Professional Documents
Culture Documents
TESIS
Para optar por el
grado de
DOCTORA EN
INGENIERA
INGENIERA CIVIL GEOTECNIA
PRESENTADA
POR
TUTOR
Mxico, D.F.,
2012
JURADO ASIGNADO
Presidente
Secretario
2do. Suplente
TUTOR DE
TESIS
Dr. Miguel Pedro Romo
Organista
Firm
a
Dedicatoria
A Juan
Carlos por
estar siempre
ah
regalndome su amor incondicional
A Daniela y Juan
Esteban por
llenar mi
existencia de
besitos de
mariposa
A
Natis por
volver a
florecer
en la primavera de su vida
AGRACEDIMIEN
TOS
Al Dr. Miguel Pedro Romo Organista por su paciencia, acompaamiento y
generosidad al compartir su experiencia y sabidura, haciendo ms grato el
camino de la investigacin.
A los miembros del Jurado asignado, quienes enriquecieron continuamente
mi formacin y aportaron valiosos comentarios y consejos para mejorar este
documento.
Al Instituto de Ingeniera, a la Facultad de Ingeniera y a la UNAM, por
brindarme el apoyo y la oportunidad de pertenecer a esta gran familia de
seres y conocimientos.
Al Dr. ngel Kuri y al Dr. ngel Lpez, profesores del programa de
posgrado en Ciencias e Ingeniera de la Computacin de la UNAM, por sus
enseanzas sobre aspectos fundamentos de redes neuronales artificiales y
lgica difusa.
A la Universidad Nacional de Colombia por hacer posible mi
estancia en Mxico.
Al Centro Latinoamericano de Fsica CLAF y al Instituto de Ciencia y
Tecnologa del Distrito Federal ICyTDF, por el apoyo otorgado en el marco
del programa de intercambio, formacin y capacitacin de recursos
humanos latinoamericanos.
A mis apreciados amigos en Mxico, quienes procuraron hacerme
sentir como en casa. A toda mi familia, por acompaarme y
alentarme en la distancia.
NDIC
E
INTRODUCCIN
1.1 PLANTEAMIENTO DE LA INVESTIGACIN
1.2 ANTECEDENTES
2 GENERALIDADES
2.1 SISTEMAS DE ADMINISTRACIN DE PAVIMENTOS SAPS
2.2 PANORAMA GENERAL DE LA RED DE CARRETERAS EN MXICO
2.3 PAVIMENTOS FLEXIBLES EN SERVICIO
2.4 TCNICAS DE AUSCULTACIN
3 COMPONENTES DE LA EVALUACIN ESTRUCTURAL
3.1 ESPESORES Y MATERIALES DE LAS CAPAS
3.2 EVALUACIN DEL COMPORTAMIENTO MECNICO DEL PAVIMENTO
1
2
5
11
11
12
14
16
21
21
22
38
42
44
49
49
3.2.1
3.2.2
3.2.3
3.2.4
4.1.1
4.1.2
4.1.3
4.1.4
Conjuntos difusos
Reglas de inferencia difusa y operaciones entre conjuntos
Sistemas de inferencia difusa SIDs
Agrupamiento difuso
5.3.1
5.3.2
5.3.3
5.3.4
5.3.5
22
24
27
33
51
52
56
58
59
59
61
65
69
69
73
75
76
85
86
88
92
92
95
98
98
103
106
108
108
109
115
LISTADO DE
FIGURAS
Figura 2.1 Fases de la gestin con enfoque a nivel de proyecto AASHTO (1993)
12
Figura 3.1 Respuesta del pavimento ante carga variables crticas
23
25
26
27
28
30
34
35
36
Figura 3.10
37
Figura 3.11
39
Figura 3.12
39
Figura 3.13
43
Figura 3.14
44
50
51
55
56
60
62
63
63
Figura 4.10
64
Figura 4.11
64
Figura 4.12
66
Figura 4.13
Figura 4.14
67
74
75
77
81
82
83
84
Figura 5.10
85
Figura 5.11
87
Figura 5.12
88
Figura 5.13
89
Figura 5.14
91
Figura 5.15
91
Figura 5.16
93
Figura 5.17
94
Figura 5.18
100
Figura 5.19
102
Figura 5.20
106
Figura 5.21
110
Figura 5.22
113
Figura 5.23
113
Figura 5.24
114
Figura 5.25
116
Figura 5.26
117
Figura 5.27
118
Figura 5.28
Figura 5.29
SIDs
LISTADO DE
TABLAS
Tabla 2.1 Longitud de Carreteras Nacionales en Mxico (km) Ao2010
12
16
27
33
38
40
41
41
42
47
48
48
53
54
58
76
78
84
87
91
93
97
104
105
108
109
109
111
112
116
121
RESUM
EN
La investigacin doctoral, se enmarca dentro de los sistemas de
administracin de pavimentos fexibles para corredores viales. En este
trabajo se propone un Sistema no convencional, para realizar tareas
asociadas con la evaluacin estructural de pavimentos y la toma de
decisiones de conservacin, con el fin de garantizar condiciones de
operacin satisfactorias durante el servicio.
En el planteamiento del sistema, convergen algunas herramientas de la
inteligencia artificial, tales como las redes neuronales artificiales y la lgica
difusa, junto con las tcnicas tradicionales de anlisis, el conocimiento y la
experiencia de especialistas y conceptos mecnicoempricos de ingeniera de
pavimentos. Los ltimos quedaron involucrados en la modelacin del
deterioro y la estimacin de la vida remanente del pavimento, mientras que
las prcticas convencionales se aplicaron para caracterizaciones preliminares
y para identificar las variables ms influyentes en los problemas abordados.
Las redes neuronales se plantean para estimar, mediante clculo inverso, los
mdulos y las relaciones de Poisson de las capas que conforman un
pavimento, a partir de pruebas no destructivas de defexin. Este enfoque
permiti modelar adecuadamente la respuesta del pavimento y resolver el
problema de identificacin de parmetros, considerando su carcter no lineal,
multivariado y complejo. En el diseo del modelo neuronal, se realiz una
intensa labor para lograr la red ptima, en trminos de precisin y tiempo
de cmputo; igualmente, se estudi la infuencia de las relaciones de
Poisson en la estimacin de mdulos de capa. Estos dos aspectos han sido
abordados dbilmente en investigaciones previas.
Mediante la aplicacin de las tcnicas de lgica difusa, se disearon tres
sistemas para inferir la condicin de rigidez, de deterioro y las
recomendaciones de conservacin, expresados en trminos lingsticos para
facilitar su interpretacin y comprensin. Los sistemas integran las
variables de carcter subjetivo y cualitativo, utilizadas comnmente para
describir los niveles de severidad del deterioro.
Para el desarrollo de los modelos, se utilizaron datos de auscultacin no
destructiva registrados en sistemas de pavimento de tres y cuatro capas,
incluyendo estructuras tradicionales y estructuras invertidas. Gracias al uso
de bases de datos reales, las simulaciones lograron reproducir
adecuadamente el fenmeno fsico representativo del pavimento, superando
las limitaciones de trabajos previos desarrollados con datos sintticos y
estructuras hipotticas.
Comparando los comportamientos observados y los estimados, se encontr
que el sistema propuesto permite representar de manera bastante
aproximada las caractersticas reales del pavimento; por ello, resulta
razonable concluir que puede utilizarse con confianza para la evaluacin
estructural de pavimentos fexibles, con muy bajo costo computacional.
ABSTRA
CT
This work is focused on management systems for existing fexible pavements
at project level. A nonconventional modelling System is proposed to
identify the structural adequacy and potential maintenance solutions for
pavements to provide proper operating condition.
The System is based on traditional analyses, expert knowledge, mechanical
empirical concepts of pavement engineering and soft computing techniques
such as Artificial Neural Networks and Fuzzy Logic. Traditional analyses were
applied for preliminary characterization and to identify the most significant
variables for simulations. Mechanicalempirical concepts were considered for
deterioration modelling and remaining life estimation.
Neural networks are proposed for estimating elastic moduli of constituent
layers of pavement from nondestructive defection testing, through back
calculation method. This approach allows modelling the pavement response,
dealing with a complex, nonlinear and multivariate parameter identification
problem. A hard work to design the optimum ANN is done; also, the infuence
of Poissons ratio on layer moduli estimation is studied here. These two
issues have been poorly addressed in previous investigations.
On the other hand, three Fuzzy Inference Systems are developed to address
the stiffness deterioration characterization and conservation decisions,
expressed linguistically to facilitate the interpretation and understanding of
the final results. Fuzzy logic tools are applied to represent linguistic variables
of subjective and qualitative nature, commonly used to describe the
severity levels of deterioration; thus they can be involved directly into
structural characterization of pavements. Expert knowledge is taken into
account in the definition of such fuzzy representations.
The modelling system was developed from a database gathered from field
tests performed on three and four layer pavement systems, that included
traditional layer structuring and pavements having a subbase stiffer than
their granular base. By using real databases, the physical phenomenon of
pavement can be properly represented, overcoming the constraints of
previous works based on synthetic and hypothetical data.
By comparing predicted and observed behaviours, it was found that
pavement features are well mapped by the proposed modelling; it was shown
the ability of the system to reproduce very closely, the physical phenomenon
representative of actual pavements behavior. Hence, based on the high
quality of results obtained, it seems reasonable to conclude that the
proposed model can be used confidently for structural evaluation of fexible
pavements. Furthermore, it is possible to perform analyses under particular
considerations with low computational cost.
1 INTRODUCCIN
1.1
Planteamiento de la
investigacin
El tema de investigacin se enmarca dentro de los sistemas de
administracin a nivel de proyecto para pavimentos flexibles en
servicio. Se da nfasis al manejo, procesamiento y anlisis de
informacin tcnica que conduzca a establecer las posibles intervenciones
para mantener condiciones adecuadas de servicio,
otorgando la debida
relevancia que tiene la evaluacin de la condicin estructural de un
pavimento en la toma de decisiones sobre la conservacin.
Se entiende que cualquier accin que se proponga para mejorar la
capacidad estructural, mejora simultneamente otras caractersticas de
serviciabilidad. Con ello, no se pretende desconocer la importancia que
tienen los dems componentes en la evaluacin global, sino ms bien acotar
los alcances de la investigacin en funcin de la informacin disponible,
hacia problemas muy especficos que an constituyen baches por superar.
A continuacin se presentan algunas de las dificultades, deficiencias o
limitaciones que an persisten para evaluar o caracterizar estructuralmente
los pavimentos.
Problemas
abordados
Manejo de variables cualitativas. En el inventario de deterioro realizado
durante la etapa de inspeccin visual en campo, se registran variables de
carcter subjetivo que otorgan descripciones lingsticas y dan una
valoracin cualitativa al pavimento; aunque estas variables constituyen una
parte valiosa de la evaluacin y su registro puede ser dispendioso,
terminan considerndose como un indicador perifrico en los anlisis, o en el
mejor de los casos se les asocia un valor constante segn criterio del analista
para poder involucrarlo de algn modo.
Modelacin del comportamiento e identificacin de parmetros. Una de las
principales dificultades a afrontar en la simulacin del sistema estructural de
pavimento, es la representacin de la resistencia y la rigidez. Aunque se ha
llegado a planteamientos tericos o tericoexperimentales, para estimar
parmetros de comportamiento mecnico, tales como los mdulos de capa,
los niveles de confiabilidad son inciertos dada la cantidad de simplificaciones
que se realizan; adicionalmente, puede desecharse informacin importante
por restricciones en algunos modelos disponibles, en cuanto a capacidad de
procesamiento o altos costos computacionales.
Los resultados obtenidos bajo estas condiciones, terminan siendo
ampliamente aceptados en virtud de la misma complejidad del problema,
iii)
del
2 GENERALIDADES
2.1
Sistemas de Administracin de
pavimentos SAPs
El enfoque de los sistemas de administracin o de gestin de carreteras, se
basa en un conocimiento amplio sobre el estado de las vas y la definicin
clara de necesidades, para destinar presupuesto y ejecutar acciones de
mantenimiento y conservacin.
Los sistemas ms modernos centralizan e integran los insumos necesarios en
bases de datos con informacin completa sobre registros histricos de
auscultacin, intervenciones, trnsito, costos, entre otros. El manejo de
estos sistemas en medios computacionales, permite la actualizacin
peridica, el seguimiento histrico evolutivo del desempeo, la
verificacin y validacin de las hiptesis asumidas, la toma de decisiones y
la retroalimentacin para ajustar los pronsticos con base en las tendencias
reales observadas, mejorando as la confiabilidad de la gestin. En general,
se identifican tres posibles niveles o enfoques para los SAPs:
i. A nivel de estrategias para redes a cargo de una organizacin o
agencia, donde requiere informacin de carcter general para definir
modelos ptimos en cuanto a prioridades e inversiones; su aplicacin
se da ms que todo a nivel preventivo.
ii. A nivel de programas de inversin para uno o ms aos, en el cual
se seleccionan los proyectos por escalas de prioridad, en funcin de la
relacin Beneficio Costo (B/C).
iii. A nivel de proyecto para uno o pocos corredores especficos
como alternativas de inversin. Se requiere informacin tcnica y
administrativa detallada de los corredores para plantear acciones
tendientes a la rehabilitacin.
2.2
Panorama general de la red de
carreteras en Mxico
De acuerdo con datos publicados por la Secretara de Comunicaciones y
Transporte SCT, para el ao 2010 la red nacional de carreteras en Mxico
tena una longitud de 366341 kilmetros, con la distribucin indicada en la
Tabla 2.1. De la red total, cerca del 35% se encuentra pavimentada y el resto
se distribuye en vas revestidas, terraceras y brechas mejoradas.
El Programa Nacional de Infraestructura 2007 2012 establece dentro de
sus prioridades la conservacin, mejoramiento y modernizacin de
carreteras, considerando que por ellas se moviliza el 67% de la carga
nacional y el 99% de los pasajeros. Al ao 2010, el 81% de la red federal
libre ofreca buenas condiciones de operacin y Mxico invirti alrededor
del 2% del Producto Interno Bruto en infraestructura, y el 0.75%
especficamente en el sector carretero.
Tabla 2.1 Longitud de Carreteras Nacionales en Mxico
(km) Ao2010
RED FEDERAL
Bsic
Secundari
a Libre a
De
cuota
8016
23180
17464
ALIMENTADORA
RED RURAL
Caminos Brechas
Rurales mejorad
170197 a 69520
48660 (13%)
77964 (21%)
239717 (66%)
2.3
Pavimentos flexibles
en servicio
Los pavimentos con superficie de rodadura en concreto asfltico, objeto de
esta investigacin, se clasifican dentro de la categora de los pavimentos
fexibles, concebidos como sistemas multicapa sometidos a carga repetida
del trnsito. La respuesta estructural y desempeo, depende de mltiples
variables como son los procesos de deterioro, las caractersticas de la
estructura, el trnsito, entre otros. Estos pavimentos se disean de manera
tal que cada una de las capas tenga alguna funcin dentro de la estructura,
segn se describe a continuacin.
La capa asfltica superficial, debe proveer: suficiente rigidez para asumir
la mayor proporcin de carga; cierta flexibilidad para que las
deformaciones por repeticin se mantengan en el rango elstico;
durabilidad para soportar adecuadamente las agresiones directas del
medio ambiente; adems debe garantizar una superficie segura y cmoda
a los usuarios con caractersticas funcionales adecuadas de textura y friccin.
Esta capa posee un comportamiento de tipo viscoelstico: a altas
velocidades de carga se comporta elsticamente, mientras que a muy bajas
tasas de carga el fujo viscoso se torna ms importante.
Por su parte, las capas granulares internas de base y subbase
(eventualmente mejoradas o estabilizadas), aportan resistencia al deterioro,
estabilidad estructural y volumtrica. En el enfoque tradicional la rigidez
decrece con la profundidad, pero existe el caso donde la subbase posee
mayor rigidez que la base. Algunas experiencias locales han mostrado
incrementos en la vida til del pavimento con la llamada seccin invertida
(Romo y Orozco 1990; Orozco 2005).
Las capas de subrasante y terraceras surgieron como una necesidad de
complementar la estructura de pavimento, para asumir tanto deformaciones
del terreno natural, como esfuerzos transmitidos por los vehculos que
circulan actualmente por las carreteras del pas, los cuales alcanzan a
enviar esfuerzos importantes hacia la profundidad.
El anlisis de la condicin estructural de los pavimentos ante las
solicitaciones que le afectan puede considerarse como un problema
complejo, no lineal y heterogneo, en virtud de la interaccin de gran
cantidad de variables que inciden en el desempeo:
Los materiales de las capas, sus propiedades mecnicas, durabilidad y
especificaciones son fundamentales para conservar la integridad y
minimizar las desviaciones entre los comportamientos esperados y
observados de los pavimentos.
b.
PARMETRO
S
Grietas: fatiga, longitudinales,
transversales y
refexin
Roderas
ESTRUCTURA
Ondulaciones
L
Resistencia y rigidez: Mdulo elstico de
capas
Friccin y Textura superficial
FUNCIONAL
Regularidad superficial IRI
Desintegracin de capa asfltica
DRENAJE
Bombeo en superficie
Prdida de agregados
Roderas
Ondulaciones
DURABILIDA Fisuras en bloque
D
Exudacin
Desintegracin o erosin de capas granulares
Contaminacin de capas granulares
MANTENIMIEN Parches deteriorados
TO OTRO
Acotamientos, derechos de va, controles de
S
trnsito.
Adaptada de ARA,
Inc. y ERES Consultants Division NCHRPTRBNRC2004.
2.4
Tcnicas de
auscultacin
Para evaluar la condicin global de un pavimento, es necesario desarrollar
varias etapas, iniciando con la auscultacin en campo para recopilar datos
representativos de la condicin real que exhibe, considerando la aplicacin de
tcnicas tanto destructivas como no destructivas.
La auscultacin destructiva fue por muchos aos la nica opcin
con que se contaba, excavando pozos a cielo abierto o realizando
sondeos en la estructura del pavimento, siendo posible medir directamente
los espesores de las capas e identificar daos estructurales de difcil
deteccin en superficie. En los pozos adicionalmente pueden efectuarse
pruebas de densidad y de resistencia en campo, as como recuperacin de
muestras de los materiales de las capas para su caracterizacin mediante
pruebas en laboratorio. Estas tcnicas tienen sus desventajas pues requieren
demasiado tiempo de ejecucin, tienen gran impacto sobre la circulacin del
trnsito, resultan costosas por la destruccin del pavimento y en la
restitucin de los pozos no se obtienen las condiciones originales.
Evaluacin estructural de pavimentas flexibles con mtodos de inteligencia artificial y auscultacin no destructiva
En Mxico existe una tendencia creciente hacia la aplicacin de pruebas con FWD y HWD,
gracias a la disponibilidad de equipos, la rapidez y facilidad de medicin; en el captulo 3 se
describen en detalle tales pruebas, dada su relevancia para esta investigacin doctoral.
3 COMPONENTES DE LA EVALUACIN
ESTRUCTURAL
22
3.2
Evaluacin del
mecnico del pavimento
comportamiento
Considerando que cada impulso de carga generado por los vehculos sobre el
pavimento se transfiera gradualmente hacia la profundidad a travs de las
capas que lo conforman, el nfasis en el estudio del comportamiento de los
pavimentos se ha dado fundamentalmente hacia los esfuerzos y
deformaciones inducidos en cada repeticin de carga a travs de las llantas
de un vehculo y la resistencia y rigidez de las capas del pavimento que
soportan la carga.
3.2.1
Esfuerzos y deformaciones en
los pavimentos
El comportamiento mecnico de un pavimento se puede evaluar comparando
los valores estimados en puntos crticos del pavimento, con los lmites
admisibles. Por muchos aos se acept que la respuesta de un pavimento
fexible ante una solicitacin determinada es funcin de esfuerzos,
deformaciones y deflexiones, considerando que los cuatro indicadores ms
significativos del comportamiento son la defexin superficial, la deformacin
por tensin en la carpeta asfltica y los esfuerzos y deformaciones de
compresin en la subrasante. Los dos primeros estn relacionados con el
agrietamiento del concreto asfltico por fatiga, mientras los dos ltimos con
las deformaciones permanentes en el pavimento.
Los modelos mecanicistas ms recientes aceptan estos mismos criterios,
adicionando el agrietamiento trmico y el ndice de Regularidad Internacional
(IRI). En la Figura 3.1 se ilustran algunos ejemplos de variables crticas de
respuesta que pueden considerarse para el anlisis, las cuales se mencionan
en la gua AASHTO2004 (ARA, Inc. & ERES CD, 2004) y se describen a
continuacin; estas variables pueden obtenerse por medio de las leyes de la
fatiga de los materiales.
La deformacin por tensin (t) en los planos inferior y superior de la
capa asfltica, relacionada con: agrietamiento por fatiga ante carga
repetida del trnsito, con propagacin ascendente o descendente;
agrietamiento trmico con propagacin descendente.
l
Figura 3.2 Relacin de
Poisson
Esfuerzo ,
MR = / a
Deformacin,
a
Figura 3.3 Mdulo resiliente a partir de prueba cclica de carga
Tabla 3.1
Rel.
Poisson
ASTM
D5858
0.3 a 0.4
0.2 a 0.4
0.1 a 0.3
0.25 a
3.2.3
Estimacin de mdulos de capa a partir de
pruebas de deflexin
Las pruebas no destructivas de defexin por impacto consisten en aplicar
sobre el pavimento un impulso de carga controlada (Q), cuya magnitud vara
entre 0.7 y 16 ton (6.7 y 156 kN) en el equipo FWD y entre 2.7 y 24.5 ton (26
a 240 kN) en el equipo HWD; en cualquier caso, la magnitud de la carga
aplicada debe ser representativa de los vehculos pesados que circulan por la
va. La carga se aplica en cada libre sobre una placa circular colocada en
la superficie del pavimento y dependiendo del equipo empleado, la placa
puede ser rgida (Dynatest) o segmentada (KUAB); Crovetti et al (1989)
analizaron el efecto de los dos tipos de placa en las respuestas registradas y
en los mdulos de capa para pavimentos rgidos y fexibles.
El pulso de fuerza transmitido al pavimento tiene una duracin de 20 a
60 milisegundos y genera una curva base en el dominio del tiempo, con
comportamiento tipo haversine o half sine, como la ilustrada en la Figura
3.4.
Superficie del
Pavimento
Asfltic
a
Bas
e
Granul
ar
X2
X3
Placa
Cuenca
de
D1:
Defexi Deflexin
n
Pico
Xn
Sensores
h1
D3
D2
Punto
de
Infexi
n
h2
Espesor
es de
capas
h3
Subbas
e
Granul
ar
Capas
Inferiores
h4
100
Donde:
Dmedi = defexin medida en el sensor i
Dcalci = defexin calculada en el sensor i
n = nmero de sensores usados para medir la cuenca
El error absoluto, (AASE). La tolerancia en el error AASE depende del
nmero de sensores
(mximo 14% para 7 sensores).
100
100
Siend
o:
Dmedij = defexin medida en el sensor i para
la prueba j
Dcalcij = defexin calculada en el sensor i
para la prueba j
M = La cantidad de pruebas multiplicada por el nmero
de sensores.
El EMA reduce el efecto de valores atpicos o dispersos (LDC Inc. 1996), lo
cual representa una ventaja, teniendo en cuenta la variedad de
respuestas que se pueden encontrar en el pavimento en funcin de las
condiciones ambientales, estructurales, de deterioro, entre otros.
En cualquier caso, la solucin obtenida no es nica ni exacta pues depende
del set de mdulos semilla introducidos por el usuario, de modo que varias
combinaciones de mdulos pueden producir la misma cuenca de defexiones
y por tanto, el mismo error (Mehta y Roque 2003); se requiere entonces, buen
criterio del analista para seleccionar la solucin ms razonable. En ese
sentido, los mismos autores proponen que como la rigidez del pavimento est
asociada con la forma de la cuenca, puede ser ms conveniente hacer
iii.
iv.
v.
Bueno
< 0.765
Dmx
Regular (mm)
0.765 0.888
Mal
o
0.888 1.16
Sever
o
deterio
> 1.16
5000
15000
15000
40000
> 40000
Intervenci
n
recomend
< 0.708
< 0.592
< 0.485
0.708 0.833
0.592 0.694
0.485 0.576
Mantenimient
Mantenimient
oo
o
refuerzo
0.833 1.12
> 1.12
0.694 0.952
> 0.952
0.576 0.808
> 0.808
Refuerzo si
Reconstrucci
hay dao
n
estructural
Se aprecia que una Dmx de 0.81 mm sobre una va con alto trnsito
representa un pavimento con severo deterioro, mientras que en una va
con bajo trnsito refeja una condicin estructural regular; es decir, la
tolerancia en la Dmx para vas con altos volmenes de trnsito es menor
que en vas con trnsito bajo.
Como la resistencia y rigidez de las capas del pavimento est ms asociada
con la forma de la cuenca de defexin que con la Dmx (Mehta y Roque
2003; Shahin, 2005), resulta conveniente determinar otros indicadores que
involucren informacin adicional del cuenco de defexiones.
Donde:
n = nmero de sensores utilizados para medir la cuenca
Di = Defexin medida en el Sensor i (i
vara de 1 a n) Dn = Defexin medida en
el Sensor n
Xi = Distancia entre el Sensor i e i1 (i vara de 2 a n)
Con base en los posibles valores de rea, se han establecido
intervalos para clasificar la condicin y otorgar una calificacin estructural
segn se muestra en la Tabla 3.3.
Tabla 3.3
2005)
2
A (mm )
Condicin
0 a 100
100 a 200
200 a 400
Excelente
Muy bueno
Bueno
Calificaci
n
estructu
10
9
8
400 a 800
800 a 1600
Mayor a
1600
Regular
Malo
Psimo
7
6
5
El rea normalizada de la cuenca AN. Para su obtencin, se divide
la defexin registrada en cada sensor por la defexin mxima registrada
bajo el punto de aplicacin de la carga. Hoffman y Thompson (1982)
propusieron una ecuacin especfica para el clculo del rea normalizada
cuando se utilizan 4 sensores, separados a distancias constantes de 0.3 m,
evaluando la cuenca hasta una distancia de 0.9m desde el eje de aplicacin
de carga:
.
150 2 . 2 .
.
A normalizada (mm)
Siendo D0.3, D0.6 y D0.9, las defexiones registradas a distancias de 0.3, 0.6
y 0.9 m respectivamente del eje de aplicacin de la carga. El AN40.9 as
determinada y la defexin mxima, se han utilizado localmente como
indicadores de la resistencia del pavimento y de la subrasante, segn se
muestra en la Figura 3.8 y en la Tabla 3.4.
920
760
600
Estructura
resistente y
subrasante
dbil
Estructur
a y
subrasant
e
resistente
s
Estructur
a y
subrasant
e dbiles
440
Estructura
dbil y
subrasante
resistente
280 0.0
0.7
1.4
2.1
Dmx (mm)
AN0.9
(mm)
Baja (<
600)
Alta (>
600)
Dmx
SUBRASANT PAVIMENTO
(mm)
E
Baja (<
Resistente
Dbil
0.7)
Alta (>
Dbil
0.7) (<
Baja
Resistente
Resistente
0.7)
Alta (>
Dbil
Fuente: Adaptada
0.7) de Gmez et al (2007) y Zrate y Lucero (2009).
21 1
2
2
2
Donde:
pi
Ie = Dmx /pi
Punto de
Inflexin
Dmx
Calificaci
n
Estructural
10 Excelent
Tratamien
Muy
to
9
buena
superficia
8
Buena
Refuerzo
7
Regular
6
Mala
>
0.4
Psima
Recuperaci
n
in
situ
Factores de forma y otros indicadores. Horark (1998) plante
dividir las cuencas de defexin en tres distintas zonas segn se ilustra en
la Figura 3.10.
Tabla 3.6
indicadores
INDICADOR
DESCRIPCI
EXPRESI
N en la zona
N
Evala la cuenca
Radio de curvatura, cercana al impacto de la carga
RoC = 0.04/(2(DmxD0.2))
*
m
zona I
ndice de la base
BLI = Dmx D0.3
Refeja la rigidez de las
(antes ndice de
BLI 0: capas resistentes;
capas superficiales zona
curvatura
BLI Dmx: capas dbiles
*
I
superficial)
MLI = D0.3 D0.6
ndice de
Asociado con la rigidez de la
MLI> 0.15 mm: posible
capas
subbase
deficiencia (Xu, 2002)
*
zona II
intermedias
ndice de capas
Indicador de la deformacin por
compresin sobre la subrasante LLI = D0.6 D0.9
inferiores
*
zona
III la rigidez relativa de
Evala
F2 = (D0.3D0.9)/ D0.3
Factor de forma
las capas
Deseable: 0.5
granulares.
Evala
la resistencia
global MRD = Q/Dmx
Mdulo de
de la
Q = Impulso de
rigidez
carga. Deseable:
estructura.
Bajo
el
mismo
nivel
dinmico
de
carga,
valores
altos
refejan
Capacidad de capas superiores
RD20
= t/mm
D0.3/Dmx
Relacin de
respecto a la capacidad
Rango deseable: 0.67 a 1.0
defexin
estructural
Fuente: Adaptada de Zrate
(2011), total.
Zrate y Lucero (2009), INVAS (2008), Horak y Emery
*
(2006) .
Condici
n
Adecuada
En riesgo
Grave
Adecuada
En riesgo
Grave
Dmx
RoC (m)
(mm)
< 0.5
>
0.1 0.1
0.5
0.05
0.75
> 0.75
< 0.05
< 0.2
> 0.15
0.2 0.4 0.08
0.15
> 0.4
< 0.08
BLI
(mm)
< 0.2
0.2 0.4
> 0.4
< 0.1
0.1 0.3
> 0.3
MLI
LLI
(mm)
(mm)
< 0.1
< 0.05
0.1 0.2 0.05 0.1
> 0.2
> 0.1
< 0.05
< 0.04
0.05
0.04
0.1
0.08
> 0.1
> 0.08
3.3
Evaluacin del deterioro
estructural
Los insumos principales de esta evaluacin son: la medicin de profundidad
de roderas en las huellas de circulacin de los vehculos y el inventario de
daos estructurales apreciables en la superficie del pavimento con su
ubicacin, magnitud, severidad y posibles causas.
Las roderas son causadas por la acumulacin de deformaciones inelsticas o
permanentes en las diferentes capas del pavimento con la repeticin de
CONDICIN
Inadecua Margin Adecuad
INTERVENCIN PARA
DAOS
Reparacin total o parcial,
>
5 a 20
<
fresado
20
5
en fro,
reciclado
o
Sello
con
o sin calafateo;
> 200
50 a
<
reciclado;
200
50
sobrecarpeta;
total o
Sello
con o sin repar.
calafateo;
<
30 a 60
>
reciclado;
30
60
sobrecarpeta;
repar.
total o
Reparacin
total
o parcial
>
6 a 12
<
sellado
12
6
con o sin calafateo
Renivelacin;
reciclado en
>
6 a 10
<
fro o en
10
6
caliente; micro
o sobre
Ondulaciones (%
>
1 a 10
<
Renivelacin
o sobrecarpeta
rea)
10
1
Baches abiertos o
Bacheo superficial o
>
8 a 15
<
reparados (% rea)
profundo.
15
8
Adaptada de ARA, Inc. y ERES Consultants Division NCHRP Prevencin: sello de grietas
TIPO DE
DETERIORO
Grietas por fatiga (%
rea)
Grietas
longitudinales
(m/km
Grietas
transversales
(espaciamiento
Grietas
de reflexin
(ancho
mm)
Roderas (mm)
TRBNRC2004.
ALTERNATIVAS (1)
ALTERNATIVAS (2)
Ligeras: sello. Medias a severas: Ligeras: lechada superficial en reas
Grietas
bacheo
afectadas o
por
superficial o profundo;
en todo el tramo. Medias a severas:
fatiga
sobrecarpeta;
sustitucin
de carpeta
y
Bacheo
aislado;
sobrecarpeta
en rea
Bache
Bacheo parcial o profundo.
afectada;
ab.
recuperacin de rodadura y parte de la
Bache
Sustitucin si est deteriorado
rep.
Renivelacin; sobrecarpeta con o Renivelacin local o continua; fresado y
Roderas
sin
sustitucin de rodadura en la banda
afectada
fresado; bacheo superficial o
PC
100I 85
85 70
70 55
55 40
40 25
25 10
10 0
CLASIFICACI
N Excelente
Muy Bueno
Buen
o
Regula
r
Malo
Muy Malo
Psim
Fuente: Ladd M. y Grau R. U.S. oArmy Corps of Engineers (2001).
5, 6 y
7
CONDICI
DESCRIPCI
N Buena
N
Pocas fisuras y deformaciones
(0% a 10% del
rea). Requiere
Regular eventual
Fisuras enmantenimiento
10% a 50% delrutinario.
rea y deformaciones en 0% a
10% del rea.
O pavimentos con fisuras en 0% a 10% del rea y
deformaciones
en
Deficiente Abundantes
fisuras,
deformaciones (> 50% del
rea). Requiere
trabajos
rehabilitacin.
Fuente:importantes
LCPC mtodode
VIZIR
Francia, 1991.
Tabla 3.12
NIVE CONDICI
DESCRIPCI
L0
N
N <5%; no requiere
Excelent rea con grietas ligeras y/o deterioro
e
conservacin
5
a 10% del rea con grietas ligeras a moderadas y/o con roderas
1
Muy
ligeras; requiere conservacin local preventiva.
buena
10 a 20% del rea con grietas, roderas y dao ligero a moderado;
2
Buena
<5% del rea con grietas, roderas y defectos severos;
conservacin
menor
preventiva
20
a 30% del rea
con
grietas, roderas y daos ligeros a
3
moderados; de 5 a 10% del
rea
con grietas,
y daos
severos;
requiere
conservacin
30
a 40%
del rearoderas
con grietas,
roderas
y daos
ligeros
a
moderados; 10 a 15% del rea con grietas, roderas y daos
4
Regular severos; requiere conservacin local menor de
rutina
y conservacin
fresado
y
40
a 45%
del rea congeneral
grietas,preventiva,
roderas y daos
ligeros
a
5
moderados; 15 a 25% del
rea con grietas, roderas y daos severos; requiere
conservacin
localcon
menor,
conservacin
general
preventiva
y
45
a 55% del rea
grietas,
roderas y daos
ligeros
a
6
moderados; 25 a 55% del
Mala
reaacon
grietas,
roderas
severos;
conservacin
menor ay
55
60%
del rea
cony daos
grietas,
roderas
y daos ligeros
7
severos; requiere conservacin mayor en el rea
60 a 70% del rea con grietas, roderas y daos ligeros a
8
Muy mala
severos; requiere
conservacin
encon
el rea
Ms
de 70% mayor
del rea
grietas y/o roderas; hasta 100% del
9
Psima
rea con daos
Fuente: Orozco, Ral
V.
ligeros
a severos; requiere conservacin mayor y/o reconstruccin
(2005)
3.4
Definicin de sectores homogneos de
comportamiento
Como producto de las campaas de auscultacin para la evaluacin de
carreteras, se generan listados con informacin muy detallada, punto a
punto del corredor. Mediante el procesamiento de la informacin recopilada
en campo, se estiman nuevas variables y parmetros, los cuales entran a
formar parte de una base de datos global del corredor. La magnitud de las
bases de datos depende de la cantidad de parmetros medidos, la longitud
del corredor y la densidad de las mediciones.
Una evaluacin punto a punto, permite tener una caracterizacin estructural
completa y detallada del corredor, pero tambin resulta bastante dispendiosa
y poco prctica para el analista, por el tiempo que consume. Usualmente,
resulta conveniente dividir la longitud total de un corredor vial en tramos
con respuestas o propiedades del pavimento similares para simplificar la
evaluacin.
Mediante el anlisis de los diferentes componentes de la evaluacin, es
posible identificar variaciones significativas a lo largo de un corredor, desde
el punto de vista de respuesta mecnica y de desempeo. Para ello, resulta
comportamiento
comportamiento
comportamiento
Parmetro de
Parmetro de
Parmetro de
Distancia
X
Donde
:
D
Dao por fatiga o por
deformacin
T
Nmero total de periodos
considerados ni Trnsito esperado para
el periodo i
Ni
Trnsito permitido bajo las condiciones
prevalecientes en el periodo i.
La Ley de Miner indica que el dao progresa linealmente en funcin del
trnsito y podra utilizarse de manera aproximada para estimar la vida
remanente segn criterios de fatiga. En ese caso, Ni se puede determinar en
pruebas de laboratorio con carga repetida para establecer la ley de fatiga de
la capa asfltica, es decir el nmero de ciclos de carga para alcanzar la falla
por fatiga y la deformacin crtica a tensin. Tambin se puede estimar
mediante las ecuaciones propuestas por el Instituto Norteamericano del
Asfalto, Shell, entre otras, pero igualmente, hay que conocer los mdulos de
capa y las deformaciones crticas.
En cuanto a la falla por deformacin permanente, la Ley de Miner no resulta
confiable, pues la profundidad de roderas no progresa de manera lineal con
el trnsito (ARA, Inc. & ERES Consultants Division, 2004).
Las tendencias recientes se han centrado en desarrollar modelos cada vez
ms complejos que refejen la dependencia de mltiples variables, algunas
de las cuales no se pueden determinar rpidamente o no siempre se
encuentran disponibles para el analista.
Existen en la literatura tcnica, diferentes metodologas y modelos de
deterioro, que pueden tomarse como punto de partida para establecer la
vida remanente del pavimento y para identificar tendencias tpicas en los
comportamientos
futuros.
Desafortunadamente
no
se cuenta con
desarrollos propios para el medio mexicano debidamente calibrados y
validados para las condiciones locales.
Los modelos de deterioro desarrollados en el estudio de Paterson (1987),
constituyen una aproximacin hacia anlisis mecnicoempricos de
pavimentos; estos modelos son reconocidos en el medio, poseen amplio
sustento terico y experimental y constituyen la base para el sistema de
administracin de carreteras HDM4 (Association Mondiale de la Route
World Bank, 2000).
de
Siend
o:
ACAa y ACA % de rea agrietada al comienzo y al final de un
ao determinado
ACA
incremento del agrietamiento
durante el ao
Kcpa
Factor de calibracin. (Valor sugerido por
defecto en HDM4: 1)
CRT
Retardo en el agrietamiento por efecto de mantenimiento
(3 aos, mximo)
CDS
Calidad de la construccin de capas asflticas (1 para contenido
ptimo de asfalto) SCA y ZA: Si ACAa 50%: SCA = ACAa y ZA = 1. En caso
contrario: SCA = 100ACAa y ZA = 1
ao y a1
Coeficientes de agrietamiento que dependen del
tipo de pavimento
Modelo de
permanente
deformacin
10
Dond
e:
Tk
Volumen de trnsito anual por tipo de vehculo k (bus, camin
de dos ejes C2, )
ESALFk
Factor de equivalencia de carga por eje para el vehculo tipo k,
teniendo en cuenta el
efecto del dao causado por cada configuracin de ejes.
La metodologa formal para determinar el ESALFk, se deriva del AASHO
Road Test, aunque tambin puede estimarse mediante metodologas
propuestas por SHELL, el Instituto Norteamericano del Asfalto, entre otros.
En la actualidad es comn utilizar una aproximacin muy simple para
efectos meramente prcticos, a partir de la expresin sugerida por
Watanatada et al. (1987); para pavimentos de concreto asfltico, la expresin
se conoce en algunos medios como mtodo de la cuarta potencia o mtodo
simplificado de la AASHTO.
Siendo:
AXLj = Carga promedio por eje j (simple, tndem, trdem),
SAXLj = Carga estndar de referencia por cada eje j.
En la Tabla 3.13 se presentan los valores para estos dos parmetros que
podran aplicarse al medio mexicano, y su relacin a la cuarta potencia, en
funcin del tipo de eje.
Tabla 3.13
EJE
Simple llanta
sencillallanta
Simple
doble motriz
Simple
Tndem
Tndem motriz
Trdem
SAXL*
*
(ton
6.6
8.2
8.2
15
15
23
(AXL/SAX
4
L)
0.9
2.2
3.2
1.6
2.0
1.1
* SCT (2008)
**AASHTO (1993)
Tabla 3.14
TIPO DE
VEHCULO
Bus
Camin de dos ejes,
C2
Camin
de tras ejes,
C3
Camin de 5 ejes,
T3S2
Camin
de 6 ejes,
T3S3 de 9 ejes,
Camin
T3S2R4
ESALF
2.5
3.1
2.5
4.5
4.0
7.7
4
3.2
.
Con
agrietamiento
3.2 . 0.00007.58
SNP
Nmero estructural ajustado
Krst
Factor de calibracin. (Valor sugerido por defecto
en HDM4: 1) COMP
Compactacin relativa de base,
subbase e inferiores
MMP
Precipitacin media mensual
ao, a1, a2, a3 y a4 Coeficientes sugeridos en la Tabla 3.15
Tabla 3.15
Model
o
Sin agrietamiento
Con agrietamiento
a1
1.14
0.84
a2
0.11
0.14
a3
2.3
1.07
a4
1.11
4 HERRAMIENTAS DE LA INTELIGENCIA
ARTIFICIAL
Neuronales
Las
RNAs
han
sido
consideradas
como
herramientas
computacionales particularmente adecuadas para la solucin de problemas
tanto de clasificacin como de regresin en anlisis multivariados. En el
primer caso, tienen la habilidad de reconocer patrones y extraer
caractersticas esenciales a partir de un conjunto de datos de entrada con
informacin relevante sobre un sistema o fenmeno que se quiere analizar.
Ni
W i1
W i2
X2
Ui = Wij *
Xj
i = Ui +
(i)
(.)
W ij
Xj
Vector
de
entrad
a
Funcin
de
entrada
bi
Potencial
de
activaci
n
Funcin
de
activaci
n
Yi =
Salida de la
neurona
Salidas
calculadas
Conexiones
(pesos)
W ji
O1
Neuronas
j
O2
I2
On
In
Capa de
entrada
Capa
oculta
Capa de
salida
de
un
a.
b.
c.
Multicapa
normal
haciade
propagacin
adelante
total haciaMulticapa
adelante de
propagacin
Cascada
Supervisad
o
Reforzado
No
supervisado
Retro
propagacin
Propagacin
rpidaJacob
Retropropagacin
mejorada
Cuantif. vector de aprendizaje
LVQ
Correlacin en
cascada
Gradientes
conjugados
Levenberg
Marquardt
Red neuronal
probabilstica
Red neuronal
de regresin
general Diferencias
temporales
Enfriamiento
Optimizac. simulado
aleatoria de Solis
& Wets
Enfriamiento simulado
simple Mtodo de
Powell
Retropropagacin
recurrente Kohonen
WTA
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Recurrente en
Cascada
Recurrente previa
Total recurrente
Jordan Recurrente
ALGORITMO DE
APRENDIZAJE
Elman Recurrente
TIPO DE
APRENDIZ
AJE
ARQUITECTURA
X
X
X
X
Supervisad
o
ALGORITMO
CARACTERSTI
Es un algoritmo deCAS
gradiente descendente
con una slida capacidad para alcanzar la
generalizacin, aunque tiene la desventaja
Retropropagacin de que la red puede quedar
atrapada en un mnimo local. La magnitud
del incremento en los pesos se fija antes del
entrenamiento y
permanece constante
durante el proceso de aprendizaje.
Minimiza el tiempo de aprendizaje evaluando
la tendencia del ajuste de los pesos con el
tiempo y heursticamente detecta y optimiza
Propagacin rpida los incrementos en
dichos pesos. El algoritmo asume que cada
peso es independiente de modo que puede
alcanzar
valor ptimo
sin depender
de los
Permite su
aplicar
diferentes
incrementos
y
Jacob mejorada
Enfriamiento
simulado
Reforzado
Mtodo de Powell
No
supervisa
do
Kohonen WTA
minimizacin
permite
encontrar
el
mnimo
global.
Durante el proceso, la red tiene la misma
probabilidad de pasar a estados de alta y
baja energa, lo que le permite superar con
facilidad
los mnimos
locales hasta simulado,
lograr el
Es
similar
al
enfriamiento
pero genera
internamente una perturbacin aleatoria a
los mejores pesos. El desempeo de la red se
evala mediante el gradiente de una funcin
de
costo o de error
a los pesos.
Requiere
alta con respecto
capacidad
de
almacenamiento y el
proceso se realiza por pasos analizando
diferentes direcciones en el espacio. En cada
paso se identifica el mnimo en una
determinada direccin (una dimensin). El
objetivo es aumentar la probabilidad de que
cada
nueva para
direccin
conduzca
hacia
Se utiliza
problemas
de clasificacin
mediante
aprendizaje competitivo; la minimizacin de
la funcin de entrada se usa como criterio de
separacin por clases.
0.5
0
1
10
10
0.5
0
1
0.5
0.5
tareas de regresin, el error mide las diferencias entre las salidas deseadas y
las calculadas por el modelo, utilizando los criterios de minimizacin
mencionados en el numeral 3.2.3, u otros.
Oscilaciones
Error (%)
Error (%)
Error decreciente
Mnim
o local
0
0
1000
500
Iteracin
Sobreentrenamiento
Error (%)
Mnim
o
global
2
0
0
500
500
1000
1000
1500
Iteracin
Iteracin
r2
0.9
0.70
0.89
0.40
0.69
0.20
0.39
Se/Sy
0.35
0.36
0.55
0.56
0.75
0.76
0.90
Muy malo
0.19
0.90
4.2
Lgica
Difusa LD
La LD ha resultado til como una herramienta alternativa para solucionar
problemas de clasificacin, toma de decisiones, sistemas expertos, anlisis
de imagen, control, pre procesamiento de informacin que contenga datos
considerados como errticos, atpicos o ruidosos, entre muchas otras
aplicaciones.
El razonamiento humano involucra procesos lgicos formales e informales.
Los primeros utilizan premisas para inferir una conclusin partiendo de lo
conocido (o de hiptesis) a lo desconocido; tal conclusin involucra conceptos
rgidos claramente delimitados como verdadero/falso, vlido/no vlido, si/no,
correcto/incorrecto, cero/uno.
Por su parte el razonamiento informal ampla el espectro de conclusiones,
apoyado tanto en las premisas como en la experiencia y el contexto, dando
cabida a conceptos poco claros o difusos de naturaleza abstracta e imprecisa,
para describir ciertos atributos de un sistema o fenmeno. La temperatura,
por ejemplo, si bien puede expresarse en el dominio de los nmeros reales,
es muy comn expresarla en trminos lingsticos con atributos como alta,
media o baja.
En la bsqueda de soluciones a ciertos problemas que involucran trminos
lingsticos, las nociones difusas no quedan incluidas en los mtodos de
anlisis tradicionales utilizados en medios computacionales. Para superar
esta dificultad, se han desarrollado diversas herramientas basadas en la
lgica difusa LD, la cual provee un marco para involucrar informacin
cualitativa que tiene implcito algn grado de incertidumbre y subjetividad de
manera que pueda formularse matemticamente y ser procesada en medios
computacionales de forma similar al razonamiento humano (Zadeh 1984).
Con estas herramientas es posible tratar tanto con la vaguedad como con la
ambigedad; la primera est asociada con la dificultad de definir fronteras
precisas en problemas de agrupamiento y la segunda se relaciona con la
dificultad de tomar decisiones cuando se cuenta con varias opciones.
4.2.1
Conjuntos
difusos
Zadeh (1965) introdujo inicialmente la teora de los conjuntos difusos, en
la cual se basan muchos de los conceptos y aplicaciones posteriores
apoyados en la LD. En las representaciones difusas, una variable lingstica
tiene un conjunto de trminos que la describen. Cada uno de estos
trminos est definido por un rango de valores reales y cada valor tiene
asociado un grado de verdad o de pertenencia a su respectivo conjunto.
El grado de verdad se expresa como un continuo de nmeros reales que
pueden tomar valores entre cero y uno, creando una transicin gradual entre
mf
(x)
Siend
o:
= El grado de
pertenencia
mf = nombre de la funcin de pertenencia
(membership function)
X = posibles valores que toma la variable representada en el
eje horizontal.
A manera de ejemplo, en la Figura 4.5 se ilustra la representacin de una
variable desde la lgica clsica y las formas de funciones de pertenencia
ms comunes que pueden representarla mediante la lgica difusa. Se ha
seleccionado una variable asociada con el tema de investigacin, de
manera que los fundamentos expuestos en este captulo sirvan para
interpretar y comprender mejor el modelo que se plantea en captulos
posteriores.
La variable lingstica seleccionada es la condicin de un pavimento en
trminos del % de rea afectada por grietas por fatiga; el eje horizontal de la
Figura 4.5 representa el dominio fsico o recorrido universal donde la variable
toma sus valores; el conjunto de trminos asociado a la variable sera
adecuada, marginal e inadecuada, segn los valores recomendados en la
Tabla
3.7 (condicin adecuada si el rea es menor del 5%; marginal si est entre 5
y 20 %; inadecuada
si es mayor de
20%).
Segn se observa en la Figura 4.5 (b y c), una variable puede tener
diferentes formas de representacin difusa; las funciones triangular y
trapezoidal aportan simplicidad computacional, mientras que funciones como
la exponencial y gaussiana, aportan transiciones ms suaves.
a) Lgica
clsica
%
0
5
Adecuada
10
15
Pertenencia
0.5
25
30
Inadecuada
Marginal
20
c) Funciones de pertenencia
mf1
mf2
mf3
Pertenencia
0.5
0
0
10
15
20
25
30
% rea
mf2
mf1
mf3
0
0
10
15
20
25
30
% rea
Se observa que cuando el rea con grietas est entre 0 y 5% (pavimento con
muy poco o nulo agrietamiento), existe una pertenencia 1 o total a la
condicin adecuada (adecuada (0%) = 1; adecuada (5%) = 1); en este caso,
un valor de 5% de grietas y condicin adecuada no son lo mismo, pero si
estn asociados mediante un valor de pertenencia. Si el rea con grietas es
del
10%, hay un grado de pertenencia cero a esa condicin (adecuada (10%) = 0);
es decir que con ese nivel de grietas, un pavimento deja de considerarse
adecuado.
Para agrietamientos intermedios entre 5% y 10%, la pertenencia a la
condicin adecuada baja gradualmente de uno a cero; un rea de 8% por
ejemplo, tiene una pertenencia de 0.4 a esa condicin (adecuada(8%) = 0.4).
Igualmente, se observa que las funciones de pertenencia pueden
traslaparse de manera que para algunos valores, una variable quede
asociada a dos atributos diferentes con cierto grado de pertenencia a cada
uno de ellos. Para el ejemplo que se viene mencionando, un rea de 8%,
tambin tiene 0.6 de pertenencia a la condicin marginal (marginal(8%) =
0.6); de esta manera, en la medida en que el rea agrietada se incrementa
de 5% a 10%, el pavimento va dejando de ser adecuado, para irse
considerando con condicin marginal.
4.2.2
Reglas de inferencia
operaciones entre conjuntos
difusa
O
marginal
Premisa 2
ENTONCES aplique
conservacin local
Consecuen
cia
marginal(X)
SI el agrietamiento es
adecuado
Premisa
1
ENTONCES aplique
parcheo local
Consecuencia
El operador Y
entre las dos premisas, implica una operacin bsica de
interseccin entre conjuntos difusos, obteniendo la representacin indicada
en la Figura 4.9. En este caso, se genera la implicacin mnima entre los
dos conjuntos (min).
Para ilustrar este ltimo caso, se platea otro ejemplo donde se clasifica la
condicin de un pavimento en funcin del rea afectada por grietas y por
baches. La variable condicin del
Y los baches
marginales
Premisa 2
ENTONCES la condicin es
buena Consecuencia
gietas:
adecuada
1
Condicin
del pav.:
Buena
0.67
Pertenencia
Mnima implicacin
0.4
0.4
Pertenencia
1 Cond.
Conjunto difuso
que cumple la
implicacin Y
(mn)
0
0
10
15
25
Antecedentes
20 % rea
10
20
30 % rea 40
Consecuencia
Premisa 1: adecuada(8%)
= 0.4
Premisa 2: marginal(15%)
= 0.67
Operacin:
adecuada(8%)
marginal(15%) = 0.4
Otras
notaciones
empleadas:
min[adecuada(8%),
marginal(15%)] = 0.4
adecuada(8%)
marginal(15%)= 0.4
adecuada(8%)
marginal(15%) = 0.4
En este ejemplo, el grado de verdad de la regla corresponde al mnimo valor
de verdad de sus premisas (0.4) y la representacin difusa de la consecuencia
queda truncada en ese valor.
4.2.3
Sistemas de inferencia
difusa SIDs
Los Sistema de Inferencia Difusa SIDs, (FIS, por sus siglas en ingls), utilizan
la LD tanto para representar diferentes formas del conocimiento como para
modelar las interacciones y relaciones entre variables de un sistema, las
cuales tienen un dominio fsico de nmeros reales producto de la
observacin, pero se expresan en trminos lingsticos con base en el
conocimiento y la experiencia. Estos sistemas resultan tiles en problemas
donde las soluciones dependen de muchas variables que tienen diversos
atributos, pues tienen la capacidad de procesar mltiples reglas de premisas
y consecuencias simultneamente.
En el proceso de inferencia, se formula la correspondencia entre variables de
entrada y la salida del sistema utilizando la lgica difusa. Esta relacin
proporciona una base desde la cual se pueden tomar decisiones o identificar
patrones, involucrando todos los elementos descritos anteriormente:
funciones de pertenencia, los operadores de lgica difusa y las reglas difusas.
Para la solucin de problemas de ingeniera, se utilizan los sistemas
propuestos por Mandami y TakagiSugenoKang (en Cordn et al, 2001). Los
dos sistemas tienen como entrada un conjunto de variables con sus
respectivos dominios en la escala de nmeros reales y llegan a unas
Entr ada
s
Nm.
reales
Base de
conocimientos en
trminos
lingsticos
Base
de
datos
Sistema
de
reglas
Mecanism
o de
Inferencia
Salida
s
Conj.
difusos
Interfaz
de
defusificaci
n
Salida
s
Nm.
reales
Regla 1
Regla 2
Pertenencia
Pertenencia
Regla 3
0.75
0.75
0.4
0.25
Bisecci
n
del
rea
0.4
CG
0.25
0
0
10
20
30
40
50
% rea
0
0
a) Consecuencias de cada
regla
Salida real
50
b) Agregacin y salida del
FIS
Base de conocimientos
Base
de
datos
Sistema
de
reglas
Mecanism
o de
Inferencia
Salida
s
Prom.
Ponderado
Salida
s
Nm.
reales
Las reglas del sistema TSK poseen una estructura en la cual los antecedentes
estn compuestos por variables lingsticas y las consecuencias son
funciones dependientes de las variables de entrada, como se indica a
continuacin.
SI X1 es
A1Premisa 1
ENTONCES Yi = f (X1,
,Xn) Consecuencia
Y Xn es
AnPremisa n
p p
p X
Donde hi resulta de combinar los antecedentes de cada una de las reglas del
sistema, mediante la implicacin mnima expresada como:
hi = mn(A1 (X1) ,
An (Xn))
Dada la estructura de las reglas de inferencia, el uso de los sistemas TSK se
encuentra limitado en aquellos problemas en los cuales se requiere involucrar
el conocimiento de expertos en las salidas de cada regla y en la salida global
del sistema. Aunque se pueden realizar modificaciones en los consecuentes
para asociar de algn modo los coeficientes po con representaciones
difusas, no se logra utilizar el alcance pleno de la LD en este tipo de
problemas.
En sntesis, un SID es un modelo que representa las variables de entradas de
un problema, como funciones de pertenencia y stas a su vez como reglas
difusas; las reglas se relacionan con un conjunto de variables de salida, las
cuales quedan representadas como funciones de pertenencia o como una
combinacin lineal, para finalmente traducirse a un valor real de la salida
o una decisin asociada con la misma.
FI
RNA
S
s
Mala
Buen
a
Buen
Mala
a
Buen
Mala
a
Buen
Buen
a
a
Mala
Ligeramente
buenaBuen
Buen
a
a
Buen
Buen
a
a
Buen
Ligeramente
Fuente: Fukuda and Shibata,
y Lee, 1996
a 1994 en Lin
buena
5 PLANTEAMIENTO METODOLGICO Y
CASO APLICADO
INVESTIGACI
ONES
PREVIAS
Publicaciones
en
bases
de
datos
especializadas.
Estado
del
conocimiento:
avances logrados en
el tema especfico de
investigacin.
EXPERIENCIA Y PRCTICA
Vas terrestres:
evaluacin
y gestin de
pavimentos
en
Mxico;
revisin
de
casos
aplicados; recomendaciones
de
expertos sobre
valores
tpicos
de
parmetros
de
comportamiento, indicadores
de
condicin
y
soluciones exitosas.
Inteligencia
Artificial:
consultas a expertos en
aplicacin
de
software
especializado RNA y LD.
Inteligencia
Artificial
Lgica Difusa y
Redes
Evaluacin estructural de pavimentos flexibles con mtodos de inteligencia artificial y auscultacin no destructiva
74
Conformacin de bases de
datos global y especficas
Anlisis preliminares
Identificacin de parmetros
mecnicos
sida:
ModtJIOjele (;lipa!
Modelos neuronales
Rel.d.t POI5!0n
Bloque de Reglas
SI...
ENTONCES...
Entradas:
Difusas,numricas
y lingsticas
Mecanismo de
inferencia
Salidas difusas,
numricas,lingsticas:
Rigidez y Deterioros
Sectores homogneos
Bloque de Reglas
SI.. ENTONCES..
Soluciones potenciales:
Entradas difusas,
num.,lingsticas:
Rigidez y Deterioro
Mecanismo de
inferencia
Salidas difusas,
numricas,lingsticas:
Calificacin integral
Posibles soluciones
Modelos de deterioro
Modelo de
agrietamiento
Figura 5.1
Modelo de def.
estructural
Modelo de
deformacin plstica
5.1
Conformacin de las
bases de datos
Como caso de estudio, se seleccion uno de los cinco corredores viales
evaluados por mtodos convencionales en la investigacin de Orozco (2005),
cuya informacin tcnica resulta suficientemente representativa para realizar
la evaluacin estructural del pavimento; con ello se busca contar con un
marco de referencia para poder comparar y de alguna manera validar las
modelaciones propuestas en esta investigacin.
El tramo seleccionado, AcayucanLmite entre Estados de Veracruz y Oaxaca
de la carretera CoatzacoalcosSalina Cruz, se muestra en la Figura 5.2; est
conformado por una calzada con dos carriles, posee una longitud de 28 km
comprendida entre el k112 y el k140 y maneja alrededor de 5000
vehculos/da, con una composicin de 73% de autos, 8% de buses y 19% de
camiones; stos ltimos se distribuyen en 42% camiones de dos ejes, 16% de
tres ejes, 13% de 5 ejes, 19% de 6 ejes y 11% de ms de 6 ejes. Atraviesa
o
zonas planas con alturas de 50 a 130 m.s.n.m., temperatura media de 26 C
y precipitacin media de 140 mm/mes.
Variabl
es
Estructura del
Espesores de 3 y 4 capas
pavimento:
(M/N) Material de cada
capa (L)
Sondeosde
cada
Km
Pruebas
deflexin
Carga
aplicada, 1 por prueba
c/200 m:
(M/N) Defexiones, 7 por
prueba (M/N) Posicin sensor,
278 en carril derecho
7 por prueba
(M/N)rea
Indicadores
ndice
estructural,
280 en carril izquierdo
cuenca
(C/N)
Factores de
estructurales: A
forma (C/NL)
partir de cuencas de
Parmetros
Mdulos
de capa T. elstica
de
(C/N) Relacin de Poisson
comportami
(AC/N)
Roderas, c/20m/huella/carril
Deterioro estructural:
(M/NL)
Magnitud y severidad
Grietas y ondulaciones (M/NL)
Baches abiertos
y reparados
Conocimiento de
Valores
tpicos parmetros
expertos y
(A/NL)
estudios previos
Recomendaciones
intervencin
(N), clima(N),
otros.
Condiciones
operativas Trnsito
(M): Medida
Numrica
(C): Calculada
(L): Lingstica
Etap
a
II
Etap
a
III
Etap
a
IV
Etap
a
V
(N):
128
136
Absc. (Km)
0.2
128
136
Absc. (Km)
0.0
112
119
Base Asfltica
Subbase rigidizada
0.6
Rodadura
Base granular
5.3a. Espesores de
capas 112
133
140
126
Deflexin (mm)
Rodadura
Base granular
Deflexin (mm)
120
0.4
0.6
Absc. (km)
0.00
119
Base Asfltica
Subbase rigidizada
126
0.00
0.25
133
140
Absc. (km)
0.25
0.50
0.50
En riesgo
0.75
En riesgo
0.75
1.00
Condicin grave
1.25
1.50
112
Sector III
0.2
0.4
1.00
Condicin grave
1.25
1.50
112
119
126
133
5.3b. Defexiones
mximas
140
112
Absc. (km)
2
4
6
Condicin marginal
10
126
133
Absc. (km)
140
2
4
6
Condicin marginal
Condicin inadecuada
Huella izquierda Huella derecha
12
5.3c. Profundidad de
roderas
Severa
Intensidad
Severa
Moderada
Ligera
112
119
10
Condicin inadecuada
Huella izquierda Huella derecha
12
Intensidad
CARRIL
DERECHO
Sector
II
Sector
I
Profundidad (m)
120
0.0
Profundidad (m)
112
CARRIL IZQUIERDO
Sector Sector
Sector III
I
II
119
126
Moderada
Ligera
Absc. (km)
133
140
112
Bache
5.3d. Deterioros
estructurales
Fuente: Clculos propios; datos de Orozco
(2005)
119
126
Absc. (km)
133
140
I
Izquierdo
II
Derecho
Izquierdo
III
Derecho
Izquierdo
Derecho
Am bos carriles
Regula Grav Regula Grav Regula Grav Regula Grav Regula Grav Regula Grav Regula Grav
Indicad
r o en e o
r o en e o
r o en e o
r o en e o
r o en e o
r o en e o
r o en e o
or
1 riesgo mala riesgo mala riesgo mala riesgo mala riesgo mala riesgo mala riesgo mala
2
1
2
1
4
5
5
4
5
0
4
1
22
12
Dmx
Dmx
A
1
1
1
1
AN0.9
5
7
4
5
12
1
1
11
2
2
13
14
17
15
0
60
Ie
14
BLI
31
MLI
24
LLI
37
CARRIL IZQUIERDO
rea de la cuenca
800
Cond. Regular
400
rea de la cuenca
800
Cond. Regular
400
0
112
119
126
Absc. (Km)
133
140
rea normalizada
1000
800
600
400
200
Pavimento dbil
112
119
126
Condicin mala
Condicin regular
112
119
126
Absc. (km)
133
140
1.0
0.8
0.6
0.4
0.2
0.0
Cond. grave
En riesgo
112
119
126
Absc. (km)
133
140
112
0.20
0.15
0.10
0.05
0.00
119
126
Absc. (km)
133
140
112
119
126
Absc. (km)
133
140
60
0
112
MRD
119
126
Absc. (Km)
133
140
rea normalizada
1000
800
600
400
200
133
140
Absc. (km)
ndice estructural
0.4
0.3
0.2
0.1
0.0
0.4
0.3
0.2
0.1
0.0
CARRIL DERECHO
Pavimento dbil
112
119
126
133
140
Absc. (km)
ndice estructural
0.4
0.3
0.2
0.1
0.0
Cond. mala
Cond. regular
112
119
126
Absc. (km)
133
140
1.0
0.8
0.6
0.4
0.2
0.0
Cond. grave
En riesgo
112
119
126
Absc. (km)
133
140
0.4
0.3
0.2
0.1
0.0
Cond. grave
En riesgo
112
0.20
0.15
0.10
0.05
0.00
119
126
Absc. (km)
133
140
112
119
126
Absc. (km)
133
140
60
MRD
40
40
20
No deseable
0
112
0.8
119
126
Absc. (km)
133
140
Relacin de Deflexin RD
0.6
112
0.8
119
126
Absc. (km)
133
140
Relacin de Deflexin RD
0.4
No deseable
0.2
119
126
Absc. (km)
133
140
Factor de forma F2
0.8
No
deseable
0.6
0.4
0.2
112
No deseable
0.6
0.4
112
20
119
126
Absc. (km)
133
140
No deseable
0.2
112
119
126
Absc. (km)
133
140
Factor de forma F2
0.8
No
deseable
0.6
0.4
0.2
112
119
126
Absc. (km)
133
140
Se aprecia que el sector II, donde existe estructura tricapa, presenta los
indicadores de comportamiento ms desfavorables en ambos carriles. A
continuacin se analizan en detalle todos los ndices considerados, con el
nimo de identificar los ms representativos del comportamiento del
pavimento y sus capas de soporte.
Las mayores valores de defexin mxima Dmx, indican sitios con
deficiencia global del pavimento; con ayuda de los ndices BLI, MLI y LLI es
posible identificar la capa o capas responsables de tal deficiencia, y por lo
tanto la profundidad hasta la cual habra que intervenir. Aunque se observa
que los sitios donde los cuatro indicadores refejan condicin grave
generalmente coinciden con los sitios
ms afectados por deterioro, no
necesariamente en todos esos casos se desarrolla algn tipo de dao. Esto
es importante considerarlo a la hora de definir intervenciones pues no
solamente se generan acciones para corregir el deterioro, sino tambin para
controlarlos.
Por su parte, de acuerdo con el indicador A (rea de las cuencas de
defexin), no existen condiciones graves de capacidad en el corredor y el
17% de los datos refejan algunos sitios con condicin regular (A entre 400 y
2
800 mm ); sin embargo, para esos mismos sitios los dems indicadores
refejan condiciones graves de rigidez en alguna o algunas capas y presencia
de deterioro inadecuado; por esta razn, A no se considera en este estudio
como un indicador significativo de cambios estructurales en el corredor.
En cuanto al rea normalizada AN0.9, se encontr que los valores
menores de 600 mm coinciden con sitios donde los dems indicadores
reflejan deficiencia global o en alguna de las capas de la estructura.
Considerando los criterios planteados en la Tabla 3.4 y la Figura 3.8,
respecto al AN0.9 y su relacin con Dmx, se elabor Figura 5.5, donde se
clasifica la suficiencia estructural del pavimento (capa asfltica, base y
subbase) y de las capas inferiores o subrasante.
Por su parte, los ndices BLI, MLI y LLI correlacionan muy bien con Dmx,
como se aprecia en la Figura 5.7, con la ventaja adicional de que permiten
ubicar tanto los sectores con problemas, como los componentes de
pavimento a los cuales se atribuyen las deficiencias con sus respectivos
niveles de gravedad.
1.00
R = 0.8988
0.75
BLI
0.50
0.25
0.00 0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
Dm
x
0.8
1.0
1.2
1.4
1.6
Dm
x
0.8
1.0
1.2
1.4
1.6
Dm
x
0.4
MLI
R =
0.8843
0.2
0.0 0.0
0.2
0.4
0.6
0.2
LLI
R =
0.9037
0.1
0.0 0.0
0.2
0.4
0.6
que stos deben integrarse con los dems elementos de la evaluacin para
lograr una descripcin ms completa de la condicin del pavimento.
0.0
0.0
0.6
0.5
0.0
1.0
0.5
Cuencas con el mismo Ie
0.0
1.3
1.0
0.0
0.8
1.0
0.0
0.6
Cuencas con el mismo MLI
0.6
Cuencas con el mismo LLI
Como producto del anlisis anterior, los indicadores Dmx, BLI, MLI y LLI
se identifican como representativos para evaluar la capacidad estructural
del pavimento considerado en este estudio. El ndice estructural Ie, se
utiliza para ayudar a definir sectores homogneos preliminares y soluciones
de intervencin. Los dems indicadores, se consideran de verificacin en la
medida que
guarden relacin con los parmetros mecnicos que se
determinan posteriormente.
LLI
Paviment
(mm
o
)
0.023
Alta rigidez global
Debilidad atribuida a la subbase y
0.13
capas
5
inferiores total de la estructura
0.13 Debilidad
2
0.043 Buenas condiciones de rigidez
Como parte final de los anlisis preliminares y para corroborar los tres
sectores identificados por los cambios de estructura, se aplic el mtodo de
las diferencias acumuladas, descrito en el numeral 3.4, a los valores de
Dmx y de Ie registrados a lo largo del corredor. En la Figura 5.10 se ilustran
los cambios significativos en la pendiente de las curvas obtenidas, los cuales
indican fronteras entre sectores con diferente respuesta.
Cuatro Capas
Tricapa
Cuatro Capas
120
80
40
0
40
80
Diferencia acumulada de Ie
120
112
114
116
118
120
122
124
126
128
130
132
114
116
118
120
122
124
126
128
130
132
134
140
30
20
10
0
10
20112
de
parmetros
5.3.1
Diseo del modelo neuronal para
estimar mdulos de capa
La primera tarea para disear una RNA capaz de predecir mdulos de capa
de un pavimento, consiste en identificar las variables sensibles en los
conjuntos de datos de entrada y de salida.
Inicialmente se consideraron 23 variables de entrada asociadas con las
pruebas de defexin y la estructura del pavimento (ver Tabla 5.1). Teniendo
en cuenta que la posicin de los siete sensores permanece constante en
todas las pruebas de defexin, las variables de entrada se reducen a 16: un
nivel de carga (Q), siete defexiones superficiales medidas en cada sensor y
en cada prueba (D1, D2, D3, D4, D5, D6, D7), cuatro espesores de capas (h1,
h2, h3, h4) conformadas por cuatro tipos de materiales diferentes.
Para efectos de caracterizar el tipo de material de cada capa, se opt por
asumir valores de la relacin de Poisson (1, 2, 3, 4) puesto que sus
intervalos de variacin son bastante estrechos para cada capa. En principio,
se utilizaron valores tpicos constantes de 0.3, 0.4, 0.35 y 0.45
respectivamente para capa asfltica, base granular, subbase rigidizada y
capas inferiores, con el nico fin de representar numricamente el tipo de
material.
En investigaciones previas se menciona el efecto poco significativo que tiene
el asumir valores constantes de la relacin de Poisson sobre la estimacin
de mdulos de capa (Uzan, 1994; Ullidtz, 2000; Huang, 2003; ARA Inc. &
ERES 2004). Para evaluar el verdadero impacto en las estimaciones, en
este estudio se incluye un anlisis de sensibilidad adicional, considerando
valores variables de la relacin de Poisson, cuyos resultados se presentan en
el numeral 5.3.4.
En cuanto al conjunto de datos de salida, como una primera aproximacin de
los mdulos esperados EES, se utilizaron los valores estimados por Orozco
(2005) mediante teora elstica multicapa a partir de la misma base de datos
usada en este estudio.
Para esta investigacin se utiliza la configuracin de modelo neuronal de tres
capas ilustrada en la Figura 5.11, teniendo en cuenta las recomendaciones
de estudios previos (Goktepe et al,
2006 y Sharma y Das 2008),
donde las RNAs con una capa oculta han
mostrado mejor desempeo que las de dos capas ocultas para la
estimacin de mdulos. Mediante ensayo y error, se encontr que cuatro
neuronas en la capa oculta resultan suficientes para proporcionar buenos
resultados en muy poco tiempo.
Parmetr
os de
entrada
Estructura
de
paviment
o
Mdulos
esperado
s, EES
Q
E1
h1, h2
h3, h4
D1, D2
E2
D3, D4
D5, D6,
D7
1, 2
E3
.
.
.
3, 4
Capa
de
entrad
a
E4
Cap
a
ocult
a
Mdulos
calculado
s, ERNA
Algoritmo de aprendizaje
Retro propagacin
Propagacin Rpida
Jacob Mejorada
Jordan
Recurrente
Reforzad Supervisa
do
o
Multicapa de
propagacin
total
Enfriamiento simulado
Optimizacin aleatoria de Solis
&
Wets de Powell
Mtodo
S alidas
calculadas:
((E RNA
n) j) k
RNA(
Entrad
as
(Di ; hn ; n ;
Q) j
k)
(EES )
m
No: ( EES ) m +1 =
(ERNA ) m
No
cumpl
e
Error:
(ERNA ) k
converge
Si: cambiar pesos
Error
EES
Cumple criterio
S olucin:
((E
RNA n) j ) k
5.3.2
Evaluacin del ajuste de
cuencas de deflexin
Teniendo en cuenta que la respuesta de defexiones medidas sobre el
pavimento es funcin de la rigidez, caracterizada por los mdulos de capa, la
evaluacin de defexiones se realiza con el
RNA(
Selecci
n de
RNA
ptim
a
Calcular:
Intercepto,
pendiente
de la linea
de
tendencia
y coef.
determ.
k)
Error:
(DRNA)
Cumpl
e
criteri
o
DMED
(DES =
DMED )
Salidas
Calculad
as:
((DRNA i) j
)k
Entrenamien
to
2
a
b
r
0.00 0.96 0.96
8
1
1
0.00
0.96
0.96
8
3
0.01 0.94 5
0.94
2
2
0.00 0.96 3
0.95
9
0
0.00 0.95 8
0.95
9
8
0.00 0.96 9
0.96
8
2
0.00 0.95 2
0.94
9
5
0.01 0.94 7
0.94
a
0.00
1
0.02
6
0.00
3
0.00
2
0.01
9
0.00
8
0.01
3
0.00
b
0.98
4
1.26
3
1.06
3
0.96
0
0.91
5
0.93
6
0.95
7
1.00
0
0.01
0
0.00
7
0.02
2
0.00
6
0.00
4
0.00
5
0.01
4
0.00
2
0.04
4
0.00
1
0.02
4
0.07
0
0.06
7
0.00
9
0.00
8
0.00
9
0.00
6
0.08
8
1.01
9
0.69
7
0.85
1
1.29
8
0.96
9
0.96
3
0.97
2
0.97
8
0.36
8
0.95
0
0.96
3
0.89
4
0.97
2
0.97
9
0.97
9
0.93
2
0.97
7
0.78
8
0.95
3
0.96
5
0.90
3
0.97
6
0.98
4
0.98
5
0.93
9
0.96
7
0.78
Prueba
0
0.00 5
0.95 7
0.96 2
0.13 3
2.83
8
9
0
8
1
ERNAp
(Kg/cm2)
10700
82200
880 6200
EES
(Kg/cm2)
3500
84300
500 6300
1950 8200
300 8000
790 3300
200 5000
de
de
la
RNA
ES
0.24 0.35
0.3
0.31 0.42
0.4
0.29 0.40
0.35
0.41 0.48
0.45
Para ambos casos se observan muy buenos ajustes, lo cual permiten evaluar
no slo la calidad de los mdulos estimados sino tambin la capacidad de la
red neuronal para reproducir la respuesta del pavimento ante pruebas no
destructivas de defexin. Bajo estas nuevas condiciones, el tiempo para
lograr la convergencia se redujo a 30 segundos y 256 iteraciones.
Aunque los ndices de regresin muestran una mejora que a simple vista
podra catalogarse como leve,
es evidente que cuando se consideran
relaciones de Poisson variables, se obtienen estimaciones menos dispersas
respecto a las mediciones, en especial para los ms altos niveles de
defexin. Por tal motivo, para los anlisis posteriores que se realizan en esta
investigacin, se adoptan los mdulos estimados bajo esta ltima
consideracin.
Mdulo (Kg/cm2)
90000
60000
Mdulo (Kg/cm2)
30000
Valores tpicos
0
112
116
120
124
128
132
136
140
Abscisa (Km)
Base
Granular
9000
Tpicos suelo
cemento
3000
Sin
estabilizar
0
112
116
120
9000
124
128
Subbase
rigidizada
132
136
140
6000
Tpicos suelo cemento
0
112
116
120
124
128
132
136
140
Abscisa (Km)
Capas
inferiores
6000
3000
Tpicos subrasante granular
0
112
116
120
124
128
132
136
140
Abscisa(Km)
Mdulo (K
(k
Mdulo
mejoramiento con cemento Portland en buena parte del corredor, pero sin
llegar a niveles de rigidez propios de bases estabilizadas con cemento (17000
2
a 70000 kg/cm ).
Tambin se puede observar que los mdulos estimados para la base resultan
inferiores a los de la subbase rigidizada; este hecho muestra la capacidad del
modelo de reproducir las caractersticas particulares del sistema de
pavimento en esos sectores, donde no se presenta el concepto estructural
tradicional de rigidez decreciente con la profundidad.
Los mdulos obtenidos en la capa de subbase rigidizada se encuentran
dentro de valores tpicos observados en materiales estabilizados con cemento
2
(3500 y 7000 kg/cm ). Todos los sitios donde los mdulos de la subbase
2
resultan menores de 3500 kg/cm , coinciden con valores donde el indicador
MLI refeja condicin de rigidez grave o en riesgo de las capas intermedias.
En cuanto a las capas inferiores, en general se obtienen mdulos dentro o
superiores al rango tpico para subrasantes granulares, lo cual refeja la
capacidad ptima de soporte que ofrecen estas capas a la estructura del
pavimento en todo el corredor. El ndice LLI, asociado con la deformacin por
compresin sobre las capas inferiores, indica unos cuantos sitios con
2
condicin grave cuando los mdulos obtenidos son menores de 1000 kg/cm ,
confirmando que los valores crticos de LLI no necesariamente estn
asociados con bajos valores de mdulos en las capas inferiores, pues cada
uno representa caractersticas diferentes de los materiales.
De otro lado, a partir de una inspeccin detallada de las Figura 5.3 (b, c y d),
resulta razonable concluir que la condicin del pavimento se ve refejada en
los mdulos estimados: los sitios que exhiben roderas elevadas o zonas
afectadas por deterioro estructural, presentan valores no deseables de
mdulos en algunas o en todas las capas.
En consecuencia, los bajos mdulos obtenidos con RNAs indican zonas que
merecen una atencin especial al momento de plantear los programas de
intervencin. Para ayudar a tomar mejores decisiones en ese sentido, los
resultados obtenidos en la modelacin neuronal se integran posteriormente
con otros parmetros cualitativos y cuantitativos, utilizando herramientas de
la lgica difusa.
El anlisis anterior permite concluir que los mdulos estimados con el modelo
neuronal pueden utilizarse de manera confiable para caracterizar la rigidez de
las capas de pavimento y por tanto, para evaluar la capacidad estructural
junto con los dems indicadores de condicin.
ii.
0.23
1.14
h2
h3
0.28
1.37
0.12
0.60
h4
0.00
0.00
D1
D2
0.45
0.32
2.24
1.58
D3
0.24
1.17
D4
D5
0.15
0.73
0.26
1.25
D6
0.14
0.68
D7
1
0.28
0.23
1.39
1.15
0.16
0.80
0.20
0.98
0.13
0.65
Promedi
o
0.203
1.00
Para la base de datos utilizada, las variables identificadas con mayor efecto
en la estimacin de mdulos son las defexiones (excepto D4 y D6 medidas a
0.6, y 1.2 m del eje de carga), el espesor de la base granular (h2) y el
espesor (h1) y relacin de Poisson de la capa asfltica (1). Este ltimo
aspecto, soporta an ms la conveniencia de considerar relaciones de
Poisson variables para el caso de estudio analizado.
Por el contrario, las variables con menores efectos son la carga, Q y el
espesor de las capas inferiores, h4. En teora, estas variables podran
deshabilitarse para disminuir el espacio de entrada a la RNA y por tanto,
el costo computacional sin prdidas significativas en el desempeo. En
este estudio sin embargo, los bajos efectos no se interpretan como
variables despreciables, sino que se atribuyen a que los dos parmetros
prcticamente no varan en los ejemplos utilizados; por tanto, se mantienen
habilitados para extender el uso potencial de la red diseada hacia la
estimacin de mdulos en estructuras de pavimentos donde Q y h4 tengan
intervalos dinmicos ms amplios.
5.4
Evaluacin estructural del pavimento usando
herramientas de la LD
En este numeral se incluyen las actividades tendientes a caracterizar el
pavimento desde los enfoques de rigidez y de deterioro, los cuales
evalan caractersticas diferentes del pavimento, pero se complementan
para lograr la descripcin integral de la condicin estructural; en
funcin de ello, se definen las soluciones para mantener en buen estado el
pavimento.
Para abordar estos problemas, se plantean dos Sistemas de Inferencia
Difusa SIDs que permitan identificar, de manera independiente, la
condicin de rigidez y de deterioro que se pueda encontrar en el corredor.
5.4.1
Diseo de los Sistemas de
Inferencia Difusa SIDs
En los problemas especficos a resolver con los dos sistemas, se pretende
involucrar el conocimiento de expertos en la evaluacin de pavimentos. Para
ello, resulta adecuado el planteamiento de sistemas con el mecanismo de
inferencia propuesto por Mandami (ver Figura
4.12), donde las salidas estn representadas por conjuntos difusos con sus
respectivas funciones de pertenencia que se traducen en valores reales o
decisiones asociadas con las mismas.
En ambos casos, el conocimiento y la experiencia representa la fuente
principal para definir las funciones de pertenencia y las reglas difusas. Para
el caso de estudio, no se considera conveniente el uso de sistemas
automticos de aprendizaje para definir o refinar las funciones de
Sistema
para
evaluar
rigidez SIDRigidez
la
Pertenencia
0.5
Alto
Medio
Bajo
10 20 30 40 50 60 70 80 90 100
E1x1000 (kg/cm2)
0.5
Bajo
Pertenencia
Medio
Alto
5 6
10
E2x1000
(kg/cm2)
7
Pertenencia
Pertenencia
0.5
Bajo
Pertenencia
0
0
Alto
Medio
0.5 Bueno
10
E3x1000
(kg/cm2)
Grav
e
Sistema de
Reglas de
Inferencia
Difusa
Sever
o
Pertenencia
0.2
0.4
0.6
0.8
1
1.2 1.4
Dmax (mm)
Buen
o
Riesgo
1.6
Grave
Pertenencia
0
0
0.2
0.4
0.6
0.8
1
BLI (mm)
1
Buen
o
0.5
Riesgo
Grave
0
0
0.5
0.5
Mal1 Mal2
0 Riesgo
0
10
Rigidez
Y SI
INDICADORES
Dmax severa
MLI grave y Dmax
severa
MLI grave y Dmax
severa
BLI grave y Dmax
severa
BLI grave y Dmax
severa
BLI grave y Dmax
severa
Dmax grave
SUBCATEGO
RA
CA y SB
psima
BG Y SB
psima
SB psima
Psima 2
CA psima
Psima 3
MLI grave
MLI grave
mala
SB mala
grave
Dmax
riesgo
Mala 1
CA y BG
mala
BG mala
Mala 2
CA mala
Mala 3
MLI riesgo
CA y SB
regular
BG
y SB
BLI
riesgo
MLI
riesgo
regular
CA
y BG
regular
SB regular
BLI
riesgo
BLI
riesgo
Algn indicador
severo,
grave
o en
Ningun
o
Psima 1
CA y BG
psima
BG psima
CA y SB
mala
BG
y SB
BLI
grave
BLI
grave
BLI
RIGIDE
Z
Regular
BG regular
CA regular
En riesgo
Riesgo
Adecuada
Adecuad
a
La salida del sistema difuso est constituida por categoras de deterioro, las
cuales integran las posibles combinaciones de variables de entrada,
considerando que un pavimento puede estar afectado por deformaciones,
roturas o ambos. La escala de calificacin se representa mediante conjuntos
difusos, expresados tambin en trminos lingsticos.
En la definicin de estas categoras tambin se consider su aplicacin en la
toma de decisiones sobre el tipo de intervencin a ejecutar, pues en la
prctica las acciones estn sujetas a la presencia, tipo e intensidad del
deterioro. Se definieron entonces, ocho categoras esperadas de la condicin
por deterioro: rotura severa, rotura media, grietas ligeras, baches ligeros,
deformacin severa, deformacin media, deformacin ligera y condicin
adecuada.
Pertenencia
0.5
Adecuad
a
Liger Media
a
Severa
0
2
10
12
Roderas (mm)
1
Liger
a
0.5
Media
Severa
Adec
Pertenencia
15
20
25
Grietas (%)
Adecuada
1
Liger
a
0.5
10
15
20
25
Bache abierto (%)
0.5
Liger
Adeca
Media
Severa
0
0
10
Sistema
de
Reglas
de
Inferenci
a Difusa
15
20
25
Bache reparado (%)
DefSev
Adec
0.5
0
0
Media
Severa
Pertenencia
10
1
RotSev
Pertenencia
Pertenencia
10
Deterioro
SI
Grietas o Baches
severosy Roderas
Grietas
medias
Grietas o Baches
medios
Grietas
medias y baches
ligeros
Grietas y Roderas
ligeras
Grietas,
baches y roderas
O
Grietas y Baches
medios y Roderas
Baches
COND. POR
DETERIORO
Rotura severa
medias
Grietas y Baches ligeros
Baches medios y grietas
ligeras
Baches y Roderas
Rotura media
ligeras
Grietas ligeras
Baches ligeros
Baches ligeros
Roderas severas
Roderas medias
Roderas ligeras
Ningun
o
Deformacin
severa
Deformacin
media
Deformacin
ligera
Adecuada
5.4.2
Evaluacin de los SIDs diseados
Anlisis de resultados
Los SIDs diseados se evaluaron utilizando los datos disponibles en el carril
izquierdo del caso de estudio que se ha venido analizando.
Los mdulos de capa estimados con el modelo de RNAs e ndices deducidos a
partir de las 280 cuencas de defexin medidas se introdujeron como
variables de entrada al SIDRigidez. Por su parte, el SIDDeterioro se evalu
introduciendo los datos medidos sobre el corredor en cuanto a grietas,
roderas, baches abiertos y baches reparados.
Para cada conjunto de datos introducido en el SIDRigidez y el SIDDeteriroros, se
obtuvieron los valores numricos que caracterizan cada condicin del
pavimento, con sus correspondientes trminos lingsticos asociados. Vale la
pena mencionar que una vez introducidos los datos en cada SID, los
resultados se obtienen en unos cuantos segundos.
En cada caso, se efectu un anlisis de sensibilidad para evaluar diferentes
tcnicas de defusificacin en la obtencin de las salidas numricas; para
ello, se probaron los mtodos del centro de gravedad, biseccin del rea y el
promedio de los mximos.
RIGIDE
Z
Regular
Adecuad
a
Riesgo
Regular
Mala 1
Regular
Mala 1
Regular
Mala 1
Regular
Psima1
Mala 1
Psima1
Mala 1
Regular
Mala 1
Adecuad
aMala 1
Riesgo
Mala 2
Regular
BACH
E
ABIER.
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
BACH
E
REP.
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
SALID
A
NUMRI
9.7
9.7
9.7
9.7
9.7
9.7
8.6
7.0
6.4
2.5
2.6
3.0
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.1
7.8
7.7
8.4
9.7
9.7
9.1
9.7
9.7
9.7
9.7
DETERIOR
O
Adecuada
Deform
ligera
Deformaci
n media
severa
Rotura
media,
grietas
Grietas
ligeras
Adecuada
Deform
ligera
Adecuada
5.4.3
Identificacin de sectores
homogneos
Con base en la caracterizacin del pavimento lograda mediante LD, cuyos
resultados se incluyen en el Anexo B, se elabor la Figura 5.20 para ilustrar la
variacin de las calificaciones obtenidas a lo largo del corredor,
representadas en escala numrica y de colores, con los correspondientes
trminos lingsticos asociados. Para efectos de visualizacin, se presentan
las categoras de rigidez psima, mala y regular y deterioro severo,
medio y ligero. Adicionalmente, se superponen los sectores homogneos
de comportamiento definidos en el numeral 5.2.
Condicin por
Adecdeterioro
Ligero Medio
75
0
17
93
0
2
64
15
19
100
0
0
81
6
13
98
0
0
100
0
0
89
0
11
88
3
7
Sever
8
5
2
0
0
2
0
0
2
5.5
Definicin de
Soluciones
Una vez caracterizado el corredor e identificado las deficiencias
estructurales, se definen las acciones de rehabilitacin y mantenimiento
necesarias para corregirlas o controlarlas. A continuacin se presenta un
resumen de las principales acciones que se pueden considerar, para
disear posteriormente un SIDSoluciones til para la asignacin de
intervenciones en funcin de la condicin integral de rigidez y de deterioro,
el cual, se evala finalmente para el caso de estudio que se est analizando.
5.5.1
Intervenciones
Potenciales
La definicin de posibles soluciones se realiz teniendo en cuenta las
acciones contempladas en las normas de la SCT, consignadas en la Tabla
5.15, y las recomendaciones de experiencias exitosas en conservacin de
pavimentos, encontradas en estudios previos a nivel local e internacional
expuestas en el captulo 3.
Tabla 5.15
1. Rutinario
1.1
1.2
1.3
1.4
2. Periodico
NCSVCAR2020
01/00
NCSVCAR2020
02/00
NCSVCAR2020
03/00
NCTRCAR2020
04/00
2.1
2.2
Renivelaciones Locales
Capas de Rodadura de un Riego
2.3
2.4
2.5
2.6
05/06
NCSVCAR3020
06/06
NCSVCAR3020
3.1
3.2
3.3
NCSVCAR4020
01/03
NCSVCAR4020
03/03
NCSVCAR4020
2.7
2.8
3. Reconstruccin
3.4
NCSVCAR3020
01/00
NCSVCAR3020
02/09
NCSVCAR3020
03/00
NCSVCAR3020
04/09
NCSVCAR3020
07/03
NCSVCAR3020
08/03
04/03
NCSVCAR4020
05/03
Tabla 5.16
GLOBAL
ACCIONES
ESPECFICAS
Total. Comprende la demolicin
y recuperacin de las capas
granulares y asflticas con opcin de seccin tradicional o
Reconstrucc invertida
Parcial. Demolicin y recuperacin de capa asfltica y base
in
granular
Superficial. Demolicin y recuperacin de la capa asfltica
Reciclado En caliente o en fro
Sobrecarpeta asfltica con o sin polmero
Refuerz
Fresado y reposicin de carpeta asfltica
o
Whitetopping, previa renivelacin y tratamiento de zonas
estructu
deterioradas
Rejilla
en fibra de vidrio superficial y microcarpeta
Microcarpeta.
Restaurac Microcarpeta con fresado si existen grietas y baches
in
Sello con mortero asfltico
superfici
Tratamiento superficial simple o doble
al
Sello arena asfalto
Sello de grietas con o sin calafateo, dependiendo de la
abertura
Locales
Bacheo
Renivelacin local de zonas con roderas
5.5.2
Sistema de inferencia para las
soluciones SIDSoluciones
Ante la eficiencia mostrada por los dos sistemas de inferencia previamente
diseados, se propone un tercer SID que integra los criterios de rigidez y
deterioro, para lograr una caracterizacin que permita formular soluciones
acordes con las dos condiciones.
Los conjuntos difusos y los respectivos trminos lingsticos de las
calificaciones propuestas en el SIDRigidez y el SIDDeterioro, conforman ahora las
entradas al SIDSoluciones. La salida est constituida por una calificacin segn
las combinaciones de variables de entrada, considerando que un pavimento
puede estar afectado por daos o deficiencias de rigidez o ambos. Se
defini una escala de calificacin de 0 a 100, con el planteamiento inicial
mostrado en la Tabla 5.17.
Tabla 5.17Escala de calificacin y acciones globales
CONDICIN
INTEGRAL
Psim
a
Mala
Regula
r
Buen
a
Excelente
CALIFICACI
N0 a 15
15 a 40
40 a 60
60 a 90
90 a 100
ACCIN
Reconstruccin
Refuerzo
Restauracin
Reparacin
locales
Monitoreo o
Nada
Pes2
Pes3
Mal1
Mal2
Reg Ries
Adec
DefSev
Adec
Pertenencia
Pertenencia
0.5
0.5
0
0
10
Rigidez
10
Deterioro
Pertenencia
Sistema de
Reglas de
Inferencia
Difusa
REFyFR1 REF1
REFyFR
MC1
MCyFR
Bach1
NADA
MC
Bach
RENI Sello1
Sello
MONIT
0.5
0
0
10
20
30
40
50
60
70
80
90
100
RIGIDEZ
8.2
9.6
9.6
9.4
9.0
8.1
8.0
4.0
7.8
8.0
8.0
4.0
8.0
3.8
4.0
8.2
7.9
8.0
7.7
0.4
4.0
0.3
4.6
7.8
4.0
9.6
4.0
9.0
4.9
8.7
CALIFICACI
N
90
95
95
Adecuada
92
90
90
Deform
75
ligera
35
Deformaci
n media
38
severa
Rotura
52
media,
deform.
Grietas
79
DETERIORO
Regular 9.7
9.7
Adecuad 9.7
a
9.7
Riesgo 9.7
9.7
Regular
8.6
Mala 1 7.0
6.4
Regular 2.5
2.6
Mala 1 3.0
Regular 9.7 ligeras
9.7
Mala 1
9.7
9.7
Adecuada
9.7
Regular
9.7
9.7
Psima1 9.1
Mala 1 7.8
Def lig
Psima1 7.7 media
Mala 1 8.4
Def. ligera
Regular 9.7
Mala 1 9.7
Adecuad 9.1
aMala 1 9.7
Adecuada
Riesgo 9.7
Mala 2 9.7
Regular 9.7
90
90
90
90
90
90
90
90
44
43
45
90
90
93
90
90
90
90
INTERVENCI
N
Monitoreo
Ninguna
Ninguna
Monit
Monitoreo
Renivelaci
n
Refuerzo
MC y FR
Sello1
Monitoreo
MC1
Monitoreo
Monit
ninguna
Monitoreo
YE4
60
40
20
0
0
Aos
SUBSECTO
SECT
R
Del
Al
OR
1
112.3 112.4
*118.7 118.8
2
119.7 119.8
119.8 120.0
120.1 120.2
121.1 121.3
3
121.3 121.4
123.3 123.4
123.4 123.5
123.5 123.6
124.5 124.8
8
139.8 140.0
0.976
0.623
0.667
0.685
0.620
1.578
0.756
1.157
0.943
0.990
1.130
0.704
YE 0.7 0.7
Roder AO AO
8.3 9.5
Media
6.4 7.7
s
Ligera 3.9 6.2
Media 8.6 10.7
3.7 5.8
5.5 8.1
Ligera
4.4 6.8
s
3.3 5.8
Media 6.3 8.8
3.5 6.0
Ligera
3.9 6.5
s
Media 7.9 9.3
0.7
AO
10.8
9.1
8.5
12.8
7.8
10.7
9.2
8.4
11.3
8.5
9.1
10.8
0.7
AO
12.1
10.4
10.9
14.9
10.0
13.3
11.7
10.9
13.8
11.0
11.8
12.3
0.7
AO
13.5
11.8
13.3
17.1
12.2
16.0
14.2
13.5
16.3
13.6
14.6
13.8
0.7 V.
AO rem
(aos
14.9 1.5
13.2
3
15.7
3
19.3 0.5
14.4
3
18.8 1.5
16.7
3
16.2
3
18.9 1.5
16.2
3
17.4 2.5
15.3 1.5
Dmx
25
20
K112.3
K118.7
K119.7
K119.8
K120.1
121.1
K121.3
K123.3
K123.4
K123.5
K124.5
139.8
15
10
0
0
Aos
15
10
0
0
Aos
15
123.5
K121.3 y K124.5 a
K124.8
10
0
0
Aos
80
20
Con
60
microcarpeta
Sin intervencin
15
Sin
intervencin
40
10
20
a.
Aos
20
Con refuerzo
Sin intervencin
30
Aos
40
Sin
intervencin
Con
refuerzo
15
20
10
5
10
Aos
4 5
Aos 5
0
0
Con microcarpeta
b. Subtramo K119.8 a
K120
40
Sin intervencin
20
Con MC y FR
Sin
intervencin
30
Con MC y FR
15
10
20
10
0
0
4 Aos
5
c.
Aos 5
0
0
Subtramo K120.1 a
K120.2
Tres
119.
8
120.
0
120.
1
120.
2
121.
1
121.
3
122.
4
123.
2
123.
3
123.
4
123.
5
123.
6
123.
8
124.
5
Cuatr
o
6
8
5
124.
6
127.
8
127.
9
128.
2
133.
4
138.
139.
8
Rigidez
Regular
Regular
Regular
Regular
120.1
En riesgo
Regular
Mala1
Regular
Regular
120.2
Regular
120.0
120.3
Mala1
121.3 Mala1 a
121.4 psima1
Mala1
122.5
Mala 1
123.3
Riesgo
123.4
123.5
123.6
123.7
Psima1
Mala1
Psima1
123.9
Riesgo
124.6
124.8 Mala1 a
127.9 psima1
128.0
128.3
133.5
138.5
140.0
Regular
Regular
Regular
V. rem
(aos)
1.0
1.0
0.0
1.0
3.0
3.0
Intervenci
n
Refuerzo y fresado, previo bacheo
Microcarpeta y fresado
Microcarpeta y refuerzo a mediano
plazo*
Refuerzo y fresado, previo bacheo
local
Refuerzo
y fresado, previo bacheo
local
Microcarpeta
Renivelacion
0.5
Refuerzo*
3.5
Sello
3.0
Microcarpeta y fresado*
3.5
1.5
2.5
Rotura media
0.0
Rotura media
3.0
Deform. media
1.5
Refuerzo
Rotura media
3.0
Rotura media
0.0
Deform. ligera
2.5
Rotura ligera
Rotura media
Rotura media
Rotura severa
Rotura media
Defor. Media
3.5
3.5
0.0
0.0
0.0
1.5
microcarpeta y
microcarpeta y
refuerzo y
microcarpeta y
Para los tramos con roturas severas a medias, las acciones propuestas
generalmente estn acompaadas por fresado previo de la superficie
6 CONCLUSIONES
126
caracterizacin
Reflexiones
finales
La integracin de los mtodos computacionales con la experiencia y
conocimiento humano no necesariamente soluciona todos los problemas que
el ingeniero de pavimentos tiene que afrontar. Es necesario estar consciente
de las ventajas pero sobre todo de las limitaciones de los modelos, de modo
que puedan usarse en su verdadero espacio de validez.
Las herramientas de la inteligencia artificial utilizadas en esta investigacin,
no constituyen por s solas la solucin global o integral a un problema
complejo; normalmente deben integrarse dentro de un sistema estructurado
en el contexto del problema, para desempear tareas especficas donde se
potencien sus habilidades.
Buena parte del xito de las modelaciones depende de la habilidad y el
conocimiento de los analistas y especialistas, quienes deben realizan tareas
fundamentales:
Establecer claramente la tarea que desempearn los modelos
Construccin de las bases de datos con las caractersticas especficas
requeridas por las herramientas a utilizar.
7 RECOMENDACIONES
b)
Desarrollo
de
Sistemas
Expertos
para
automatizar
el
conocimiento
y
criterios
de especialistas en ingeniera de
pavimentos. Estos sistemas buscan imitar la metodologa empleada
por los expertos para representar y solucionar problemas, mezclando
usualmente tcnicas de rboles de decisin y sistemas de reglas.
Con ello no se pretende remplazar los expertos sino tener mayor
disponibilidad de su conocimiento y experiencia acumulada.
c)
d)
e)
Los
algoritmos
genticos
por
su
parte,
ofrecen
una
posibilidad para lidiar con problemas de optimizacin, como seran
por ejemplo la toma de decisiones sobre cundo y dnde realizar las
obras de mantenimiento, cul accin producira la mxima eficacia
general, qu beneficios se obtienen, cmo invertir de manera racional
el presupuesto y cunto tiempo se debe programar para cada
actividad. En este ltimo caso, se pueden combinar los algoritmos
genticos con programacin dinmica para modelar la dimensin
temporal.
f)
g)
REFERENCIAS
BIBLIOGRFICAS
AASHTO (1993). Guide for Design of Pavement Structures. American
Association of State
Highway and Transportation Officials. Washington, D.C.
Abdallah, I.; Yuan, D.; Nazarian, S. & Ferregut, C. (2005a). Feasibility of
Integrating Nondestructive Testing Data Analysis Techniques. Research
Report 043931; Research Project 04393. Center for Transportation
Infrastructure Systems, University of Texas at El Paso, TX. Texas
Department of Transportation & Federal Highway Administration.
Abdallah, I.; Yuan, D. & Nazarian, S. (2005b). Case studies on application of
data Integration to
Nondestructive Testing of Pavements. Research Report 043933;
Research Project 0
4393. Center for Transportation Infrastructure Systems, University of
Texas at El Paso, TX. Texas Department of Transportation & Federal
Highway Administration.
Abdallah, I.; MelchorLucero, O.; Ferregut, C; & Nazarian S. (2000). Artificial
Neural Network Models for assessing Remaining Life of Flexible
Pavements. Research Report 17112; Research Project 01711. Center
for Highway Materials Research, University of Texas at El Paso, TX.
Texas Department of Transportation.
Abraham A, (2001). Neurofuzzy systems: Stateoftheart modeling
techniques. Connectionist Models of Neurons, Learning Processes and
Artificial Intelligence. Lecture Notes in Computer Science, vol 2084, pp.
269 276. Springer Berlin/ Heidelberg.
AlKhoury R., Scarpas A., Kasbergen C. y Blaauwendraad, J. (2000).
Dynamic interpretation of falling weight defectometer test results:
spectral element method. Transportation Research Record 1716, pp.
4954. Delft, Netherlands. Presentado en 79th Annual Meeting of the
Transportation Research Board Washington, D.C.
AlKhoury R., Kasbergen C., Scarpas A., Blaauwendraad J. (2001a). Spectral
element technique for efficient parameter identification of layered
media Part I: Forward calculation. International Journal of Solid and
Structures, 38, pp. 16051623.
AlKhoury R., Kasbergen C., Scarpas A., Blaauwendraad J. (2001b). Spectral
element technique for efficient parameter identification of layered
media Part II: Inverse calculation. International Journal of Solid and
Structures, 38, pp. 87538772.
AlKhoury R., Kasbergen C., Scarpas A., Blaauwendraad J. (2002). Spectral
element technique for efficient parameter identification of layered
135
136
ASTM Designation D6433 (2003). Standard practice for roads and parking lots
pavement condition index surveys. West Conshohocken, PA.
ASTM Designation D5858 (2003). Standard Guide for Calculating In Situ
Equivalent Elastic
Moduli of Pavement Materials Using Layered Elastic Theory. West
Conshohocken, PA ASTM Designation D4694 (2003). Standard Test Method
for Defections with a FallingWeight
Type Impulse Load Device. West Conshohocken, PA.
Barrantes, R., Lora, L., Sibaja, D., Porras, J. (2008). Desarrollo de
herramientas de gestin con base en la determinacin de ndices para
la Red Vial Nacional. Proyecto # UIPI0408. Laboratorio Nacional de
Materiales y Modelos Estructurales. San Jos, Costa Rica:
LanammeUCR.
Bezdek, J. (1981). Pattern Recognition with Fuzzy Objective Function
Algorithms. Plenum Press, New York.
Biswas, K. y Pellinen, T. (2007). Practical Methodology of Determining the In
Situ Dynamic Complex Moduli for Engineering Analysis. Journal of
Materials in Civil Enginnering, ASCE. pp. 508 514.
Burmister, D.M. (1945). The General Theory of Stresses and Displacements in
Layered Systems.
Journal of Applied Physics, Vol. 15, pp. 126127, 296302.
Ceylan H, Guclu A, Tutumluer E, Thompson M. (2005). Backcalculation of full
depth asphalt pavement layer moduli considering nonlinear stress
dependent subgrade behavior. International Journal of Pavement
Engineering; 6(3): 17182.
Ceylan, H., Gopalakrishnan, K. y Kim, S. (2009). Looking to the future: the
nextgeneration hot mix asphalt dynamic modulus prediction models.
International Journal of Pavement Engineering, Vol 10, No. 5, pp. 341
352.
Collop, A., Armitage, R. y Thom, N. (2001). Assessing Variability of In Situ
Pavement Material Stiffness Moduli. Journal of Transportation
Engineering, Vol. 127, No. 1, pp. 7481. ASCE, EBSCO publishing.
Cordn, O., Herrera, F., Hoffmann, F. y Magdalena, L. (2001). Genetic fuzzy
systems: evolutionary tuning and learning of fuzzy knowledge bases.
Advances in Fuzzy Systems Applications and Theory, vol 19. World
Scientific Publishing Co. Ltd. Singapur.
COMITRAN, Coronado J. (2000). Manual Centroamericano de Mantenimiento
de Carreteras.
Tomo III. Consejo Sectorial de Ministros de Transporte De Centro Amrica.
Consejo de Directores de Carreteras de Iberia e Iberoamrica (2002).
Catlogo de Deterioro de pavimentos fexibles coleccin de documentos
Vol. 11.
Correa, F. (2005). Identificacin de parmetros dinmicos a partir de un
sistema neuro
gentico. Tesis de Maestra en Ingeniera, UNAM, Mxico, D. F.
Saltan M., Sezgin H. (2006). Hybrid neural network and finite element
modeling of subbase layer material properties in fexible pavements.
Material and design 28, pp 17251730. Elsevier Ltd.
145
La
evolucin
de
la
Inteligencia
Artificial
ha
estado
ligada
estrechamente con la lgica matemtica y los desarrollos en electrnica y
computacin, con contribuciones importantes de la filosofa, la neurociencia
y la lingstica.
Si bien, el primero en plantear reglas que describen una parte del
funcionamiento de la mente para obtener conclusiones racionales fue
Aristteles (384322 a. C.), la primera mquina auto controlada de la que se
tienen conocimiento, la construy Ctesibio de Alejandra (250 a. C.) para
regular el flujo de agua; este trabajo qued compilado en la obra
antigua de Ateneo de Nucratis (hacia los aos 200 d.C), traducida en 1999
por RodrguezNoriega.
El concepto de obtener razonamiento artificial surge en 1275, cuando Ramon
Llull disea lo que podra llamarse una mquina para realizar deducciones
lgicas de manera mecnica, cuyos principios describi posteriormente en
el libro Ars magna. Pero slo fue hasta mediados del siglo XX en que se
desarrollaron mquinas capaces de hacer uso de lgicas formales y
algoritmos de solucin.
En 1943 McCulloc y Pitts presentaron un primer modelo neuronal bsico
capaz de calcular cualquier funcin lgica. En 1949, Hebb present su
postulado de aprendizaje basado en el cambio continuo de la conectividad
entre neuronas en la medida en que un organismo aprende diferentes tareas
funcionales; este postulado inspir el desarrollo de modelos neuronales de
aprendizaje y sistemas adaptativos en medios computacionales.
Turing en 1950 abri una nueva disciplina de las ciencias de la informacin al
publicar el artculo Computing Machinery and Intelligence. All propuso la
prueba de Turing, basada en la imitacin del comportamiento humano.
En 1951, Minsky y Edmons desarrollaron la primera mquina de redes
neuronales para imitar un cerebro biolgico, compuesta por 40 neuronas
artificiales; con base en ella, se pens posteriormente que una mquina a
mayor escala podra ser capaz de razonar con millones de neuronas,
diferentes sensores y tipos de retroalimentacin, pero su construccin se vio
imposible en la prctica.
El trmino inteligencia artificial lo formalizaron McCarthy, Minsky, Rochestea
y Shannon, en la conferencia Dartmouth en Hanover, en 1956. En ese mismo
ao, Rochester et al se basaron en el postulado de Hebb para efectuar
simulacin neuronal terica mediante ordenador viendo la necesidad de
aadir el concepto de inhibicin para que la teora funcionara realmente.
En el mismo ao, Uttley utiliz RNAs para clasificar conjuntos sencillos de
patrones binarios. Por su parte, Rosenblatt (1957) introduce el concepto de
perceptrn el cual tiene la habilidad no solo de aprender patrones a partir
147
148
REFERENCIAS DEL
ANEXO A
Ackley, D, Hinton G. y Sejnowski T. (1985). A learning algorithm for
Boltzmann machines.
Cognitive Science, 9(1), pp. 147169, 1985.
Anderson, J., Pellionisz, A. y Rosenfeld, E. (1990). Neurocomputing 2. MIT
Press, Cambridge, MA, Arbib, M. (1995). The handbook of brain theory and
neural networks. MIT Press, MA.
Barto, A., Sutton, R. y Anderson, C. (1983). Neurolike adaptive elements that
can solve difficult learning control problems. IEEE Transactions on
Systems, Man, and Cybernetics, MC13, pp. 834846.
Bezdek, J. (1981). Pattern Recognition with Fuzzy Objective Function
Algorithms. Plenum Press, New York.
Broomhead, D y Lowe, D. (1988) Multivar iable Functional Interpolation and
Adaptive Networks.
Complex Sy stem s 2, pp. 321 355.
Cohen, M y
Grossberg, S. (1983). Absolute stability of global pattern
formation and parallel memory storage by competitive neural
networks. IEEE Transactions on Systems, Man, and Cybernetics, vol.
13, no. 5, pp. 815826.
Gallant. S.I. (1993). Neural Network Learning and Expert Systems. MIT Press,
Cambridge, MA. George. J., Reeke, N. y Edelman,G.M. (1988). Real brains
and artificial intelligence. In S. R.
Graubard, editor. The Artificial Intelligence Debate. MIT Press,
Cambridge, MA. Grossberg, S. (1974). Classical and instrumental learning
by neural networks. Progress in
Theoretical Biology, 3, pp. 51141.
Grossberg, S. (1976). Adaptive pattern classification and universal recoding I:
parallel development and coding of neural feature detectors. Biological
Cybernetics, 23, pp. 121
134.
Grossberg, S. (1980). How does a brain build a cognitive code?. Psychological
Review 87, pp. 1
51.
Hartman, E. J., Keeler, J. D. and J. Kowalski, M. (1990). Layered neural
networks with gaussian hidden units as universal approximations.
Neural Computation, 2, pp. 210215.
Haykin, S. (1999) Neural Networks, a Comprehensive Foundation. Second
edition. Prentice education Inc. India.
Hebb, D.O. (1949). The Organization of Behaviour. John Wiley & Sons, New
York.
Hinton, G. y Anderson, J. (1981.) Parallel Models of Associative Memory.
Lawrence Erlbaum
Associates, Hillsdale, NJ.
Rumelhart, D., McClelland, J. and the PDP Research Group editors. (1986).
Parallel Distributed
Processing, volume 2: Psychological and Biological Models. MIT Press,
Cambridge, MA. Rumelhart, D., Hinton, G. y Williams, R. (1986). Learning
representations by backpropagating
errors. Nature, 323, pp. 533536.
Selfrdige, O. y Neisser, U. (1960). Pattern recognition by machine. Scientific
American, 203, pp.
6067.
Siegelmann, H. y Sontag, E. (1994). Analog computation via neural
networks. Theoretical
Computing Science, 131, pp. 331360.
Rigidez
Deterioro
Indicadores
Eval.
(mm) BLI MLI Califi Condic Califi
Integral
Dma
Condic Califi
Soluci
x
n
c.
.
c.
c.
Adecuad
6.96 0.26 0.12 0.05 9.6
9.7
Adecuada 95
Ninguna
a
4.09 0.50 0.18 0.11 8.0
1.3 Rotsev
32 REF y
3.34 0.69 0.28 0.17 8.0
2.0 med
Rotmed
50 FRES
MC y FR
2.47 0.98 0.31 0.22 7.4
1.5
Rotmed
46
MC1
Regular
4.28 0.39 0.13 0.09 8.5
9.7
90
2.36 0.81 0.26 0.18 8.0
9.7
90 Monitore
5.10 0.47 0.13 0.10 8.0
9.7
90 o
6.64 0.21 0.07 0.04 9.6
9.7
95
Adecuad
Ninguna
6.59 0.26 0.10 0.03 9.6 a
9.7
95
3.78 0.56 0.20 0.14 8.0
9.7
90
3.98 0.37 0.14 0.09 8.0 Regular 9.7
90 Monitore
3.94 0.47 0.16 0.12 8.0
9.7
90 o
6.47 0.23 0.06 0.03 9.7
9.7
96
Adecuad
Ninguna
6.42 0.22 0.06 0.03 9.7 a
9.7
96
Riesgo 9.7
4.62 0.38 0.14 0.08 9.0
90 Monitore
Adecuad
7.13 0.16 0.04 0.02 9.7
9.7
96 oNinguna
a
3.84 0.47 0.15 0.11 8.0 Regular 9.7
90
Monitore
Riesgo 9.7
5.38 0.14 0.04 0.00 9.0
90 o
5.19 0.26 0.07 0.04 9.6 Adecuad 9.7
95
Ninguna
Adecuada
a
Riesgo
3.95 0.35 0.10 0.07 8.8
9.7
90 Monitore
75.59
76.73
79.48
73.30
82.01
68.30
78.10
78.86
78.44
77.02
77.10
80.91
79.13
5.34
2.36
2.46
2.16
3.56
1.58
2.73
5.80
5.58
2.11
2.60
2.88
5.50
78.97
80.62
78.11
74.60
47.17
79.89
75.47
79.38
81.26
78.59
80.20
76.90
84.34
82.76
85.34
85.28
84.15
85.29
85.69
83.90
84.64
72.37
80.13
76.41
78.58
80.51
81.10
80.73
78.68
76.69
79.15
5.57
4.00
6.12
2.59
1.08
4.60
2.72
4.63
4.93
5.55
4.95
5.96
4.94
5.24
4.50
4.34
4.22
4.67
4.49
4.96
4.15
2.33
4.51
5.51
4.97
5.35
5.03
5.22
5.55
3.36
3.73
5.35
5.34
6.41
5.67
7.30
4.61
5.21
4.03
3.93
4.05
4.19
3.95
4.72
3.84
3.18
5.15
6.96
5.74
5.80
5.37
5.63
6.43
4.60
3.94
0.27
0.20
0.27
0.26
0.13
0.19
0.23
0.37
0.33
0.39
0.27
0.34
0.23
0.42
0.58
0.25
0.23
0.37
0.22
0.27
0.19
0.21
0.32
0.56
0.08
0.04
0.09
0.07
0.04
0.04
0.08
0.10
0.09
0.15
0.06
0.08
0.07
0.15
0.24
0.07
0.11
0.15
0.07
0.09
0.06
0.08
0.11
0.23
0.05
0.03
0.04
0.04
0.02
0.03
0.03
0.06
0.06
0.08
0.04
0.06
0.04
0.10
0.14
0.04
0.03
0.05
0.03
0.04
0.03
0.02
0.06
0.11
9.6
9.7
9.6
9.6
9.7
9.7
9.7
9.6
9.3
9.0
9.6
9.4
9.6
8.7
8.0
9.6
9.6
9.6
9.7
9.6
9.7
9.7
9.0
8.8
155
Adecuad
a
Riesgo
Adecuad
a
Riesgo
Regular
Adecuad
a
Riesgo
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
0.8
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
9.7
Rotsev
Adecuada
95
96
95
95
96
96
96
95
91
90
95
92
95
90
30
95
95
95
96
95
96
96
90
90
Ninguna
Monitore
o
Ninguna
Monit
ning
Ninguna
Monitore
o
REF y
FRES
Ninguna
Monitore
o
74.79
75.76
76.87
74.09
74.54
75.90
80.40
76.25
79.26
56.61
75.80
71.46
78.55
60.13
61.11
83.05
82.19
82.51
82.94
81.90
80.76
83.07
79.22
5.35
3.29
5.20
4.81
3.35
5.26
4.82
6.40
5.43
1.25
3.53
2.54
3.01
1.08
1.15
4.42
4.18
4.35
4.67
5.23
5.54
4.38
4.20
6.40
3.52
5.93
5.77
3.74
6.17
5.24
7.71
6.15
3.18
4.20
3.16
3.14
2.36
2.41
4.20
4.03
4.18
4.49
5.30
5.87
4.27
4.43
83.56
4.63
4.47
67.07
2.40
3.32
82.89
78.75
71.03
75.61
74.59
83.44
75.46
66.52
72.15
5.16
3.71
3.24
5.63
6.45
4.99
4.25
3.18
2.62
5.15
3.86
4.22
7.07
8.26
4.84
5.96
4.12
2.97
16.34
12.58
2.93
4.35
21.05
14.79
18.49
16.24
17.38
17.66
24.70
13.35
3.31
3.56
2.76
4.54
2.72
2.75
3.21
3.83
Rigidez
Indicadores
Deterioro
Eval.
(mm)
Integral
Dma BLI MLI Califi Condic Califi
Condic Califi
Soluci
x0.25 0.09 0.03 c.9.6 Adecuad
n
.
c.9.7
c.95
Ninguna
0.43 0.15 0.10 8.3 aRegular 9.7
90 Monitore
0.24 0.07 0.03 9.7
9.7
96 o
Adecuad
Ninguna
0.31 0.11 0.04 9.6 a
9.7
95
0.34 0.10 0.08 8.0 Regular 9.7
90 Monitore
0.33 0.13 0.05 9.6
9.7
95 o
Adecuada 95
0.31 0.07 0.05 9.6
9.7
Adecuad
Ninguna
0.21 0.08 0.03 9.7 a
9.7
96
0.21 0.09 0.04 9.6
9.7
95
0.57 0.28 0.13 8.0
9.7
90
0.49 0.22 0.09 8.5
9.7
90
Monitore
0.68 0.32 0.16 8.0
9.7
90 o
Regular
0.54 0.17 0.10 8.0
9.7
90
0.76 0.33 0.19 8.0
1.2
Rotsev
31 REF y
0.71 0.31 0.18 8.0
1.3
Rotsev
32 FRES
REF y
0.39 0.12 0.07 9.2 Adecuad 9.7
91 FRES
Monitore
0.38 0.13 0.08 9.0 a Riesgo 9.7
90 o
0.39 0.13 0.06 9.4
9.7
92 Monitoreo
7.9
Regular
9.7
90
16.51
23.60
15.73
16.39
15.32
16.02
15.76
16.35
25.89
16.29
53.70
14.87
24.50
15.64
16.92
16.45
17.86
15.93
27.27
29.76
28.91
16.26
12.58
14.06
35.57
15.26
15.59
15.67
16.15
19.01
51.36
37.81
66.82
33.23
51.98
67.23
56.18
49.14
16.52
15.83
48.62
20.86
19.59
31.03
3.51
3.02
2.60
2.68
2.68
2.70
2.76
2.67
4.33
2.66
4.54
2.92
3.57
2.60
2.61
2.84
2.84
2.63
3.12
4.04
4.22
2.63
5.48
3.30
4.45
2.69
2.62
2.68
2.63
2.80
6.93
7.95
8.45
5.15
5.06
5.51
4.82
4.41
2.66
2.61
4.66
2.94
2.84
3.73
Rigidez
Indicadores
Deterioro
Eval.
(mm)
Integral
Dma BLI MLI Califi Condic Califi
Condic Califi
Soluci
x0.62 0.37 0.11 c.8.0 .
n
c.9.7
c.90
Regular
Adecuada 90 Monitore
0.79 0.32 0.18 7.7
9.7
1.11 0.50 0.33 0.4 Psima 9.1
90 o
1
Mala 1 7.8 Deflig
0.87 0.42 0.23 4.0
44
MC1
med
1.58 0.91 0.30 0.3 Psima 7.7 Deflig
43
MC1
1
med
Mala
1
0.76 0.37 0.17 4.6
8.4
Defligera 45
MC1
0.72 0.37 0.17 7.8 Regular 9.7
90
Monitore
Mala 1 9.7
1.00 0.45 0.17 4.0
90 o
0.35 0.19 0.04 9.6 Adecuad 9.1
93 Monit
a
Mala
1
0.93 0.40 0.19 4.0
9.7
90 ning
Riesgo 9.7
0.59 0.23 0.10 9.0
90
Adecuada
Mala 2 9.7
0.75 0.39 0.12 4.9
90
0.58 0.27 0.08 8.7 Regular 9.7
90 Monitore
Pesima
1.44 0.65 0.35 0.3
9.7
90 o
1
1.01 0.54 0.29 4.0
9.7
90
0.96 0.52 0.19 4.0
9.7
90
Mala 1
0.82 0.38 0.22 4.0
2.0
Rotmed
30 REF y
1.05 0.46 0.28 3.8
9.7
90 FRES
0.63 0.24 0.12 8.1 Regular 9.7
90 Monitore
Riesgo 9.7
0.47 0.20 0.07 9.0
90 o
Adecuada 95
0.33 0.16 0.05 9.6 Adecuad 9.7
Ninguna
a
Psima
1.19 0.42 0.30 0.4
9.7
90
0.61 0.37 0.06 8.0 1Regular 9.7
90 Monitore
Mala 3 9.7
0.81 0.43 0.09 5.5
90 o
Riesgo 2.0
0.67 0.32 0.07 9.0
Rotmed
50
MC y FR
Psima
1.16 0.60 0.23 0.4
2.0
Rotmed
20 REF y FR
0.94 0.43 0.25 4.0 1
7.4 Defmed
38 1Refuerz
Mala 1
o y
0.99 0.46 0.19 4.0
2.0 lig
Rotmed
30 REF
1.11 0.46 0.26 0.4 Psima 2.0
Rotmed
20 FRES
REF y FR
1
0.95 0.42 0.19 4.0 1Mala 1 9.7
Adecuada 90 Monitore
o
0.46 0.22 0.04 9.0
2.0
Rotmed
50
MC y FR
Riesgo
0.44 0.25 0.02 9.0
9.7
90 Monitore
0.36 0.17 0.03 9.6
9.7
95 oNinguna
Adecuad
0.37 0.17 0.06 9.4 a
9.7
92 Monit
Adecuada
0.50 0.21 0.08 9.0
9.7
90 ning
0.53 0.20 0.07 9.0
9.7
90 Monitore
Riesgo
0.48 0.18 0.08 9.0
9.7
90 o
0.67
0.97
1.13
0.52
0.83
0.90
0.65
0.26
0.38
0.46
0.21
0.31
0.38
0.28
0.13
0.23
0.27
0.08
0.18
0.20
0.11
9.0
4.0
0.4
9.0
4.2
4.0
8.8
Mala 1
Psima
1Riesgo
Mala 1
Riesgo
8.6
8.9
8.6
9.7
9.7
9.7
9.7
Deflig
Deflig
Deflig
Adecuada
75
45
45
90
90
90
90
Reni
MC1
MC1
Monitore
o
Indicadores (mm)
Eval. Integral
Deterioro
E1
E2
Solucin
125.2 60.98
E3
Dmax BLI
MLI Calific.
5.16
0.52 0.20
0.08
9.0
9.7
90
125.3
125.4
125.5
125.6
125.7
3.98
5.79
5.58
5.98
4.13
0.61
0.38
0.30
0.43
0.55
0.10
0.05
0.05
0.04
0.08
9.0
9.7
9.6 Adecuada 9.7
8.3 Regular 9.7
9.1
9.7
9.0
Riesg
9.7
90
95
90
90
90
Monitoreo
Ninguna
(km)
35.14
37.22
21.91
44.02
33.58
0.28
0.20
0.18
0.22
0.24
Condic.
Riesg
o
Calific.
Condic Calific.
48.80
21.81
62.12
43.83
5.08
4.37
6.82
7.80
0.43
0.31
0.37
0.28
0.18
0.15
0.16
0.15
0.04
0.04
0.04
0.02
9.1
9.7
8.2 Regular 9.7
9.6
9.7
9.6 Adecuad 9.7
90
90
95
95
126.2 61.59
126.3 64.92
126.4 18.78
9.20
8.15
2.98
0.24 0.13
0.26 0.11
0.68 0.30
0.02
0.02
0.15
126.5
126.6
126.7
126.8
126.9
53.67
58.75
66.48
34.50
62.10
6.10
4.97
6.06
3.43
5.38
0.43
0.48
0.39
0.64
0.51
0.19
0.17
0.14
0.22
0.20
0.05
0.09
0.06
0.13
0.08
9.7
9.6
8.0
9.1
9.0
9.4
8.4
9.0
96
95
90
90
90
92
90
90
127.0
127.1
127.2
127.3
127.4
127.5
127.6
75.24
77.54
75.65
75.61
76.68
74.24
61.78
3.10
3.79
3.26
3.86
2.20
1.50
6.71
5.86
6.29
5.50
6.49
4.68
4.55
0.47
0.41
0.39
0.46
0.41
0.62
0.71
0.19
0.13
0.14
0.17
0.15
0.26
0.38
0.06
0.08
0.05
0.08
0.06
0.11
0.11
9.0
8.3
8.6
8.4
8.7
8.0
8.0
127.7 57.37
2.08
6.47
0.50 0.29
0.05
8.0
127.8 63.49
127.9 69.63
128.0 77.40
1.65
2.05
3.45
4.86
4.99
5.59
0.64 0.32
0.59 0.29
0.45 0.17
0.09
0.08
0.08
8.0
8.0
8.4
128.1 76.39
128.2 75.42
128.3 74.59
4.66
2.92
3.16
5.92
6.09
4.53
0.27 0.08
0.55 0.23
0.40 0.16
0.04
0.08
0.08
128.4
128.5
128.6
128.7
76.13
66.46
78.32
77.91
2.47
1.90
4.70
3.06
5.37
4.72
5.60
5.54
0.60
0.48
0.29
0.43
0.16
0.24
0.09
0.14
0.13
0.09
0.06
0.08
128.8 76.18
128.9 77.60
2.54
4.29
5.61
5.93
0.49 0.14
0.30 0.08
129.0 78.03
129.1 78.58
5.11
4.75
6.08
6.00
129.2 76.36
4.85
6.06
125.8
125.9
126.0
126.1
9.7
9.7
Regular 9.7
9.7
Regular
9.7
Adecuda 9.7
Regular 9.7
Riesg
9.7
o
Regular
Riesgo
Regular
Riesgo
Regul
ar
Adecuada
9.7
9.7
9.7
9.7
9.7
9.7
9.7
90
90
90
90
90
90
90
9.7
90
3.0
2.0
9.7
Grlig
Rotmed
Adecua
da
Monitoreo
Ninguna
Monitoreo
Ninguna
Monitoreo
85
50
90
Sello
MC y FR
Monitoreo
95
50
90
Ninguna
MC y FR
8.0
9.7
8.0
9.7
9.6 Adecuada 9.7
8.1 Regul
9.7
90
90
95
90
Monitoreo
0.09
0.05
8.0
9.6
90
0.28 0.09
0.27 0.07
0.04
0.04
0.34 0.13
0.05
9.6
9.6 Adecua
da
9.6
Rotmed
ar
ar
9.7
9.7
9.7
Adecuada
95
95
9.7
95
9.7
95
Ninguna
Monitoreo
Ninguna
129.3 79.27
129.4 78.85
129.5 75.31
4.48
4.45
5.22
5.14
5.19
6.60
0.25 0.06
0.37 0.13
0.36 0.16
0.06
0.08
0.06
9.6
9.7
Riesgo
9.0
9.7
9.3 Adecuada 9.7
95
90
91
Monitoreo
Rigidez
Deterioro
Indicadores
Eval.
(mm) BLI MLI Califi Condic Califi
Integral
Dma
Condic Califi
Soluci
x
n
c.
.
c.
c.
5.81 0.31 0.12 0.05 9.6
9.7
95
Ninguna
7.15 0.18 0.07 0.03 9.7 Adecua
9.7
96
5.97 0.33 0.10 0.05 9.6 da
9.7
95
4.92 0.41 0.13 0.08 8.5
9.7
90
Regular
5.38 0.42 0.13 0.08 8.2
9.7
90 Monitore
5.21 0.41 0.12 0.08 8.0
9.7
90 o
7.19 0.15 0.06 0.03 9.7
9.7
96
6.29 0.17 0.05 0.03 9.7
9.7
96
Adecuad
Ninguna
6.28 0.32 0.12 0.04 9.6 a
9.7
95
7.52 0.18 0.09 0.03 9.7
9.7
96
Riesgo 9.7
5.73 0.38 0.11 0.06 9.0
90 Monitore
5.74 0.30 0.09 0.05 9.6
9.7
95 o
Adecuad
Ninguna
7.52 0.18 0.07 0.02 9.7 a
9.7
96
6.02 0.47 0.18 0.08 8.0 Regular 9.7
90 Monitore
5.34 0.28 0.07 0.05 9.6
9.7
95 o
7.08 0.17 0.07 0.03 9.7
9.7
96
6.75 0.26 0.08 0.03 9.6
9.7
95
6.05 0.25 0.08 0.04 9.6
9.7
95
Ninguna
5.67 0.32 0.10 0.06 9.6 Adecua
9.7
95
Adecuada
7.23 0.15 0.06 0.02 9.7 da
9.7
96
7.88 0.17 0.10 0.03 9.6
9.7
95
7.02 0.22 0.06 0.02 9.7
9.7
96
5.98 0.33 0.13 0.04 9.6
9.7
95
4.13 0.48 0.18 0.09 8.5
9.7
90
Riesgo
Monitore
4.74 0.39 0.13 0.07 9.0
9.7
90 o
5.50 0.34 0.13 0.05 9.6
9.7
95
Ninguna
6.97 0.21 0.11 0.03 9.6 Adecuad 9.7
95
5.30 0.38 0.16 0.06 9.3 a
9.7
91
Monitore
Riesgo
5.39 0.35 0.15 0.08 9.0
9.7
90 o
6.54 0.25 0.12 0.05 9.6
9.7
95
5.80 0.33 0.15 0.05 9.6
9.7
95
5.79 0.24 0.07 0.03 9.7
9.7
96
Adecua
Ninguna
8.02 0.19 0.11 0.02 9.6 da
9.7
95
6.72 0.28 0.11 0.04 9.6
9.7
95
5.28 0.34 0.11 0.05 9.6
9.7
95
5.15 0.37 0.15 0.07 9.0
9.7
90
Riesgo
5.90 0.40 0.20 0.07 9.0
9.7
90 Monitore
3.50 0.60 0.29 0.13 8.0
9.7
90 o
Regular
2.90 0.59 0.28 0.12 8.0
0.8
Rot sev
30 REF y
6.73 0.33 0.16 0.06 9.3 Adecuad 9.7
91 FRES
a
4.43 0.37 0.13 0.08 9.0
9.7
90
Monitore
Riesgo 9.7
3.80 0.27 0.11 0.05 8.9
Adecuada 90 o
4.24 0.36 0.13 0.08 8.9
9.7
90
6.06 0.29 0.14 0.06 9.4 Adecuad 9.7
92 Monit
76.07
74.14
77.74
75.93
77.67
77.43
75.17
77.49
77.20
71.67
78.31
80.12
75.40
76.58
79.71
75.32
77.71
78.09
79.49
75.93
69.74
77.66
79.45
77.97
80.95
79.28
76.93
78.82
78.57
74.62
78.22
80.54
75.03
77.97
80.49
77.89
74.39
65.32
43.94
77.80
81.22
42.65
81.16
77.02
4.63
5.19
4.62
3.24
3.05
2.96
5.54
5.24
5.00
5.06
3.27
4.78
5.92
3.04
4.13
5.43
5.09
5.01
4.44
5.70
4.82
5.44
5.32
3.49
4.43
4.84
5.66
4.66
4.69
4.68
4.96
5.48
6.28
5.89
5.06
4.67
4.83
2.20
0.64
5.76
4.21
0.58
3.97
4.80
ning
Dmax BLI
Rigidez
Condic Calific.
E1
E2
Solucin
134.0 74.36
5.42
7.23
95
134.1
134.2
134.3
134.4
76.11
47.23
70.71
55.67
6.09
0.43
3.38
0.75
7.52
3.05
5.18
2.77
0.22
0.71
0.36
0.63
0.10
0.34
0.16
0.26
0.02
0.18
0.08
0.18
9.6
8.0
8.5
8.0
9.7
9.7
9.7
9.7
95
90
90
90
134.5
134.6
134.7
134.8
46.54
55.56
59.48
73.91
1.04
1.82
1.32
3.87
4.09
4.83
3.47
5.60
0.43
0.46
0.59
0.41
0.21
0.23
0.27
0.16
0.10
0.09
0.12
0.06
8.0
8.0
8.0
8.7
9.7
9.7
9.7
9.7
90
90
90
90
134.9 76.11
2.90
3.88
8.0
9.7
90
135.0
135.1
135.2
135.4
135.5
1.47
0.24
4.70
2.69
4.61
3.22
2.89
7.39
4.16
5.23
0.60
0.96
0.34
0.44
0.30
0.24
0.40
0.21
0.16
0.09
0.16
0.26
0.08
0.09
0.05
8.0
9.7
Mala 1 9.7
4.0
Riesgo 9.7
9.0
8.0 Regular 9.7
9.6 Adecuada
90
90
90
90
9.7
50.13
37.65
69.30
63.35
0.66
0.61
2.23
1.87
2.85
3.57
4.96
4.15
0.64
0.65
0.58
0.40
0.27
0.34
0.22
0.16
0.14
0.12
0.11
0.07
8.0
8.0
8.0
8.2
9.7
9.7
9.7
9.7
90
90
90
90
136.0 77.52
136.1 71.18
136.2 73.32
3.16
1.75
2.97
5.68
4.54
4.92
90
90
136.3 74.01
136.4 76.57
3.96
5.20
5.41
6.56
8.2
9.7
8.0
9.7
8.0
9.7
Riesgo 9.7
8.9
9.6 Adecuada
76.95
63.27
75.37
76.23
78.87
3.95
3.68
5.77
4.66
4.88
5.14
7.29
7.36
6.12
5.77
0.37
0.33
0.38
0.34
0.32
137.0 75.72
137.1 73.43
137.2 77.91
4.34
3.84
2.99
5.65
5.40
5.68
Riesgo
8.9
8.2 Regular
Riesgo
9.0
9.6
9.4 Adecua
da
9.6
9.3
8.0 Regular
137.3 74.11
4.97
6.75
9.6 Adecuada
9.7
4.03
4.64
5.23
5.64
Riesgo 9.7
9.0
9.5 Adecuada
90 Monitoreo
9.7 93
66.70
34.77
68.83
72.44
79.65
E3
Indicadores (mm)
Eval. Integral
MLI Calific. Condic. Calific.
a
Regul
ar
Riesgo
Regul
ar
Ninguna
Monitoreo
95
Ninguna
135.6
135.7
135.8
135.9
Ninguna
136.5
136.6
136.7
136.8
136.9
0.13
0.20
0.20
0.13
0.12
0.07
0.06
0.07
0.05
0.06
Ninguna
137.4 77.29
137.5 79.21
Regul
ar
Adecuada
90
90
9.7
9.7
9.7
9.7
9.7
9.7
90
90
90
95
92
9.7
9.7
9.7
95
91
90
Monitoreo
95
Monitoreo
Ninguna
Monitning
Ninguna
Monitoreo
95
Monitning
137.6 68.21
137.7 80.50
2.32
3.71
4.78
4.84
8.0
8.7
137.8 71.38
137.9 74.62
138.0 74.47
2.61
2.73
3.31
5.13
5.54
6.62
8.6
8.0
8.5
Regular
Riesg
o
Regular
Riesgo
9.7
9.7
90
90
9.7
9.7
9.7
90
90
90
138.1
48.31
1.28
6.20
8.0
138.2 74.12
2.66
5.78
8.0
138.3 29.28
138.4 53.58
0.36
0.84
3.70
4.01
7.8
8.0
Regul
ar
9.7
90
9.7
90
9.7
2.0
Rotmed
90
50
Monitoreo
MC y FR
Rigidez
Deterioro
Indicadores
Eval.
(mm) BLI MLI Califi Condic Califi
Integral
Dma
Condic Califi
Soluci
x
n
c.
.
c.
c.
3.72 0.65 0.32 0.11 8.0
9.7
90
4.29 0.64 0.33 0.11 8.0 Regular 9.7
90 Monitore
5.30 0.36 0.18 0.07 8.1
9.7
90 o
6.38 0.26 0.07 0.04 9.6
9.7
95
Adecua
Ninguna
7.06 0.31 0.15 0.05 9.6 da
9.7
95
6.19 0.53 0.32 0.07 8.0 Regular 9.7
90 Monitore
Adecuada 95 o
6.91 0.30 0.13 0.04 9.6
9.7
Adecua
Ninguna
7.98 0.26 0.14 0.02 9.6 da
9.7
95
3.45 0.61 0.34 0.13 8.0 Regular 9.7
90 Monitore
6.76 0.30 0.10 0.04 9.6 Adecuad 9.7
95 oNinguna
5.48 0.26 0.12 0.05 8.9 a Riesgo 9.7
90
4.63 0.53 0.32 0.09 8.0
9.7
90 Monitore
5.25 0.54 0.20 0.10 8.0
9.7
90 o
2.79 0.69 0.34 0.17 8.0 Regular 7.4 Defmed
58
MC
3.68 0.70 0.27 0.16 8.0
7.0 lig
Defmedia 55
MC
5.69 0.34 0.19 0.07 8.1
7.4 Defmed
58
MC
62.96
67.01
61.15
77.75
71.81
45.99
77.79
72.07
44.47
77.38
69.12
35.59
67.55
55.48
75.64
59.91
1.70
1.57
2.45
5.09
5.10
1.36
5.57
5.68
0.50
4.98
3.01
0.55
1.41
0.56
1.93
1.93
lig
163
DETERIO
RO
[System]
Name='Deterior2'
Type='mamdani'
Version=2.0
NumInputs=4
NumOutputs=1
NumRules=33
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='bisector'
[Input1]
Name='E1'
Range=[0 100]
NumMFs=3
MF1='Bajo':'trapmf',[30 20 20
25]
MF2='Medio':'trimf',[20 45 70]
MF3='Alto':'trapmf',[60 80 100
120]
[Input1]
Name='Roderas'
Range=[0 12]
NumMFs=4
MF1='Adecuada':'trapmf',[5
3
3 5]
MF2='ligera':'trimf',[3
5 7]
MF3='media':'trimf',[5 7 9]
MF4='severa':'trapmf',[8 10
20 30]
[Input2]
Name='E2'
[Input2]
Range=[0 10]
Name='Grietas'
NumMFs=4
Range=[0 25]
MF1='Bajo':'trapmf',[0.01 0.01 3 NumMFs=4
4]
MF2='Medio':'trimf',[3.5
5 7]
MF1='Adecuada':'trimf',[5 0
MF3='Alto':'trapmf',[6 7 10 13]
MF2='ligera':'trimf',[0 5 10]
MF4='NOBG':'trimf',[1 0 0.01]
MF3='media':'trimf',[5 12.5
20]
MF4='severa':'trapmf',[15
20
40 50]
[Input3]
Name='E3'
Range=[0 10]
NumMFs=3
MF1='Bajo':'trapmf',[4 3 3 4]
MF2='Medio':'trimf',[3.5 5 7]
MF3='Alto':'trapmf',[6 7 10 13]
[Input4]
Name='Dmax'
Range=[0 1.6]
NumMFs=4
MF1='Bueno':'trimf',[0.5 0 0.5]
MF2='Riesgo':'trimf',[0.4 0.6 0.8]
MF3='Severo':'trimf',[1 1.6 2]
MF4='Grave':'trimf',[0.7 0.9 1.1]
SOLUCIONES
[System]
Name='CalifiBis'
Type='mamdani'
Version=2.0
NumInputs=2
NumOutputs=1
NumRules=65
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='bisector'
[Input1]
Name='Deterioro'
Range=[0 10]
NumMFs=8
MF1='RotSev':'trapmf',[2 1 1
2]
MF2='RotMed':'trimf',[1 2 3]
MF3='GRlig':'trimf',[2 3 4]
MF4='BchLig':'trimf',[3 4 5]
MF5='DefSev':'trimf',[5 6 7]
MF6='DefMed':'trimf',[5.97
6.97 7.97]
MF7='Deflig':'trimf',[7
8 9]
MF8='Adecuada':'trimf',[9 10
11]
[Input2]
Name='Rigidez'
Range=[0 10]
NumMFs=9
MF1='Pes1':'trimf',[1 0 1]
[Input3]
MF2='Pes2':'trimf',[0 1 2]
Name='BacheAb'
MF3='Pes3':'trimf',[1 2 3]
Range=[0 25]
MF4='Mala1':'trimf',[3 4 5]
NumMFs=4
MF5='Mala2':'trimf',[4 5 6]
MF1='Adecuada':'trimf',[0.1 MF6='Mala3':'trimf',[5 6 7]
0
0.1]
MF2='ligero':'trimf',[0.1
5 10] MF7='Regular':'trimf',[7 8 9]
MF3='medio':'trimf',[5 12.5
MF8='Riesgo':'trimf',[8 9 10]
20]
MF4='severo':'trapmf',[15 20 MF9='Adecuada':'trimf',[9 10
40 50]
11]
[Input4]
Name='BacheRep'
Range=[0 25]
NumMFs=4
MF1='Adecuado':'trimf',[5 0
5]
MF2='ligero':'trimf',[0 5 10]
MF3='medio':'trimf',[5 12.5
20]
MF4='severo':'trapmf',[15 20
40 50]
[Output1]
Name='Calificacin'
Range=[0 100]
NumMFs=17
MF1='RECtot':'trimf',[5 0 5]
MF2='RecCAyBG':'trimf',[0 5
10]
MF3='RecCA':'trimf',[5
10 15]
MF4='REFyFR1':'trimf',[15 20
25]
MF5='REF1':'trimf',[20 25 30]
[Input5]
[Output1]
MF6='REFyFR':'trimf',[25.3 30.3
35.3]
Name='BLI'
Name='Deterioro'
MF7='REF':'trimf',[30 35 40]
Range=[0 1]
Range=[0 10]
MF8='MC1':'trimf',[40 45 50]
NumMFs=3
NumMFs=8
MF9='MCyFR':'trimf',[45 50 55]
MF1='Buena':'trimf',[0.2 0 0.2] MF1='RotSev':'trapmf',[2 1 MF10='MC':'trimf',[50 55 60]
1 2]
MF2='Riesgo':'trimf',[0.1 0.3 0.5] MF2='RotMed':'trimf',[1
2 3] MF11='Bach1':'trimf',[60 65
MF3='Grave':'trapmf',[0.4 0.5 1 MF3='Grietlig':'trimf',[2 3 4] MF12='Bach':'trimf',[65 70 75]
1.333]
MF4='Bachlig':'trimf',[3 4 5] MF13='Reni':'trimf',[70 75 80]
MF5='Defsev':'trimf',[5 6 7]
MF14='Sello1':'trimf',[74.4 79.4
MF6='Defmed':'trimf',[6 7 8] 84.4]
MF15='Sello':'trimf',[80 85 90]
MF7='Deflig':'trimf',[7 8 9]
MF16='Monit':'trimf',[85 90 95]
MF8='Adecuada':'trimf',[9 10 MF17='Nada':'trimf',[90 100
11]
110]
165
SOLUCIONES
[Rules]
5 1, 1 (1) : 1
1 1, 1 (1) : 1
5 4, 1 (1) : 1
1 4, 1 (1) : 1
1 2, 2 (1) : 1
5 2, 2 (1) : 1
1 5, 2 (1) : 1
5 5, 2 (1) : 1
1 3, 3 (1) : 1
5 3, 3 (1) : 1
1 6, 3 (1) : 1
5 6, 3 (1) : 1
5 7, 7 (1) : 1
1 7, 6 (1) : 1
5 8, 10 (1) : 1
1 8, 9 (1) : 1
6 1, 5 (1) : 1
6 2, 5 (1) : 1
6 3, 5 (1) : 1
6 4, 7 (1) : 1
6 5, 7 (1) : 1
6 6, 7 (1) : 1
6 7, 10 (1) : 1
6 8, 10 (1) : 1
2 1, 4 (1) : 1
2 2, 4 (1) : 1
2 3, 4 (1) : 1
2 4, 6 (1) : 1
2 5, 6 (1) : 1
2 6, 6 (1) : 1
2 7, 9 (1) : 1
2 8, 9 (1) : 1
7 1, 8 (1) : 1
7 2, 8 (1) : 1
7 3, 8 (1) : 1
7 4, 8 (1) : 1
7 5, 8 (1) : 1
7 6, 8 (1) : 1
7 7, 13 (1) : 1
7 8, 13 (1) : 1
3 1, 14 (1) : 1
3 2, 14 (1) : 1
3 3, 14 (1) : 1
3 4, 14 (1) : 1
3 5, 14 (1) : 1
3 6, 14 (1) : 1
3 7, 15 (1) : 1
3 8, 15 (1) : 1
4 1, 11 (1) : 1
4 2, 11 (1) : 1
4 3, 11 (1) : 1
4 4, 11 (1) : 1
4 5, 11 (1) : 1
4 6, 11 (1) : 1
4 7, 12 (1) : 1
4 8, 12 (1) : 1
8 1, 16 (1) : 1
8 2, 16 (1) : 1
8 3, 16 (1) : 1
8 4, 16 (1) : 1
8 5, 16 (1) : 1
8 6, 16 (1) : 1
8 7, 16 (1) : 1
8 8, 16 (1) : 1
8 9, 17 (1) : 1
166