Análisis probabilístico de la estabilidad de una presa de tierra mediante el método de elementos finitos estocástico basado en
datos de campo.
⁎
A. Mouyeauxa,b, C. Carvajala, , P. Bressoletteb,c, L. Peyrasa, P. Breulb,c, C. Bacconnetb,c
a
Irstea, UR RECOVER, 3275 Route de Cézanne, CS 40061, 13182 Aix-en-Provence Cedex 5, France
b
Université Clermont-Auvergne, Institut Pascal, BP 10448, F-63000 Clermont-Ferrand, France
c
CNRS, UMR 6602, Institut Pascal, F-63171 Aubière, France
PALABRAS CLAVES
Presa de Tierra
Método de elementos finitos
Método de reducción de fuerzas
Variabilidad Espacial
Estabilidad de pendiente
Confiabilidad
ABSTRACTO:
En este trabajo se realiza un análisis de estabilidad probabilística para una presa de tierra
usando el método de elementos finitos estocástico (SFEM) y teniendo en cuenta la
variabilidad espacial de las propiedades del suelo basadas sobre los datos de campo. Trabajos
previos sobre el análisis de estabilidad de la pendiente probabilístico se basan generalmente
en datos hipotéticos durante el uso de datos de estructuras de tierra existente no está muy
extendida.
Un procedimiento probabilístico basado en datos de campo se lleva a cabo aquí para analizar
la estabilidad de un dique de contención existente. La variabilidad espacial de varias
propiedades del suelo se modela a partir del análisis geoestadísticos del conjunto de datos
disponible de la presa estudiada. Variables aleatorias y al azar de los datos campos que
representan la variabilidad de los materiales de la presa están integrados en un modelo de FE
mediante la realización de simulaciones de Monte Carlo (MCS). Este análisis probabilístico
basado en fi los datos de campo permite caracterizar la variabilidad del factor de seguridad al
deslizamiento para el estudio de caso de una presa existente.
1. INTRODUCCIÓN
Combinado con la técnica SRM, FEM se utiliza como una alternativa a LEM porque presenta
varias ventajas que se describen en detalle en [24,25]: (i) no se necesitan suposiciones con
respecto a la superficie de falla, (ii) no hay suposiciones en la interacción se necesitan fuerzas
laterales de corte, ya que no existe el concepto de rodajas, y (iii) el comportamiento del suelo
se puede modelar en términos de tensiones / tensiones. Además, varios estudios han demostrado
que LEM y SRM da similar FoS [24,25], excepto en algunos casos específicos señalados por
Cheng et al. [25].
En cuanto a las presas de relleno de tierra, hay disponibles grandes cantidades de datos
geotécnicos en forma de estudios de diseño, controles de construcción y medidas de monitoreo
[29,30]. Estos datos todavía no están bien explotados en estudios relacionados con la fiabilidad
de las presas de tierra (o de las presas de hormigón [33]), aunque algunos autores han subrayado
los beneficios de llevar a cabo un análisis geoestadístico sobre ellos [31,32].Sin embargo, la
evaluación probabilística de las propiedades geotécnicas.
En general, depende del tipo de suelos y las consideraciones que se encuentran en la literatura,
como en el trabajo de Phoon y Kulhawy [5, 6].
Por lo tanto, todos los estudios mencionados anteriormente se refieren a uno o varios aspectos
de la fiabilidad de la presa de tierra. La falta de estudios globales que involucren todos los
aspectos involucrados, y más particularmente el uso de datos reales a través de enfoques
geoestadísticos, es lamentable.
Este artículo está organizado de la siguiente manera: la Sección 2 presenta las diferentes
nociones teóricas ya disponibles en la literatura y que son utilizado en el procedimiento
probabilístico. El caso de estudio y el conjunto de datos disponibles también se describen en
esta sección. La Sección 3 presenta el principio general del procedimiento probabilístico
implementado en la presa de tierra estudiada. Esta sección también describe el desarrollo del
modelo determinista FE y la modelización probabilística basada en el campo datos del estudio
de caso. Finalmente, se discuten los resultados obtenidos y las principales conclusiones se
resumen en la última sección.
2. EL MÉTODO DEL ELEMENTO FINITO ESTOCÁSTICO PARA EL ANÁLISIS
DE ESTABILIDAD DE DESLIZAMIENTO
cálculos:
(1)
El FoS se considera como el factor de reducción F en caso de falla. Esto lleva a la misma
definición de FoS que en LEM [21,24,26]. La mayoría de los estudios que utilizan SRM
consideran la falla de Mohr-Coulomb (MC) criterio en los análisis [13,24,26,34], sobre todo
debido a su relativa sencillez. Este criterio de falla presenta la ventaja de ser directamente
dependiente de los parámetros de resistencia al corte c' y tanφ' sin embargo, este criterio puede
conducir a dificultades computacionales causadas por las irregularidades de su superficie de
rendimiento piramidal hexagonal. Algunos autores cómo han propuesto soluciones para superar
esta dificultad mediante el uso de un criterio de falla de MC aproximado [35]. En el caso del
estudio presentado en este artículo, el criterio de Drucker-Prager (DP) se elige como una
aproximación del criterio MC. El criterio DP está muy cerca del criterio MC, excepto que tiene
la ventaja de que la superficie de rendimiento cónico del criterio DP permite una mejor
convergencia de los cálculos en el modelo FE. Además, los parámetros del criterio DP se pueden
vincular a los parámetros de resistencia al corte, c' y tanφ' y al ángulo de dilatancia ψ ', a través
de relaciones simples descritas en la literatura [36]. Para SRM, la no convergencia del modelo
FE generalmente se toma como un indicador de ocurrencia de falla, aunque existen otras
definiciones posible [24]. Esta definición de falla (numérica) tiene la ventaja de la simplicidad
de implementación pero la desventaja de no tener una base física.
Los análisis de estabilidad de taludes que involucran filtraciones saturadas / insaturadas podrían
realizarse a través de dos enfoques [26]. Por un lado, los cálculos de filtración y tensión /
deformación se pueden realizar de forma independiente. Los resultados del modelado de FE
hidráulica, es decir, presiones de agua intersticial, succiones matriciales y nivel de saturación
se utilizan como entradas en el modelo FE mecánico. Los cálculos elastoplásticos se realizan
en términos de tensiones efectivas. Por otro lado, el acoplamiento entre los cálculos hidráulicos
y mecánicos puede ser más fuerte.
Por un lado, los cálculos de filtración y tensión / deformación se pueden realizar de forma
independiente. Los resultados del modelado de FE hidráulica, es decir, presiones de agua
intersticial, succiones matriciales y nivel de saturación se utilizan como entradas en el modelo
FE mecánico. Los cálculos elastoplásticos se realizan en términos de tensiones efectivas. Por
otro lado, el acoplamiento entre los cálculos hidráulicos y mecánicos puede ser más fuerte.
En este caso, el procedimiento iterativo implica cálculos de filtración y deformación que se
realizan en cada paso. Este enfoque exige un esfuerzo computacional masivo y se usa en casos
específicos que requieren considerar los efectos de la consolidación. Por lo tanto, el primer
enfoque se prefiere con mayor frecuencia debido a su relativa simplicidad y efectividad [26].
Los suelos utilizados para construir presas de terraplén son materiales naturales cuyas
propiedades son, por naturaleza, muy variables [11]. La variabilidad espacial representa la parte
principal de la variabilidad del suelo debido a la combinación de procesos geológicos,
ambientales, físicos y químicos [5]. Los suelos son heterogéneos en estado natural, pero esta
heterogeneidad también está presente en construcciones humanas como las represas de tierra.
Aunque los materiales de los terraplenes se reordenan de antemano y se someten a un control
continuo durante la construcción, el método de construcción basado en capas no elimina esta
variabilidad espacial.
Para acomodar las variaciones espaciales de las propiedades del suelo, la teoría del campo
aleatorio ha sido ampliamente utilizada recientemente en la literatura relacionados con
cuestiones geotécnicas, y más particularmente con la estabilidad de taludes [2,3,11-
16,26,37,38,46]. Un desarrollo de esta teoría se puede encontrar en [17]. Los campos aleatorios
pueden representar la variabilidad espacial pero, si se los considera como gaussianos, requieren
la definición de al menos los momentos estadísticos, es decir, la media y la desviación estándar,
y la autocorrelación función (ACF). Estas características generalmente se estiman a partir de
consideraciones hipotéticas o estadísticas. Sin embargo, la geoestadística permite analizar y
modelar un fenómeno espacial al interpretar el comportamiento de una muestra existente [32].
El primer paso de una geoestadística el análisis es para describir la variabilidad por una función
de la estructura γ (h), llamado variograma, que representa la semi-varianza entre el desviación
de los valores tomados por un punto en la posición xi y un segundo separado del primero por la
distancia h. En la práctica, se da preferencia a un estimador del variograma teórico, a menudo
llamado variograma experimental γ * (h), dado por Eq. (2):
(2)
Dónde: N (h) es el número de pares de la variable Z (x) separados por distancia h.
(3)
El parámetro C es el valor umbral al que el variograma nivela o ff. Este valor representa el orden
de magnitud de la variabilidad a lo largo del considerado eje y es homogéneo al valor de
varianza de la datos generales El parámetro a representa el rango del variograma
coherencia con la mayoría de los estudios sobre el tema. Se podrían realizar más desarrollos
para extender el enfoque propuesto a más campos aleatorios complejos (es decir, aleatorios no
gaussianos o no estacionarios campos) pero están más allá del alcance de este artículo.
(4)
La función de rendimiento g (X) se evalúa en nuestro caso a través del modelo FE numérico. Una
gran ventaja del enfoque de confiabilidad es que permite evaluar la variabilidad de las variables
de salida de la función de rendimiento g (X), que luego arroja otros resultados como la
probabilidad de falla Pf y el índice de confiabilidad β. Por lo tanto, este artículo se centrará en la
variabilidad de los FoS (obtenidos por el FEM) evaluando la media y la desviación estándar. La
probabilidad de falla está vinculada a la función de rendimiento y se define como:
(5)
(6)
En el enfoque adoptado, los MCS se usan primero para evaluar la variabilidad de FoS y luego
como una alternativa para evaluar la integral de Eq. (5) [11]. De hecho, este método permite
calcular la distribución de la función de rendimiento al generar los valores de los diferentes
valores aleatorios. variables de entrada de acuerdo con sus distribuciones de probabilidad
específicas. Este enfoque requiere repetir el procedimiento muchas veces para obtener una
respuesta robusta del modelo FE. El esfuerzo computacional necesario se establece por la
simplicidad relativa de la MCS.
La presa de tierra analizada es una presa pseudozoned ubicada en Francia. Es una estructura de
23 m de altura y 170 m de longitud que cierra un valle cubierto de depósitos aluviales. El cuerpo
de la presa incluye tres zonas: un núcleo (COR) compuesto de sedimentos arenosos y dos
hombros (UPS: hombro arriba y DOS: hombro abajo) hechos de arenas gruesas. Ambos
materiales son relativamente similares (presa pseudozonada) y se derivan de la alteración de los
esquistos que componen la roca madre. El hombro aguas abajo está compuesto de un material
un poco más grueso que el del hombro aguas arriba. La base también está compuesta de
esquistos más o menos alterados cuyas capas super fi ciales se han purgado. La sección
transversal principal de la estructura se muestra en la Fig. 1.
Se dispone de datos diferentes sobre la presa de tierra estudiada. Estos datos se dividen en dos
categorías según su origen a lo largo de la presa ciclo de vida: estudios preliminares o
construcción (tablero de pruebas o controles de compactación). La Tabla 1 presenta una
descripción general de los datos disponibles para el estudio de caso.
En cuanto a los datos derivados de los estudios preliminares, se tomaron unas treinta muestras
de pozos de préstamos para ambos materiales que componen la estructura. Estas muestras
fueron sometidas a distribución de tamaño de grano
En algunos de ellos se realizaron análisis y otras pruebas de laboratorio que incluyeron pruebas
de identificación (mediciones del límite de Atterberg) y pruebas mecánicas (pruebas triaxiales,
pruebas de compactación y pruebas de edómetro). Sin embargo, la Tabla 1 muestra que solo
algunas de estas pruebas mecánicas estaban disponibles. Los resultados de la prueba triaxial se
presentan en la Tabla 2. Muestran que los dos materiales (es decir, sedimentos arenosos del
núcleo y arenas gruesas de los hombros) tienen comportamientos similares a largo plazo con
valores similares tanto para el ángulo de fricción efectivo φ 'como para el efecto cohesión c '.
No obstante, los dos materiales difieren en cuanto a las características de resistencia al cortante
no drenados con menos fricción y mejor cohesión no drenada para los materiales finos que
constituyen el núcleo
Posteriormente, se delimitó una sección de prueba para evaluar la compactación de los
materiales a través de análisis de distribución de tamaño de grano y pruebas de rodamiento de
placas. Luego, se realizaron controles de compactación durante la construcción de la presa.
Estos controles consistieron esencialmente en mediciones de contenido de agua y densidad seca
determinadas in situ con un densímetro gamma. En total, se realizaron más de mil mediciones
en las tres zonas (UPS: 376, COR: 419, DOS: 333, respectivamente), la mayoría de las cuales
se han geolocalizado (Fig. 2). Las medidas de control se compararon con los resultados de las
pruebas de Proctor realizadas periódicamente durante la construcción en muestras tomadas
directamente de las tres zonas de la presa de tierra en construcción. Aproximadamente veinte
análisis de distribución de tamaño de grano realizados en las mismas muestras completaron el
conjunto de datos.
Esta sección presenta una descripción general del procedimiento implementado en el estudio
de caso para evaluar la distribución estadística de los FoS en base a los datos disponibles
medidos en los materiales de la presa. El procedimiento adoptado sigue los pasos descritos a
continuación. (1) recopilar los datos disponibles sobre la presa en estudio; (2) elija un criterio
de elasto-plástico para modelar el comportamiento mecánico de los materiales de la presa. En
este caso, el criterio DP se elige como una aproximación del criterio MC, bajo una
formulación que permite modelar la dilatancia y el endurecimiento; (3) determine a partir de
los datos disponibles los valores determinísticos de las propiedades del material que participan
en el modelo de evaluación de seguridad (análisis de filtración y criterio elastoplástico). Esta
determinación se logra mediante el uso de modelos de transformación entre la medición
directa de las pruebas geotécnicas y los parámetros de diseño. Las revisiones de tales modelos
fueron propuestas por Kulhawy y Mayne
Tabla numero 2
Ensayos triaxiales disponibles en la presa estudiados.
Fig. 3. Regresión en los círculos de Mohr de las pruebas triaxiales CU disponibles.
[42] y Monnet [43]. Estas dos revisiones incluyen relaciones teóricas o empíricas que vinculan
mediciones in situ o de laboratorio con parámetros geotécnicos implicados en el
comportamiento mecánico del suelo. En este estudio de caso, el ángulo de fricción φ está
relacionado con la relación de vacío e (y tan indirectamente con la densidad seca) por la relación
de Caquot descrita por la ecuación (Eq. (7), donde k representa una constante:
(7)
(6) brinde una descripción probabilística de los parámetros de interés enfatizados en el paso (5).
En esta etapa, los parámetros se pueden representar como variables aleatorias gracias a un
análisis estadístico de los datos disponibles y los modelos de transformación utilizados en el
paso (3); (7) realice un análisis geoestadístico de las mediciones de los controles de
compactación (densidad seca). Como hay datos suficientes y localizados, este análisis dará
variogramas experimentales horizontales y verticales. Estos variogramas brindan información
sobre la variabilidad espacial de la densidad seca que luego se puede modelar como un campo
aleatorio; (8) use análisis estadísticos y geoestadísticos previos para obtener un análisis espacial
representación de todos los parámetros in fl uyentes. El objetivo aquí es modelar la variabilidad
espacial de cada parámetro importante con campos aleatorios usando modelos de
transformación y el campo aleatorio de densidad seca del paso (7); (9) realice un análisis
probabilístico en la ejecución de MCS a partir del modelo determinista de FEM desarrollado en
el paso (4). Numerosas ejecuciones son necesarias para caracterizar la variabilidad de FoS. El
número de ejecuciones que se realizarán debe ser suficiente para obtener la convergencia de los
momentos estadísticos (es decir, la media y la desviación estándar) de la FoS.
La presa del estudio de caso se modeló con el código Cast3M FE. Este código no fue
desarrollado inicialmente para tratar problemas geotécnicos. Sin embargo, el código Cast3M es
un código de código abierto que permite la integración de procedimientos desarrollados por el
usuario, que es altamente beneficioso para la probabilidad análisis. Las siguientes subsecciones
presentan los procedimientos desarrollados en este estudio. En aras de la simplicidad, solo se
considera la situación correspondiente al nivel operativo normal con un nivel de depósito
constante el seguimiento. Otros trabajos de investigación proponen modelar el nivel del
yacimiento mediante una variable aleatoria basada en consideraciones hidrológicas [44]. El
comportamiento mecánico en el que se centra este estudio es, por lo tanto, un comportamiento
a largo plazo con parámetros de fuerza de corte eficaces.
3.2.1. Comportamiento elastoplástico del suelo y valores determinísticos de los parámetros
Como se vio en la Sección 2.1, el modelo FE desarrollado considera el criterio DP como una
aproximación del criterio MC. Los parámetros de entrada del criterio DP (α, β y κ) se expresan
a partir de los parámetros de criterio MC (ángulo de fricción φ ', cohesión c' y ángulo de
dilatancia ψ ') utilizando el disponible relaciones [36]. El objetivo es dar un valor determinista
a partir de los datos disponibles para los parámetros de entrada (φ ', c' y ψ '), así como los
necesarios para simular las cargas que actúan sobre la presa: presiones de agua intersticial, peso
propio y presión hidrostática. El modelo probabilístico de la variabilidad espacial de las
presiones del agua intersticial fue tratado en un estudio previo [30] y solo los parámetros
mecánicos serán tratados aquí. Finalmente, siete parámetros tenían para ser considerado: peso
unitario seco γd, ángulo de fricción φ ', cohesión c', ángulo de dilatancia ψ ', un parámetro de
endurecimiento H y parámetros de elasticidad, es decir, E' y ν’.
Con respecto al peso unitario seco, los valores determinísticos adoptados correspondieron a la
media de las mediciones mencionadas en la sección anterior, con valores de 19.8 kN m-3 y 17.9
kN m-3 para arenas gruesas y limos arenosos, respectivamente.
Con respecto a los parámetros de resistencia al corte, solo se disponía de un pequeño número
de pruebas triaxiales. Para optimizar estas pruebas, se adoptó el siguiente proceso: (i) todos los
círculos de Mohr vinculados a todas las pruebas triaxiales CU se informan en un solo gráfico;
(ii) la regresión lineal se determina en la parte superior de los círculos (línea Kf); (iii) esta línea
transpone en la línea de Coulomb gracias a las relaciones sinφ '= tanα' y c '= a' / cosφ ', donde
α' y a 'son parámetros que definen la línea Kf (ver Fig. 3). Los valores obtenidos se muestran
en la Tabla 3. La dilatancia ángulo se obtiene a partir del ángulo de fricción en el empírico.
Tabal 3
En este trabajo, se adoptó un modelo 2D para facilitar el análisis de la presa estudiada (en
particular para la validación del cálculo de FoS). No obstante, el posterior desarrollo de un
modelo 3D también puede ser de interés [19,46] dada la geometría de la presa estudiada (que
tiene una longitud y un ancho del mismo orden de magnitud).
Modelado de los tres parámetros: peso seco de la unidad γd, ángulo de fricción φ ' y cohesión c
'- como las variables aleatorias de los datos disponibles se hace por teniendo en cuenta los pasos
anteriores. Primero, con respecto al peso unitario en seco γd, se realiza un análisis estadístico
de las mediciones de la muestra de control de compactación. Para ambos materiales, la
distribución del peso de la unidad seca puede ser representado por una distribución normal
(prueba χ2). Las distribuciones truncadas se usan para evitar valores poco realistas. La media
de estas distribuciones corresponde a la enumerada en la Tabla 3, mientras que los límites
corresponden a los valores extremos realmente medidos en el campo. Para los parámetros de
resistencia al corte, es decir, ángulo de fricción φ 'y cohesión c', se pueden determinar variables
aleatorias con las regresiones realizadas en los círculos de Mohr obtenidos a partir de las pruebas
triaxiales CU (figura 3). Las distribuciones de los parámetros de resistencia al corte se
obtuvieron por MC simulaciones, por la propagación de las incertidumbres de los parámetros
intermedios a 'y α' (evaluados por regresión lineal para obtener la línea Kf). La regresión lineal
realizada en la parte superior de los círculos de Mohr para determinar la línea Kf da la media y
la desviación estándar de los dos parámetros de regresión (a 'y α'). Al adoptar una distribución
normal, se generó aleatoriamente una muestra de un millón de valores para cada uno de los
parámetros de regresión a 'y α'.Se calcula entonces un valor de c' y φ 'para cada par de' y α
'gracias a la relaciones sinφ '= tanα' y c '= a' / cosφ '. Estas simulaciones de Monte Carlo
conducen a generar un millón de valores para los parámetros de resistencia al corte c 'y φ', lo
que permite evaluar su dispersión (desviación estándar o CoV). Por lo tanto, las simulaciones
de Monte-Carlo permiten propagar las incertidumbres de los parámetros de regresión en la
evaluación de los parámetros de resistencia al corte (pero no aumentarán la información sobre
la variabilidad de los parámetros de resistencia al corte). Por lo tanto, la distribución resultante
representa la incertidumbre de la evaluación de los parámetros de resistencia al corte a partir de
una pequeña muestra de mediciones disponibles. Durante las simulaciones, las distribuciones
de los parámetros de resistencia al corte se truncaron para evitar valores poco realistas. Dado el
pequeño número de pruebas triaxiales disponibles, se adoptó un intervalo de truncamiento más
amplio que el observado en estas pruebas. Las características de las distribuciones de variables
aleatorias se describen en la Tabla 4.
En esta etapa, los parámetros de interés para el estudio de deslizamiento, es decir, peso unitario
seco γd, ángulo de fricción φ 'y cohesión c', pueden modelarse como variables aleatorias a partir
de los datos disponibles. No obstante, su espacial la variabilidad podría tenerse en cuenta al
realizar un análisis geoestadístico de los datos geolocalizados disponibles. Por lo tanto, este
análisis se realiza en las numerosas mediciones de densidad seca llevadas a cabo in situ para el
control de compactación de toda la presa. Eq. (2) se utiliza para evaluar los variogramas
experimentales en cada una de las tres zonas de la presa (UPS, COR y DOS) en las direcciones
vertical y horizontal. La dirección horizontal corresponde a la dirección ascendente /
descendente para los análisis de estabilidad realizados en 2D. Las longitudes de autocorrelación
se obtienen ajustando un modelo exponencial en estos variogramas experimentales (ver Sección
2.2). La Fig. 7 muestra los variogramas experimentales calculados para el hombro aguas abajo
(DOS) en las direcciones horizontal y vertical (líneas punteadas discontinuas), así como los
variogramas exponenciales fijados a ellos (líneas continuas).
Conocer estas longitudes de autocorrelación y los dos primeros momentos estadísticos (es decir,
media y desviación estándar) hace posible
Fig. 4. Comparación de LEM y FEM: (a) SLOPE / W, (b) Cast3M (campo de deformación
máxima de cizalladura).
Fig. 5. Validación del análisis determinista.
Representan la variabilidad espacial de la densidad seca en las tres zonas que componen la
sección de la presa. Las longitudes de autocorrelación para densidad seca detalladas en la
Tabla 5 muestran que se encuentra una homogeneidad considerable en el UPS, mientras que
con longitudes de autocorrelación más cortas, las zonas COR y DOS son más espacialmente
variables. Esta diferencia puede explicarse por una mejor selección del material que compone
la zona aguas arriba y una mayor atención a su construcción.
La Tabla 5 también muestra que la variabilidad espacial principal está en la dirección vertical
en la que las longitudes de autocorrelación son menores. Esto se debe al principio de
construcción que se realiza por capas. Las gráficas dadas en el apéndice muestran como
información los valores medidos de la densidad seca (y los valores asociados de ángulo de
fricción) contra la elevación Z.
Los MCS se utilizan para evaluar la variabilidad de los FoS al realizar una gran serie de corridas
del modelo de FE determinista al considerar la representación probabilística de los parámetros
de interés presentados anteriormente. Los MCS se implementan mediante el acoplamiento del
código FE Cast3M con el software de confiabilidad de fuente abierta OpenTURNS.
Fig. 8. Ejemplo de una realización del campo aleatorio del ángulo de fricción (°).
Los objetivos son: (i) comparar enfoques cada vez más complejos
En cuanto al índice de confiabilidad, Eq. (6) proporciona índices de confiabilidad para las tres
configuraciones iguales a 10.3, 6.1 y 8.1, respectivamente.
4. Discusión
El objetivo de este artículo es realizar un análisis de estabilidad probabilística para una presa de
tierra existente utilizando un Método estocástico de elementos finitos y teniendo en cuenta la
variabilidad espacial de las propiedades del suelo en función de los datos de campo.
De hecho, aunque otros trabajos de investigación han abordado el tema del análisis de
estabilidad de pendientes probabilística, generalmente consideran distribuciones probabilísticas
arbitrarias para modelar las incertidumbres sobre las propiedades del suelo.
Fig. 9. Convergencia de los momentos estadísticos (media y desviación estándar) de FoS.
(a) Media vs. Cantidad de ejecuciones. (b) Desviación estándar vs. Números de carreras.
Este artículo se centra en la incertidumbre relacionada con el espacio inherente del suelo
variabilidad porque es la fuente más importante de incertidumbres geotécnicas, como se
menciona en la introducción. Teniendo en cuenta que empírica y las relaciones teóricas se
utilizan en este artículo, podría ser interesante considerar la incertidumbre de la transformación
en trabajos futuros y el error de medición en los datos disponibles. De hecho, se sabe que estas
dos fuentes de incertidumbre son muy difíciles de cuantificar, aunque Phoon y Kulhawy [5,6]
ha propuesto pautas para superar este problema.
En cambio, lx = 4.9 my lz = 1.9 m en el caso exponencial. Estas diferencias podrían tener una
influencia en el FoS calculado. Otro ejemplo podría citarse con la hipótesis sobre los términos
k en Eq. (7) En este estudio de caso estos parámetros se estiman con los medios de densidad
seca y ángulo de fricción para las tres zonas de la presa estudiada, pero se podría usar otra forma
para obtener estos valores que están directamente involucrados en la generación de campo
aleatorio. Se necesitan más investigaciones para cuantificar la influencia de estas hipótesis.
La cuestión del SFEM y los métodos de confiabilidad también pueden ser discutidos. Los MCS
directos se realizan en este caso porque constituyen un método no sesgado y son los medios más
fáciles de obtener una muestra representativa para evaluar la variabilidad de FoS. Sin embargo,
obtener resultados convergentes en términos de media y desviación estándar requiere realizar
un gran número de simulaciones -10 000 en los casos presentados- que implican considerables
esfuerzos de computación. Para una evaluación más precisa del índice de fiabilidad β o de la
falla probabilidad Pf, se necesitan más cálculos (generalmente, para una probabilidad de falla
esperada de Pf = 10-n, se necesitan 10n + 2 simulaciones), que no es operacional en este caso.
Por lo tanto, otros métodos de confiabilidad podría ser empleado para obtener rápidamente el
índice de fiabilidad β o la probabilidad de fallo Pf, como FORM / SORM, mejorados métodos
de Monte-Carlo (direccional simulaciones, la importancia o condicional Samplings), y la
superficie de respuesta, como se describe en [30].
Los valores medios de FoS obtenidos en las tres configuraciones analizadas son cercanos a los
valores determinísticos obtenidos con el modelo LEM (es decir, 2.71) y el modelo FEM (es
decir, 2.64). Las distribuciones de FoS difieren en lo que respecta a su dispersión, como se
puede ver en la Fig. 10. La PC calculado obtenido en la configuración no. 1 está menos disperso
con una desviación estándar de 0.17, mientras que las desviaciones estándar son 0.27 y 0.21
para las configuraciones no. 2 y no. 3, respectivamente. Esto puede ser debido a la predefinición
de la zona potencial de superficies de deslizamiento para el modelo LEM en la configuración
no. 1 (limitado a superficies circulares y relativamente profundas), mientras que el análisis FEM
también puede conducir a superficies de deslizamiento más superficiales y / o no necesariamente
circulares.
Los índices de confiabilidad calculados para todas las configuraciones son muy altos, lo que
significa que la probabilidad de falla es cercana a cero. Esta ilustra el buen diseño de la presa
para la situación analizada (es decir, el nivel de operación normal) que generalmente no es una
situación de riesgo. Se encontrarán índices de confiabilidad más bajos al analizar situaciones
más complicadas como terremotos o la rápida reducción del depósito de la presa. La situación
del nivel operativo normal se eligió aquí porque sigue siendo la más representativa del ciclo de
vida de la estructura y también porque el modelado de esta situación constituye la base para
todos los demás.
4.2.2. Comparación de las variables aleatorias frente a los enfoques probabilísticos de los
campos aleatorios al comparar las configuraciones 2 y 3, se puede ver que tiene en cuenta la
variabilidad espacial tiende a reducir la dispersión principal de las muestras IQR es de hecho
más grande en la no. 2 [2.47-2.80] que en la página no. 3 [2.58-2.85]. Esto podría explicarse en
parte por el ángulo de fricción que se modela como una variable aleatoria y como un campo
aleatorio en las configuraciones no. 2 y no. 3 respectivamente. De hecho, la media del ángulo
de fricción es globalmente idéntica a lo largo de la superficie deslizante de una simulación a
otra en la no. 3, mientras que la diferencia podría ser mayor en el caso del núm. 2. Los valores
también son diferentes entre las configuraciones. Esto podría explicarse por el hecho de que el
ángulo de fricción efectiva no se puede modelar de la misma manera modelado sobre la base de
pruebas triaxiales; por otro lado, depende de los valores medidos de densidad seca. Sin embargo,
el modelo de variabilidad espacial en este caso específico tiene un impacto benéfico en la
respuesta probabilística ya que reduce el IQR y da un índice de confiabilidad más alto que en el
azar modelado variable Esto se debe al efecto de promediado inherente a la representación de
campo aleatorio: un valor bajo de un parámetro (por ejemplo, un ángulo de fricción) no solo
tendrá un impacto en el FoS porque esto el valor está aislado y rodeado de otros valores que
pueden ser mayores. Por lo tanto, en el caso de la presa estudiada, modelar la variabilidad
espacial con los campos aleatorios son más representativos de la realidad física y tienen una
influencia positiva en la confiabilidad de la presa. Las diferencias en los resultados obtenidos
para las configuraciones no. 2 y no. 3 permanecen en general bajos en términos de medios y
desviación estándar de la FoS. Como los constituyen el hijo alto para el promedio de FoS y bajo
para la desviación estándar, las diferencias son significativas en términos de índice de
confiabilidad.
5. Conclusiones
Con base en los resultados obtenidos en el estudio de caso, se pueden presentar las siguientes
conclusiones y declaraciones:
(1) El análisis probabilístico realizado en este artículo se puede aplicar fácilmente a los
conjuntos de datos limitados generalmente disponibles para las presas de tierra. Permite superar
el pequeño número de pruebas geotécnicas in situ o de laboratorio aprovechando los datos
disponibles.
(2) Las geoestadísticas proporcionan una herramienta poderosa para evaluar la variabilidad
espacial de las propiedades del suelo, incluso en el caso particular de las presas de terraplén. Es
interesante tener en cuenta esta variabilidad debido a su importante influencia en FoS (y por lo
tanto en el índice de confiabilidad) ya que tiende a reducir la probabilidad de falla. Sin embargo,
el uso de métodos geoestadísticos requiere una gran muestra de datos geo-localizados, como
con las mediciones de control de compactación en el estudio de caso. Hoy en día, esta
geolocalización se puede realizar fácilmente con tecnología GPS. Sin embargo, el análisis
geoestadístico en la mayoría de los casos solo es posible en mediciones de control de
compactación, como en el caso estudiado con densidad seca.
(3) El uso de relaciones empíricas y teóricas entre propiedades geotécnicas es una forma simple
de obtener campos aleatorios de propiedades geotécnicas del suelo distintas de la densidad seca
(permeabilidad, ángulo de fricción, cohesión no drenada). Sin embargo, es imposible en el caso
de la cohesión efectiva porque no existe una relación física con densidad seca. El uso de las
relaciones da lugar a otro problema que es la implementación de incertidumbres de medición y
/ o transformación en el modelo. Este tema no se trata en el artículo y podría ser el tema de
futuros trabajos de investigación.
(4) Comparación de tres configuraciones que se oponen a enfoques cada vez más complejos,
por un lado, y variables aleatorias y aleatorias
Los campos, por otro lado, mostraron que, en el ejemplo de la presa estudiada, FEM ofrece una
distribución más dispersa que LEM pero incorpora una mejor representación del mecanismo
deslizante. Modelado espacial la variabilidad también es beneficiosa ya que brinda una mejor
representación de la realidad física y tiene un impacto positivo en la confiabilidad de la presa.
(1) En aras de la simplicidad y la coherencia con otros estudios, en este artículo solo se
consideraron los campos aleatorios gaussianos estacionarios.
Los efectos de campos aleatorios más complejos (no estacionarios o no Gaussiano) podría
investigarse en estudios específicos. De hecho, las presas de tierra generalmente se construyen
con materiales tomados de varios tomar prestados los pozos, lo que conduce a la heterogeneidad
potencial del relleno.
(2) Este artículo presentó un análisis de EF 2D que incluye parámetros de entrada modelado por
campos aleatorios 2D. La variabilidad espacial de las propiedades del material y la estabilidad
mecánica del deslizamiento pueden ser más investigado por análisis tridimensionales, lo que
reflejaría mejor que las propiedades del material pueden variar de forma diferente en el espacio
y que el mecanismo deslizante se refiere más globalmente a un volumen.
(3) En este caso específico de represa, se obtuvieron índices de confiabilidad muy altos, que
corresponden a una probabilidad de falla muy baja. Esto era principalmente debido a la situación
considerada (es decir, nivel de funcionamiento normal). Se pueden considerar otras situaciones
para evaluar la estabilidad de la pendiente con un procedimiento probabilístico como
terremotos, despliegues rápidos e inundaciones. El método de fiabilidad utilizado debe
adaptarse a la situación estudiada de acuerdo con la salida probabilística deseada en para
ptimizar los esfuerzos computacionales.
Reconocimiento
Los autores agradecen a la Compagnie d'Aménagement des Côteaux de Gascogne (CAGC) por
su permiso para utilizar sus datos en este artículo. También agradecemos a IRSTEA y Clermont-
Auvergne University por financiar este estudio.
Apéndice
Figs. 11 y 12 abajo muestran los valores medidos de la densidad seca (y los valores asociados
de ángulo de fricción) contra la elevación Z.
[1] Christakos G. Modern statistical analysis and optimal estimation of geotechnical data. Eng
Geol 1985;22(2):175–200.
[2] Suchomel R, Mašı D. Comparison of different probabilistic methods for predicting stability
of a slope in spatially variable c–φ soil. Comput Geotech
2010;37(1):132–40.
[3] Liu LL, Cheng YM, Zhang SH. Conditional random field reliability analysis of a cohesion-
frictional slope. Comput Geotech 2017;82:173–86.
[4] Christian JT, Ladd CC, Baecher GB. Reliability applied to slope stability analysis. J Geotech
Eng 1994;120(12):2180–207.
[5] Phoon KK, Kulhawy FH. Characterization of geotechnical variability. Can Geotech J
1999;36(4):612–24.
[6] Phoon KK, Kulhawy FH. Evaluation of geotechnical property variability. Can
Geotech J 1999;36(4):625–39.
[7] Vanmarcke EH. Reliability of earth slopes. J Geotech Eng Divis
1977;103(11):1247–65.
[8] Fenton GA, Griffiths DV. Statistics of free surface flow through stochastic earth dam.
J Geotech Eng 1996;122(6):427–36.
[9] Fenton GA, Griffiths DV. Extreme hydraulic gradient statistics in stochastic earth dam. J
Geotech Geoenviron Eng 1997;123(11):995–1000.
[10] Griffiths DV, Fenton GA. Probabilistic analysis of exit gradients due to steady see- page.
J Geotech Geoenviron Eng 1998;124(9):789–97.
[11] Cho SE. Effects of spatial variability of soil properties on slope stability. Eng Geol
2007;92(3):97–109.
[12] Srivastava A, Babu GLS, Haldar S. Influence of spatial variability of permeability property
on steady state seepage flow and slope stability analysis. Eng Geol
2010;110(3–4):93–101. http://dx.doi.org/10.1016/j.enggeo.2009.11.006.
[13] Cho SE. Probabilistic assessment of slope stability that considers the spatial varia- bility
of soil properties. J Geotech Geoenviron Eng 2010;136(7):975–84.
[14] Jiang SH, Li DQ, Zhang LM, Zhou CB. Slope reliability analysis considering spatially
variable shear strength parameters using a non-intrusive stochastic finite element
method. Eng Geol 2014;168:120–8.
[15] Li DQ, Jiang SH, Cao ZJ, Zhou W, Zhou CB, Zhang LM. A multiple response-surface
method for slope reliability analysis considering spatial variability of soil proper- ties. Eng Geol
2015;187:60–72.
[16] Liu LL, Cheng YM, Jiang SH, Zhang SH, Wang XM, Wu ZH. Effects of spatial au-
tocorrelation structure of permeability on seepage through an embankment on a
soil foundation. Comput Geotech 2017;87:62–75.
[17] Vanmarcke EH. Random Fields: Analysis and Synthesis. Cambridge, MA: MIT Press;
1983.
[18] Gaouar M, Fogli M, Bacconnet C. Reliability of earth dams: an approach based on random
fields models. In: International conference on applications of statistics and
probabilities in civil engineering, Sydney – Australia; 2000. pp. 355–61.
[19] Auvinet G, Gonzalez J. Three-dimensional reliability analysis of earth slopes.