Modelos estadísticos para la determinación de respuestas mecánicas
críticas en pavimentos rígidos
Ing. Ricardo Quirós Orozco
rjqorozco@outlook.com
1. Introducción
Las nuevas tendencias en el diseño de
pavimentos a nivel mundial, se centran en
metodologías de análisis y diseño empírico
mecanicista. Estas metodologías utilizan
modelos de deterioro de estructuras de
pavimento basados primordialmente en las
respuestas mecánicas de la estructura ante
las propiedades mecánicas de los materiales,
condiciones climáticas esperadas y carga de
transito proyectada. El diseño de un
pavimento por estas metodologías requiere
el cálculo de múltiples respuestas mecánicas
de la estructura a lo largo de su vida de
diseño mediante una robusta metodología de
cálculo. El enfoque tradicional de ecuaciones
de solución cerrada, simples de usar, pero
desarrolladas bajo supuestos teóricos
rígidos, conocimiento mecánico limitado y
simplificaciones bruscas de las condiciones
reales de los materiales y su comportamiento
las hace poco prácticas para los fines
establecidos. Por otro lado, el enfoque del
uso de algoritmos computacionales de
elemento finito, requiere un entrenamiento
intensivo de los usuarios, software y equipo
computacional especializado de alto coste
económico y finalmente una inversión en
tiempo de cálculo prohibitiva para las miles
de respuestas mecánicas requeridas en el
análisis de una sola estructura en su ciclo de
vida.
Considerando estos aspectos y para
garantizar la viabilidad de una propuesta de
diseño empírico mecanicista, se hace
necesario el desarrollo de modelos simples,
veloces y precisos para la predicción de
respuestas mecánicas críticas. Modelos
basados en técnicas de regresión lineal
múltiple o de redes neurales artificiales
tienen la capacidad de resolver el problema
planteado, manteniendo las ventajas de las
soluciones cerradas y del elemento finito.
2. Metodología
De manera general, el proyecto se puede
dividir en tres fases. La primera implicó la
revisión bibliográfica y la conformación de
una base de datos de estructuras de
pavimentos rígidos. Esta base de datos
pretendió caracterizar la mayor parte del
abanico de posibilidades que tienen los
diseñadores en sus manos al momento de
definir materiales y geometría del pavimento.
En total, y tal como se muestra en el Cuadro
1, se definieron ocho parámetros variables
para la base de datos, fijando además, tres
valores discretos por parámetro que abarcan
la mayor parte de la posible variación de
estos. En total se caracterizaron 19 683
estructuras, partiendo de la permutación de
todas las posibles variables y valores así
como las posiciones de carga críticas en el
sistema de losas.
Estas estructuras fueron analizadas en una
segunda etapa mediante técnicas de
elemento finito en el software ISLAB2000
obteniéndose así, con la mejor precisión
posible, las respuestas mecánicas críticas
asociadas a cada estructura de pavimento.
La definición de estas respuestas críticas está
basada en los deterioros incluidos en la Guía
de diseño Empírico-Mecanicista de
Pavimentos (MEPDG) de la American
Association of Highway and Transportation
Officials (AASHTO), que corresponden al
 Cuadro 1. Variables y rangos usados en la modelación de estructuras de pavimento
Variable Unidad Valores
12
Espaciamiento de
Pies 15
juntas
17
4000
Módulo elástico Módulo elástico
ksi 5000
losa
6000
6 0
Espesor de losa Pulgadas 13 Diámetro dovelas
17
-18
Gradiente de
°F -4 transferencia de
temperatura
12
agrietamiento transversal desde la superficie
de la losa hacia la base de esta, el
agrietamiento transversal desde la base de la
losa hasta la superficie, la falla de las juntas
transversales y el índice de regularidad
internacional (IRI). Estos modelos necesitan
como parámetro de entrada tres diferentes
respuestas mecánicas, a saber, esfuerzo
longitudinal de tensión del punto medio de la
losa en su base, el esfuerzo longitudinal de
tensión del punto medio de la superficie de
la losa y las deflexiones diferenciales de dos
losas contiguas. Cada una de estas
respuestas mecánicas implica una posición
específica de los ejes del vehículo de diseño
que en este caso corresponde al camión T3-
S2 con los pesos máximos permitidos en el
“Reglamento de circulación por carretera con
base en el peso y las dimensiones de los
vehículos de carga” Decreto Ejecutivo 31363-
MOPT (2003)
La tercera fase del proyecto implicó la
calibración de múltiples modelos estadísticos
que correlacionan las características de cada
estructura con las respuestas mecánicas
obtenidas por medio del elemento finito.
Como objetivo principal se calibraron
modelos de regresión lineal múltiple. De este
modo, se desarrollaron ecuaciones sencillas
de utilizar y con una adecuada precisión de
cálculo para el diseño en metodologías
Variable Unidad Valores
Coeficiente 100
reacción pci 200
subrasante 300
50
ksi 250
base
500
Pulgadas 1
1.5
Eficiencia de 10
% 50
carga 80
mecanicistas. Por otro lado, y aprovechando
las facilidades computacionales de la época,
se exploró la posibilidad de calibrar modelos
basados en la metodología de redes neurales
artificiales que ha mostrado un desempeño
excepcional en la solución de problemas
similares, en especial en el retrocálculo de
módulos (Birkan B., 2006), análisis de
pavimentos rígidos en pistas de aterrizaje
(Ceylan, Tutumluer, & Barenberg, 1999) y
finalmente como el motor de análisis
estructural del MEPDG (ERES Consultants;
ARA Inc., 2003).
El proyecto originó cuatro modelos de
predicción para cada una de las respuestas
mecánicas anteriormente establecidas, dos
por metodología de análisis y dos por sistema
de unidades. Finalmente, y con el fin de
facilitar el uso de los modelos, en especial los
modelos basados en redes neurales
artificiales, se desarrolló una aplicación
informática denominada ApRIGID basado en
el lenguaje de programación JAVA y que
incorpora distintas capacidades que facilitan
la incorporación del software en el proceso
de diseño bajo metodologías mecanicistas.
3. Resultados
3.1. Modelos estadísticos
En cuanto a los modelos de regresión lineal
múltiple, se siguió una técnica de regresión
por pasos para definir los mejores 1.4528 ∗ ℎ 0.1230 ∗ 𝐿𝑇𝐸 2.967 ∗ 𝑙
− − +
predictores y, posteriormente, se 1000 1000 1000
determinaron subconjuntos de variables para 1 270.62 ∗ 𝑘 8038.78
definir las mejores regresiones con un + ( − )
𝑘∗𝑙 1000 𝑙2
número manejable de parámetros. En este
caso, se encontró que ocho predictores 1215.96
+
definen una regresión que explica de buena √𝐸 ∗ ℎ3 ∗ 𝑘
forma la variabilidad de los datos y
Con r2=0.974
mantienen la facilidad de uso característica
de un modelo de regresión múltiple. Para estructuras con dovelas se calibró el
siguiente modelo:
El primer modelo, relacionado con los
esfuerzos a tensión en la superficie de losa 4.507 ∗ 𝐿 1.487 ∗ 𝑘
𝛿1−2 = 5.584𝑥10−3 − −
se presenta a continuación: 106 106
𝜎𝑦,𝑠 = −40.77 + 4.551 ∗ 𝐿 − 5.128 ∗ ∆𝑡 2.494 ∗ ∅ 18.944 ∗ 𝐿𝑇𝐸 36.059 ∗ 𝑙
− − +
1000 106 106
1.072 ∗ 𝐸 ∗ 𝐿 ∗ ∆𝑡
−0.435 ∗ 𝐿𝑇𝐸 − 3.982 ∗ 1 7.763 ∗ ∅ ∗ 𝐿𝑇𝐸
1000 ∗ 𝑙
+ +
𝑙 ∗ 1000 106
1
+ (−414.61 ∗ 𝐿 + 943.414 ∗ 𝑙) 34.139 ∗ 𝑙 4
ℎ2 +
𝐸ℎ3 ∗ 1000
26.41 ∗ 𝐸 ∗ 𝑙 ∗ ∆𝑡 5.109 ∗ 𝑙 ∗ ∆𝑡
− + Con r2=0.969
1000 ∗ 𝐿 ∗ ℎ2 𝐿
Para todos los casos anteriores:
Este modelo presentó un coeficiente de
correlación cuadrada de 0.987. ∆𝑡=Diferencial térmico entre la superficie y
El segundo modelo permite el cálculo de base de la losa (F),
esfuerzos críticos a tensión en la base de la E=Módulo elástico del concreto (ksi),
losa.
L=Espaciamiento entre juntas (pies),
𝜎𝑦,𝑏 = 29.942 + 4.046 ∗ ∆𝑡 − −0.338 ∗ 𝐿𝑇𝐸
LTE=Eficiencia de transferencia de carga en
0.911 ∗ 𝐿𝐸∆𝑡 3.779 ∗ 𝑙∆𝑡 juntas longitudinales (%),
+ −
1000 ∗ 𝑙 𝐿
E=Módulo elástico del concreto (ksi),
1 21.094 ∗ ∆𝑡 ∗ 𝐸
( − 4.478 ∗ 𝐸𝑏 ) h=Espesor de losa (in),
ℎ2 1000
1 k=Modulo de reacción de la subrasante
(−63.766 ∗ 𝐿 + 1053.909 ∗ 𝑙)
ℎ2 (psi/in),
Con r2=0.987 ∅=Diámetro de la dovela (in) y,
Los modelos relacionados a deflexiones 0.25
𝐸 ∗ ℎ3
fueron divididos según el mecanismo de 𝑙=( )
𝑘
transferencia de carga existente en el
pavimento, el primero, para estructuras sin Durante el proceso de validación estadística
dovelas se muestra a continuación: de los coeficientes, tendencias de residuos y
0.1599 ∗ 𝐿 1.4885 ∗ 𝐸 cumplimiento de hipótesis de regresión, se
𝛿1−2 = −0.0223 − − observó que los modelos de esfuerzos
1000 106
(Modelo 1 y 2) presentaban inconvenientes
con la determinación de respuestas errores básicamente a la mitad tal y como se
mecánicas menores a los 30 psi y valores en observa en el Cuadro 3.
compresión. Debido a que estos valores son
3.2. ApRIGID 1.0
insignificantes en un análisis de desempeño
a fatiga se tomó la decisión de excluirlos del Finalmente, para facilitar el uso de los
análisis de errores mostrado en el Cuadro 2. modelos calibrados en el proyecto, se
Se observa el buen comportamiento que desarrolló una aplicación informática
tienen los modelos en la predicción de denomianda ApRIGID que en su versión 1.0
respuestas mecánicas críticas permite el cálculo de respuestas mecánicas
Cuadro 2. Errores promedio de los críticas utilizando las metodologías de
modelos de regresión lineal múltiple regresión lineal múltiple y de redes neurales
RLM artificiales tanto en el Sistema Internacional
MODELO de Unidades como en el Sistema Ingles,
TODOS Mayores a 30 Psi
facilitando su uso en procesos de diseño de
Modelo 1 127.82% 7.00%
estructuras de pavimentos rígidos. El
Modelo 2 89.91% 8.72%
software permite el análisis de estructuras
Modelo 3a 6.76%
individuales, la incorporación de listas de
Modelo 3b 3.12%
trabajo y la exportación de resultados en
Cuadro 3. Errores promedio de los formatos compatibles con MS Office.
modelos de red neural artificial 4. Conclusiones
ANN Los cuatro modelos de regresión lineal
MODELO
TODOS Mayores a 30 Psi múltiple calibrados presentaron indicadores
Modelo 1 53.56% 3.99% estadísticos satisfactorios, lográndose
Modelo 2 52.42% 5.24% explicar, en el peor de los casos, el 97,4% de
Modelo 3a 8.30% la variabilidad de los datos, minimizando
Modelo 3b 2.56% errores promedio hasta el 3.12% y
garantizando la inclusión de variables
De manera paralela al desarrollo de los estadísticamente justificadas en su análisis.
modelos de regresión lineal múltiple se Como solución alternativa, la calibración de
calibró mediante el algoritmo de propagación modelos de red neural artificial mostro
hacia atrás del error una serie de redes resultados satisfactorios. Al comprarse con
neurales artificiales como solución las regresiones lineales calibradas, se
alternativa al mismo problema. La calibración observó una reducción sustancial de los
se realizó en el software errores promedios asociados.
Multiplebackpropagation, iniciativa de código
Las limitaciones que muestran los modelos
abierto distribuido bajo la licencia GPLv3. Se
no afectan de alguna manera el desempeño
definió un número máximo de un millón de
de los mimos en procesos de diseño empírico
iteraciones para la calibración con los datos
mecanicistas por lo que son aptos para ser
de entrenamiento con una topología de ocho
incluidos en una eventual guía mecanicista
capas de entrada, 15 capas ocultas y una
de diseño de pavimentos rígidos local (CR-
capa de salida. Los modelos calibrados
ME). El software APRIGID tiene, por lo tanto,
mostraron un comportamiento excepcional,
las cualidades necesarias para ser
en comparación con los modelos de
incorporado al CR-ME como el motor de
regresión lineal múltiple, reduciendo los
análisis estructural.
Trabajos citados
Birkan B., M. (2006). Backcalculation of Layer
Moduli for Jointed Plain Concrete
Pavement . Ames, Iowa : Midwest
Transportation Consortium.

Ceylan, H., Tutumluer, E., & Barenberg, E.

(1999). Modeling of Concrete Airfield
Pavements Using Artificial Neural
Networks. Urbana Champaign:
University of Illinois at Urbana
Champaign.

ERES Consultants; ARA Inc. (2003). NCHRP

Project 1-37A Appendix QQ:Structural
Response Models for Rigid Pavements.
Champaign, Illinois: National
Cooperative Highway Research
Program.

Heinrichs, K. W., Liu, M. J., Darter, M. I.,

Carpenter, S. H., & Ioannides, A. M.
(1988). Rigid Pavements Analysis and
Design. Urbana-Champaign: University
of Illinois at Urbana-Champaign .

Ministerio de Obras Públicas y Transportes. (23

de Setiembre de 2003). Reglamento de
circulación por carretera con base en el
peso y las dimensiones de los vehiculos
de carga: Decreto Ejecutivo No. 31363-
MOPT. Diario Oficial La Gaceta, pág. 5.