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 múltiple o de redes neurales artificiales
pavimentos a nivel mundial, se centran en tienen la capacidad de resolver el problema metodologías de análisis y diseño empírico planteado, manteniendo las ventajas de las mecanicista. Estas metodologías utilizan soluciones cerradas y del elemento finito. modelos de deterioro de estructuras de 2. Metodología pavimento basados primordialmente en las respuestas mecánicas de la estructura ante De manera general, el proyecto se puede las propiedades mecánicas de los materiales, dividir en tres fases. La primera implicó la condiciones climáticas esperadas y carga de revisión bibliográfica y la conformación de transito proyectada. El diseño de un una base de datos de estructuras de pavimento por estas metodologías requiere pavimentos rígidos. Esta base de datos el cálculo de múltiples respuestas mecánicas pretendió caracterizar la mayor parte del de la estructura a lo largo de su vida de abanico de posibilidades que tienen los diseño mediante una robusta metodología de diseñadores en sus manos al momento de cálculo. El enfoque tradicional de ecuaciones definir materiales y geometría del pavimento. de solución cerrada, simples de usar, pero En total, y tal como se muestra en el Cuadro desarrolladas bajo supuestos teóricos 1, se definieron ocho parámetros variables rígidos, conocimiento mecánico limitado y para la base de datos, fijando además, tres simplificaciones bruscas de las condiciones valores discretos por parámetro que abarcan reales de los materiales y su comportamiento la mayor parte de la posible variación de las hace poco prácticas para los fines estos. En total se caracterizaron 19 683 establecidos. Por otro lado, el enfoque del estructuras, partiendo de la permutación de uso de algoritmos computacionales de todas las posibles variables y valores así elemento finito, requiere un entrenamiento como las posiciones de carga críticas en el intensivo de los usuarios, software y equipo sistema de losas. computacional especializado de alto coste Estas estructuras fueron analizadas en una económico y finalmente una inversión en segunda etapa mediante técnicas de tiempo de cálculo prohibitiva para las miles elemento finito en el software ISLAB2000 de respuestas mecánicas requeridas en el obteniéndose así, con la mejor precisión análisis de una sola estructura en su ciclo de posible, las respuestas mecánicas críticas vida. asociadas a cada estructura de pavimento. Considerando estos aspectos y para La definición de estas respuestas críticas está garantizar la viabilidad de una propuesta de basada en los deterioros incluidos en la Guía diseño empírico mecanicista, se hace de diseño Empírico-Mecanicista de necesario el desarrollo de modelos simples, Pavimentos (MEPDG) de la American veloces y precisos para la predicción de Association of Highway and Transportation respuestas mecánicas críticas. Modelos Officials (AASHTO), que corresponden al basados en técnicas de regresión lineal Cuadro 1. Variables y rangos usados en la modelación de estructuras de pavimento
Variable Unidad Valores Variable Unidad Valores
12 Coeficiente 100 Espaciamiento de Pies 15 reacción pci 200 juntas 17 subrasante 300 4000 50 Módulo elástico Módulo elástico ksi 5000 ksi 250 losa base 6000 500 6 0 Espesor de losa Pulgadas 13 Diámetro dovelas Pulgadas 1 17 1.5 -18 Eficiencia de 10 Gradiente de °F -4 transferencia de % 50 temperatura 12 carga 80
agrietamiento transversal desde la superficie mecanicistas. Por otro lado, y aprovechando
de la losa hacia la base de esta, el las facilidades computacionales de la época, agrietamiento transversal desde la base de la se exploró la posibilidad de calibrar modelos losa hasta la superficie, la falla de las juntas basados en la metodología de redes neurales transversales y el índice de regularidad artificiales que ha mostrado un desempeño internacional (IRI). Estos modelos necesitan excepcional en la solución de problemas como parámetro de entrada tres diferentes similares, en especial en el retrocálculo de respuestas mecánicas, a saber, esfuerzo módulos (Birkan B., 2006), análisis de longitudinal de tensión del punto medio de la pavimentos rígidos en pistas de aterrizaje losa en su base, el esfuerzo longitudinal de (Ceylan, Tutumluer, & Barenberg, 1999) y tensión del punto medio de la superficie de finalmente como el motor de análisis la losa y las deflexiones diferenciales de dos estructural del MEPDG (ERES Consultants; losas contiguas. Cada una de estas ARA Inc., 2003). respuestas mecánicas implica una posición El proyecto originó cuatro modelos de específica de los ejes del vehículo de diseño predicción para cada una de las respuestas que en este caso corresponde al camión T3- mecánicas anteriormente establecidas, dos S2 con los pesos máximos permitidos en el por metodología de análisis y dos por sistema “Reglamento de circulación por carretera con de unidades. Finalmente, y con el fin de base en el peso y las dimensiones de los facilitar el uso de los modelos, en especial los vehículos de carga” Decreto Ejecutivo 31363- modelos basados en redes neurales MOPT (2003) artificiales, se desarrolló una aplicación La tercera fase del proyecto implicó la informática denominada ApRIGID basado en calibración de múltiples modelos estadísticos el lenguaje de programación JAVA y que que correlacionan las características de cada incorpora distintas capacidades que facilitan estructura con las respuestas mecánicas la incorporación del software en el proceso obtenidas por medio del elemento finito. de diseño bajo metodologías mecanicistas. Como objetivo principal se calibraron modelos de regresión lineal múltiple. De este 3. Resultados modo, se desarrollaron ecuaciones sencillas 3.1. Modelos estadísticos de utilizar y con una adecuada precisión de cálculo para el diseño en metodologías 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.