Trabajo de investigación

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

INFORMACIÓN DEL ARTÍCULO:

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

El análisis probabilístico de la estabilidad de la pendiente es un tema que ha sido ampliamente

estudiado en la literatura. Los trabajos en este campo han considerado principalmente las
incertidumbres relacionadas con las propiedades mecánicas del suelo obtenidas a partir de
investigaciones geotécnicas. Estas incertidumbres se derivan esencialmente de la variabilidad
espacial inherente y de los errores de medición [1,2], a lo que se puede agregar datos limitados
de investigación del sitio y los supuestos incluidos en el modelo de estabilidad [3]. Entre estas
fuentes de incertidumbres, algunos estudios han demostrado que la variabilidad espacial es la
más importante [4-6]. Por lo tanto, es el aspecto en el que los estudios de investigación se han
enfocado más [2,3,7-16]. Por lo tanto, la teoría de los campos aleatorios [17] es más adecuado
para modelar la variabilidad espacial de las propiedades de medios continuos como los suelos.
En los últimos años, muchas investigaciones han integrado este tipo de modelado en el análisis
de la estabilidad de taludes de terraplén que abarca diferentes aspectos. Por ejemplo, Gaouar et
al. [18] y Auvinet y González [19] estudió la fiabilidad de hipotéticas presas de tierra utilizando
campos aleatorios de resistencia al corte no drenado. Nishimura et al. [47] emplearon la prueba
sueca de peso para identificar las correlaciones espaciales estructuración de los materiales de
una presa de tierra. Zheng et al. [48] realizó un enfoque de actualización Bayesiano con datos
de monitoreo para mejorar probar las predicciones de los asentamientos de terraplenes. Cho [11]
usado directo MCS para investigar el efecto de la variabilidad espacial de los parámetros de
resistencia al corte en la superficie de falla con campos aleatorios 1-D y LEM. Otros han
prestado atención a la influencia tanto en la infiltración como en la estabilidad de la pendiente
de las características de campos aleatorios como: (i) longitud de correlación [2,20] (ii) el
Coeficiente de variación (CoV) [14]; (iii) la elección de la función de autocorrelación (ACF)
que se utiliza para representar la variabilidad espacial [3,16]. Finalmente, Liu et al. [3] propuesto
un procedimiento numérico para combinar subconjunto Simulaciones (SS) con el método de
Kriging para evaluar la fiabilidad de una inclinación terraplén en suelos espacialmente
variables. La mayoría de estos estudios utilizaron el método de equilibrio límite (LEM) para
evaluar la estabilidad de la pendiente. Sin embargo, con el rápido desarrollo de herramientas
computacionales, FEM se usa cada vez más en geotecnia. Esto es particularmente cierto con
respecto a los análisis de estabilidad de deslizamiento [21] que se han combinado ampliamente
con el método de reducción de la fuerza (SRM), basado en el trabajo de Zienkiewicz [22]. Desde
entonces, muchos autores como Matsui y San [23] han utilizado el SRM para el análisis de la
estabilidad de taludes. Gri ffi ths

y Lane [24], Cheng et al. [25], Huang y Jia [26] y otros.

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].

Diferentes métodos se utilizan en la literatura para evaluar la fiabilidad en cuestiones

geotécnicas. Algunos autores utilizaron métodos de primer orden y de segundo momento
(FOSM) [2,7,27], mientras que otros usaron el método FORM.
[11,20,28]. Sin embargo, MCS es el método más utilizado para el análisis probabilístico de la
estabilidad de taludes [3,8,9,13,15,16]. MCS es una herramienta simple y robusta para simular
la distribución estadística de FoS, aunque requiere un considerable esfuerzo computacional en
términos de tiempo de cálculo [13,15]

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 describe un procedimiento probabilístico, basado en varios elementos disponibles

en la literatura, para evaluar la confiabilidad de una presa de tierra existente utilizando el método
de elemento finito estocástico (SFEM).

La originalidad de este trabajo es basar desarrollos probabilísticos en el conjunto de datos

disponible en el estudio de caso. La variabilidad espacial de varias propiedades de los materiales
de terraplén se modela a partir de estos datos con campos aleatorios. Las incertidumbres se
propagan utilizando MCS en un acoplamiento entre un modelo FE mecánico y un modelo de
fiabilidad en para simular la distribución estadística de FoS. El artículo implementa un enfoque
similar a la modelización probabilística de la presión del agua intersticial dentro de una presa
de tierra [30].

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

2.1. Factor de cálculo de seguridad por SRM en FEM

El análisis de estabilidad de taludes por FEM se ha realizado extensamente usando SRM. El

principio general de SRM es reducir incrementalmente los valores de los parámetros de fuerza
de cizalla efectiva hasta que ocurra la falla. Los los parámetros de resistencia al corte inicial c'
y tanφ' se reducen por un factor F para dar los parámetros c'red y tanφ'red utilizados en los

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.

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].

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].

Teniendo en cuenta la configuración de la presa estudiada, una el enfoque acoplado se utilizó

para el análisis de filtración en el estudio de caso.

El presente artículo se centrará en la parte mecánica, ya que la filtración en cuestión ya ha sido

presentada en un trabajo previo [30].

2.2. Modelado de variabilidad espacial

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.

Si la muestra no se espacia regularmente, los pares muestreados se reagrupan en intervalos en

los que se utiliza la distancia promedio en lugar de h [32]. Luego, se aplica un modelo
matemático a la variedad experimental la media y la desviación estándar. La probabilidad de
falla está vinculada a la función de rendimiento y se define como: iograma y permite representar
el variograma teórico directamente, o el ACF, que permitirá la generación de los campos
aleatorios.

(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

(También llamada distancia de auto correlación). Es la distancia a la que el momentos técnicos

de la distribución de FoS, es decir, μFoS medio y estándar el variograma alcanza el valor
umbral: no hay correlación más allá de esta distancia. Para modelos acotados como el modelo
exponencial, el umbral se alcanza asintóticamente y la distancia de autocorrelación (también
llamada rango práctico) es igual al factor de escala a / δ correspondiente a la distancia donde el
variograma alcanza el 95% del alféizar. En este artículo, los campos aleatorios gaussianos fijos
con un ACF exagerado se tienen en cuenta por su simplicidad y por su simplicidad.

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.

2.3. Enfoque de confiabilidad

El valor determinista de la FoS generalmente no es suficiente para evaluar la seguridad global

de la pendiente de un terraplén [39], en particular en un análisis de riesgo. En los últimos años,
se han desarrollado y utilizado enfoques de confiabilidad en el dominio del análisis de
estabilidad de taludes [4,11,13,27,39-41,46]. El enfoque de confiabilidad se basa en la
definición de una función de rendimiento g (X) en la que X representa un vector al azar de las
variables de entrada. Esta función define la superficie del estado límite que separa las regiones
seguras e inseguras. Se puede describir matemáticamente como: g (X) = 0 en la superficie de
estado límite, g (X)> 0 en el dominio de seguridad y g (X) <0 en el dominio de falla [27]. Con
respecto al problema de estabilidad de la pendiente, la función de rendimiento se usa
generalmente en forma definida por Eq. (4)

(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)

Donde: fX (X) es la función de densidad de probabilidad conjunta de la entrada variables [13].

Sin embargo, esta integral es demasiado difícil de evaluar directamente porque es prácticamente
imposible conocer la densidad de probabilidad conjunta
función fX (X) y el dominio de integración exactamente. Existen diferentes métodos para superar
esta dificultad. En el campo de estabilidad de la pendiente, uno de los métodos más comúnmente
utilizados es evaluar las incertidumbres a través de un índice de confiabilidad β. Hay muchas
definiciones del índice de fiabilidad [39]. La mayoría de ellos involucra a los dos primeros
momentos técnicos de la distribución de FoS, es decir, μFoS medio y estándar desviación σFoS.
En el presente artículo, se da el índice de confiabilidad utilizado por Eq. (6), siguiendo una
forma utilizada en varios estudios [4,27,39-41].

(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.

2.4. Presa estudiada y datos disponibles

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

Fig. 1. Corte transversal estándar de la presa estudiada.

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.

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.

La cantidad de datos disponibles sobre la presa estudiada corresponde al conjunto de datos

típico de una presa de tierra de las mismas dimensiones. Además, el estudio de caso tiene la
ventaja de que se instaló un sistema de referencia durante su construcción, que permitió
localizar las medidas de control de compactación en el espacio (según los tres ejes). Este
sistema consiste en una rejilla formada por diez per fi les (P0 a P9) en la dirección
longitudinal (eje Y) y trece per fi les (A a M) en la dirección transversal (eje X) (ver Fig. 2).
Los per fi les longitudinales tienen 20 m espaciados a lo largo del eje Y, excepto entre P8 y P9
donde el espacio es igual a 10 m. Los perfiles transversales tienen 13 m espaciados a lo largo
del eje X desde los perfiles A a E e I a M, y 8 m espaciados de los perfiles E a I. Las medidas
de control de compactación (densidad seca y contenido de agua) se realizaron generalmente en
la grilla, pero no sistemáticamente, como se ve en la Fig. 2. La grilla permite la localización
de las mediciones en el plano (XY) y el conocimiento de la capa de construcción da la
elevación de las mediciones a lo largo del eje Z. Por lo tanto, entre el conjunto de mediciones
de densidad seca disponibles, un gran número de estas mediciones tienen una localización
relativamente precisa en el espacio (UPS: 248, COR: 381, DOS: 272, respectivamente). Por lo
tanto, entre el conjunto de mediciones de densidad seca disponibles, un gran número de estas
mediciones tienen una localización relativamente precisa en el espacio (UPS: 248, COR: 381,
DOS: 272, respectivamente). La figura 2 muestra tres vistas en planta de las ubicaciones de
control de compactación.
3. ANÁLISIS DE ESTABILIDAD PROBABILÍSTICA DEL ESTUDIO DE CASO

3.1. Pasos del modelado probabilístico de FoS

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)

Construir un modelo FE determinista para evaluar la pendiente estabilidad de la estructura Este

modelo permite el cálculo de FoS con el SRM. Para este estudio de caso, se eligió un código
FE abierto para agregar desarrollos específicos inherentes al enfoque, tales como generación de
campo aleatorio; (5) realice un análisis de sensibilidad de los parámetros para identificar
aquellos que tienen una influencia significativa en el FoS y tienen que modelarse
probabilísticamente. De acuerdo con Griffin y Lane [24], entre los seis parámetros mecánicos
necesarios para una precisión modelización del comportamiento elastoplástico (es decir, ángulo
de fricción, cohesión, densidad seca, módulo de Young, coeficiente de Poisson y ángulo de
dilatancia) los primeros tres tienen una influencia significativa en el FoS;

(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.

3.2. Modelo de FE determinista para estabilidad de taludes

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

Valor de parámetro de entrada media

Relaciones descritas en [42,43]. Dada la similitud entre

Los valores del ángulo de fricción para los dos materiales, los ángulos de dilatación cercanos a
12 ° se calculan para ambos materiales. Las pruebas triaxiales CU también se utilizan para
determinar los valores determinísticos del módulo elástico y el parámetro de endurecimiento.
Estos valores corresponden a las pendientes medias de las dos partes de la tensión desviatoria
frente a las curvas de deformación. Finalmente, la relación de Poisson se toma como 0.33 porque
no hay datos para determinar su valor a partir de las mediciones disponibles. La Tabla 3 sintetiza
los valores determinísticos adoptados para todos los parámetros de entrada.

3.2.2. Validación del cálculo de FoS

En general, se adopta un modelo 2D tanto en ingeniería como en la literatura científica para

analizar el mecanismo deslizante.

[2-4,11-15,18,20,24-28,34,37]. Por lo tanto, para el modelo FE desarrollado en

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).

En el modelo FE desarrollado, SRM fue implementado por un procedimiento específico del

usuario en el código Cast3M. Este procedimiento iterativo reduce los parámetros de resistencia
de valores determinísticos iniciales y busca un nuevo estado de equilibrio con parámetros
reducidos a partir de una inicial campo de estrés El FoS se obtiene con una técnica de
interpolación del desplazamiento máximo frente al factor de reducción de la curva F. Al ajustar
una ecuación verticalmente asintótica a esta curva, se puede predecir el FoS con mayor precisión
a medida que se implementa la reducción de parámetros. Esta técnica permite evitar una no
convergencia que haría que el código FE se detenga (lo que podría ser muy perjudicial para
MCS).

El software comercial SLOPE / W utilizando LEM (método de Spencer con búsqueda de

superficies de deslizamiento circulares) se utiliza aquí para validar el modelo FE desarrollado
con el código Cast3M. Los modelos LEM y FEM que usan una hipótesis similar se comparan
con el caso determinístico de la Fig. 4. Los valores de FoS calculados (SLOPE / W: 2.71;
Cast3M: 2.64) son cercanos pero no iguales como la ubicación en la superficie de falla. La Fig.
5 presenta una comparación directa de los FoS calculados con los dos modelos para diez
diferentes conjuntos de parámetros obtenidos al azar. Los resultados están cerca de la línea de
la unidad que valida el FoS obtenido por el modelo FE desarrollado

3.2.3. Análisis de sensibilidad

Se realizó un análisis de sensibilidad determinista sobre los parámetros mencionados en la

última subsección sobre rangos de valores correspondientes a las mediciones realizadas sobre
los materiales que componen la presa estudiada. Los resultados del análisis de sensibilidad se
sintetizan en la Fig. 6. Los cruces representan los valores mínimos y máximos de los FoS
obtenidos para cada parámetro para los rangos de variación especi fi cados en la fi gura.
Después, se dibuja la influencia de tres propiedades mecánicas: peso unitario seco γd, ángulo
de fricción φ ', cohesión c'. Estas propiedades son considerado probabilísticamente mientras que
los otros serán considerados con sus valores deterministas se enumeran en la Tabla 3. En la Fig.
6, las flechas representan la variación de FoS obtenida para el peso unitario seco, la cohesión y
parámetros del ángulo de fricción utilizando la media ± valores de desviación estándar (se
muestra en la Tabla 4).
3.3. Análisis probabilístico con modelado de variabilidad espacial

3.3.1. Evaluación probabilística de parámetros de interés

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.

3.3.2. Análisis geoestadístico de mediciones de control de compactación

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).

Los cuadrados negros en los variogramas exponenciales en la Fig. 7 representan el puntos en

donde se alcanza el 95% de la varianza total. La abscisa de estos cuadrados se considera como
las distancias de autocorrelación (rango práctico), respectivamente en la dirección horizontal
(lx = 4,9 m) para la gráfica izquierda y en la dirección vertical (lz = 1,9 m) para la gráfica
derecha.

La Tabla 5 detalla los resultados obtenidos del análisis geoestadístico.

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.

El efecto de nugget corresponde a aproximadamente la mitad de la varianza para el hombro

aguas arriba (UPS) y a una fracción ligeramente inferior para el hombro aguas abajo (DOS) y
el núcleo (COR). El efecto pepita se puede atribuir a la mezcla de los materiales durante su
excavación de los pozos de préstamo. En nuestro caso, se considera como una microestructura
cuya escala es menor que el paso de muestreo.

3.3.3. Campo aleatorio de parámetros de resistencia al corte

El campo aleatorio de densidad seca se obtiene directamente con el análisis geoestadístico

presentado en la última subsección. Sin embargo, los campos aleatorios de los parámetros de
resistencia al corte no se pueden obtener de esta manera. En el enfoque implementado, las
relaciones físicas entre los parámetros geotécnicos se utilizan para vincular los parámetros de
resistencia al corte a la densidad seca. Estas relaciones se enumeran en [42,43]. Para el ángulo
de fricción, la relación de Caquot, descrita en Eq. (7), se usa en el caso de la presa estudiada
para obtener la representación de la variabilidad espacial del ángulo de fricción a través de un
campo aleatorio de densidad seca. Los valores k utilizados en Eq. (7) son respectivamente
iguales a 0.25, 0.32 y 0.22 para UPS, COR y DOS. Estos valores se obtienen al usar Eq. (7) en
cada zona con los medios correspondientes del ángulo de fricción (enumerados en la Tabla 4) y
los medios de la densidad seca (enumerados en la Tabla 5). La Fig. 8 muestra un ejemplo de
una realización del campo aleatorio del ángulo de fricción. En el modelo FE desarrollado, los
puntos autocorrelacionados de los campos aleatorios corresponden al centroide de cada
elemento que constituye la malla.

El análisis de sensibilidad (Fig. 6) muestra el interés de modelar la cohesión como un campo

aleatorio. Sin embargo, no existe una relación entre la seca densidad y la cohesión efectiva de
un suelo, aunque se puede encontrar una correlación en el estado no drenado [30]. En el caso
de la presa estudiada, no fue posible generar un campo aleatorio de cohesión a partir de los datos
disponibles. Este parámetro se representa como una variable aleatoria en el modelo
probabilístico.

3.3.4. Resultados de la simulación de Monte Carlo

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.

En el análisis probabilístico se consideran tres con fi guraciones probabilísticas diferentes

(Tabla 6):

- Configuración No. 1: LEM (método de Spencer con búsqueda de superficies de deslizamiento

circulares) y modelado variable aleatorio con el comercial.

Fig. 6. Resultados del análisis de sensibilidad.

Fig. 7. Variogramas experimentales de densidad seca en las direcciones horizontal
(izquierda) y vertical (derecha) para el hombro aguas abajo (DOS).

Fig. 8. Ejemplo de una realización del campo aleatorio del ángulo de fricción (°).
Los objetivos son: (i) comparar enfoques cada vez más complejos

(Configuración n°1 a la configuración n° 3) y (ii) para comparar más particularmente el uso de

variables aleatorias y campos aleatorios con FEM (configuración n. ° 2 vs. configuración n. °
3). Se realizaron 100.000 simulaciones para la configuración no. 1, mientras Se realizaron
10.000 para los otros dos porque FEM exige más esfuerzo computacional. Sin embargo, este
número de simulaciones es suficiente para obtener respuestas estadísticas precisas, como se ve
en la Fig. 9 (ayb) que muestra la convergencia de la media y la desviación estándar de FoS. Para
cada sistema de MC que involucre el análisis de FE con campos aleatorios, el espacialmente
auto- los valores correlativos de las propiedades del suelo se generan y asignan a cada elemento
finito que constituye la malla. Por lo tanto, cada simulación de un campo aleatorio comprende
una serie de valores espacialmente autocorrelacionados igual al número de elementos finitos del
modelo. Los valores medios de FoS son iguales a 2.75, 2.65 y 2.71 respectivamente para las
tres configuraciones, con las desviaciones estándar correspondientes iguales a 0.17, 0.27 y 0.21.
El probabilístico las respuestas para cada con fi guración se describen finalmente en la Fig. 10.
El centro del recuadro representa el segundo cuartil Q2 de la muestra, mientras que la caja
misma simboliza el rango intercuartílico (IQR), siendo igual a la diferencia entre los percentiles
75 y 25 (resp . Q3 y Q1). Los bigotes izquierdo y derecho representan el rango entre Q1 - 1.5
IQR y Q3 + 1.5 IQR y los puntos son valores atípicos que quedan fuera de este rango.

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

4.1. Discusión sobre el enfoque de elemento finito estocástico implementado

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.

(obtenido de mediciones hechas durante la construcción de la presa).

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.

Cuando se considera la variabilidad espacial a través de campos aleatorios, estos campos

aleatorios raramente se determinan a partir de datos reales. Este artículo muestra un análisis de
estabilidad probabilística para el estudio de un caso existente toma de tierra con datos de control
de compactación localizados con precisión. Esta geolocalización y los numerosos datos
disponibles permiten el uso de geoestadística para representar directamente la variabilidad
espacial de parámetros como la densidad seca. Sin embargo, la variabilidad espacial de otras
propiedades del suelo podría investigarse como una función del conjunto de datos disponibles,
como en Smith y Konrad [32] que consideraron el contenido del suelo.

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 el procedimiento utilizado en el estudio de caso, varias hipótesis podrían influir en los

resultados. Por ejemplo, la elección del ACF puede afectan las longitudes de autocorrelación y,
por lo tanto, la simulación de los campos aleatorios de los parámetros. Para los variogramas
representados en la figura 7, si se eligen modelos gaussianos o esféricos como ACF en lugar de
modelo ponencial, las longitudes de autocorrelación vertical y horizontal serán respectivamente
igual a lx = 6.7 m o 4.7 m y lz = 1.6 mo 1.2 m
Fig. 10. Resultados e índices de confiabilidad calculados para las tres configuraciones.

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].

4.2. Discusión sobre los resultados

4.2.1. Comparación de la variabilidad de FoS para las diferentes configuraciones

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

En este artículo, se implementó un procedimiento estocástico de elementos finitos basado en

datos específicos del proyecto para evaluar el análisis de estabilidad de la pendiente de un
estudio de caso de una presa de tierra. Este procedimiento involucró una evaluación de los
parámetros de entrada requeridos en un modelo SFEM basado en datos de campo. Además, esta
evaluación fue probabilística con respecto a los parámetros que tienen una fuerte influencia en
el FoS. Este trabajo realiza un análisis de estabilidad probabilística por SFEM para una presa
de tierra existente, considerando la variabilidad espacial de las propiedades del suelo en base a
datos de campo. De hecho, la localización de las mediciones de control de compactación
preformado durante la construcción de las presas de tierra se aprovecha en este enfoque gracias
al análisis geoestadístico que permite modelar la variabilidad espacial de las propiedades del
suelo por campos aleatorios. Finalmente, MCS fueron realizado en el modelo determinista de
FEM para dar una distribución probabilística de FoS, y por lo tanto una evaluación de
confiabilidad del índice de confiabilidad. Tal enfoque podría ser utilizado como parte de una
seguridad global de presas

evaluación combinada con un análisis de riesgos como el descrito en [45].

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.

Este estudio también destacó algunas posibles mejoras:

(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.

Fig. 11. Valores medidos de la densidad seca contra la elevación Z.

Fig. 12. Resultados del ángulo de fricción contra la elevación Z.

REFERENCIA

[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.

Comput Geotech 2000;26(3):247–61.

[20] Griffiths DV, Huang J, Fenton GA. Influence of spatial variability on slope reliability using
2-D random fields. J Geotech Geoenviron Eng 2009;135(10):1367–78.
[21] Duncan JM. State of the art: limit equilibrium and finite-element analysis of slopes.
J Geotech Eng 1996;122(7):577–96.
[22] Zienkiewicz OC, Humpheson C, Lewis R. Associated and non-associated visco- plasticity
in soils mechanics. Geotechnique 1975;25(5):671–89.
[23] Matsui T, San KC. Finite element slope stability analysis by shear strength reduction
technique. Soils Found 1992;32(1):59–70.
[24] Griffiths DV, Lane P. Slope stability analysis by finite elements. Geotechnique
1999;49(3):387–403.
[25] Cheng YM, Lansivaara T, Wei WB. Two-dimensional slope stability analysis by limit
equilibrium and strength reduction methods. Comput Geotech 2007;34(3):137–50.
[26] Huang M, Jia CQ. Strength reduction FEM in stability analysis of soil slopes sub- jected
to transient unsaturated seepage. Comput Geotech 2009;36(1–2):93–101.
[27] Liang R, Nusier BO, Malkawi AH. A reliability based approach for evaluating the
slope stability of embankment dams. Eng Geol 1999;54(3):271–85.
[28] Xu B, Low B. Probabilistic stability analyzes of embankments based on finite-ele- ment
method. J Geotech Geoenviron Eng 2006;132(11):1444–54.
[29] Degoutte G. Small dams: Guidelines for design, construction and monitoring.
Cemagref Editions; 2002. ISBN: 9782853625517.
[30] Mouyeaux A. Fiabilité des barrages en remblai au glissement par MEFS. Editions
Universitaire Européennes; 2017.
[31] Favre JL, Bekkouche A. Analyzes statistiques et modèles probabilistes pour les barrages en
terre - Etat actuel et perspectives. In: Colloque technique, Comité Français des Grands Barrage,
Paris; 1988.
[32] Smith M, Konrad JM. Assessing hydraulic conductivities of a compacted dam core using
geostatistical analysis of construction control data. Can Geotech J
2011;48(9):1314–27. http://dx.doi.org/10.1139/t11-038.
[33] Carvajal C, Peyras L, Bacconnet C, Bécue JP. Probability modelling of shear strength
parameters of RCC gravity dams for reliability analysis of structural safety. Eur J Environ Civ
Eng 2009;13(1):91–119.
[34] Zheng H, Tham LG, Liu D. On two definitions of the factor of safety commonly used in
the finite element slope stability analysis. Comput Geotech 2006;33(3):188–95.
[35] Abbo AJ, Sloan SW. A smooth hyperbolic approximation to the Mohr-Coulomb
yield criterion. Comput Struct 1995;54(3):427–41.
[36] Mestat P. Lois de comportement des géomatériaux et modélisation par la méthode des
éléments finis. In: Etudes et recherches des laboratoires des Ponts et Chaussées – Série
Géotechnique (GT52); 1993.
[37] Griffiths DV, Fenton GA. Probabilistic slope stability analysis by finite elements. J Geotech
Geoenviron Eng 2004;5:507–18.
[38] Huang J, Lyamin AV, Griffiths DV, Krabbenhoft K, Sloan SW. Quantitative risk assessment
of landslide by limit analysis and random fields. Comput Geotech
2013;53:60–7.
[39] Gui S, Zhang R, Turner JP, Xue X. Probabilistic slope stability analysis with sto- chastic
soil hydraulic conductivity. J Geotech Geoenviron Eng 2000;126(1):1–9.
[40] Bergado DT, Anderson LR. Stochastic analysis of pore pressure uncertainty for the
probabilistic assessment of the safety of earth slopes. Soils Found
1985;25(2):87–105.
[41] Chowdhury RN, Xu DW. Geotechnical system reliability of slopes. Reliab Eng Syst
Safe 1995;47(3):141–51.
[42] Kulhawy FH, Mayne PW. Manual on estimating soil properties for foundation de- sign.
Electric Power Research Inst., Palo Alto, CA (USA); Cornell Univ., Ithaca, NY (USA).
Geotechnical Engineering Group; 1990.
[43] Monnet J. Les essais in situ en géotechnique. ISTE Editions; 2016.
[44] Carvajal C, Peyras L, Arnaud P, Boissier D, Royet P. Probabilistic modelling of flood water
level for dam reservoirs. ASCE - J Hydrol Eng 2009;14(3):223–32.
[45] Peyras L, Carvajal C, Felix H, Bacconnet C, Royet P, Becue JP, et al. Probability-
based assessment of dam safety using combined risk analysis and reliability methods –
application to hazards studies. Eur J Environ Civ Eng
2012;16(7):795–817.
[46] Xiao T, Li D-Q, Cao Z-J, Au S-K, Phoon K-K. Three-dimensional slope reliability and risk
assessment using auxiliary random finite element method. Comput Geotech
2016;79:146–58.
[47] Nishimura S-I, Shibata T, Shuku T. Diagnosis of earth-fill dams by synthesized ap- proach
of sounding and surface wave method. Georisk: Assess Manage Risk Eng Syst
Geohazards 10.4: 312–9.
[48] Zheng D, Huang J, Li D-Q, Kelly R, Sloan S-W. Embankment prediction using testing data
and monitored behavior: a Bayesian updating approach. Comput Geotech
2018;93:150–62.