Reporte Tcnico

RT-ID-07/01

Aplicacin de redes neuronales al diseo ptimo de prticos de hormign armado sismorresistentes

Laura Quiroz, Oscar Mller, Marcelo Rubinstein
Instituto de Mecnica Aplicada y Estructuras. IMAE Universidad Nacional de Rosario, Rosario, Argentina

y Ricardo O. Foschi
Civil Engineering, University of British Columbia Vancouver, BC, Canad

Disciplina: Ingeniera Civil - Estructuras

16 de Marzo 2007 Revisado 16 de Marzo de 2007

Secretara de Ciencia y Tcnica Facultad de Ciencias Exactas, Ingeniera y Agrimensura Universidad Nacional de Rosario Av. Pellegrini 250 - 2000 Rosario Argentina http://www.fceia.unr.edu.ar/secyt

Este documento es publicado por la FCEIA para su consulta externa. El mismo se publica como Reporte de Investigacin para divulgacin de las tareas cientficas que se desarrollan en la FCEIA, Universidad Nacional de Rosario. Los autores conservan los derechos de autora y copia de la totalidad de su trabajo aqu publicado. Luego de su posterior eventual publicacin externa a la FCEIA, los requerimientos debern dirigirse a los autores respectivos. El contenido de este reporte refleja la visin de los autores, quienes se responsabilizan por los datos presentados, los cuales no necesariamente reflejan la visin de la SeCyT-FCEIA. Tanto la SeCyT-FCEIA como los autores del presente reporte no se responsabilizan por el uso que pudiera hacerse de la informacin y/o metodologas publicadas. Cualquier sugerencia dirigirla a: rtsecyt@fceia.unr.edu.ar

Aplicacin de redes neuronales al diseo ptimo de prticos de hormign armado sismorresistentes

Laura Quiroz*, Oscar Mller**, Marcelo Rubinstein
Instituto de Mecnica Aplicada y Estructuras. IMAE Universidad Nacional de Rosario, Rosario, Argentina

y Ricardo O. Foschi
Civil Engineering, University of British Columbia Vancouver, BC, Canad
Resumen: En la ingeniera ssmica basada en el desempeo es necesario evaluar las incertidumbres presentes en las demandas y capacidades, para obtener parmetros de diseo que satisfagan ciertos ndices de confiabilidad asociados a mltiples niveles de desempeo (con varios estados lmites cada uno de ellos), y en lo posible, al menor costo total. Esta tarea incluye un anlisis dinmico no lineal de la estructura para obtener la respuesta de inters ante un conjunto de terremotos caractersticos del sitio, en este caso la ciudad de Mendoza, Argentina. Las respuestas calculadas son utilizadas en la formulacin de diferentes criterios de desempeo para el clculo de ndices de confiabilidad. Por ltimo se requiere un proceso de optimizacin para obtener los parmetros de diseo ptimos que minimicen las diferencias entre los ndices de confiabilidad obtenidos y los correspondientes objetivos. La eficiencia se mejora mediante una representacin de la respuesta dinmica por superficie de respuesta. En este trabajo una representacin en forma de redes neuronales es utilizada. Palabras clave: Diseo basado en el desempeo, confiabilidad, redes neuronales, optimizacin

Application of neural networks to the optimal seismic design of reinforced concrete frames
Abstract: Performance-Based Design in earthquake engineering implies accounting for structural and ground motion uncertainties in order to obtain design parameters, implying satisfaction of multiple performance criteria with associated reliability levels and (possibly) at a minimum total cost. This task involves a time-stepping, nonlinear dynamic analysis of the structure in order to obtain the demand responses of interest, for a set of earthquake records likely to occur at a site, in this case the city of Mendoza, Argentina. The calculated responses are then used in the formulation of different performance criteria for estimation of achieved reliability levels. An optimization is finally required to obtain optimal design parameters to minimize the differences between achieved reliabilities and the corresponding targets. Reliability and optimization efficiency is greatly improved by a response surface representation of the dynamic analysis results. In this work, a representation in the form of neural networks is utilized. Keywords: Seismic design, performance-based design, reliability, neural networks, optimization

quirozlaum@yahoo.com.ar marub@fceia.unr.edu.ar

**

moller@fceia.unr.edu.ar rowfa1@civil.ubc.ca

INTRODUCCIN

La ingeniera ssmica basada en el desempeo [1,2] es un procedimiento para obtener construcciones de comportamiento ms predecible y cuantificable, controlando el riesgo ssmico con un predeterminado nivel de aceptabilidad, minimizando el costo total. Debido a las incertidumbres presentes en demandas y capacidades, los objetivos de desempeo deben expresarse en trminos probabilsticos, evaluando probabilidad de falla o excedencia anual en cada nivel de desempeo y compararla con valores tolerables. El comportamiento estructural es dinmico y fuertemente no lineal, luego debe utilizarse simulacin para evaluar la confiabilidad, porque no es posible establecer una relacin explcita entre las variables bsicas y la respuesta estructural para formular los estados lmites. En cada simulacin se debe encontrar la historia de la respuesta dinmica no lineal, con el mtodo de elementos finitos, y esto consume un importante tiempo de computacin. Adems, es conveniente usar el mtodo de Monte Carlo bsico o crudo, porque es general, no necesita asumir la forma de la superficie de falla ni requiere la ubicacin de puntos de diseo o anclaje, ni necesita de transformaciones de variables. Pero se requieren 106 a 107 simulaciones para obtener una aceptable confianza en probabilidades de falla de 10-2 a 10-4. Entonces, para llevar adelante el anlisis de confiabilidad, la estrategia que se utiliza es aproximar la respuesta de la estructura con un sustituto [3] que consiste en relaciones funcionales entre los parmetros de respuesta y las variables de datos. En cada simulacin el clculo se realiza con el sustituto que prcticamente no consume tiempo. Como sustituto se han utilizado superficies de respuesta [4,5], interpolacin local [6], y recientemente redes neuronales [7, 8, 9,10] con ventajas en flexibilidad y adaptabilidad. Estas tcnicas se aplican al diseo ptimo de prticos de hormign armado sismorresistentes. Se presenta un ejemplo de evaluacin de los ndices de confiabilidad de un diseo dado, para los niveles de desempeo operacional, seguridad de vidas y lmite de colapso, con varios estados lmites en cada uno de ellos. Finalmente se muestra otro ejemplo en el cual mediante criterios de optimizacin se calculan los valores medios de algunas variables de diseo para satisfacer ndices de confiabilidad objetivos.

2 2.1

RESPUESTA DINMICA NO LINEAL Y REPRESENTACIN CON REDES NEURONALES Modelo para anlisis dinmico no lineal

El plano resistente se discretiza con elementos de barra [4], con los cuales se alcanza un buen balance entre precisin y simplicidad. Para representar los diferentes mecanismos que contribuyen al comportamiento histertico de las regiones crticas de miembros de hormign armado, el elemento se descompone en varios subelementos conectados en serie: (i) Subelemento elastoplstico: representa el comportamiento elstico de la barra y la respuesta no lineal de las regiones extremas, con longitud variable dependiendo de la historia de carga; (ii) Subelemento conexin: caracteriza la rotacin concentrada que se produce en la interfaz barra-nudo por deterioro del anclaje y deslizamiento de armaduras ancladas en el nudo; (iii) Subelemento corte: describe la distorsin

por corte en las regiones crticas de la barra y el deslizamiento por corte en la interfaz barranudo. Extremos rgidos consideran nodos de dimensiones no despreciables. En este trabajo se utiliza solamente el subelemento elastoplstico, el cual se representa en la Fig.1. Las hiptesis fundamentales son: (a) El estado de toda la zona plstica, durante carga, descarga o recarga, es controlado por el estado de la seccin extrema. (b) La rigidez de la zona plstica se representa por una rigidez promedio efectiva pEI, la cual depende de la seccin extrema. Estas hiptesis significan que slo hay que seguir la historia momento-curvatura de las dos secciones extremas del elemento.
pi EI EI , EA zc Lc

i
zi

p j EI zj

M
+ Mm + My

h + EI

s + EI

My

rEI

EI

EI

N = cte

+ My

s EI

h EI

My Mm

Figura 1: Subelemento elastoplstico Relacin momento curvatura

Tambin se muestra en la Fig.1 la relacin momento-curvatura adoptada, con las reglas de descarga y recarga del modelo de Clough. La relacin M- para una seccin de hormign armado es construida, para un esfuerzo axial constante, usando las siguientes hiptesis: (a) La seccin permanece plana despus de la deformacin y normal al eje deformado del miembro. (b) Los modelos de Mander son utilizados para las relaciones constitutivas del hormign y del acero. La curvatura ltima u se define cuando al final de un nmero predeterminado de ciclos completos hasta u uno de los siguientes estados lmites es alcanzado: (a) Reduccin del 20% del momento resistente. (b) Agotamiento de la capacidad de absorber energa por parte de la armadura transversal. A partir del balance energtico de la seccin, la deformacin ltima a compresin del hormign es calculada. (c) Exceder la deformacin mxima a traccin o a compresin de la armadura longitudinal. En el modelo histertico de la Fig.1 los factores de rigidez pi, pj tienen los siguientes valores: (a) elstico: p = 1, (b) endurecimiento: p = h, (c) ablandamiento: p = s, con zi = lp longitud caracterstica 0.75 d, con d: altura de la seccin, (d) descarga: p = 1, (e) recarga: p = 2/(1/r+1) que se obtiene de promediar la rigidez de la seccin extrema rEI con la elstica 1EI del final de la zona plstica. Los parmetros My, Mm, EI, h, s para las direcciones positivas y negativas son calculados a partir de la linealizacin de la real relacin M- obtenida de un pre-procesamiento de la seccin. Se considera una matriz de masa consistente y amortiguamiento viscoso proporcional a la masa y rigidez.

El sistema de ecuaciones no lineales de la estructura es formulado en un esquema incremental lagrangiano actualizado. Se resuelve con integracin directa paso a paso en el tiempo con el mtodo de Newmark, e iteraciones de Newton-Raphson para ajustar el equilibrio entre acciones externas y fuerzas internas de los elementos, considerando adems el balance de fuerzas internas entre los subelementos. Los resultados del anlisis son usados para obtener los parmetros de respuesta incluidos en la definicin de los estados lmites para cada nivel de performance especificado. Entre ellos se evala el ndice de dao de Park y Ang [11], el cual es una combinacin lineal de la deformacin mxima normalizada y otro trmino que considera el efecto cclico.
DI =

m dE + e u M y u

(1)

donde m es la demanda mxima de curvatura (o rotacin) y u es la curvatura ltima (o rotacin) bajo carga monotnica, dE es la energa disipada durante el comportamiento histertico, My es el momento de fluencia y e una constante que depende de las caractersticas del detallamiento de la seccin, adems de las fuerzas axiales y de corte presente. El parmetro e tiene una importante dispersin, y los siguientes valores promedio son recomendados: e = 0.05 para secciones bien detalladas, hasta e = 0.25 para secciones pobremente detalladas. El ndice DI se calcula para cada extremo de barra, y luego se combinan en un ndice de dao global DIES para la estructura: DIES = wi DI i 2.2 with wi = DI i DI i (2)

Aproximacin de la respuesta con redes neuronales

Dentro de las Teoras de Aprendizaje Estadstico [3], las redes neuronales artificiales son dispositivos computacionales compuestos por una cantidad de unidades de procesamiento interconectadas. Cada una de ellas retiene informacin localmente y es capaz de realizar simples clculos. La red en conjunto tiene la habilidad de responder frente a estmulos de entrada y producir las respuestas correspondientes, adems puede adaptarse a diferentes situaciones aprendiendo de la experiencia. Su nombre se debe a la similitud con el funcionamiento de estructuras biolgicas y de ah el nombre tambin utilizado de Inteligencia artificial. La expresin genrica es:
R ( X ) F ( X ) = h ( wk h ( wk i X i ) )
k =0 i =1 m N

(3)

donde R(X) es la verdadera respuesta, F(X) la aproximacin con red neuronal, h(t) es una funcin no lineal llamada sigmoide, wk son factores de peso y Xi las variables del problema. Las principales caractersticas son: (i) Adaptable: los parmetros de las funciones son determinados por los puntos utilizados en la optimizacin de la red ; (ii) Flexible: la regin activa de cada funcin base hi(t) es limitada, de manera que valores de X alejados de su zona de influencia no producen resultados de significacin. As los errores o diferencias en algn punto no se difunden ; (iii) Capacidad para aprender de la experiencia y ejemplos: la red se entrena a partir de un conjunto de datos y resultados conocidos del anlisis completo del sistema.

Existen muchos algoritmos de redes neuronales artificiales entre los cuales se encuentra el de Red Neuronal Multicapa. Este comprende los siguientes elementos bsicos: una capa de neuronas de entrada, una o varias capas de neuronas intermedias u ocultas y una capa de neuronas de salida. Son las capas ocultas las que cumplen un rol fundamental en el entrenamiento de la red. Gracias a las mismas la red puede modelar relaciones no lineales entre las variables de entrada y de salida. En la Fig.2 se muestra un esquema de la arquitectura de la red implementada en este trabajo. Las neuronas de la capa de entrada slo reciben informacin, es decir los datos del problema, y la transmiten a las neuronas de la capa oculta. stas procesan la informacin y obtienen resultados parciales que luego son transmitidos a las neuronas de la capa siguiente, de salida, las que producen las predicciones de la red.
X1 X2 H2 X3 H3 X4 1 1 I+1 Input layer J+1 Hidden layer K Output layer Y2 Wji H1 Wkj Y1

Figura 2: Red neuronal multicapa

Esta transferencia de informacin de neuronas de capas adyacentes se realiza a travs de unos coeficientes de peso w y de una funcin de transferencia h(t). Si en la Fig.2 se considera que el nmero de neuronas en la capa de entrada, oculta y de salida son I+1, J+1 y K respectivamente; y que Xip es el p-simo dato de la i-sima neurona de la capa de entrada, Ijp el p-simo dato de la j-sima neurona de la capa oculta, Hjp el p-simo resultado de la j-sima neurona de la capa oculta, Ikp el p-simo dato de la k-sima neurona de la capa de salida, e Ykp el p-simo resultado de la k-sima neurona de la capa de salida, luego resultan las siguientes expresiones:
p p j = w ji X i + w j 0 i

H jp = h( p j )

(4)

p k = wkj H jp + wk 0 j

p Ykp = h( k )

(5)

donde wji son los factores de peso que conectan la i-sima neurona de la capa de entrada en la jsima neurona de la capa oculta, wkj son los factores de peso que conectan las neuronas j-sima con la k-sima y h(.) es la funcin de transferencia dada por: h( x ) = 1.0 (1 + exp( x)) (6)

La red es entonces entrenada presentndole una base de datos y resultados disponibles, optimizando los factores de peso wji, wkj. De acuerdo al principio de minimizacin del riesgo emprico logra minimizar la diferencia entre los resultados obtenidos con anlisis estructural y los obtenidos con la red. Luego de ser entrenada, con los factores de peso ya optimizados, la red puede ser usada para realizar predicciones.
2.3 Entrenamiento de la red

El primer paso es definir la arquitectura de la red, es decir el nmero de capas ocultas y el nmero de neuronas por capa. En este trabajo se utiliza una sola capa intermedia y una capa de salida con una nica neurona, es decir que cada red slo se utiliza para obtener un nico resultado a partir de la informacin de entrada. El nmero de neuronas de la capa de entrada resulta de la cantidad de variables de entrada ms una neurona, y puede tener un valor mximo de 50. Para seleccionar las combinaciones de los valores de las variables de entrada que se utilizarn para entrenar la red, se aplica la teora de diseo de experimentos [7]. Existen relaciones empricas entre el nmero ptimo de neuronas de la capa intermedia u oculta y el nmero de variables de entrada, pero en general debe determinarse de acuerdo a cada problema en particular. En general una red con pocas neuronas en la capa intermedia no logra capturar las relaciones entre los datos y los resultados, mientras que una con muchas neuronas tiende a no poder generalizar para datos distintos a los de entrenamiento. El nmero mximo de neuronas, para poder realizar el clculo de los factores de peso, est en funcin del nmero de variables de entrada NINT y del nmero de conjunto de datos NDAT
NEUMAX = 0.8 NDAT 1 NINT + 2

(7)

El proceso para encontrar el nmero ptimo de neuronas de la capa intermedia consiste en evaluar el error generalizado para diferente cantidad de neuronas desde 1 a NEUMAX, y adoptar la de menor error. En cada arquitectura, el total de la muestra de datos y resultados se divide en 5 conjuntos, de los cuales 4 se utilizan para entrenar la red, es decir el 80%, y el restante, 20%, para la validacin de los resultados obtenidos. Se realizan 5 pruebas en las que se combinan los grupos de entrenamiento y de validacin de a uno por vez, es decir para el primer caso el primer grupo para validacin y los dems para entrenamiento, y as sucesivamente para los 5 grupos. En cada una de estas pruebas se determina el error generalizado (total), el cual se minimiza utilizando un algoritmo iterativo de retropropagacin de errores. Es un mtodo de gradiente descendente en el cual los factores de peso w se van optimizando iterativamente (aprendizaje) en forma proporcional a la diferencia entre los valores objetivos Tk (resultados disponibles) y las predicciones de la red Yk. Este error generalizado, sobre las muestras de entrenamiento y de validacin, se calcula: E= 1 (Ykp ( w) Tkp ) 2 2 p k (8)

Luego para minimizarlo se debe cumplir para los coeficientes de peso que conectan la capa oculta con la capa de salida: wkj ( g + 1) = wkj ( g ) + wkj ( g ) = wkj ( g ) E wkj (9)

donde g es el nmero de la iteracin y es la tasa de entrenamiento.

Usando la regla de derivacin en cadena, se puede escribir:

wkj =

(Ykp Tkp ) h' ( kp ) H jp

p

(10)

Llamando:
p kp = (Ykp Tkp ) h' ( k )

(11)

Entonces la Ec.(10) resulta:

wkj =

kp H jp
p

(12)

Para las neuronas de la capa oculta, para las cuales no hay valores objetivos de salida, se propaga el error hacia atrs segn el mismo criterio. w ji ( g + 1) = w ji ( g ) + w ji ( g ) = w ji ( g ) Usando la regla de derivacin en cadena,
w ji =

E w ji

(13)

(Ykp Tkp ) h' ( kp ) wkj h' ( pj ) X ip = jp

p k p

X ip

(14)

donde:
p jp = h' ( p j ) k wkj k

(15)

La tasa de entrenamiento depende de cada problema, en general si es demasiado alta la red podr no converger nunca al resultado para algunas muestras, si en cambio es demasiado baja la convergencia ser muy lenta. En este trabajo se utiliz = 0.01. En este mtodo de retropropagacin el entrenamiento es rpido al principio pero luego se hace lento en una regin plana de la superficie del error. Para mejorar esta situacin se fijan inicialmente los coeficientes de peso a valores pequeos y se agrega un segundo trmino de momento.
w( g ) = E ( g ) + w ( g 1)

(16)

donde g es el nmero de la iteracin y es el denominado momento. En este trabajo se utiliz = 0.05. El nmero de iteraciones lmite glim para determinar el mnimo error generalizado en la seleccin del nmero ptimo de neuronas de la capa oculta es:
g lim = NITET NHID

(17)

siendo NITET una constante y NHID el nmero de neuronas de la capa intermedia. En este trabajo se utiliz NITET = 5000. Una vez determinada la arquitectura ptima se procede al entrenamiento de la red. En primer lugar se divide de la misma forma la muestra en 5 subconjuntos y se utiliza el mismo algoritmo de retropropagacin del error para actualizar los coeficientes de peso w. Se calcula el error relativo de entrenamiento y de validacin para cada elemento de la muestra y se obtiene el mayor de todos.

max E rel = max (Ykp Tkp ) / Tkp

(18)

En caso que este error mximo no sea inferior a un error lmite de 10% se reordenan los grupos que se utilizaban para entrenar y para validar, ubicando a las muestras con mayores errores relativos en el conjunto de entrenamiento y a las que tenan errores menores en el de validacin. Se vuelven a actualizar los coeficientes de peso w hasta que se cumpla la condicin del error mximo del 10% o hasta un nmero de ciclos lmite, igual a 50 para este trabajo.
2.4 Prticos analizados

En la Fig.3 se muestra un prtico plano sismorresistente genrico, donde las variables y los lmites considerados son: nmero de pisos NP = 3 a 10, nmero de tramos NV = 1 a 4, luz de los tramos XL =300 a 600 cm todos iguales, masa por unidad de longitud en cada piso m = 2.15x10-4 a 4x10-4 KN s2/cm2, resistencia caracterstica del hormign f c = 20 a 40 MPa, ancho de la seccin de vigas bv = 15 a 30 cm, altura de la seccin de vigas hv = 40 a 70 cm, ancho de la seccin de columnas bc = 20 a 40 cm, altura de la seccin de columnas hc = 40 a 100 cm.
NP 300 300 300 3 300 2 300 1 450

hormign
f c0 = 0.85 f c

f X ( x)

cov f c = 0.15 fc

f c acero

f X ( x)

cov f s = 0.07 fs

fy

= As /(bv hv ) s hv hc bv

st = Ast /(bc hc )
bc

XL 1

XL NV

s = As /(bv hv )

Figura 3: Variables de los prticos analizados

De acuerdo al nmero de pisos las dimensiones de vigas y columnas se reducen con la altura, como se indica en la tabla 1. Las cuantas de armadura, que respetan los lmites reglamentarios, son: vigas en el tramo ap = f c / (4 f y ) a ( f c + 10) /( 6 f y ) , y str = f c / (4 f y ) a ( f c + 10) /( 6 f y ) , en el apoyo s en columnas st = 0.008 a 0.04286. La presin de confinamiento normalizada es f r / f c0 = 0.0 a 0.15. Adems, las cuantas de armadura deben proveer una resistencia adecuada para las cargas gravitacionales sobre las vigas.

10

 ( M tramo
donde M tramo = bv hv s tr f y 0.9 hv ,

qu XL2 + M apoyo ) 8 ap f y 0.9 hv , con M apoyo = bv hv s

(19)
f y = 420 MPa ,

qu = 1.2 D + 1.6 L 1.33 ( D + L) 1.40 m g , y = 0.9 .

NP 3 4 5 6 7 8 9 10 G1 2 2 3 3 3 3 3 4 G2 1 2 2 3 2 3 3 3 G3

Dimensiones en cada grupo de pisos G1: bv, hv bc, hc G2: bv, 0.8hv bc, 0.8hc G3: bv, 0.6hv bc, 0.6hc
2 2 3 3

Tabla 1: Nmero de pisos con dimensiones de vigas y columnas

Para la accin ssmica se considera la sismicidad de la ciudad de Mendoza, Argentina. Las variables y sus lmites son la aceleracin pico del suelo as = 25 a 1200 cm/s2, y la frecuencia central del filtro del suelo fg = 2.0 a 3.0 Hz. Otras variables para la generacin de los acelerogramas son funciones de as y fg, se adoptan valores constantes. Empleando la tcnica de diseo de experimentos [7] se generan 900 combinaciones de las variables. Para cada una de ellas se obtienen 5 subcombinaciones considerando la aleatoriedad en la secuencia de ngulos de fase para generar el acelerograma, y en los parmetros de la relacin momento-curvatura de las secciones de las barras. Cada subcombinacin es resuelta con el modelo para anlisis dinmico no lineal descrito en el punto 2.1, obtenindose el desplazamiento mximo en el ltimo piso umax, la distorsin de piso mxima DISTM el ndice de dao de Park y Ang [11] local mximo DILOM, y el ndice de dao global DIES. Para cada uno de estos parmetros de respuesta Ri, de cada una de las 900 combinaciones, se calculan los valores medios y desvos standard para N = 5 con: Ri =
2.5

1 N

R ki
k =1

Ri =

1 N ( Rk R i ) 2 N 1 k =1 i

(20)

Ajuste de las redes neuronales

Siguiendo el procedimiento descrito en el punto 2.3, se entrenaron las redes neuronales que representan los valores medios y los desvos standard de los parmetros de respuesta Ri. En las figuras 4 a 7 se presentan los resultados del entrenamiento de dichas redes. Se observa una muy buena representacin de los valores de los parmetros con las redes neuronales, con menor dispersin en los valores medios que en los desvos standard, con respecto a los resultados del anlisis dinmico no lineal. Esa dispersin puede cuantificarse con el desvo standard del error relativo, que es un coeficiente de variacin promedio, dado por:

r =

1 NE

( 1
k =1

NE

Yk Tk 2 ) Tk

(21)

donde Yk es el valor calculado con la red, Tk es el valor obtenido con anlisis dinmico y NE = 900, el nmero de casos analizados.
11

Valor medio de DISTM 0.06

Con red neuronal Con red neuronal

Desvo standard de DISTM 0.02 0.015 0.01 0.005 0

0.04

0.02

r = 0.0477
0 0 0.02 0.04 0.06 Con dinmica no lineal

r = 0.21567

0.005

0.01

0.015

0.02

Con dinmica no lineal

Figura 4: Resultados para DISTM y

Valor medio de u mx 60
Con red neuronal Con red neuronal

DISTM
Desvo standard de u mx

20 15 10 5 0 0 20 40 60 0 5 10 15 20 Con dinmica no lineal Con dinmica no lineal

40

20

r = 0.04376
0

r = 0.2466

Figura 5: Resultados para

Valor medio de DILOM 3
Con red neuronal Con red neuronal

u mx y umx
Desvo standard de DILOM 1 0.75 0.5 0.25 0

r = 0.17719
0 0 1 2 3 Con dinmica no lineal

r = 0.6093

0.25

0.5

0.75

Con dinmica no lineal

Figura 6: Resultados para DILOM y

DILOM

12

Valor medio de DIES 1.5

Con red neuronal Con red neuronal

Desvo standard de DIES 0.5 0.4 0.3 0.2 0.1 0

0.5

r = 0.16135
0 0 0.5 1 1.5 Con dinmica no lineal

r = 0.55925

0.1

0.2

0.3

0.4

0.5

Con dinmica no lineal

Figura 7: Resultados para DIES y

DIES

Como se observa en las figuras, los resultados Yk se distribuyen sin preferencias hacia un lado y otro de Tk , de forma tal que puede adoptarse una distribucin normal. Luego resulta:
R i = Y i ( 1. + r X N )

Ri = Yi (1. + r X N )

(22)

donde Y i , Yi son el valor medio y desvo standard del parmetro Ri calculado con la red neuronal correspondiente, r el desvo standard del error relativo Ec.(21), y XN una variable aleatoria con distribucin normal standard (0,1).
3 3.1 APLICACIN 1: CONFIABILIDAD DE PRTICOS CON DIFERENTE NMERO DE PISOS Variables aleatorias

Se estudian tres prticos donde se vara el nmero de pisos: 4, 6 y 8; solicitados por la sismicidad de la ciudad de Mendoza, Argentina. Se requiere calcular los ndices de confiabilidad para probabilidades de excedencia anual en los niveles de desempeo operacional, seguridad de vidas y colapso. Los datos numricos se presentan en la tabla 2.
3.2 Funciones de falla

La expresin genrica de la funcin de falla G(X), o funcin de estado lmite en cada nivel de desempeo a analizar, es:
G ( X) = RLIM R ( X)

(23)

donde RLIM es el valor lmite del parmetro de respuesta y R(X) es la respuesta de la estructura en funcin del conjunto de variables aleatorias Xi , i = 1,N. La incertidumbre en RLIM se tiene en cuenta con un coeficiente de variacin COVRL, resultando
RLIM = RLIM (1. + COVRL X ( N 1) )

(24)

13

A partir de R i , Ri dado por Ec.(20), y considerando una distribucin lognormal para la respuesta estructural, se obtiene: R ( X) = R ( X) exp X ( N ) ( X) 2 1. + ( R ) R ( X) ln(1. + (

R ( X)

)2 ) R ( X)

(25)

con

R( X) = Y ( X) (1. + R X ( N 3) )

R ( X) = Y ( X) (1. + X ( N 2) )
X
4,6,8 3 450 cm 3x10-4 30 MPa 20 cm 50 cm 30 cm 65 cm 0.008 0.012

Variable X(1) = NP X(2) = NV X(3) = XL X(4) = m X(5) = f c X(6) = bv X(7) = hv X(8) = bc X(9) = hc X(10) = s , tr

X
0 0 22.5 cm 3x10-5 3 MPa 1 cm 2.5 cm 1.5 cm 3.25 cm 0.0008 0.0012

Tipo Normal Normal Normal Normal

Variable X(12) = s X(13) = f r / f c0 X(14) = aG X(15) = fg

X
0.020 0.10

X
0.002 0.01

Tipo Lognormal Normal

X(14) = X(16) [1.0+X(17)] 2.50 Hz 94 cm/s2 0 0 0 0 0 0.375 Hz Normal 130cm/s2 Lognormal 0.25 1 1 1 1 Normal Normal Normal Normal Normal

Lognormal X(16) = aG Normal Normal Normal Normal X(17) = aG X(18) = X(N-3) X(19) = X(N-2) X(20) = X(N-1)

Lognormal X(21) = X(N) Lognormal

, ap X(11) = s

Tabla 2: Datos de las variables para la aplicacin 1

Los estados lmites considerados en cada nivel de desempeo son: Operacional - Comportamiento elstico - Distorsin de piso
G11 ( X) = u y (1. + 0.10 X ( N 1)) u max ( X)

(26)

G12 ( X) = 0.005 (1. + 0.10 X ( N 1)) DISTM ( X) (27) G21 ( X) = 0.015 (1. + 0.10 X ( N 1)) DISTM ( X) (28) G22 ( X) = 0.60 (1. + 0.10 X ( N 1)) DILOM ( X) (29) G23 ( X) = 0.40 (1. + 0.10 X ( N 1)) DIES ( X) (30) G31 ( X) = 0.025 (1. + 0.10 X ( N 1)) DISTM ( X) (31) G32 ( X) = 1.00 (1. + 0.10 X ( N 1)) DILOM ( X) (32) G33 ( X) = 0.80 (1. + 0.10 X ( N 1)) DIES ( X) (33)

Seguridad de vidas - Distorsin de piso - ndice dao local mximo - ndice de dao global Lmite de colapso - Distorsin de piso - ndice dao local mximo - ndice de dao global

14

En G11, uy es el desplazamiento de fluencia del prtico estimado con una expresin dada por Priestley [12]. 3.3 Probabilidad de falla
Pf = P[ G ( X) 0 ]

Para cada nivel de desempeo se calcula la probabilidad de falla con: (34) utilizando el mtodo de simulacin de Monte Carlo standard con 106 a 107 simulaciones segn el caso, para todos los modos de falla simultneamente como sistema en serie. Este anlisis se realiza utilizando las correspondientes redes neuronales entrenadas para el clculo de los parmetros de respuesta estructural R(X) en cada simulacin. Considerando la ocurrencia de terremotos como un proceso de Poisson, con frecuencia media = 0.20 para la ciudad de Mendoza, para magnitudes de inters M 5, se calcula la probabilidad de falla anual como: Pf anual = 1. exp [ t L Pf E ] donde PfE es la probabilidad de falla si ocurre un evento ssmico y tL = 1 ao. 3.4 Resultados (35)

La tabla 3 presenta los resultados obtenidos. Se destaca la ventaja de utilizar redes neuronales como sustituto aproximado de la respuesta no lineal, porque permite realizar millones de simulaciones sin dificultad en tiempo de computacin. En funcin de ndices de confiabilidad tolerables se puede determinar la cantidad de pisos a construir con estas dimensiones y cuantas de los elementos.
Nivel de desempeo Operacional NP 4 6 8 4 Seguridad de vidas 6 8 4 Lmit de Colapso 6 8

Pf E
4.80660 10-2 9.32788 10
-2 -1

E
1.664 1.321 0.954 2.503 2.280 1.998 2.883 2.688 2.436

Pf anual
9.56714 10-3 1.84828 10
-2 -2

anual
2.343 2.086 1.833 3.028 2.840 2.607 3.357 3.187 2.971

1.69919 10 6.15780 10-3 1.12932 10-2 2.28792 10 1.96803 10-3 3.59822 10-3 7.43005 10
-3 -2

3.34128 10 1.23080 10-3 2.25610 10-3 4.56538 10 3.93529 10-4 7.19386 10-4 1.48490 10
-3 -3

Tabla 3: Probabilidad de falla e ndices de confiabilidad para diferente nmero de pisos

15

4 4.1

APLICACIN 2: OPTIMIZACIN DEL DISEO PARA SATISFACER NDICES DE CONFIABILIDAD OBJETIVO Planteo del problema

El problema de optimizacin basado en confiabilidad es el siguiente. Dado un sistema con N variables aleatorias Xi, i = 1, , N, el cual debe satisfacer M funciones de estado lmite Gj(Xi), j = 1, ..., M con probabilidades de excedencia anual, ndices de confiabilidad, especificados j. Se requiere obtener un conjunto de parmetros de diseo dk, k = 1, ..., L los cuales pueden ser valores medios y/o desvos standard de las variables aleatorias Xi, sujetos a minimizar una funcin objetivo determinstica F(dk), y que verifiquen las funciones de estado lmite Gj(Xi) con ndices de confiabilidad j. La solucin puede obtenerse mediante el empleo de varios algoritmos. En este trabajo se utiliz un algoritmo de bsqueda del mnimo sin clculo de gradientes. En principio se eligen aleatoriamente un conjunto de combinaciones de los parmetros de diseo dentro de los lmites dados y se calculan los ndices de confiabilidad. Para aquellas combinaciones que verifiquen los ndices de confiabilidad objetivos, se calcula la funcin objetivo a minimizar. Tomando la combinacin correspondiente al mnimo valor de la funcin, se realiza una bsqueda alrededor de sta. Cuando se encuentra un menor valor de la funcin, la bsqueda se reinicia usando esta nueva combinacin como punto de anclaje. El proceso se repite hasta que todos los valores calculados en cercana al punto de anclaje resulten mayores que el valor de la funcin en dicho punto. Este proceso se repite desde el inicio para otra seleccin aleatoria. Para problemas que ofrecen mltiples mnimos, la solucin final se adopta como la mnima entre todos los intentos. Este proceso evita el clculo de gradientes y su eficiencia es altamente mejorada por el uso de redes neuronales en el clculo de confiabilidades intermedias. 4.2 Datos de las variables

El caso estudiado es un prtico de 6 pisos y 3 tramos solicitado por la sismicidad de la ciudad de Mendoza, Argentina. Se requiere disear las alturas de vigas y columnas para diferentes valores de la masa por piso, satisfaciendo ndices de confiabilidad objetivo en los niveles de desempeo operacional, seguridad de vidas y colapso, y minimizando el volumen del prtico. Los datos numricos se presentan en la tabla 4. 4.3 Funciones de estados lmites

Se utiliza la Ec.(23) para la expresin genrica de la funcin de falla G(X), la Ec.(24) para RLIM , y la Ec.(25) para la respuesta R(X) de la estructura. Se consideran los estados lmites de distorsin de piso en cada nivel de desempeo: Operacional Seguridad de vidas Lmite de colapso G1 ( X) = 0.005 (1. + 0.10 X ( N 1)) DISTM ( X) G2 ( X) = 0.015 (1. + 0.10 X ( N 1)) DISTM ( X) G31 ( X) = 0.025 (1. + 0.10 X ( N 1)) DISTM ( X) (36) (37) (38)

16

Variable X(1) = NP X(2) = NV X(3) = XL X(4) = m X(5) = f c X(6) = bv X(7) = hv X(8) = bc X(9) = hc X(10) = s , tr

X
6 3 450 cm Variable 30 MPa 20 cm ? 30 cm ? 0.008 0.012

X
0 0 22.5 cm 0.1 X 3 MPa 1 cm 0.05 X 1.5 cm 0.05 X 0.0008 0.0012

Tipo Normal Normal Normal Normal

Variable X(12) = s X(13) = f r / f c0 X(14) = aG X(15) = fg X(17) = aG X(18) = X(N-3) X(19) = X(N-2) X(20) = X(N-1)

X
0.020 0.10 2.50 Hz 94 cm/s2 0 0 0 0 0

X
0.002 0.01

Tipo Lognormal Normal

X(14) = X(16) [1.0+X(17)] 0.375 Hz Normal 130cm/s2 Lognormal 0.25 1 1 1 1 Normal Normal Normal Normal Normal

Lognormal X(16) = aG Normal Normal Normal Normal

Lognormal X(21) = X(N) Lognormal

, ap X(11) = s

Tabla 4: Datos de las variables para la aplicacin 2

4.4

Requisitos

ndices de confiabilidad objetivos La probabilidad de falla o excedencia anual se evala con la Ec.(35). Luego, a partir de valores deseados en cada nivel de desempeo resultan los valores indicados en la tabla 5:
Nivel de desempeo Operacional Seguridad de vidas Lmite de colapso Pf anual 2 x 10 2 x 10 7 x 10
-2 -3 -3

anual
2.054 2.878 3.195

PfE 0.10101 0.10010 x 10 0.35012 x 10

-1 -2

E
1.276 2.326 2.697

Tabla 5: ndices de confiabilidad objetivo

En las figuras 8 a 16, se grafican para cada valor de la masa por piso, las superficies obtenidas para los ndices de confiabilidad 1, 2 y 3, donde se indican los valores objetivos de los mismos con una tolerancia del 3%. Los valores de ndice de confiabilidad si ocurre un evento Ej son los utilizados para llevar adelante el proceso de optimizacin. Funcin objetivo El diseo debe minimizar el volumen total del prtico

Vol = F (d k ) = 145800 X (7) + 212400 X (9) 10 6 m 3

(39)

En las figuras 17 a 19 se representa la funcin volumen, para cada valor de la masa por piso y para aquellas dimensiones de las secciones que verifican, como se mencion, los ndices de confiabilidad objetivos.

17

4.5

Resultados

Aplicando el proceso descrito, los valores ptimos encontrados se presentan en la tabla 6. En todos los casos las dimensiones de las secciones generan el mnimo volumen del prtico satisfaciendo los ndices de confiabilidad objetivo con una tolerancia del 3%. Se observa que este procedimiento permite analizar satisfactoriamente la sensibilidad a la variacin de la masa por piso.
m [KN s2 / cm2] 0.25 x 10 0.35 x 10
-3

hv [cm] 55 60 60

hc [cm] 50 50 60

Vol [cm3] 18.639 19.368 21.492

1
1.297 1.337 1.283

2
2.257 2.269 2.264

3
2.622 2.618 2.661

0.30 x 10-3
-3

Tabla 6: Resultados de la optimizacin

Se observa en las figuras 8 a 16 que son mltiples las combinaciones de altura de vigas y columnas que satisfacen los requerimientos de confiabilidad. De all se desprende la necesidad de contar con una funcin objetivo a minimizar para optimizar los resultados obtenidos. En las figuras 17 a 19 se represent la funcin volumen y la obtencin del mnimo para aquellas combinaciones que cumplen los requisitos de confiabilidad. La frontera de la superficie adquiere forma escalonada debido a la discretizacin de los valores de los parmetros de diseo.

18

1
1.5

1.0

40 hv 60 70 50
1.238

40 50 60 70 80
1.45

hc 90 100

Figura 8: Representacin de 1 para m = 0.25 10-3 KN s2/cm2

2.5 2.0 1.5 1.0

40 hv 60 70 50

40 50 60
2.256 2.4 2.5

70 80 90

hc 100

Figura 9: Representacin de 2 para m = 0.25 10-3 KN s2/cm2

2.5 2.0 1.5

40 hv 70 50 60

40 50 60
2.616

70 80 90
2.72 2.84

hc 100

Figura 10: Representacin de 3 para m = 0.25 10-3 KN s2/cm2

19

1.5

1.0

0.5

40 hv 70 50 60

40 50 60
1.238 1.40 1.50

70 80 90 100 hc

Figura 11: Representacin de 1 para m = 0.30 10-3 KN s2/cm2

2.5 2.0 1.5 1.0

40 hv 60 70 50

40 50 60 70
2.256 2.34 2.42

80 90

hc 100

Figura 12: Representacin de 2 para m = 0.30 10-3 KN s2/cm2

3.0 2.5 2.0 1.5

40 hv 60 70 50

40 50 60
2.616

70 80 90
2.76 2.84 1.55

hc 100

Figura 13: Representacin de 3 para m = 0.30 10-3 KN s2/cm2

20

1.5

1.0

0.5

40 hv 60 70 50

40 50 60
1.2 1.238 1.3 1.35

70 80 90 hc 100

Figura 14: Representacin de 1 para m = 0.35 10-3 KN s2/cm2

2.5 2.0 1.5

40 hv 60 70 50
2.18

40 50 60 70 80
2.256 2.28 2.36

90

hc 100

Figura 15: Representacin de 2 para m = 0.35 10-3 KN s2/cm2

3.0 2.5 2.0 1.5

40 hv 60 70 50

40 50
2.55 2.616 2.65 2.75

60 70 80 90 hc 100

Figura 16: Representacin de 3 para m = 0.35 10-3 KN s2/cm2

21

hc
VOL

hv hv opt

hc opt

Figura 17: Representacin de la funcin volumen para m = 0.25 10-3 KN s2/cm2

hc
VOL

hv
hv opt

hc opt

Figura 18: Representacin de la funcin volumen para m = 0.30 10-3 KN s2/cm2

hc

VOL hc opt

hv
hv opt

Figura 19: Representacin de la funcin volumen para m = 0.35 10-3 KN s2/cm2

22

CONCLUSIONES En el marco de la ingeniera ssmica basada en el desempeo, las importantes incertidumbres presentes en demandas y capacidades hacen necesaria la evaluacin de probabilidades de falla, o de excedencia, anual en varios niveles de desempeo. La evaluacin de la confiabilidad bajo acciones ssmicas, con comportamiento dinmico y marcadamente no lineal, es posible realizarla si se aproxima la funcin de respuesta, que en general es implcita. Para ello se utilizan redes neuronales porque tienen las mejores caractersticas de flexibilidad y adaptabilidad. La tarea computacional importante es la construccin de las bases de datos con resultados determinsticos, utilizando anlisis dinmico no lineal aplicando el mtodo de los elementos finitos, y el entrenamiento de las redes neuronales. Luego el clculo de la probabilidad de falla, para los distintos estados lmites en cada nivel de desempeo, se realiza con Monte Carlo crudo, evitando cualquier otra aproximacin en la forma de la superficie de falla, en la ubicacin de puntos de diseo, funciones de muestreo, etc. El ejemplo 1 muestra que es posible calcular los ndices de confiabilidad de un diseo dado, con Monte Carlo crudo y redes neuronales como sustituto de la respuesta, considerando varios niveles de desempeo y varios estados lmites en cada nivel. Se tiene en cuenta la aleatoriedad de las principales variables, incluyendo la dispersin en el ajuste de las redes neuronales. El ejemplo 2 resuelve un problema de optimizacin basado en confiabilidad. Nuevamente el uso de redes neuronales facilita y hace posible el clculo de las dimensiones de vigas y columnas que verifiquen los ndices de confiabilidad objetivo, minimizando el volumen total del prtico.

REFERENCIAS [1] SEAOC Vision 2000 Committee. Performance based seismic engineering of buildings. Structural Engineers Association of California, Sacramento, California, U.S.A., 1995. [2] FEMA, NEHRP Guidelines for the seismic rehabilitation of buildings, Report 273, Buildings Seismic Safety Council, 1997. [3] Hurtado, J., Structural Reliability Statistical Learning Perspectives, Lecture Notes in Applied and Computational Mechanics, Vol.17, Springer Verlag, 2004. [4] Mller, O., Metodologa para evaluacin de la probabilidad de falla de estructuras sismorresistentes y calibracin de cdigos, Tesis de Doctorado en Ingeniera, Universidad Nacional de Rosario, 2001. [5] Mller, O., Foschi, R., Reliability evaluation in seismic design: a response surface methodology, Earthquake Spectra, 19 (3), 579-603, 2003. [6] Foschi, R., Li, H., Zhang, J., Reliability and performance-based design: a computational approach and applications, Structural safety, 24, 205-218, 2002. [7] Zhang,J., Performance-based seismic design using designed experiments and neural networks, PhD. Thesis, Department of Civil Engineering, University of British Columbia, Canada, 2003.

23

[8] Zhang, J., Foschi, R.O., Performance-based design and seismic reliability analysis using designed experiment and neural networks, Probabilistic Engineering Mechanics, 19, 259-267, 2004. [9] Mller,O., Foschi,R., Rubinstein,M., Quiroz,L., Momento-curvatura de secciones de hormign armado sismorresistentes utilizando redes neuronales. Mecnica Computacional Vol. XXV, pg. 2145-2162, AMCA, 2006. [10] Mller,O., Foschi,R., Rubinstein,M., Quiroz,L. Vulnerabilidad ssmica de estructuras: una aproximacin probabilstica usando redes neuronales, Memorias XIX Jornadas Argentinas de Ingeniera Estructural, CD, 050, AIE, 2006. [11] Park, Y.J., Ang. A.H-S, Mechanistic seismic damage model for reinforced concrete. Journal of Structural Engineering, ASCE, Vol.111 (ST4), pp.722-739, 1985. [12] Priestley, M.J.N., Brief comments on elastic flexibility of reinforced concrete frames and significance to seismic design, Bulletin of the New Zealand National Society for Earthquake Engineering, Vol 3, N 4, 1998.

24