites en dos direcciones)
 Usada cuando la variable aleatoria varía entre dos límites definidos
 Ejemplo: límites superior e inferior de los ángulos de fricción

• Pdf Exponencial

• Distribución Exponencial
 Continua y análoga a una distribución geométrica
 Usada para modelar el riesgo de ocurrencia de algún fenómeno (por
ejemplo, un terremoto) durante la vida de la estructura
 Usada para modelar los problemas tipo “tiempo hasta el fallo”
 Ejemplo: espaciado entre juntas de roca en los afloramientos

• Pdf Uniforme

• Distribución Uniforme
 Utilizada como “primer” modelo para cuantificar variables cuando se
sabe que están entre a y b pero no se conoce mas sobre la distribución
 Útil para problemas con límites conocidos pero sin información de las
relaciones relativas de la variable aleatoria
 No asume ninguna relación preferencial de la variable aleatoria: cada
valor tiene la misma probabilidad de ocurrencia
 U(0,1) es esencial para generar valores a partir del resto de
distribuciones

• Pdf Triangular

• Distribución Triangular
 Utilizada como modelo aproximado en ausencia de datos
 Utilizada cuando los límites son conocidos pero no hay mayor
información de la distribución de los datos, excepto el valor mínimo, el
valor promedio y el máximo

 Generador de números aleatorios: programa o algoritmo
determinístico que produce una secuencia de números aleatorios
independientes unos de otros
 Ejemplo:
 Considerar un número positivo de 4 dígitos
 Elevarlo al cuadrado para obtener un número de 8 dígitos
(añadiendo ceros si es necesario)
 Considerar los cuatro dígitos centrales y colocar un punto a la
izquierda. Este será su número aleatorio uniforme entre 0 y 1

 Tabla de resultados

• Muestreo de una distribución

 Crear una base de datos de puntos que tienen características de una
distribución específica, por ejemplo, la media, desviación estándar y
forma del histograma de las muestras generadas de acuerdo a la
función de densidad de probabilidad (pdf)

• Probabilidad de rotura

• Probabilidad de rotura

• Indice de Confianza β (cuanto mayor valor, mejor)

• Dos pdfs consideradas para F

• Simulación de Monte Carlo

 Se usa en estabilidad de taludes para evaluar la
probabilidad de rotura
 Se puede usar con un pequeño conocimiento de
estadística y probabilidad
 Relativamente simple
 Robusta
 Muy general (comparado con los métodos
analíticos)

• 5 (en realidad 6) pasos esenciales en la simulación de Monte Carlo

 Identificar los parámetros de entrada que son variables aleatorias
 Cuantificar las características de todas las variables aleatorias
 Generar N muestras de cada variable aleatoria, es decir, crear N series
de variables aleatorias
 En un ciclo (cálculo), computar el modelo determinísticamente para
cada serie de variables
 Extraer la información probabilística de N resultados de coeficiente de
seguridad

• Esquema de solución

• Información probabilística de las simulaciones de

Monte Carlo
 Probabilidad de rotura
 Coeficiente de seguridad medio
 Desviación estándar
 Distribución que mejor se ajusta

• Información probabilística de las simulaciones de

Monte Carlo
 Distribución de probabilidad para cada variable
aleatoria (media, desviación estándar, forma,
máximo, mínimo)
 Coeficiente de correlación
• SLIDE sólo permite la correlación de c y φ en un
material

• Simulación de Monte - Carlo




 El análisis del tipo “Global Minimum” realiza el análisis de estabilidad

regular (análisis determinístico) para definir la superficie de
deslizamiento con menor coeficiente de seguridad
 El análisis probabilístico se realiza luego en la superficie de rotura
crítica encontrada con el análisis determinístico, utilizando las muestras
de cada variable aleatoria generadas. La probabilidad de rotura es,
entonces, simplemente el número de muestras con resultado de
coeficiente de seguridad menor de 1, dividido por el número total de
muestras

 Este proceso se realiza para cada método de análisis especificado (por

ejemplo, Bishop o Janbu) independientemente – es decir habrán, en
general, diferentes superficies de rotura crítica para cada método de
análisis especificado
 El análisis del tipo “Global Minimum” considera que la probabilidad de
rotura calculada para la superficie crítica obtenida determinísticamente
es representativa de la probabilidad de rotura de todo el talud
 Este es el método que generalmente se utiliza (porque es más veloz
que el método “Overall Slope”)

 El análisis tipo “Overall Slope” no hace esta consideración

 En cambio, la búsqueda de una superficie de deslizamiento crítico se
repite N veces (donde N es el número de muestras consideradas). Para
cada iteración, se define un nuevo conjunto de variables y se realiza la
búsqueda (el proceso es significativamente mas lento que el de tipo
“Global Minimum”)

 De este proceso se obtiene una superficie de deslizamiento crítica para

cada iteración
 Esto puede resultar en la definición de entre 10 y 50 diferentes tipos de
superficies críticas
 La definición de la probabilidad de rotura es la misma que para el
método “Global Minimum” –es decir, la probabilidad de rotura es el
número de muestras con resultado de coeficiente de seguridad menor
de 1, dividido por el número total de muestras consideradas

Análisis de Sensibilidad
• Fundamentos
 Cambiar ligeramente un parámetro de entrada, manteniendo los demás constantes
 Comprobar la influencia en los datos de salida calculados (básicamente el
coeficiente de seguridad)
 Si un mínimo cambio en un parámetro de entrada causa un gran cambio en el
coeficiente de seguridad, entonces se dice que el diseño (F) es muy sensible a ese
parámetro
• Procedimiento potente para establecer cómo de sensible es el coeficiente de seguridad
a cambios en los parámetros de entrada
• Herramienta potente para identificar posibilidades de rangos de parámetros por
estudiar
• Útil para comparar la eficacia de medidas correctoras alternativas, optimizando el
equilibrio entre máxima seguridad y mínimo coste
• Decisiones de ingeniería basadas en los resultados de sensibilidad
 Determinar los parámetros de entrada de forma más precisa
 Rediseñar el talud para que sea menos sensible a los parámetros de entrada


• Sensibilidad de los parámetros del modelo
 Esfuerzos de campo in-situ
 Propiedades de los materiales
 Sostenimiento
 Identificar los parámetros más influyentes
 Determinación de medidas correctoras
 Localización de recursos y trabajo más exhaustivo en las investigaciones in situ
 Profundizar en el comportamiento de los mecanismos de rotura

GRACIAS POR LA ATENCIÓN
¿PREGUNTAS?

Parte 5 - Analisis Probabilisticos y de Sensibilidad

Cargado por

Copyright:

Formatos disponibles

Parte 5 - Analisis Probabilisticos y de Sensibilidad

Cargado por

Información del documento

Título original

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

Parte 5 - Analisis Probabilisticos y de Sensibilidad

Cargado por

Copyright:

Formatos disponibles

Análisis Probabilístico y Determinístico

MSc. Raúl Pozo García

• Revisión de conceptos básicos de probabilidad y estadística

Estabilidad de Taludes con Slide v 6.0 2

• Principales áreas de incertidumbre en el análisis de estabilidad de taludes

Estabilidad de Taludes con Slide v 6.0 3

• Datos para varios tipos de suelos (Harr, 1977)

Estabilidad de Taludes con Slide v 6.0 4

• Datos para varios tipos de suelos (Harr, 1977)

Estabilidad de Taludes con Slide v 6.0 5

• Principales áreas de incertidumbre en el análisis

Estabilidad de Taludes con Slide v 6.0 6

• Ayuda a tener en cuenta las incertidumbres en

Estabilidad de Taludes con Slide v 6.0 7

• Dos taludes iguales con diferentes incertidumbres

Estabilidad de Taludes con Slide v 6.0 8

Estabilidad de Taludes con Slide v 6.0 9

Estabilidad de Taludes con Slide v 6.0 10

Estabilidad de Taludes con Slide v 6.0 11

Estabilidad de Taludes con Slide v 6.0 12

Estabilidad de Taludes con Slide v 6.0 13

Estabilidad de Taludes con Slide v 6.0 14

Estabilidad de Taludes con Slide v 6.0 15

Estabilidad de Taludes con Slide v 6.0 16

Estabilidad de Taludes con Slide v 6.0 17

Estabilidad de Taludes con Slide v 6.0 18

Estabilidad de Taludes con Slide v 6.0 19

Estabilidad de Taludes con Slide v 6.0 20

Estabilidad de Taludes con Slide v 6.0 21

Estabilidad de Taludes con Slide v 6.0 22

Estabilidad de Taludes con Slide v 6.0 23

Estabilidad de Taludes con Slide v 6.0 24

Estabilidad de Taludes con Slide v 6.0 25

Estabilidad de Taludes con Slide v 6.0 26

Estabilidad de Taludes con Slide v 6.0 27

• Distribución log - normal

Estabilidad de Taludes con Slide v 6.0 28

• Distribución log - normal

Estabilidad de Taludes con Slide v 6.0 29

Estabilidad de Taludes con Slide v 6.0 30

Estabilidad de Taludes con Slide v 6.0 31

Estabilidad de Taludes con Slide v 6.0 32

Estabilidad de Taludes con Slide v 6.0 33

Estabilidad de Taludes con Slide v 6.0 34

Estabilidad de Taludes con Slide v 6.0 35

Estabilidad de Taludes con Slide v 6.0 36

Estabilidad de Taludes con Slide v 6.0 37

Estabilidad de Taludes con Slide v 6.0 38

Estabilidad de Taludes con Slide v 6.0 39

Estabilidad de Taludes con Slide v 6.0 40

Estabilidad de Taludes con Slide v 6.0 41

• Muestreo de una distribución

Estabilidad de Taludes con Slide v 6.0 42

Estabilidad de Taludes con Slide v 6.0 43

Estabilidad de Taludes con Slide v 6.0 44

• Indice de Confianza β (cuanto mayor valor, mejor)

Estabilidad de Taludes con Slide v 6.0 45

• Dos pdfs consideradas para F

Estabilidad de Taludes con Slide v 6.0 46