Professional Documents
Culture Documents
TESIS:
PRESENTADO POR:
Bach. Ing. ROCIO VILA ZUÑIGA
ASESOR:
M.Sc. Ing. BETTY MARIA CONDORI QUISPE
HUANCAYO - PERÚ
2017
MIEMBROS DEL JURADO
PRESIDENTE:
SECRETARIO:
JURADOS:
I
DEDICATORIA
II
AGRADECIMIENTOS
Al MSc. Ing. Henry Llanos quién compartió sus conocimientos sobre Inteligencia
Artificial y motivó la realización de este tema de investigación.
III
ÍNDICE
DEDICATORIA ................................................................................................... II
ÍNDICE ............................................................................................................... IV
INTRODUCCIÓN ............................................................................................. XV
IV
1.4.1. Delimitación espacial ..................................................................... 20
1.4.2. Delimitación temporal .................................................................... 20
1.4.3. Delimitación conceptual................................................................. 20
V
3.7. Instrumentos de recolección de datos y validez. ............................... 90
VI
4.5.4. Resultados del Número estructural efectivo obtenido por el
proyecto Conservación Vial Sullana y las redes neuronales. ............... 158
VII
ÍNDICE DE TABLAS
VIII
Tabla IV-11 Cuadro comparativo de valores del número estructural efectivo. 134
Tabla IV-12. Características de la Red Neuronal diseñada ............................ 137
Tabla IV-13. Rango de valores de módulos de elasticidad. (MPa) .................. 143
Tabla IV-14 Cuadro comparativo de los indicadores estructurales y módulos
elásticos. ......................................................................................................... 151
Tabla IV-15 Cuadro comparativo de los módulos elásticos de la subrasante
RNA vs CVS.................................................................................................... 152
Tabla IV-16 Cuadro comparativo de Módulos Elásticos en la carpeta asfáltica,
Redes Neuronales vs MICHBACK .................................................................. 154
Tabla IV-17 Cuadro comparativo de Módulos Elásticos en la base granular,
Redes Neuronales vs MICHBACK .................................................................. 155
Tabla IV-18 Cuadro comparativo de Módulos Elásticos en la subbase granular,
Redes Neuronales vs MICHBACK .................................................................. 156
Tabla IV-19 Cuadro comparativo de Módulos Elásticos en la subrasante, Redes
Neuronales vs MICHBACK ............................................................................. 157
Tabla IV-20 Cuadro comparativo del número estructural efectivo entre CVS y
RNA. ............................................................................................................... 159
IX
ÍNDICE DE FIGURAS
X
ÍNDICE DE GRÁFICOS
Gráfico III-1 Variables de entrada para el diseño del modelo neuronal. .......... 105
Gráfico III-2. Método de las diferencias acumuladas para la delimitación de
unidades homogéneas (Apéndice J - AASHTO 1993) .................................... 110
Gráfico III-3. Sectorización de la carretera Panamericana Norte (Dv. Paita -
Sullana) ........................................................................................................... 111
Gráfico IV-1. Módulos de elasticidad de la Carpeta asfáltica con RNAop. ...... 115
Gráfico IV-2. Módulos de elasticidad de la Base granular con RNAop. .......... 117
Gráfico IV-3. Módulos de elasticidad de la Subbase granular con RNAop. .... 119
Gráfico IV-4. Módulos de elasticidad de la Subrasante con RNAop. .............. 121
Gráfico IV-5 Cuenco de deflexiones del punto 1 al 30 del tramo en evaluación
........................................................................................................................ 124
Gráfico IV-6. Deflexión máxima normalizada en Tramo en estudio ................ 125
Gráfico IV-7. Área de los cuencos de deflexión, clasificado según su condición.
........................................................................................................................ 127
Gráfico IV-8. Factor de forma BLI, según su condición. .................................. 128
Gráfico IV-9. Factor de forma MLI, según su condición. ................................. 129
Gráfico IV-10. Factor de forma LLI, según su condición. ................................ 130
Gráfico IV-11. Número Estructura Efectivo Método RHODE........................... 131
Gráfico IV-12. Número Estructura Efectivo Método RHODE – SALT.............. 132
Gráfico IV-13. Número Estructura Efectivo Método RNA ................................ 133
Gráfico IV-14. Comparativa de métodos de cálculo del Número Estructura
Efectivo ........................................................................................................... 133
Gráfico IV-15. Valores del RMSE entre deflexiones calculadas por Backvide y
deflexiones en campo. .................................................................................... 135
Gráfico IV-16. Relación de los módulos elásticos para cada capa obtenidos por
la Red Neuronal y por Teoría elástica. ............................................................ 139
Gráfico IV-17 . Tendencia de los valores de deflexiones obtenidos por la red
neuronal y las medidas. ................................................................................. 141
Gráfico IV-18. Comparación de módulos elásticos estimados a partir de datos
de Michback y Backvide. ................................................................................. 146
Gráfico IV-19 Relación de los módulos de capa de Carpeta asfáltica y Base
Granular con el Indicador Estructural BLI. ...................................................... 148
Gráfico IV-20. Relación de los módulos de Subbase Granular con el Indicador
Estructural MLI. ............................................................................................... 149
Gráfico IV-21. Relación de los módulos de Subrasante con el Indicador
Estructural LLI. ................................................................................................ 150
Gráfico IV-22 Comparación de Módulos elásticos de la subrasante. .............. 152
XI
Gráfico IV-23 Comparación de los módulos elásticos de la subrasante RNA vs
CVS. ................................................................................................................ 153
Gráfico IV-24 Comparación de Módulos Elásticos en la carpeta asfáltica, Redes
Neuronales vs MICHBACK ............................................................................. 154
Gráfico IV-25 Comparación de Módulos Elásticos en la base granular, Redes
Neuronales vs MICHBACK ............................................................................. 155
Gráfico IV-26 Comparación de Módulos Elásticos en la subbase granular,
Redes Neuronales vs MICHBACK .................................................................. 156
Gráfico IV-27 Comparación de Módulos Elásticos en la subrasante, Redes
Neuronales vs MICHBACK ............................................................................. 157
Gráfico IV-28 Número estructural efectivo según el proyecto CVS y RNA. .... 158
Gráfico IV-29 Número estructural promedios por sectores del tramo I ........... 158
Gráfico IV-30 Indicadores estructurales vs Número estructural efectivo. ........ 160
XII
RESUMEN
XIII
SUMARY AND KEYWORDS
The present work of the investigation carries out the description of the analysis of
the linear behavior of flexible pavements by means of Nonconventional systems,
like the Artificial Intelligence.
From the optimum neural model, the linear behavior of the Panamericana Norte
Highway belonging to the Conservación Vial Sullana Project, Section I was
analyzed. Based on the obtained results, an analysis of these is made with the
support of the structural indicators of deflection tests and Of the theoretical and
effective structural number, with 4 low values of elastic moduli (less than
10000MPa) and with maximum deflections (0.6 μm) in the sector showing that the
elastic moduli are congruent with the structural indicators. On the other hand the
elastic modules in the subgrade obtained with the neural network, Michback and
CVS are similar and have the same tendency with an average value of 175 MPa.
The same thing happens with the effective structural number, being sector I with
the lowest values (less than 3) what evidence intervention in this sector.
Key words: Artificial neural networks, back - calculation, linear analysis, structural
indicators.
XIV
INTRODUCCIÓN
Para esta investigación se empleó los análisis del tipo estática y adaptativa. La
estática en la que se considera un comportamiento lineal de la estructura y que
fue desarrollada con el uso de softwares de MichBack y Backvide. La Adaptativa
desarrollada gracias a la Inteligencia Artificial, en particular a las redes
XV
neuronales artificiales RNA, que emplean datos de entrada resultado del análisis
estático.
XVI
CAPÍTULO I: PLANTEAMIENTO DE LA INVESTIGACIÓN
16
que no representa adecuadamente su rigidez ya que el comportamiento de
la carpeta asfáltica difiere del comportamiento de un material granular y cada
uno de estos materiales se debe ser representado adecuadamente.
17
1.2. Objetivos de la investigación
Los objetivos del presente trabajo de tesis están bien definidos y claros, los
cuales se presentan a continuación:
18
1.3. Justificación e importancia de la investigación
1.3.1. Justificación de la Metodología
Esta investigación introduce el uso de Redes Neuronales
Artificiales para estimar Módulos de capa a partir de pruebas no
destructivas de deflexión. Se tiene como datos de entrada (input)
la geometría, materiales y datos del ensayo de deflectometria
(HWD) y como salidas (ouput) módulos elásticos de las capas que
conforman el paquete estructural y número estructural efectivo
logrando obtener una arquitectura que permita determinar
módulos elásticos y número estructural efectivo para nuevos datos
de entrada (Tramo I, CVS).
1.3.3. Importancia
19
confiable en términos de precisión, con suficiente flexibilidad para
realizar análisis de sensibilidad para condiciones particulares, y
eficiencia demostrada mediante bajo costo computacional.
20
de softwares considerando un sistema multicapa, a partir de estos datos
de entreno una red neuronal capaz de estimar módulos elásticos y
número estructural para nuevos casos particulares.
1.6. Variables
21
1.7. Operacionalización de Variables
22
CAPÍTULO II: MARCO TEÓRICO
23
2.1.1. Antecedentes internacionales:
24
fueron que las redes neuronales y la lógica difusa tienen gran capacidad
de procesamiento e interpretación de información y para la simulación de
comportamientos, lo cual se traduce en nuevo conocimiento aplicable en
la solución de problemas específicos de evaluación y de gestión de
pavimentos.
25
emplearon fue comparar los valores obtenidos a partir del cuenco de
deflexiones con FWD y DCP. Los resultados obtenidos fueron que los
factores de forma (BLI, MLI, LLI) y área del cuenco de deflexiones tienen
una clara relación con SN calculado. Las conclusiones más relevantes
fueron que demostrarón que la condición estructural del pavimento puede
ser representada por varios parámetros de deflexión, Se calibró el
método de Rhode para determinar SN y se obtuvo una relación mejorada,
aplicado solo para pavimentos de base asfáltica.
26
2.1.2. Antecedentes nacionales:
27
más importante es que se obtiene una metodología del proceso del
ensayo no destructivo con FWD y el retrocalculo modular a partir del
ensayo no destructivo con el uso del programa Modulus.
28
2.2.1.1. Espesores y materiales de capa
Para (Fwa, 2006) es importante definir con la mejor precisión posible, el espesor
y el tipo de materiales que conforman cada una de las capas del pavimento;
si no se cuenta con registros históricos confiables, debe recurrirse a campañas
de auscultación en campo. Lo ideal es combinar las pruebas no destructivas de
GPR con sondeos y pozos a cielo abierto recuperando muestras para pruebas
de laboratorio y, efectuar pruebas de densidad y resistencia en campo. De este
modo se obtiene tanto el registro continuo de los espesores, como la
caracterización directa de los materiales de las capas. Integrando esta
información, es posible identificar los sistemas estructurales presentes y la
variación en los tipos y propiedades de los materiales de las capas a lo largo de
un corredor, como por ejemplo tramos con capas estabilizadas o rigidizadas;
igualmente pueden determinarse parámetros de los materiales y detectar sitios
eventuales con deficiencias de la calidad exigida (granulometría, durabilidad,
compactación, entre otras).
29
computadoras, un avance sustancial se ha producido en los últimos años,
habiéndose desarrollado una variedad de alternativas que van desde esquemas
de capas elásticas lineales y no lineales, hasta modelos viscoelásticos ó
dinámicos, diseñados en un constante afán de lograr simulaciones cada vez más
compatibles con la realidad tal como (Beltran, G. & Romo, M., 2014)
mencionaron.
Según (Flores, 2012) los pavimentos flexibles son analizados mediante sistemas
elásticos de capas como se muestra en la Figura II-1. Cada capa de este sistema
tiene espesor y propiedades que varían gradualmente de capa en capa, El
módulo de elasticidad (E) y la relación de Poisson son constantes en cada capa.
Para Resolver este sistema de capas se plantean ciertas hipótesis básicas.
30
a a
q0 r
E1, v1 Z
E2, v2 Z
H
Zn-1
En-1, vn-1
En, vn
8
z
31
a. Modelo Bicapa:
Para (Garnica P.& Correa A, 2004) el comportamiento del suelo no es
homogéneo, en el caso de los pavimentos es difícil caracterizar la transmisión de
esfuerzos del pavimento a la subrasante, por lo que es necesario incluir una capa
que representa esta transmisión.
En general se puede decir que en los modelos de dos capas:
- Los esfuerzos y deflexiones dependen de la razón de módulos de
elasticidad de cada capa E1/E2 y de la razón entre el espesor de la primera
capa y el radio del área de carga h1/A.
- El esfuerzo vertical decrece con el incremento de la relación modular.
- Para un determinada presión de contacto, el esfuerzo vertical aumenta con
el radio de contacto y con la disminución del espesor de la capa superior
El modelo de dos capas se puede aplicar para pavimentos tipo (HMA), también
es aplicable a modelos de pavimentos con base estabilizada, los que se pueden
resolver por métodos variacionales o por el modelo de Hogg. Tal como (Flores,
2012) expresó.
b. Modelo Multicapa:
Los modelos de n capas facilitan la esquematización de la estructura del
pavimento y la subrasante. O, como dijo (Flores, 2012) , una estructura
tradicional se representa mejor mediante un esquema tricapa (suelo, cuerpo
granular y capa asfáltica).
32
Figura II-2. Modelo Multicapa
a a
q0 r
H1 ,E1, v1
Hn ,En, vn
z
̅ 4φ = 0
V Ecuación 2.3
𝜕 2
𝜎𝑟 = ̅ 2 φ − 𝜕 𝜑2 ]
[𝜇V Ecuación 2.6
𝜕𝑧 𝜕𝑟
33
𝜕
𝜎𝑡 = ̅ 2φ − 1 𝜕 ]
[𝜇V Ecuación 2.7
𝜕𝑧 𝑟 𝜕𝑟
𝜕 2
𝜏𝑟𝑧 = [(1 − ̅ 2 φ − 𝜕 𝜑2 ]
𝜇)V Ecuación 2.8
𝜕𝑟 𝜕𝑟
1+𝜇 2
𝑤= ̅ 2 φ + 𝜕 𝜑2 + 1 𝜕 ]
[(1 − 2𝜇)V Ecuación 2.9
𝐸 𝜕𝑟 𝑟 𝜕𝑟
1+𝜇 𝜕2𝜑
𝜇= (𝜕𝑟𝜕𝑧) Ecuación 2.10
𝐸
Dónde:
𝜎𝑧 = Esfuerzo en la dirección vertical
𝜎𝑟 = Esfuerzo en la dirección radial
𝜎𝑡 = Esfuerzo en la dirección tangencial
𝜏𝑟𝑧 = Esfuerzo cortante en el plano rz
𝑤 = Desplazamiento vertical
𝜇 = Desplazamiento radial
E = Módulo elástico del suelo
µ = Módulo de Poisson del suelo
𝜑 = Función de tensiones (función escalar diferenciable)
3 𝐸 3 𝐸 3 𝐸
ℎ1 +ℎ2 ∗ √ 2 +ℎ3 ∗ √ 3 +⋯+ℎ𝑛−1 ∗ √ 𝑛−1
𝐸1 𝐸1 𝐸1
𝐸̂ = 𝐸1 [ 𝑛=𝑖
∑𝑖=1 ℎ𝑖
] Ecuación 2.11
34
3 𝐸 (1−𝜇 2 )
ℎ𝑒𝑞,𝑛 = 𝑓 ∑𝑛−1 𝑖 𝑛
𝑖=1 [ℎ𝑖 ∗ √𝐸 (1−𝜇 2 )] Ecuación 2.12
𝑛 𝑖
𝐸
𝑓 = 0.96 − 0.176 ∗ log(𝐸3 ) Ecuación 2.13
4
Dónde:
ℎ𝑒𝑞,𝑛 = espesor de la capa equivalente, para n capas.
ℎ𝑖 = espesor de la capa 1 hasta la capa “n”.
E1= módulo elástico del material de la primera capa.
En= módulo elástico del material de la “n” capa.
𝐸̂ = módulo elástico de todo el pavimento.
µ1 = relación de Poisson del material de la primera capa.
µ2= relación de Poisson del material de la “n” capa.
f = factor de corrección, para 4 capas
35
2.2.2. Comportamiento lineal del Pavimento flexible
Durante su vida útil el pavimento flexible está sometido a cargas impuestas por
el transito el cual genera esfuerzos y deformaciones, por lo cual se debe de
realizar evaluaciones para determinar condiciones funcionales y estructurales de
la vía tal como lo expresa (Beltrán, 2012)
Para (Thenoux, G. & Gaete, R., 2012) la evaluación funcional de pavimentos está
relacionado a la calidad de la superficie de rodadura y el estado general de las
condiciones del pavimento, considerando todos aquellos factores que afectan
negativamente a la comodidad, seguridad y economía.
36
2.2.2.1.2. Evaluación estructural
Según (Barrantes, R., Loría, L., Sibaja, D. & Porras, J. , 2008) es la cuantificación
de la capacidad estructural remanente presente a través de la capacidad de
soporte, la deformación permanente acumulada y la resistencia a la fatiga ante
cargas repetidas de tránsito en las distintas capas que componen la estructura
de pavimento. Los métodos empleados para la evaluación estructural pueden
ser destructivos o no destructivos, dependiendo del grado de alteración física
producida a los materiales durante el proceso de evaluación.
37
Tabla II-1. Evaluación de la condición Global de Pavimentos Flexibles
EVALUACIÓN PARÁMETROS
Grietas: fatiga, longitudinales, transversales y reflexión
Roderas
ESTRUCTURAL Ondulaciones
Resistencia y rigidez: Módulo elástico de capas
Fricción y Textura superficial
FUNCIONAL Regularidad superficial ‐ IRI
Desintegración de capa asfáltica
Bombeo en superficie
DRENAJE
Pérdida de agregados
Roderas
Ondulaciones
DURABILIDAD Fisuras en bloque
Exudación
Desintegración o erosión de capas granulares
Contaminación de capas granulares
MANTENIMIENTO Parches deteriorados
OTROS Acotamientos, derechos de vía, controles de tránsito.
38
2.2.2.1.4. Métodos de auscultación no destructiva
Según expresa (Fwa, 2006) estos métodos emplean técnicas más sofisticadas
para realizar sus evaluaciones lo cual no genera ningún daño a la estructura del
pavimento en evaluación. Dentro de este grupo tenemos dos tipos la primera una
Evaluación empírica que determina la vida remanente del pavimento y la
segunda referida a la medidas de Deflexión en los pavimentos. Existen diversos
métodos para medir la deflexión en pavimentos, por tal razón existen diversas
clasificaciones, siendo las más importantes según:
Tipos de sensores:
- Geófonos, miden la velocidad de desplazamiento de la superficie
del pavimento.
- Acelerómetros, miden la desaceleración de la superficie del pavimento.
- Transformadores diferenciales de voltaje lineal (LVDT), miden los
desplazamientos de la superficie del pavimento.
39
2.2.2.1.5. Deflectometro de impacto - HWD:
Para (Pérez A., Garnica P., Gómez J. & Martínez G., 2004) el deflectómetro
de impacto (Heavy Weight Deflectometer – HWD) es uno de los equipos
técnicamente más avanzados que existen en la actualidad para simular y
medir la respuesta de un pavimento. Este equipo genera un cuenco de
deflexión, y la caracterización del cuenco determina una serie de parámetros de
resistencia estructural de cada una de las capas que conforman el pavimento.
- Subrasante (Mg, valor k)
- Capas superiores (EHOR, EASF, EBASE)
Vista
Lateral
Vista
Frontal
Figura II-3. Representación de las cargas del tránsito sobre la estructura del
pavimento.
40
como se observa en la Figura II-3. Tanto la masa como su altura de caída y el
sistema de amortiguadores elásticos pueden ser variados, para generar el
impacto deseado en el pavimento o en la subrasante por evaluar. (Goel,A & Das,
A, 2008)
(a) (a
)
Carpeta Asfaltica H1
D
3
D
2
Base Granular H2
D1: Deflexión Pico
Subbase H3
Subrasante H4
41
ubicación de cada sensor, para obtener finalmente el perfil de desplazamientos
verticales (D1, D2,...Dn), o cuenca de deflexión.
42
2.2.2.2. Evaluación del comportamiento mecánico del pavimento flexible
Como expresa (Fwa, 2006), el impulso de carga generado por los vehículos
sobre un pavimento se transfiere gradualmente a las capas que lo conforman, el
estudio del comportamiento mecánico de los pavimento pone énfasis en los
esfuerzos y deformaciones inducidos en cada repetición de carga a través de las
llantas de un vehículo y la resistencia y rigidez de las capas del pavimento que
soportan la carga.
43
- El esfuerzo y deformación vertical por compresión dentro de la capa
asfáltica, relacionadas con la deformación permanente acumulada de la
carpeta.
- El esfuerzo y deformación vertical por compresión dentro de las
capas granulares, relacionadas con la deformación permanente
acumulada de dichas capas.
- El esfuerzo y deformación vertical por compresión en el plano superior de
la subrasante, asociada con la deformación permanente acumulada.
Tensión (εt)
Compresión (εc)
44
Actualmente se utilizan herramientas computacionales para programar
ecuaciones diferenciales que conduzcan a la estimación de esfuerzos,
deformaciones y deflexiones a las que está sometido el pavimento y la
subrasante bajo las solicitaciones de carga impuestas por el tránsito. Se ha
observado que los modelos basados en teoría elástica multicapa aún poseen
suficiente rigor teórico y velocidad de cómputo para análisis lineales en
pavimentos con estratos rígidos profundos donde resulta válida la hipótesis
tradicional que considera al suelo de cimentación como una capa de espesor
semi‐infinito. (Goktepe, A. & Altum, S., 2006)
Según (Beltran, G. & Romo, M., 2014) que existen diferentes parámetros e
indicadores mecánicos que tratan de caracterizar las capas que conforman un
pavimento y han tratado de establecer correlaciones entre estos que en muchos
casos no son buenos ya que cada parámetro mide atributos diferentes y que solo
podrían validar si se aplican dentro de las mismas condiciones para los cuales
fueron desarrollados. A continuación se presentan parámetro e indicadores de
resistencia y rigidez más usados.
Para (Schnoor, H. & Horak, E., 2012) la evaluación del número estructural SN de
un pavimento en servicio es útil ya que refleja su aptitud o deficiencia, y se presta
a determinar directamente las necesidades estructurales. La evaluación
estructural es útil cuando esta proporciona el valor de SN conjuntamente con la
capacidad portante de la subrasante.
45
- Método AASTHO 93
En la (AASHTO, 1993) su determinación se basa en el método de espesor
equivalente, ponderando la capacidad de soporte aportada por cada capa
según sus espesores y coeficientes de resistencia, los cuales están en
función de los materiales y de las condiciones de drenaje en las capas
granulares. En su estimación también intervienen datos de tránsito,
parámetros estadísticos, el módulo efectivo de la subrasante y la pérdida
de serviciabilidad entre el año inicial y final del periodo de diseño
considerado.
Dónde:
𝑆𝑁𝑒𝑓𝑓 : Número estructural efectivo.
𝐷: Espesor total del pavimento (pulg.)
𝐸𝑃 : Módulo efectivo del pavimento (lb/pulg2)
- Método Rhode
Según expresión de (Higuera, 2010) este método estima el SN con base en
pruebas de deflexión.
𝑆𝑁𝑒𝑓𝑓 = 𝑘1 ∗ 𝑆𝐼𝑃𝑘2 ∗ 𝐻𝑇 𝑘3 Ecuación 2.15
Dónde:
46
𝐻𝑇 : Espesor total del pavimento, en mm
𝑆𝐼𝑃: Índice estructural de pavimento = 𝐷0 − 𝐷1.5𝐻𝑇 , en 0.001 mm
𝐷1.5𝐻𝑇 : Deflexión a una distancia igual a 1.5 veces el espesor total del
pavimento, en 0.001 mm.
𝑘1 , 𝑘2 , 𝑘3 : Coeficientes que dependen del tipo de capa superficial del
pavimento (ver Tabla II-2).
TIPO DE K1 K2 K3
SUPERFICIE
Tratamiento 0.1165 - 0.8241
superficial 0.3248
Concreto 0.4728 - 0.7581
asfáltico 0.4810
Fuente: (INVÍAS, 2008, p. 242)
𝑆𝑁𝑒𝑓𝑓 = 112 ∗ 𝐷0 −0.5 + 47( 𝐷0 − 𝐷900 )−0.5 − 56( 𝐷0 − 𝐷1500 )−0.5 − 0.4 Ecuación 2.16
Dónde:
𝐷0 : Deflexión en el centro bajo el plato (1/1000 mm)
𝐷900 : Deflexión a 900 mm del centro del plato (1/1000 mm)
D1500: Deflexión a 15000 mm del centro del plato (1/1000 mm)
47
- Número Estructural Teórico:
En la (AASHTO, 1993) el número estructural teórico se determina con la
siguiente ecuación:
Dónde:
𝑆𝑁𝑇 : Número estructural teórico.
a1, a2, a3: Coeficientes estructurales de Carpeta Asfáltica, Base y Subbase
respectivamente.
h1, h2, h3: Espesores de capa de Carpeta Asfáltica, Base y Subbase
respectivamente.
m2, m3: Coeficientes de drenaje para Base y Subbase respectivamente.
b. La relación de Poisson.
Según menciona (Beltran, 2011) que ante carga axial, se define como la relación
entre la deformación lateral respecto a la deformación axial (εx / εy), como
se ilustra en la Figura II-6. Su determinación se realiza mediante pruebas de
laboratorio y constituye uno de los parámetros de entrada a los modelos de
respuesta usados en los métodos de diseño mecánico‐empíricos.
48
Figura II-6. Relación de Poisson
c. Módulos de capa:
Según (Fwa, 2006) los módulos de capa representan insumos necesarios y
pueden determinarse en laboratorio tanto para las capas asfálticas (módulo
dinámico), como para las granulares (módulo resiliente).
49
Fuente: (Beltrán, 2012)
50
Tabla II-3. Valores típicos de parámetros
mecánicos del pavimento
51
de la utilización de un equipo como el deflectómetro de impacto (FWD) sus
resultados son útiles para poder interpretar el estado o condición estructural de
un pavimento.
La deflexión es una característica de cada tipo y estado del pavimento que esta
intrínsecamente relacionada con los valores de los módulos de las capas.
Existiendo una correspondencia entre los valores de los módulos y los valores de
deflexión. (Amezquita, R. & Jimenez, J., 2006)
a) Ecuaciones de regresión
b) Cálculo directo
c) Cálculo inverso o retrocálculo
52
CALCULO DIRECTO
DATOS DE
ENTRADA SALIDA
• E1, E2,...En • Desplaz. (𝛿)
• v1, v2,...vn • Esfuerzo (𝜎)
• h1, h2,...hn • Deformación (𝜀)
DATOS DE
SALIDA ENTRADA
• E1, E2,...En
• v1, v2,...vn
• 𝛿 med = 𝛿 cal. • h1, h2,...hn
En este trabajo sólo se abordan las técnicas de retrocálculo, las cuales varían
según el tipo de análisis, el modelo de respuesta y el algoritmo de optimización
utilizado.
53
mecánicas de los materiales de las capas del pavimento. A continuación se
describen algunos de los más comúnmente utilizados.
b. El área de la cuenca – A
54
X2 X3 X4 Xn
Superficie del
pavimento
An Dn
A3
A2
D3
D2
D1: Dmáx
(𝐷𝑖 +𝐷𝑖+1 )
𝐴=∑ ∗ 𝑋𝑖 Ecuación 2.18
2
Dónde:
n = número de sensores utilizados para medir la cuenca
Di = Deflexión medida en el Sensor i (i varía de 1 a n)
Dn = Deflexión medida en el Sensor n
Xi = Distancia entre el Sensor i e i‐1 (i varía de 2 a n)
55
Tabla II-5. Condición según el área de la cuenca de deflexión
c. Factores de forma.
Según (Horak, E. & Emery, S., 2006), Horak planteó dividir las cuencas de
deflexión en tres distintas zonas según se ilustra en la Figura II-10.
56
BLI = Dmáx − D0.3 Ecuación 2.19
MLI = D0.3 − D0.6 Ecuación 2.20
LLI = D0.6 − D0.9 Ecuación 2.21
57
Tabla II-6. Factores de forma de las cuencas de deflexión y
otros indicadores
58
Tabla II-7. Indicadores estructurales e intervalos de variación
59
Fuente: (Beltrán, 2012)
MODELO DE RETRO-
ANÁLISIS
60
2.2.3.1. Modelos de carga en superficie
Según (Ceylan, B. & Gopalakrishnan, k , 2014) depende del tipo de prueba de
deflexión adoptada, la carga aplicada puede estar representada por una carga
estática, una carga móvil, una carga vibratoria o una carga de impulso.
Lamentablemente, debido a la complejidad relativa del modelado de una carga
dinámica o en movimiento, es una práctica común adoptar el supuesto de carga
estática aplicada en el análisis de retrocalculación.
61
- Selección de un conjunto de valores experimentales para los parámetros
de pavimento desconocidos
- Calcular hacia adelante la respuesta del pavimento sobre la base de los
valores de los parámetros seleccionados y comparar la respuesta
calculada con la medida.
- Cambiar los valores de los parámetros seleccionados mediante un
algoritmo de búsqueda apropiado para lograr una adaptación mejorada de
las deflexiones calculadas y deflexiones medidas en campo.
62
son conocidos, sólo hay una variable desconocida (módulos de elasticidad) para
cada capa. La cuenca de deflexión medida se define por las deflexiones de los
picos en todos los puntos de los sensores, y el nivel de carga máxima se
considera en el análisis. Los módulos retrocalculados en este caso representan
los respectivos valores "medios" para cada capa del pavimento.
63
En todos los casos mencionados, la diferencia entre las deflexiones medidas y
calculadas puede ser significativa y la solución encontrada resulta cuestionable
o puede decirse que no existe una solución bajo hipótesis de la teoría elástica
multicapa
Según mencionan (Kim, D. & Kim, J. & Mun, S, 2010) Este análisis se permite
considerar las características visco‐elásticas del concreto asfáltico, la
naturaleza dinámica inherente a la aplicación de la carga en pavimentos y,
eventualmente, el espesor de la subrasante. En estas aproximaciones se busca
determinar el módulo complejo de cada capa, el cual es función de la frecuencia
angular, la viscoelasticidad de la capa asfáltica y el coeficiente de
amortiguamiento de las capas granulares y subrasante. Los obstáculos que
suelen presentar estas aproximaciones están relacionados con la complejidad y
demoras computacionales, así como la ardua tarea para obtener todos los
parámetros de entrada para el análisis.
64
2.2.3.3.3. Aproximaciones adaptativas
Recientemente surgieron las aproximaciones adaptativas para retrocalcular los
módulos de capa, las cuales aportan soluciones abiertas no deterministas,
basadas en Redes Neuronales Artificiales principalmente. Estas técnicas no
utilizan de manera directa un modelo de respuesta de deflexiones, sino que
simulan un “mapa inverso” no lineal, con base en patrones de entrada y salida
conocidos del comportamiento de la estructura. (Shama, 2008)
Como señala (Goktepe A., Agar E. & Lav H., 2006) el enfoque de retro-análisis
inverso adopta un "criterio de error de ecuación" para minimizar las ecuaciones
de error de respuesta de pavimento en la estimación de las deflexiones de
superficie reales in situ.
Por otro lado (Saltan, M. & Teri, S., 2007) refieren que el enfoque de retro-análisis
directo se basa en la minimización del "error de salida", es decir, la discrepancia
entre las deflexiones de superficie medidas y calculadas. El retro análisis directo
se ha utilizado en prácticamente todos los algoritmos de retrocalculo reportados
en las literaturas. Las tres medidas comunes de errores de salida utilizadas por
los investigadores son:
65
- La suma de las diferencias absolutas.
- La suma de las diferencias cuadráticas.
- La suma de los errores cuadrados.
Dmed −Dcalc 2
1
100 ∗ √n ∗ ∑ni=1 ( i i
) ≤ 𝜀1 Ecuación 2.22
Dmed
i
Dónde:
(Dmed −Dcalc )
AASE = 100 ∗ ∑ni=1 | i i
| Ecuación 2.23
Dmed
i
66
2.2.4.4.3. El error medio absoluto (EMA):
Dónde:
El programa tiene la ventaja de indicar los puntos donde no fue posible converger
con las iteraciones y permite conocer las diferencias porcentuales entre el
cuenco medido en terreno y el obtenido utilizando el sistema multicapa de
CHEVRON. El método se basa en los siguientes supuestos.
67
- Capas de espesores uniformes.
- Considera la subrasante como una capa semi-infinita en la dirección
vertical.
- Las capas están formadas por materiales homogéneos, isotrópicos,
que se comportan en el rango elástico lineal y que son caracterizadas
por un módulo elástico y Coeficiente de Poisson.
LIMITACIONES:
68
Tabla II-9. Datos de entrada al programa MICHBACK
69
2.2.4.6. Retrocálculo de pavimentos flexibles con el programa BACKVIDE
–BACKMODE
70
Tabla II-10. Datos de entrada y salida del programa Backvide
71
2.2.5. Redes neuronales artificiales
Para (Saltan, M. & Teri, S., 2007) las Redes Neuronales Artificiales, ANN
(Artificial Neural Networks) están inspiradas en las redes neuronales biológicas
del cerebro humano. Están constituidas por elementos que se comportan de
forma similar a la neurona biológica en sus funciones más comunes. Estos
elementos están organizados de una forma parecida a la que presenta el cerebro
humano. Las RNA al margen de "parecerse" al cerebro presentan una serie de
características propias del cerebro. Por ejemplo las ANN aprenden de la
experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las
características principales de una serie de datos.
Dónde:
NET: la salida
X: vector de entrada
W: vector de pesos.
Normalmente la señal de salida NET suele ser procesada por una función de
activación F para producir la señal de salida de la neurona OUT. La función F
puede ser una función lineal, o una función umbral o una función no lineal que
72
simula con mayor exactitud las características de transferencia no lineales delas
neuronas biológicas. (Satish, 2007)
73
Neuronales Artificiales, ANN, la unidad análoga a la neurona biológica es el
elemento procesador, PE (process element). Un elemento procesador tiene
varias entradas y las combina, normalmente con una suma básica. La suma de
las entradas es modificada por una función de transferencia y el valor de la salida
de esta función de transferencia se pasa directamente a la salida del elemento
procesador. La salida del PE se puede conectar a las entradas de otras neuronas
artificiales (PE) mediante conexiones ponderadas correspondientes a la eficacia
de la sinapsis de las conexiones neuronales.
74
Fuente: (Flórez, L. & Fernández, F., 2008)
75
cíclicas pues las salidas de las neuronas pueden ser entradas de neuronas del
mismo nivel, de neuronas anteriores o de la misma neurona.
Por otra parte se ha demostrado que las redes multicapa presentan cualidades y
aspectos por encima de las redes de una capa simple. Las redes más utilizadas
son la multicapa y las recurrentes. Cabe destacar que el desempeño de las RNAs
dependerá fundamentalmente de la calidad y cantidad de datos presentados a la
red, del modo en que las neuronas están interconectadas (arquitectura o arreglo
de la red), de que tan fuertes sean esas conexiones (valor de los pesos) y de la
manera que se realiza el aprendizaje (regla o algoritmo de aprendizaje). De este
modo, la estructura y estado de activación de la red neuronal representa el
conocimiento, definido como la información que se adquiere o almacena para
interpretar, predecir y responder posteriormente ante estímulos externos.
(Yegnanarayana, 2006)
Para (Goktepe A., Agar E. & Lav H., 2006) una de las principales características
de las ANN es su capacidad de aprendizaje. El objetivo del entrenamiento de una
ANN es conseguir que una aplicación determinada, para un conjunto de entradas
produzca el conjunto de salidas deseadas o mínimamente consistentes. El
proceso de entrenamiento consiste en la aplicación secuencial de diferentes
conjuntos o vectores de entrada para que se ajusten los pesos de las
interconexiones según un procedimiento predeterminado. Durante la sesión de
entrenamiento los pesos convergen gradualmente hacia los valores que hacen
que cada entrada produzca el vector de salida deseado.
76
a. ENTRENAMIENTO SUPERVISADO:
(Bredenhann, S.J. & Van de Ven M.F.C, 2004) Mencionan que estos algoritmos
requieren el emparejamiento de cada vector de entrada con su correspondiente
vector de salida. El entrenamiento consiste en presentar un vector de entrada a
la red, calcular la salida de la red, compararla con la salida deseada, y el error o
diferencia resultante se utiliza para realimentar la red y cambiar los pesos de
acuerdo con un algoritmo que tiende a minimizar el error. Las parejas de vectores
del conjunto de entrenamiento se aplican secuencialmente y de forma cíclica. Se
calcula el error y el ajuste de los pesos por cada pareja hasta que el error para el
conjunto de entrenamiento entero sea un valor pequeño y aceptable.
b. ENTRENAMIENTO NO SUPERVISADO:
Como mencionan (Sivadandam, S. & Sumathi, S. & Deepa S., 2006) los sistemas
no supervisados son modelos de aprendizaje más lógicos en los sistemas
biológicos. Estos sistemas de aprendizaje no supervisado no requieren de un
vector de salidas deseadas y por tanto no se realizan comparaciones entre las
salidas reales y salidas esperadas. El conjunto de vectores de entrenamiento
consiste únicamente en vectores de entrada. El algoritmo de entrenamiento
modifica los pesos de la red de forma que produzca vectores de salida
consistentes. El proceso de entrenamiento extrae las propiedades estadísticas
del conjunto de vectores de entrenamiento y agrupa en clases los vectores
similares.
c. REFORZADO O GRADUADO
Según (Beltrán, 2012) este tipo de entrenamiento se da cuando no se conocen
las salidas, pero se tienen algún indicio sobre ellas; puede usarse para tareas
supervisadas pero suele requerir más tiempo.
77
2.2.5.7.2. Funciones de entrada
Estas funciones se utilizan para ponderar las señales de entrada a cada
neurona en función de su correspondiente intensidad o peso. Existen varias
opciones de funciones como, la distancia Euclidiana L1, o L2 si se eleva al
cuadrado, el producto punto, la suma cuadrática, entre otros. (Satish, 2007)
Según (Flórez, L. & Fernández, F., 2008) las funciones de transferencia actúan
para limitar las salidas de una neurona a un intervalo finito. Cuando existen
valores grandes de los pesos, la función seleccionada puede intervenir en el
aprendizaje, permitiendo o no la modificación. En la Tabla II-11 se muestran las
funciones escalón, lineal y sigmoidea.
78
Tabla II-11. Funciones de activación comúnmente usadas
Función de f(s) = s
transferencia lineal
(purelin)
Función de
transferencia 1
𝑓(𝑠) = 1+𝑒 −𝑠
sigmoidal
(logsig)
Función de
transferencia 𝑒 𝑠 − 𝑒 −𝑠
𝑓(𝑠) = tanh(𝑠) =
𝑒 𝑠 + 𝑒 −𝑠
tangente sigmoidal
hiperbólica
(tansig)
Fuente: Propia, basado en (Flórez, L. & Fernández, F., 2008) y (Beltrán, 2012)
79
mencionados en el numeral 3.2.3. La Tabla II-12 muestra las funciones de error
que comúnmente se usa en redes neuronales.
80
Fuente. (Beltrán, 2012)
Figura II-15. Posibles tendencias de la función de error.
81
2.2.5.9. Modelación de un problema
Para la modelación de un problema (Beltrán, 2012) recomienda que el proceso
de modelación con RNAs se debe efectuar mediante dos etapas
denominadas de entrenamiento y de prueba, según se describe a continuación:
82
Cuando se obtienen resultados adecuados o satisfactorios en ambas etapas, se
dice la RNA resultante constituye un modelo entrenado, capaz de realizar
predicciones o estimaciones confiables y rápidas para conjuntos de datos
nuevos o desconocidos. (Beltran, G. & Romo, M., 2014)
(Beltran, G. & Romo, M., 2014) Señalan que para lograr evaluaciones más
completas, resulta útil graficar los valores deseados vs valores pronosticados o
estimados y determinar indicadores de ajuste y de correlación; en la práctica
común se utiliza el coeficiente de determinación (r2).
83
2.3. MARCO CONCEPTUAL
HWD: Es un equipo que tiene alta capacidad de simular con éxito las
cargas del tráfico, tiene la carga más pesada y puede medir las deflexiones
en pavimentos de aeropuertos y autopistas. (Dynatest, 2007).
84
CAPÍTULO III: METODOLOGÍA Y DESARROLLO DE LA
INVESTIGACIÓN
85
La presente investigación busca describir la metodología de análisis del
comportamiento lineal usando redes neuronales a partir de pruebas no
destructivas sobre el pavimento flexible.
Según (Sampieri, H. & Fernández , C., & Baptista, P., 2014) por
pertenecer a un enfoque cuantitativo, la investigación empleará el
método “inductivo” ya que utiliza el razonamiento para obtener
conclusiones que parten de hechos particulares aceptados como válidos
para llegar a conclusiones, cuya aplicación sea de carácter general.
86
Figura III-1. Procedimiento Metodológico
ETAPA V
Numero Estructural • Cálculo del número Estructural Efectivo.
efectivo
87
3.6. Población y muestra de la investigación
3.6.1. Población
La Población es un tramo de la carretera Panamericana Norte que
comprende rutas 1PE 1N del 0+000 km al 275+000 km, PE1NL del
1003+655 km al 1160+160 km que en la actualidad viene siendo atendida
por el proyecto Conservación Vial Sullana (CVS). Este proyecto cuenta
con 4 tramos, La población conforman los tramos II y IV con una longitud
de 411.132 km. El ensayo de deflectometria (HWD) se realizó cada 200m
por carril, teniendo una población total de 4110 puntos evaluados.
3.6.2. Muestra
El tamaño de la muestra se define según (Borja, 2012) para poblaciones
finita e infinita. Para una población finita se tiene poblaciones menores de
100000 elementos. En esta investigación se trabajó para una población
finita con un nivel de confianza de 97% y un error de 4% y se obtuvo un
tamaño de muestra de 487 elementos. En la Tabla III-1 se observa que
el tamaño de muestra considerada es de 590 elementos ya que cuantos
más datos se emplea para el entrenamiento se obtendrán mayor
precisión de las redes neuronales.
88
Tabla III-1 Tamaño de muestra del estudio
Ubicación
TRAMO
N° de
Progresiva
Faja Progresiva Fin Long. (km) Datos
Inicio
2,00 0+000 65+797 65,797 86
2y3 65+797 73+616 7819 37
2y3 107+472 121+215 13,743
2y3 242+320 251+167 8847 81
TRAMO II
89
3.7. Instrumentos de recolección de datos y validez.
90
Tabla III-3 Resultados de la validez del instrumento de medición.
ANALISIS DE RESULTADOS
JUECES
CRITERIO Valor de P
J1 J2 J3
1 1 1 1 3
2 1 1 1 3
3 1 0 1 2
4 1 1 1 3
5 1 1 1 3
6 1 1 1 3
7 1 1 1 3
8 1 1 1 3
9 1 1 1 3
10 1 1 1 3
11 0 0 0 0
12 1 1 1 3
13 1 1 1 3
14 1 1 1 3
15 1 1 1 3
16 1 1 1 3
17 1 1 1 3
18 1 1 1 3
19 1 1 1 3
20 1 1 1 3
Total 19 18 19 56
1 : De acuerdo
0 :Desacuerdo
Prueba de concordancia entre los Jueces:
Procesamiento: *Rango
Ta = 56 Aceptable < 70%
Tb = 4 Bueno 70-80%
b= 93.33 % Excelente: >90%
*Fuente: (Corral, 2009)
91
3.8. Metodología
92
Figura III-2. Plano General del proyecto.
93
Tabla III-4. Tramos del proyecto Conservación Vial Sullana
94
Fuente: Elaboración Propia en base a (APSA - CONCAR, 2010)
- Altitud
95
- Clima
La vía se desarrolla íntegramente en zona de costa y sobre una
topografía plana en la mayoría del tramo. Por ser zona de costa, el
pavimento se expone a altas temperaturas. Según SENAMHI la
Temperatura Promedio Anual es de 24° C (máxima de 35.2° C y
mínima de 16° C), siendo la temporada de lluvias de enero a abril. (Ver
anexo D)
- Precipitación
La precipitación en la zona del proyecto tiene una Precipitación media
anual para el año 2010 de 92.3 mm (Ver anexo D)
ene- feb- mar- abr- may- jun- jul- ago- sep- oct- nov- dic-
MES 10 10 10 10 10 10 10 10 10 10 10 10
Total
Mensual 107.6 132.5 145.89 178.4 72.3 79.5 56.8 62.5 45.3 80.5 67.8 104.5
96
3.8.1.2. Registro de pruebas no destructivas de deflexión
Frecuencia de
Mediciones:
A cada 100 m (intercalado).
Posición de Sensores:
0, 20.3, 30.5, 45.7, 61.0,
76.2, 91.4, 152.4 y – 30.5
cm (0, 8, 12, 18, 24, 30, 36,
Deflectómetro de Impacto modelo Dynatest 60 y – 12 pulgadas),
8082-023 HWD
Secuencia de Caídas:
1 nivel de carga dinámica
(50KN)
97
3.8.1.3. Componentes de la evaluación de la estructura del pavimento
98
3.8.2. Análisis preliminares:
99
a. Espesores de capa del tramo II
100
a. Espesores de capa del tramo IV
101
Tabla III-7. Espesores de capa del tramo II (cm)
UBICACIÓN Espesores (cm)
Base SubBase
Pki Pkf C.A Gran. G.
0 65+797 5 15 15
SECT.1
65+797 73+616 7 15 15
73+616 78+952 5 15 15
78+952 79+868 5 18 20
SECT 2 79+868 107+472 5 20 20
107+472 121+215 5 15 20
121+215 133+351 5 20 20
SECT 3 133+351 174+904 5 15 15
174+904 196+355 5 20 20
196+355 203+426 5 15 20
SECT 4 203+426 206+872 5 20 20
206+872 217+187 5 15 20
217+187 242+320 5 20 20
SECT 5 242+320 275+000 5 15 20
Con la información disponible del tramo II, III y IV se toma la muestra de forma
estratificada en función a los espesores de las capas del pavimento flexible
con el objetivo de formar la base de datos el cual será evaluado con los
102
softwares Backvide y MichBack y de esta manera realizar el diseño del
Modelo Neuronal.
de
O
103
las capas que conforman el pavimento flexible a partir de datos de deflexiones
medidas en campo, se sigue un proceso conformado por los siguientes pasos:
Para diseñar una red neuronal artificial (RNA) capaz de determinar módulos
elásticos de capa de un pavimento es importante identificar las variables
sensibles en el conjunto de datos de entrada.
104
Parámetros Estructura de Modulos
de entrada la Red Esperados, EES
neuronal
-Carga: P
-Temperatura del
NEeff
Pavimento.
Capa Oculta
Módulos
Capa de Calculados
ERNA,
Entrada
NEeff
105
Entradas RNA(K) Salidas calculadas
Solución
((ERNAn) j) k
La red calcula unas nuevas deflexiones DRNA cuya similitud con DMED se
evalúa con base en el criterio de error y de similitud con la coincidencia
perfecta. Esta coincidencia se define como aquélla en la cual existe regresión
lineal entre DRNA y DMED, con un coeficiente de determinación (r2) y una
106
pendiente de la línea tendencia (b) iguales a uno y con un valor del intercepto
(a) igual a cero.
Entradas
(ERNA nk; hn; νn ; Q)j
No: cambiar pesos
Selección de
RNA (k)
RNA Óptima
(DES =DMED)
Calcular:
Error: Salidas Calculadas:
Intercepto,
pendiente de la linea (DRNA)k = ((DRNA i) j)k
de tendencia y coef. Cumple
DMED
criterio
determ.
107
Los módulos calculados por la RNAÓP, se emplearon como entradas para
obtener cuencas de deflexión calculadas y compararlas con las deflexiones
medidas en campo. Los niveles se aproximación resultan satisfactorios, lo
que demuestra la buena capacidad de la red neuronal para representar
patrones diferentes a los utilizados para diseñar la red. A continuación se
presenta el análisis del tramo en estudio más a detalle.
108
b. Estructura del pavimento y número estructural teórico
El pavimento de la carretera Panamericana Norte (Dv. Paita - Sullana)
está constituido por una estructura típica de tres capas: base y sub-
base granular y una carpeta asfáltica.
109
SECTORIZACION POR MÉTODO DE DIFERENCIAS ACUMULADAS)
600
500
S2
400
300
ZX
200
S3 S5
S1 S4
100
-100
-200
PROGRESIVAS (KM)
SECTOR Pi Pkf
Sector I 1003+800 1006+000
Sector II 1006+000 1008+800
Sector III 1008+600 1019+600
Sector IV 1019+600 1021+400
Sector V 1021+400 1027+000
110
D0 (1/1000mm)
0
1000
1200
200
400
600
800
1003.800
1004.200
1004.600
1005.000
S1
1005.400
1005.800
1006.200
1006.600
1007.000
1007.400
S2
1007.800
1008.200
1008.600
1009.000
1009.400
1009.800
1010.200
1010.600
1011.000
1011.400
1011.800
1012.200
1012.600
1013.000
1013.400
S3
1013.800
1014.200
1014.600
1015.000
1015.400
1015.800
MEDICIÓN DE DEFLEXIONES
1016.200
1016.600
1017.000
1017.400
1017.800
1018.200
1018.600
1019.000
1019.400
S4
1019.800
1020.200
1020.600
1021.000
1021.400
1021.800
1022.200
1022.600
Gráfico III-3. Sectorización de la carretera Panamericana Norte (Dv. Paita - Sullana)
S5
1023.000
1023.400
1023.800
1024.200
FAJA 2
1024.600
1025.000
1025.400
1025.800
1026.200
111
1026.600
PROGRESIVAS (KM)
1027.000
3.8.4.3. Indicadores estructurales
Se calcula los indicadores estructurales más relevantes que permitan
determinar la condición estructural del pavimento flexible. Para este estudio
se determinó que los indicadores estructurales que mejor se complementan
para definir la condición de rigidez del pavimento son:
- Deflexión máxima
- Área de la Cuenca
- Factores de Forma
112
3 E 3 E 3 E
h1 + h2 ∗ √E2 + h3 ∗ √E3 + ⋯ + hn−1 ∗ √ En−1
̂ = E1 1 1 1
E n=i
∑i=1 hi
[ ]
Y aplicamos la ecuación de AASHTO 93, para determinar el número
estructural efectivo.
3
̂
SNeff = 0.0045 ∗ D ∗ √E
- Método RNA.
A partir del modelo neuronal óptimo se puede determinar el número
estructural efectivo para el tramo en evaluación.
113
CAPÍTULO IV: RESULTADOS
Del Gráfico IV-1 al Gráfico IV-4 se presentan los módulos de capa estimada
a lo largo del Tramo evaluado y su relación con los referentes incluidos en la
Tabla II-9, en cuanto a los valores típicos sugeridos por el software Michback.
114
CARPETA ASFALTICA
43000
40000
Módulo Elástico (MPa)
37000
34000
31000
28000
25000
22000
19000
16000
13000
VALORES TÍPICOS
10000
7000
4000
1000
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Se observa en el Gráfico IV-1 entre los kilometros 1018 y 1021 existen puntos con valores bajos (menores de 10000 MPa)
de modulos elásticos.
115
Tabla IV-1 Cuadro resumen de valores obtenidos del Módulo de elasticidad de la carpeta asfáltica.
E1 E1 E1
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
1 1003.8 1006 2.20 Faja 2 26478,11 4865,86 18,38 34553,59 16683,38 RNA
2 1006 1008.8 2.80 Faja 2 26737,75 1525,20 5,70 29802,50 24521,06 RNA
Sectores
3 1008.8 1019.6 10.80 Faja 2 25399,31 6451,91 25,40 38874,19 5085,38 RNA
4 1019.6 1021.4 1.80 Faja 2 16717,02 6971,95 41,71 26533,03 7655,66 RNA
5 1021.4 1027 5.60 Faja 2 24426,62 5662,85 23,18 34482,42 10723,50 RNA
Como se mencionó en el capítulo anterior el tramo en estudio (Tramo I) cuenta con 5 sectores homogéneos, la
Tabla IV-1 muestra el valor promedio del módulo elástico de la carpeta asfáltica para cada sector. Se aprecia que el sector
2 tiene menor coeficiente de variación (5.7%) lo que significa que los valores son más homogéneos. Por otro lado el sector
4 presenta valores más dispersos ya que el coeficiente de variación es de 41.71 % y es en estos sectores donde presenta
valores de módulos elásticos más bajos tal como se evidencia en el Gráfico IV-1.
116
BASE GRANULAR
1600
1400
Módulo Elástico (MPa)
1200
1000
800
600
VALORES TÍPICOS
400
200
0
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Se observa en el que los valores estan dentro de los valores tipicos del programa Michback. Se observa también que del
kilometro 1003 al 1006 presenta los valores más bajos (menores de 100 MPa)
117
Tabla IV-2 Cuadro resumen de valores obtenidos del Módulo de elasticidad de la base granular
E2 E2 E2
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
1 1003.8 1006 2.20 Faja 2 243,47 65,75 27,01 361,76 129,64 RNA
2 1006 1008.8 2.80 Faja 2 577,04 312,98 54,24 1119,68 175,70 RNA
Sectores
3 1008.8 1019.6 10.80 Faja 2 597,19 319,78 53,55 1404,67 116,03 RNA
4 1019.6 1021.4 1.80 Faja 2 307,03 187,02 60,91 655,10 98,82 RNA
5 1021.4 1027 5.60 Faja 2 539,76 221,49 41,04 1061,66 176,14 RNA
En la Tabla IV-2 muestra los sectores del tramo I con sus módulos elásticos calculados, se observa que los 2,3 y 4 sectores
presentan un coeficiente de variación superior al 50 %, el sector 1 presenta valores relativamente homogeneos.
118
SUBBASE GRANULAR
1000
900
Módulo Elástico (MPa)
800
700
600
500
400
300
200 VALORES TÍPICOS
100
0
1003,00
-100 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Se observa que los módulos elasticos en la subbase granular varian de punto a punto, donde los valores más bajos son
proximos a 0, en dichos puntos es necesario analizar estos valores en función a los indicadores estructurales y el número
estructural efectivo.
119
Tabla IV-3 Cuadro resumen de valores obtenidos del Módulo de elasticidad de la subbase granular
E3 E3 E3
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
1 1003.8 1006 2.20 Faja 2 75,29 51,89 68,91 188,58 24,95 RNA
2 1006 1008.8 2.80 Faja 2 133,66 137,96 103,22 555,63 22,69 RNA
Sectores
3 1008.8 1019.6 10.80 Faja 2 172,48 148,34 86,01 860,21 14,57 RNA
4 1019.6 1021.4 1.80 Faja 2 157,40 128,72 81,78 402,94 43,86 RNA
5 1021.4 1027 5.60 Faja 2 177,60 165,30 93,08 705,06 18,15 RNA
En la Tabla IV-3 muestra que el sector 2 tiene un alto coeficiente de desviación mayor al 100% debido al alto valor
de la desviación estandar, lo que significa que en este sector los valores obtenidos del módulo elástico son heterrogéneos.
Los sectores 1, 3, 4 y 5 presentan valores de coeficiente de variación superiores al 50%.
120
SUBRASANTE
800
700
Módulo Elástico (MPa)
600
500
400
300
100
0
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Los valores obtenidos en la subrasante estan dentro de los valores promedios que muestra el programa MichBack y ASTM.
Entre los kilometros 1018 al 1019 se encuentra un valor pico superior a 600 Mpa, es importante analizar este tramo en
función de los indicadores estructurales y número estructural.
Tabla IV-4 Cuadro resumen de valores obtenidos del Módulo de elasticidad de la subrasante.
121
E4 E4 E4
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
1 1003.8 1006 2.20 Faja 2 149,88 43,98 29,34 235,98 99,14 RNA
2 1006 1008.8 2.80 Faja 2 210,42 51,52 24,48 321,38 123,58 RNA
Sectores
3 1008.8 1019.6 10.80 Faja 2 226,82 95,99 42,32 722,00 102,93 RNA
4 1019.6 1021.4 1.80 Faja 2 187,64 72,94 38,87 325,69 90,16 RNA
5 1021.4 1027 5.60 Faja 2 294,85 94,50 32,05 535,33 121,25 RNA
En la Tabla IV-4 se muestra que los coeficientes de variación en los sectores 3 y 4 son menores del 40% y en los
sectores 1, 2 y 5 estan en el rango de 20 y 30% lo que significa que los valores del modulo elástico son relativamente
homogeneos.
Se observa que la mayoría de los módulo estimados por la red neuronal (RNAóp) se encuentran en el rango de valores
típicos para los materiales analizados, existen algunos valores que se encuentran fuera del rango y son valores que se
catalogan como deficientes, por lo cual es conveniente comparar los resultados obtenidos con las condiciones reales del
pavimento del tramo en estudio y con los indicadores estructurales
122
Tabla IV-5 Módulos elásticos a partir de pruebas de deflexión
DATOS DEL TRAMO EN ESTUDIO PARA ESTIMAR MÓDULOS ELÁSTICOS EN LA RED NEURONAL
NUMERO
DATOS DE ENTRADA MODULOS ESTIMADOS RNA
ESTRUCTURAL
1003,80 0,05 0,30 0,35 51,24 455,93 354,33 290,07 219,46 160,53 122,68 92,46 46,23 24,22 28811,9004 361,7624396 63,88871255 193,1677002 4,45253777
1004,00 0,05 0,30 0,35 50,99 739,39 604,27 511,56 396,75 287,78 216,41 162,31 72,39 24,22 34553,58528 233,7905434 30,598643 113,3081781 3,751263656
1004,20 0,05 0,30 0,35 50,61 458,47 350,27 282,19 211,58 156,46 126,49 103,63 59,18 23,89 27773,03973 306,1131337 139,0701917 129,0462631 4,352401949
1004,40 0,05 0,30 0,35 51,04 746,00 589,03 486,41 365,25 260,10 198,37 146,05 69,34 23,39 29701,32531 208,0261687 24,95430761 112,5192169 3,535149643
1009,40 0,05 0,30 0,35 50,31 220,73 163,32 133,35 102,87 78,23 64,01 51,82 28,96 21,33 26119,14381 974,4956174 214,2789052 322,0188159 6,278887085
1009,60 0,05 0,30 0,35 50,61 391,16 329,44 285,50 235,20 189,99 163,32 137,41 76,71 20,72 30386,58174 677,0920054 90,03199141 138,5735879 5,004023479
1009,80 0,05 0,30 0,35 50,27 300,48 227,33 181,10 134,87 100,58 83,57 69,09 41,91 17,44 28594,89133 523,4466878 249,8343889 203,849549 5,334254728
1010,00 0,05 0,30 0,35 50,80 499,62 372,11 296,93 216,66 151,89 116,08 89,92 48,51 17,44 27663,5322 262,287807 113,9310142 169,5836939 4,115903296
1025,80 0,05 0,30 0,35 50,95 219,71 152,15 115,06 80,26 60,71 52,58 44,70 26,16 37,06 26625,43472 711,5859363 455,7808442 328,656973 6,440572284
1026,00 0,05 0,30 0,35 50,85 495,55 360,93 276,10 187,20 124,71 93,22 69,09 30,73 36,44 21522,7146 303,9482562 51,86557915 266,8047797 4,164366998
1026,20 0,05 0,30 0,35 50,70 419,35 321,82 260,60 195,33 146,05 116,84 92,20 43,18 36,56 25331,20184 482,1870625 68,90006038 207,0972338 4,7380302
1026,40 0,05 0,30 0,35 50,99 303,53 211,07 166,88 124,46 101,85 88,90 73,15 34,29 36,89 10723,50081 1061,655298 136,3104502 305,214564 5,641777614
1026,60 0,05 0,30 0,35 51,04 305,05 215,14 166,62 118,36 91,19 77,22 62,48 28,19 37,22 15042,73372 874,254594 93,51552273 342,3597845 5,460578533
1026,80 0,05 0,30 0,35 50,70 331,72 255,78 201,17 145,29 103,63 81,79 63,25 32,51 36,67 30422,10334 462,8093536 115,2009758 260,8258975 5,186807336
1027,00 0,05 0,30 0,35 50,85 257,81 183,39 142,24 100,08 74,17 61,98 52,32 30,73 37,50 28359,25901 580,4079969 346,4497742 269,2040365 5,970153846
La Tabla IV-5 muestra los datos de entrada a la red neuronal y como resultado se obtiene los 4 módulos elásticos y el
número estructural que determina la red neuronal óptima.
123
4.2. Calcular los índices estructurales a de la estructura de pavimento
flexible en la carretera Panamericana Norte Ruta PE1N 1003 km al
1027 km en el año 2010.
124
Por otro lado hay cuenco de deflexiones más tendidas y otras más alargadas, estas
características del cuenco de deflexiones indican cierta condición de rigidez del
pavimento flexible, como señala los indicadores estructurales.
Dmax
1.2
GRAVE
0.8
0.6
RIESGO
0.4
0.2
ADECUADA
0
1003.00 1005.00 1007.00 1009.00 1011.00 1013.00 1015.00 1017.00 1019.00 1021.00 1023.00 1025.00 1027.00
Progresivas (km)
125
Tabla IV-6 Valores de la deflexión máxima normalizada por cada sector.
En la Tabla IV-6 se muestra que los sectores 2,3 y 4 tienen coeficientes variación
entre 40 – 50% lo que significa que los valores obtenidos no son homogéneos en
estos sectores. La deflexión pico se encuentra en el sector 4 tal como se muestra
en el Gráfico IV-6.
126
ÁREA DE LA CUENCA
700,00
600,00
500,00
REGULAR
400,00
BUENO
300,00
200,00
Muy BUENO
100,00
EXCELENTE
0,00
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Se observa que los valores más altos del área de la cuenca se encuentran en los
sectores 3 y 4. El sector 4 presente mayor coeficiente de variación (50.28%) lo que
indica que tienen mayor grado de heterogeneidad los valores que se presentan en
este sector.
127
4.2.1.3. Factores de Forma
BLI
0,45
GRAVE
0,40
0,35
RIESGO
0,30
0,25
0,20
0,15
0,10 ADECUADA
0,05
0,00
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Tabla IV-8 Valores del factor de forma BLI por cada sector.
128
El factor de forma MLI, que caracteriza el comportamiento estructural de la
subbase tiene valores en condición adecuada para el tramo en estudio. En el
Gráfico IV-9 se observa que existen puntos que están en condición de riesgo
y grave.
MLI
0,40
0,35
0,30
GRAVE
0,25
0,20
RIESGO
0,15
0,10
0,05 ADECUADA
0,00
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Tabla IV-9 Valores del factor de forma MLI por cada sector.
129
El factor de forma LLI, que caracteriza el comportamiento estructural de la
subrasante tiene muchos puntos en condición adecuada para el tramo en
estudio. En el Gráfico IV-10 se observa que existen algunos puntos que están
en condición de riesgo y grave.
LLI
0,16
0,14
0,12
GRAVE
0,10
0,08
RIESGO
0,06
0,04
0,02 ADECUADA
0,00
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Tabla IV-10 Valores del factor de forma LLI por cada sector.
Se observa que los sectores 2, 3 y 4 presentan valores promedios de 0.05, pero sus
coeficientes de variación están en diferentes rangos, pues el sector 4 presenta un
64% y el sector 2 un 47% lo que indica que los valores son heterogéneos.
130
4.3. Determinar el número estructural de la estructura de pavimento flexible
en la carretera Panamericana Norte Ruta PE1N 1003 km al 1027 km en
el año 2010.
9.00
8.00
7.00
NEeff (cm)
6.00
5.00
4.00
3.00
2.00
1.00
0.00
1000.00 1005.00 1010.00 1015.00 1020.00 1025.00 1030.00
131
12.000
10.000
NEeff (cm)
8.000
6.000
4.000
2.000
0.000
1000.00 1005.00 1010.00 1015.00 1020.00 1025.00 1030.00
Número estructural efectivo
Número estructural teórico Porgresivas (Km)
132
8.00
7.00
6.00
NEeff (cm)
5.00
4.00
3.00
2.00
1.00
0.00
1000.00 1005.00 1010.00 1015.00 1020.00 1025.00 1030.00
Porgresivas (Km)
NEeff NEteorico
0,010
0,009
0,008
0,007
NEeff (cm)
0,006
0,005
0,004
0,003
0,002
0,001
133
Tabla IV-11 Cuadro comparativo de valores del número estructural efectivo.
4,80 RHODE -
5,43 0,65 11,91 6,64
SALK
1 1003.8 1006 2.20 Faja 2 3,79 0,45 11,94 4,62 3,30 RHODE
En la Tabla IV-11 se presenta un resumen de los valores obtenidos mediante los tres
métodos para determinar el número estructural efectivo, se observa que los valores
obtenidos mediante la red neuronal son muy parecidos a los obtenidos por el método
de Rhode. También se observa que el sector 4 presenta los valores más bajos,
menores al número estructural teórico (4.094) y que es importante analizar este
sector ya que muestra una rigidez baja.
134
4.4. Desarrollar un modelo neuronal que neuronal que permita
determinar el retrocalculo modular de la estructura de pavimento
flexible en la carretera Panamericana Norte Ruta PE1N 1003 km
al 1027 km en el año 2010.
Los resultados obtenidos del Cálculo inverso con los softwares Michback y Backvide
arrojan un error RMSE mayor que al 5% entre las deflexiones medidas y calculadas.
Por lo cual se consideró tomar las deflexiones calculadas por los programas con la
finalidad de obtener mejores resultados.
Gráfico IV-15. Valores del RMSE entre deflexiones calculadas por Backvide y
deflexiones en campo.
135
entrenamiento, 25% para la validación y 25% restante para el test. La
selección de estos datos se hace mediante subconjuntos de clase de
equivalencia módulo 4, con el que trabaja el programa MatLab.
Capa Oculta
Módulos
Capa de Entrada Calculados ERNA
136
Tabla IV-12. Características de la Red Neuronal diseñada
ELEMENTO TIPO/CANTIDAD
Arquitectura Propagación Inversa
Regla de aprendizaje. Levenberg – Marquardt
Función de Error. Error cuadrático medio (mse)
Función de Transferencia Sigmoide, Sigmoide, Sigmoide y Lineal
Nᵒ de capas ocultas. 3
Número de nodos ocultos 25, 25, 5
137
El análisis de sensibilidad mostro que no es necesario realizar análisis
separado por sectores, ni eliminar registros en zonas con daños estructurales
para mejorar el desempeño de la red neuronal.
138
Gráfico IV-16. Relación de los módulos elásticos para cada capa obtenidos por la Red Neuronal y por Teoría elástica.
139
4.4.3. Verificación de la calidad de las predicciones – ajuste de las
deflexiones medidas y calculadas.
140
Gráfico IV-17 . Tendencia de los valores de deflexiones obtenidos por la
red neuronal y las medidas.
141
Mediante la opción seleccionada, se logró la convergencia a 0.2% de error
cuadrático medio después de 16 iteraciones en un minuto, tal como se muestra en
la Figura IV-4, lo cual indica no sólo la precisión sino también la eficiencia de
cómputo del modelo neuronal.
142
Tabla IV-13. Rango de valores de módulos de elasticidad. (MPa)
26478,11 243,47 75,29 149,88 3,84 4865,86 65,75 51,89 43,98 0,41 34553,59 361,76 188,58 235,98 4,60 16683,38 129,64 24,95 99,14 3,36
1 RNA
26737,75 577,04 133,66 210,42 5,00 1525,20 312,98 137,96 51,52 0,96 29802,50 1119,68 555,63 321,38 6,52 24521,06 175,70 22,69 123,58 3,29
2 RNA
Sectores
25399,31 597,19 172,48 226,82 5,07 6451,91 319,78 148,34 95,99 0,96 38874,19 1404,67 860,21 722,00 6,83 5085,38 116,03 14,57 102,93 2,86
3 RNA
16717,02 307,03 157,40 187,64 4,21 6971,95 187,02 128,72 72,94 1,04 26533,03 655,10 402,94 325,69 5,94 7655,66 98,82 43,86 90,16 2,83
4 RNA
24426,62 539,76 177,60 294,85 5,23 5662,85 221,49 165,30 94,50 0,81 34482,42 1061,66 705,06 535,33 7,05 10723,50 176,14 18,15 121,25 3,78
5 RNA
Se observa los valores obtenidos para los 5 sectores, donde el sector 4 tiene mayores valores de desviación estándar.
Y donde el número estructural efectivo en este sector es bajo, menor que el número estructural teórico.
143
4.4.4. Comparación de resultados obtenidos mediante Michback y
Backvide
144
Red Neuronal 1 (MICHBACK) Red Neuronal 2 (BACKVIDE)
CARPETA ASFALTICA CARPETA ASFALTICA
46000,00 15000,00
43000,00 14000,00
Módulo Elástico (MPa)
1200,00
Módulo Elástico (MPa)
800,00
600,00
600,00
400,00
400,00
VALORES TÍPICOS 200,00 VALORES TÍPICOS
200,00 0,00
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
-200,00
0,00
-400,00
1003,00 1005,00 1007,00 1009,00 1011,00 1013,00 1015,00 1017,00 1019,00 1021,00 1023,00 1025,00 1027,00
Progresivas (km)
Progresivas (km)
800,00 700,00
Módulo Elástico (MPa)
145
SUBRASANTE SUBRASANTE
1200,00 400,00
1100,00
Módulo Elástico (MPa)
El programa MichBack trabaja con un set de módulos elásticos mayores al estándar, pero son los que más se aproximan
a la realidad. Por otro lado el programa Backvide trabaja con un set de módulos elásticos con rangos dentro del promedio.
Finalmente en ambos programas el RMSE fue mucho mayor que el 2% permitido, por lo cual se trabajó con datos semi
sintéticos los cuales garantizaban la calidad de la información para el diseño del modelo neuronal.
146
4.5. Discusión de resultados
147
Gráfico IV-19 Relación de los módulos de capa de Carpeta asfáltica y
Base Granular con el Indicador Estructural BLI.
148
Gráfico IV-20. Relación de los módulos de Subbase Granular con
el Indicador Estructural MLI.
149
Gráfico IV-21. Relación de los módulos de Subrasante con el
Indicador Estructural LLI.
150
El análisis anterior permite concluir que los módulos 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
indicadores estructurales a partir de cuenco de deflexiones, como se indica en el
antecedente presentado en esta investigación (Beltrán, 2012). A continuación se
presenta la incidencia de cada indicador estructural sobre las capas de la estructura
de pavimento flexible.
E1 vs E2 vs BLI E1 vs Dmax
0,70 0,70
0,60 0,60
0,50 0,50
0,40 0,40
0,30
0,30
0,20
0,20
0,10
0,10
0,00
1 2 3 4 5 0,00
E1 0,26 0,27 0,25 0,17 0,24 1 2 3 4 5
E1 0,26 0,27 0,25 0,17 0,24
E2 0,24 0,58 0,60 0,31 0,54
Dmax 0,60 0,39 0,38 0,55 0,31
BLI 0,22 0,14 0,14 0,22 0,11
E3 vs MLI E4 vs LLI
0,20 0,09
0,18 0,08
0,16 0,07
0,14 0,06
0,12 0,05
0,10 0,04
0,08
0,03
0,06
0,02
0,04
0,01
0,02
0,00
0,00 1 2 3 4 5
1 2 3 4 5
E4 0,01 0,02 0,02 0,02 0,03
E3 0,08 0,13 0,17 0,16 0,18
LLI 0,08 0,05 0,05 0,06 0,04
MLI 0,18 0,11 0,10 0,17 0,10
En la Tabla IV-14 se presenta los módulos elásticos de cada capa con el indicador
estructural que representa la condición de rigidez en esa capa para los 5 sectores
homogéneos.
151
4.5.2. Resultados obtenidos en la subrasante mediante Redes
neuronales y los resultados obtenidos en el proyecto
Conservación Vial Sullana.
800
Módulo Elástico (MPa)
700
600
500
400
300
200
100
0 VALOR
1003.001005.001007.001009.001011.001013.001015.001017.001019.001021.001023.001025.001027.00
Progresivas (km)
E E E
Longitud
Del Km Al Km Sentido subrasante Dvstd CV subrasante subrasante Método
(km)
Promedio Máxima Mínima
152
Módulo Elástico de la subrasante RNA vs CVS
Módulo de Elasticidad (MPa) 350.00
300.00
250.00
200.00
150.00
100.00
50.00
0.00
1 2 3 4 5
RNA 149.88 210.42 226.82 187.64 294.85
CVS 121.24 165.04 173.36 157.87 231.23
MICHBACK 155.27 205.98 218.61 194.08 289.38
Como se muestra en el Gráfico IV-23 los resultados obtenidos con la red neuronal
son muy cercanos a lo presentado en el antecedente correspondiente al informe
(APSA - CONCAR, 2010) citado en esta investigación y también a los resultados
obtenidos con el software MICHBACK lo que demuestra que la red neuronal tiene
gran confiabilidad y precisión.
153
4.5.3. Resultados obtenidos con el programa MichBack y los
resultados obtenidos con las redes neuronales
30000.00
CARPETA ASFALTICA
25000.00
15000.00
10000.00
5000.00
0.00
1 2 3 4 5
MICHBACK 25414.86 27430.16 24504.92 17481.10 23763.44
RNA 26478.11 26737.75 25399.31 16717.02 24426.62
Longitud E1 E1 E1
Del Km Al Km Sentido Dvstd CV Método
(km) Promedio Máxima Mínima
154
700.00 BASE GRANULAR
500.00
400.00
300.00
200.00
100.00
0.00
1 2 3 4 5
MICHBACK 217.48 567.14 602.62 294.51 538.24
RNA 243.47 577.04 597.19 307.03 539.76
E2 E2 E2
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
155
200.00 SUBBASE GRANULAR
180.00
E3 E3 E3
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
156
350.00
SUBRASANTE
250.00
200.00
150.00
100.00
50.00
0.00
1 2 3 4 5
MICHBACK 155.27 205.98 218.61 194.08 289.38
RNA 149.88 210.42 226.82 187.64 294.85
E4 E4 E4
Longitud
Del Km Al Km Sentido Promedio Dvstd CV Máxima Mínima Método
(km)
(Mpa) (Mpa) (Mpa)
Con lo mostrado para las 4 capas, los valores obtenidos están dentro de lo que
recomiendan los antecedentes (Goktepe, A. & Altum, S., 2006) y (Flores, 2012)
157
4.5.4. Resultados del Número estructural efectivo obtenido por el
proyecto Conservación Vial Sullana y las redes
neuronales.
Los valores obtenidos por la red neural son relativamente más bajos que los
que se encuentra en el proyecto CVS, pero siguen la misma tendencia en
los diferentes puntos como se observa en el Gráfico IV-28 Número
estructural efectivo según el proyecto CVS y RNA.. En el Gráfico IV-29
Número estructural promedios por sectores del tramo I muestra que el sector
1 presenta los valores más bajos (4) en los tres métodos.
8.50
7.50
6.50
5.50
4.50
SNeff
3.50
2.50
1007.80
1026.80
1003.80
1004.80
1005.80
1006.80
1008.80
1009.80
1010.80
1011.80
1012.80
1013.80
1014.80
1015.80
1016.80
1017.80
1018.80
1019.80
1020.80
1021.80
1022.80
1023.80
1024.80
1025.80
RNA CVS
7.00
6.00
5.00
SNeff
4.00
3.00
2.00
1.00
0.00
1 2 3 4 5
CVS 4.68 5.68 5.83 4.90 5.79
RNA 3.84 5.00 5.07 4.21 5.23
RHODE 3.79 4.98 5.08 4.19 5.27
158
Tabla IV-20 Cuadro comparativo del número estructural efectivo entre CVS y RNA.
Como se muestra en la Tabla IV-20 los resultados obtenidos del número estructural
efectivo con la red neuronal son muy cercanos a lo presentado en el antecedente
correspondiente al informe (APSA - CONCAR, 2010) citado en esta investigación
lo que demuestra que la red neuronal tiene gran confiabilidad y precisión. Según el
antecedente (Schnoor, H. & Horak, E., 2012) el método de Rhode presenta valores
muy cercanos a los obtenidos por la red neuronal y al proyecto CVS lo que confirma
que es un buen método para determinar el número estructural efectivo a través de
la cuenca de deflexiones.
159
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
1 2 3 4 5
Dmax 0.60 0.39 0.38 0.55 0.31
Area 0.34 0.23 0.22 0.30 0.18
BLI 0.22 0.14 0.14 0.22 0.11
MLI 0.18 0.11 0.10 0.17 0.10
LLI 0.08 0.05 0.05 0.06 0.04
SNeff 0.38 0.50 0.51 0.41 0.51
160
CAPÍTULO V: CONCLUSIONES Y RECOMENDACIONES
5.1. CONCLUSIONES
161
base granular (560 MPa). Para el caso de la subbase granular el indicador
MLI en el sector 1 muestra en puntos en condición grave (0.18) y se
obtuvieron módulos elásticos bajos para esta capa (77 MPa) y en el sector 5
se obtuvo un módulo elástico promedio de 177 MPa y un indicador de MLI de
0.10. Para la subrasante el indicador LLI refleja varios puntos en condición
grave lo cual se evidencia bajos módulos elásticos obtenidos en esta capa.
Los indicadores estructurales y el número estructural efectivo son
inversamente proporcionales pues en sectores como el 1 y 4 donde
presentan altos valores de los indicadores estructurales 0.6 de Dmáx, 340
mm2 área y 0.22, 0.18 y 0.08 de BLI, MLI y LLI respectivamente tiene un
número estructural de 3.8 para el sector 1 y para el sector 5 donde los
indicadores estructurales son los más bajos se tiene un número estructural
de 5.1.
162
intervención, además dentro de las observaciones del registro de deflexiones
se observa que existen grietas en estos puntos.
163
5.2. RECOMENDACIONES
164
elásticos propuesto en esta investigación con la finalidad de obtener un
sistema más robusto y pueda generalizar nuevos caso como por ejemplo con
distintos materiales en la base y variedad de espesores, dicha información
debe ser de calidad para obtener resultados con los altos niveles de precisión
y confianza.
165
REFERENCIAS BIBLIOGRÁFICAS
APSA - CONCAR. (2010). Evaluación estructural con HWD proyecto Conservación Vial Sullana.
LIMA: INFORME APSA 10-080-C-01.
ARA, Inc. & ERES Consultants Division. (2004). Guide for Mechanistic‐Empirical Design of New and
Rehabilitated Pavement Structures. Final Report. National Cooperative Highway Research
Program‐NCHRP, TRB, NRC.
ARA, Inc. & ERES Consultants Division. (2004). Guide for Mechanistic‐Empirical Design of New and
Rehabilitated Pavement Structures. Final Report. National Cooperative Highway Research
Program‐NCHRP, TRB, NRC.
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 metho d for deflections with a falling-weight-type
impulse load device. West Conshohocken, PA.
Badillo, J. & Rodriguez, R. (2005). Mecánica de suelos (Vol. II). México D.F: Limusa SA.
Barrantes, R., Loría, L., Sibaja, D. & Porras, J. . (2008). Desarrollo de herramientas de gestión con
base en la determinación de índices para la Red Vial Nacional. Proyecto # UI‐PI‐04‐08. San
José, Costa Rica: LanammeUCR.
Beltran, G. & Romo, M. (2014). Assessing artificial neural network performance in estimating the
layer properties of pavements. Ingeniería e Investigación, vol.34 no.2.
Bredenhann, S.J. & Van de Ven M.F.C. (2004). Application of artificial neuronal networks in the
bak-calculation of flexivle pavement layer moduli fron deflection measurements.
166
Ceylan, B. & Gopalakrishnan, k . (2014). Neural networks applications in pavement engineering: a
recente survey.
Flórez, L. & Fernández, F. (2008). Las Redes Neuronales Artificiales, Fundamentos teoricos y
aplicaciones prácticas. España: Netbiblo, S.L.
Fwa, T. (2006). The handbook of highway engineering. USA: Taylor & Francis Group, LLC.
Garnica P.& Correa A. (2004). Conceptos mecanicistas en pavimentos. Publicación técnica No. 258.
SCT – IMT, Querétaro, México.
Goel,A & Das, A. (2008). Non-destructive testing of asphalt pavements for structural condition
evaluation: a state of the art. Journal of Non Destructive Testing and Evaluation, 23 (2),
(págs. 121-140).
Goktepe A., Agar E. & Lav H. (2006). Role of Learning Algorithm in Neural Networ‐Based
Backcalculation of Flexible Pavements. Journal of Computing in Civil Engineering,, Vol. 20,
No. 5370‐373.
Gopalakrishnan, K. & Khaitan, K. (2010). Finite element based adaptative neuro‐fuzzy inference
technique for parameter identification of multilayered transportation structures.
Transport, 25: 1, pp. 58 – 65.
Guillén, R. (2009). Metodología y aplicación del retrocálculo del deflectómetro de impacto (FWD)
en pavimentos flexibles, caso práctico: Carretera Abancay - Chalhuanca. Lima.
Harichandran, R.S., Ramon, C.M., & Baladi, G.Y. (2000). MICHIBACK User’s Manual. Department of
Civiland Environmental Engineering, Michigan State University, .
Horak, E. & Emery, S. (2006). Falling Weight Deflectometer bowl parameters as analysis tool for
pavement structural evaluations. 22nd Australian Road Research Board International.
Australia.
167
Kim, D. & Kim, J. & Mun, S. (2010). Normalisation methodos on neural networks for predicting
pavement layer moduli. Transportation Research , (págs. 36-42). Taiwan.
Menéndez, J. (2013). Ingeniería de Pavimentos (Primera ed.). Lima: Fondo Editorial ICG.
Reddy, M., Sudhakar, R. & Pandey, B. (2004). Selection of genetic algorithm parameters for back-
calculation of pavement moduli. International Journal of Pavement Engineering.
Salt, G. & Stevens, D. (1995). Pavement performance predicction, Determinati{on and calibration
of structural capacity (SNP).
Saltan, M. & Teri, S. (2007). Modeling deflection basin using artificial neural networks with cross-
validation technique in backcalculating flexible pavement layer moduli. Elsevier Ltd. .
Sampieri, H. & Fernández , C., & Baptista, P. (2014). Metodología de la Investigación. México D.F.:
McGRAW W-HILL.
Satish, K. (2007). Neural Network - a classroom approach. New Delhi: Tata McGraw-Hill.
Schnoor, H. & Horak, E. (2012). Possible Method Of Determining Structural Number For Flexible
Pavements With The Falling Weight Deflectometer. 31 st. Southem Transport Conference
(SATC 2012), 95-109.
Shama, S. &. (2008). Back - Calculation of pavement layer moduling from falling weight
deflectometer data, using an artificial neural network. Canadian Journal of Civil
Engineering, 57-66.
Sivadandam, S. & Sumathi, S. & Deepa S. (2006). Introduction to neural networks using matlab 6.0.
New Delhi: Tata McGraw-Hill.
Thenoux, G. & Gaete, R. (2012). Evaluación técnica del pavimento y comparación de métodos de
diseño de capas de refuerzo asfáltico. Revista Ingeniería de Construcción.
Xu B., Ranjithan S.R. & Kim Y.R. (2002). Development of relationships between FWD deflections
and asphalt pavement layer condition indicators. 81th Annual Meeting. Washington, DC.
USA: Transportation Research Board.
Yegnanarayana, B. (2006). Arificial neural networks. New Delhi: Prentice - Hall of India.
168
Zárate M. & Lucero M. (2009). Análisis de la respuesta de pavimentos flexibles, utilizando el
deflectómetro HWD. revista técnia Asfáltica, No 19.
169