Modelo&yherramienta&de&cálculo¶&el&análisis&de&riesgo&en ...
Transcript of Modelo&yherramienta&de&cálculo¶&el&análisis&de&riesgo&en ...
Modelo y herramienta de cálculo para el análisis de riesgo en
taludes utilizando simulaciones de Monte Carlo Roberto J. Camargo R. 1
Universidad de los Andes, Bogotá, Colombia
Resumen
El análisis de riesgo en la estabilidad de taludes es un desafío para el campo de la ingería
civil debido a las implicaciones en la seguridad humana y la calidad de vida. En este
artículo se presenta un modelo y una herramienta formulados para determinar el riesgo
asociado a un talud. El objetivo es proporcionar tanto un modelo teórico como una
herramienta operativa de aplicación simple que permita asociar un riesgo aproximado a
un sistema específico. Para el desarrollo de este modelo se estudió y se encontró una
manera aproximada de modelar la variabilidad presente en los parámetros del suelo.
Este proceso incluye el ajuste de cada parámetro a una distribución de probabilidad
Log-‐Normal. A partir de esto se puede realizar un análisis de equilibrio límite, en este
caso, el de falla circular ideado por Bishop, para cada grupo de datos. Al realizar estas
simulaciones de Monte Carlo, se puede determinar la probabilidad de falla para cada
sistema. Después de realizar el análisis de sensibilidad pertinente se compararon los
resultados con los obtenidos por Escobar y Valencia (2012). Se encontró una diferencia
del 9% entre los dos modelos de cálculo. Esta herramienta desarrollada realizar análisis
simples respecto a riesgo en taludes y de esta manera registrar amenazas de manera
oportuna.
1. Introducción En los últimos años se han logrado avances importantes en cuanto a la
variabilidad inherente presente en los suelos. La principal causa de este
fenómeno es el proceso de deposición en suelos (Lacasse & Nadim, 1996). Por
esta razón, los métodos tradicionales de análisis de estabilidad de taludes, los
cuales dan un resultado determinístico, deben ser modificados, para que dichos
modelos puedan tener una mejor capacidad predictiva. Es claro que los efectos
de estas variaciones son importantes (Wang, Cao, & Au, 2010), por lo que es
necesario tenerlas en cuenta dentro de un marco probabilístico, en el cual, esta
1 Trabajo presentado como proyecto de grado para optar al título de Ingeniero Civil. [email protected]
Roberto Camargo / Universidad de los Andes 2
incertidumbre sea considerada de una manera más sistemática (Chowdhury &
Rao, 2010). Actualmente, esta variabilidad se estima por medio de juicios
personales, basados en la experiencia, lo cual lleva a tomar decisiones
conservadoras (Schweiger, Thurner, & Pottler, 2001). Estos juicios subjetivos
han generado la necesidad de realizar análisis probabilístico de taludes, ya que
se tienen incertidumbres grandes al momento de modelar los parámetros del
suelo (Rubio, Hall, & Anderson, 2004). Es posible que en Colombia el fenómeno
observado por Schweiger, Thurner y Pottler (2001) se agudice más que en otras
partes del mundo debido a la falta de herramientas y tecnología en campo
disponible para este tipo de análisis. Aunque existen diferentes métodos que
incluyen estas variaciones en los análisis de estabilidad (Método del Segundo
Momento de Primer Orden, Método de Confiabilidad de Primer Orden) El
método de la Simulación de Monte Carlo utilizando métodos de equilibrio límite
(El-‐Ramly, Morgenstern, & Cruden, 2002) es de los más poderosos, debido a su
simplicidad conceptual y a su robustez (Wang, Cao, & Au, 2010). Es importante
mencionar que el análisis probabilístico se basa en el supuesto de que cada
parámetro del suelo se puede modelar por medio de una distribución de
probabilidad (Jin, Um, Woo, & Woo, 2012). Varios autores concuerdan en afirmar
que las variaciones presentes en las propiedades del suelo se pueden tener en
cuenta al realizar un análisis probabilístico de los problemas (Johari & Javadi,
2012); (Hidalgo & Assis, 2011); (Leynaud & Sultan, 2010) y (Cruz, 2012).
Aunque otros autores han hecho avances significativos en la producción de
herramientas que permitan un cálculo rápido de la estabilidad de taludes (Paz,
Taboada, Rivas, Giráldez, & Araújo, 2011), aún no se ha encontrado registro de
una herramienta sencilla que logre una noción aproximada al riesgo asociado a
un talud determinado. Se encuentra, entonces, que existe una necesidad en
proporcionar un modelo y una herramienta simple que facilite el cálculo del
riesgo asociado a una ladera. Para la construcción de esta herramienta, se utilizó
la “Simulación de Monte Carlo”, ya que en los estudios realizados por Cruz,
(2012) y Wang, Cao y Au (2010), se ha demostrado que los resultados de dicho
método representan el comportamiento mecánico del suelo. Es evidente
entonces, la importancia de una herramienta de este tipo en el país, debido a las
Roberto Camargo / Universidad de los Andes 3
características montañosas de Colombia y por el hecho de que hay un número
importante de construcciones que se encuentran cerca o en zonas propensas a
deslizamientos (Córdoba, Moreno, Ramírez, & Rentería, 2007) . Si se tiene en
cuenta que aproximadamente el 90% de los daños ocasionados por
deslizamientos pueden ser evitados con una correcta identificación del problema
(Mostajo, 2009) resulta que la necesidad de una herramienta que permita esta
identificación es una prioridad de primer orden.
Para lograr esta herramienta es necesario modelar tanto la variabilidad en los
parámetros del suelo como el mecanismo de falla del terreno.
2. Procedimiento para elaboración del modelo A continuación se presenta un diagrama de flujo con el proceso utilizado para el
desarrollo del modelo 2.
Gráfica 1. Diagrama de flujo para el modelo
3. Modelación de los parámetros del suelo En este punto, para determinar el valor de los parámetros del suelo, es necesario
realizar, inicialmente, un análisis estadístico. Se debe encontrar la media
muestral y la varianza de los datos. Con la formula especificada a continuación:
𝜇 =1𝑛 𝑥!
!
!!!
(1)
Sin embargo, debido a la falta de recursos, o de tecnología en las partes más
remotas del país, no es posible tomar un número significativo de muestras para
realizar el análisis estadístico pertinente. Entonces, es necesario hacer dos
simplificaciones en cuanto a la modelación de los parámetros del suelo.
2 Código adjunto para su ejecución en MatLab®
Roberto Camargo / Universidad de los Andes 4
i. La media muestral se toma como el valor del parámetro obtenido de una
o pocas muestras.
ii. La varianza se calcula haciendo uso del coeficiente de variación (CoV).
El coeficiente de variación se define como la relación entre la media muestral de
unos datos y su correspondiente varianza (Cruz, 2012). Por lo tanto, el valor de
varianza se obtiene al multiplicar el valor medio del parámetro por su
correspondiente coeficiente de variación. Algunos rangos de valores para los
coeficientes de variación son presentados en la tabla 1. Aunque este parámetro
se puede modificar fácilmente en el modelo, los valores utilizados son
presentados en la tabla 2. Tabla 1. Rangos para el coeficiente de variación (Srivastava & Babu, 2009)
Tabla 2. Valores utilizados para el coeficiente de variación (Sánchez Silva, 2005)
Además de lo anterior, con el valor de la media y de la varianza, se puede ajustar
una distribución normal a cada parámetro. Sin embargo, teniendo en cuenta que
los parámetros no pueden tomar valores negativos, se asume que los parámetros
siguen una distribución Log-‐Normal (Baecher & Christian, 2003). Para utilizar
esta distribución, es necesario realizar una transformación a los parámetros,
para que se ajusten al espacio Log-‐Normal (Sánchez Silva, 2005).
𝜎!"#$ = log(𝜎! + 1) (2)
𝜇!"#$ = log 𝜇 −𝜎!"#$2 (3)
Con estos parámetros es posible generar los valores aleatorios que siguen la
distribución mencionada anteriormente, y de esta manera calcular el aspecto
más importante de desempeño para el análisis de confiabilidad, es decir, la
probabilidad de falla (pf) (Srivastava & Babu, 2009).
Propiedad Rango,CoV,(%)Peso%específico 2,13Cohesión 6,80Ángulo%de%fricción 7,20
Propiedad CoV+(%)Peso%específico 3Cohesión 12Ángulo%de%fricción%interno 40
Roberto Camargo / Universidad de los Andes 5
4. Análisis de estabilidad Existen diferentes métodos para calcular la estabilidad de un sistema
determinado, hay métodos muy simples que se reducen a aplicar una sola
ecuación (Método del Arco Circular) hasta métodos complejos que pueden
incorporar una superficie de falla arbitraria (Método de Mongenstern-‐Price). Con
fines de simplificar el modelo, el método de análisis de estabilidad, se realizó
utilizando el método planteado por Bishop, para falla circular (Bishop, 1954). El
método de Bishop, asume que las fuerzas entre dovelas es horizontal, lo que
significa que no se tiene en cuenta la resistencia al corte entre las mismas.
Entonces en la figura 1, se presenta un esquema de las fuerzas consideradas para
cada dovela.
Figura 1. Fuerzas actuantes sobre una dovela (Duncan & Wright, 2005)
Entonces, el sistema se vuelve una serie de segmentos, y se calcula la estabilidad
de cada uno, por lo tanto la estabilidad del sistema es la suma de la estabilidad de
cada elemento.
Figura 2. Esquema de un sistema de falla circular (Duncan & Wright, 2005)
Roberto Camargo / Universidad de los Andes 6
Bishop presenta un método para computar el factor de seguridad de un sistema,
el cual representa la relación entre los momentos resistentes y los momentos
actuantes en el sistema, por medio de la siguiente ecuación.
𝑓𝑠 =𝑐!𝑏 + 𝑊 − 𝑢𝑏 tan𝜙′ sec𝛼
1+ 1𝑓𝑠 tan𝜙′ tan𝛼
∗1
𝑊 sin𝛼 (4)
Debido a que el factor de seguridad se encuentra en ambos lados de la ecuación,
para encontrar el valor verdadero, es necesario realizar un proceso iterativo. Sin
embargo, se ha logrado encontrar que el factor de seguridad no es una medida
consistente del riesgo, ya que para valores iguales de factor de seguridad se
puede encontrar niveles de riesgo diferentes (Li & Lumb, 1987). Entonces para
tener una noción adecuada del riesgo, se va a utilizar el margen de seguridad
para evaluar la estabilidad de un sistema, el cual representa la diferencia en
magnitud de los momentos actuantes y los momentos resistentes sobre el
sistema. El cálculo del margen de seguridad se hace de forma similar,
𝑀𝑆 =𝑐!𝑏 + 𝑊 − 𝑢𝑏 tan𝜙′ sec𝛼
1+ 1𝑓𝑠 tan𝜙′ tan𝛼
− 𝑊 sin𝛼 (5)
Es importante mencionar que el volumen de cada dovela se simplifico como el
producto entre su altura en la mitad, y el ancho (Duncan & Wright, 2005). Esta
simplificación es posible debido a que, dado que las dovelas son relativamente
delgadas, la pendiente de la superficie de falla se puede aproximar igual a la
superficie del talud, por lo tanto este cálculo tiene como resultado un volumen
cercano al valor real.
5. Determinación de la superficie crítica de falla Para determinar la superficie de falla crítica se partió del siguiente supuesto:
esta superficie pasa por el pie del talud. Esta suposición permite considerar que
los cálculos necesarios son simplificados, y por lo tanto el costo computacional se
reduce. La razón de esto es que debido al enfoque de aplicación del modelo, la
mayoría de sistemas son estables en la parte inferior del talud, ya sea por vías,
poliductos o vivienda construidas en esta zona. Entonces el proceso para
Roberto Camargo / Universidad de los Andes 7
encontrar la superficie de falla crítica, tiene 4 pasos que se describen a
continuación:
1) Encontrar el radio del círculo que pasa por el pie del talud y por la cabeza
del mismo, con centro (0,0).
2) Aumentar el centro en cierta proporción para encontrar un nuevo círculo
con mayor radio.
3) Hacer este proceso hasta obtener 4 círculos, que ocupen la mayoría del
espacio probable de falla para el sistema. Normalmente se toma el cuarto
círculo lo suficientemente grande, lo cual se especifica en el aparte
siguiente.
4) Para cada círculo se calcula el margen de seguridad y se toma como valor
definitivo el menor entre todos los encontrados.
Para los resultados presentados más adelante, se tomaron círculos a 20%, 40% y
80% más grandes que el círculo original. Un caso específico se muestra a
continuación.
Este caso tiene un talud de altura igual a 8 metros, en el cual se evidencia el
tamaño de los círculos.
Figura 3. Tamaño de las superficies de fallas seleccionadas para una altura de 8 metros
6. Simulación de Monte Carlo Para la Simulación de Monte Carlo, se encontró que el número ideal de
simulaciones que genera un equilibrio entre exactitud de los resultados y costo
computacional fue de 1.000 iteraciones, para llegar a este número óptimo, se
hizo el proceso de:
!1#
0#
1#
2#
3#
4#
5#
6#
7#
8#
9#
!10# 0# 10# 20# 30# 40# 50# 60# 70#
Circulo#1#
Talud#
Circulo#2#
Circulo#3#
Circulo#4#
Roberto Camargo / Universidad de los Andes 8
i. Aumentar el número de iteraciones a 10.000. En este caso el modelo toma
seis veces el tiempo requerido para 1.000 iteraciones.
ii. Disminuir el número de iteraciones a 100. Aunque con este número de
iteraciones el modelo es confiable, con un número mayor de datos se
tiene una mayor capacidad de predicción.
Cada vez que el modelo calcula el margen de seguridad, lo realiza con diferentes
valores de los parámetros del suelo, los cuáles siguen una distribución Log-‐
Normal. Entonces el cálculo de la probabilidad de falla es el número de veces que
el margen de seguridad es menor o igual a cero, dividido por el número de
repeticiones que realiza el modelo.
7. Análisis de Sensibilidad Para comprobar si el modelo es adecuado para su aplicación operativa, se realizó
un análisis de sensibilidad para cada uno de los parámetros del modelo. En este
análisis se utilizaron los siguientes casos hipotéticos. Tabla 3. Casos hipotéticos para análisis de sensibilidad
Gráfica 2. Análisis de sensibilidad para el peso específico
h 8 h 15 h 13beta 3 beta 3 beta 2hw 4 hw 1 hw 0Phi 20 Phi 25 Phi 15
C1(kPa) 100 C1(kPa) 20 C1(kPa) 200γ1(kN/m3) 20 γ1(kN/m3) 22 γ1(kN/m3) 16
C3C1 C2
0.0%$
10.0%$
20.0%$
30.0%$
40.0%$
50.0%$
60.0%$
16$ 18$ 20$ 22$ 24$ 26$ 28$
Prob
abilida
d)de
)Falla)(%
))
Peso)Específico)(kN/m3))
Sensibilidad)Peso)Especifico)
C1$
C2$
C3$
Roberto Camargo / Universidad de los Andes 9
En primer lugar, para el peso específico, se observa que la sensibilidad del
modelo es limitada a los cambios importantes de la propiedad del suelo.
Gráfica 3. Análisis de sensibilidad para el ángulo de fricción
En la Gráfica 3, el análisis muestra que para ángulo de fricción interna pequeños,
la probabilidad de falla es inversamente proporcional al valor del ángulo. Sin
embargo, para ángulo más grandes, el valor de la probabilidad de falla no
muestra mayores fluctuaciones.
Gráfica 4. Análisis de sensibilidad para la cohesión del suelo
En la Gráfica 4, sucede algo muy similar a lo observado en la Gráfica 3. Se
evidencia que para valores pequeños de cohesión, se tienen probabilidades de
falla mayores. En el caso de cohesiones grandes, no se aprecia un cambio
drástico en la probabilidad de falla.
0.0%$
10.0%$
20.0%$
30.0%$
40.0%$
50.0%$
60.0%$
70.0%$
6$ 11$ 16$ 21$ 26$ 31$ 36$ 41$
Prob
abilida
d)de
)Falla)(%
))
Ángulo)de)Fricción)
Sensibilidad)Ángulo)de)Fricción)
C1$
C2$
C3$
0.0%$
10.0%$
20.0%$
30.0%$
40.0%$
50.0%$
60.0%$
0$ 200$ 400$ 600$ 800$ 1000$ 1200$
Prob
abilida
d)de
)Falla)(%
))
Cohesión)(kPa))
Sensibilidad)Cohesión)
C1$
C2$
C3$
Roberto Camargo / Universidad de los Andes 10
Gráfica 5. Análisis de sensibilidad para la altura del talud
En el caso de la altura, la Gráfica 5 muestra que el modelo no es sensible a esta.
Una posible explicación, es que la altura máxima para un sistema determinado
está dada por el tipo de material que lo compone. Hay que aclarar que lo
observado sucede para el material del caso 3, pero existe la probabilidad de que
el modelo se comporte diferente para distintos tipos de material.
Gráfica 6. Análisis de sensibilidad para la pendiente de la superficie del talud
En la Gráfica 6, se puede determinar que el modelo es sensible a los cambios en
la pendiente de la superficie del talud. En este escenario, la probabilidad de falla
es mayor conforme aumenta la pendiente del talud.
20.0%%
25.0%%
30.0%%
35.0%%
40.0%%
45.0%%
50.0%%
0% 50% 100% 150% 200% 250% 300% 350%
Prob
abilida
d)de
)Falla)(%
))
Altura)del)Talud)(m))
Sensibilidad)Altura)
0.0%$
10.0%$
20.0%$
30.0%$
40.0%$
50.0%$
60.0%$
70.0%$
80.0%$
90.0%$
0$ 10$ 20$ 30$ 40$ 50$ 60$ 70$
Prob
abilida
d)de
)Falla)(%
))
Pendiente)Talud)(Grados))
Sensibilidad)Pendiente)
Roberto Camargo / Universidad de los Andes 11
Gráfica 7. Análisis de sensibilidad para el nivel freático
En último lugar, la Gráfica 6 tiene un comportamiento similar al observado en la
Gráfica 5. Entre mayor sea el nivel freático, la probabilidad de falla es mayor. Se
puede decir, entonces, que la probabilidad de falla aumenta si el material se
encuentra saturado en comparación con el mismo material en estado seco.
Los datos anteriores muestran que el parámetro para el cual el modelo es más
sensible, es el cambio de pendiente. De igual manera, entre las tres propiedades
mecánicas del suelo (peso específico, ángulo de fricción interna y cohesión) el
ángulo de fricción es el que más influye sobre el modelo, seguido de cerca por la
cohesión del suelo. Por otra parte, el peso específico es la propiedad que menos
influye sobre los resultados del modelo.
De igual manera, para todos los parámetros, se observa una variación
importante cuando estos toman valores pequeños. Esto se le puede atribuir a
que la Simulación de Monte Carlo no funciona de manera tan efectiva cuando se
tienen probabilidades pequeñas (Wang, Cao, & Au, 2010).
8. Comparación del modelo con otro modelo de cálculo de mayor
complejidad Para determinar si el modelo se adapta bien a la realidad, se va a comparar con el
estudio realizado en la vía Medellín-‐Bogotá por Escobar y Valencia (2012). Este
estudio se concentró en dos taludes encontrados en esta vía y su análisis de
estabilidad por medio de la mayoría de métodos conocidos en la actualidad como
los métodos de Bishop, Morgestern-‐Price y Sarma entre otros. El suelo
encontrado en el K41+500 tiene un peso específico de 13.6 kN/m3, cohesión de 8
40.0%%
45.0%%
50.0%%
55.0%%
60.0%%
65.0%%
70.0%%
0% 2% 4% 6% 8% 10% 12% 14% 16%
Prob
abilida
d)de
)Falla)(%
))
Nivel)Freá2co)(m))
Sensibilidad)Nivel)Freá2co)
Roberto Camargo / Universidad de los Andes 12
kPa y un ángulo de fricción de 29 grados (Escobar & Valencia, 2012). Entonces,
para una pendiente de aproximadamente 45 grados, la probabilidad de falla
toma una valor de 81.7%.
Al introducir estos valores para los parámetros del modelo, el resultado arrojado
fue una probabilidad de falla del 89.3%. Teniendo en cuenta que el modelo
utilizado por Escobar y Valencia (2012) se encarga de utilizar métodos más
avanzados para la determinación de la probabilidad de falla, la diferencia de
aproximadamente 9% entre los dos resultados. Dependiendo de la tolerancia
que se tenga, análisis adicionales pueden ser requeridos.
9. Conclusiones En conclusión, este artículo presenta un modelo teórico y una herramienta
técnica que permita calcular de una manera simple la probabilidad de falla de un
sistema determinado. Como se observó en la comparación del modelo, los
valores arrojados por el mismo tienden a ser conservadores, lo cual ya se había
logrado demostrar (Rubio, Hall, & Anderson, 2004) Sin embargo, estos valores
conservadores no se encuentran tan alejados de la realidad, como los
encontrados por Escobar y Valencia (2012). Como se ha mencionado
anteriormente, la principal ventaja de este modelo sobre otros, es la simplicidad
del mismo. Es importante mencionar que existen muchos modelos para calcular
el riesgo (Estrada, 2013), pero pocas veces estos modelos tiene en cuenta el
comportamiento mecánico del suelo, a diferencia del modelo presentado en este
artículo.
Sin embargo, este modelo tiene ciertas limitaciones que deben ser tenidas en
cuenta al momento de su aplicación. La primera de ellas es la presión de poros.
Al momento de realizar los cálculos se asumió una distribución lineal de las
presiones en los poros del suelo. No obstante, se sabe que las presiones no
necesariamente se distribuyen de esta manera (Requelme, 2012).
Se considera que el modelo es útil en el análisis de riesgo en taludes, mientras
que la herramienta desarrollada es simple y puede lograr una mayor cobertura.
Roberto Camargo / Universidad de los Andes 13
10. Bibliografía Baecher, G. B., & Christian, J. T. (2003). Reliability and Statistics in Geotechnical
Engineering. John Wiley Publications.
Bishop, A. W. (1954). The use of the slip circle in the stability analysis of slopes.
First Technical Session: General Theory of Stability of Slopes, (pp. 1-‐11).
Cho, S. E. (2007). Effects of spatial variability of soil properties on slope stability.
Engineering Geology (92), 97-‐109.
Chowdhury, R., & Rao, B. (2010). Probabilistic stability assessment of slopes
using high dimensional model representation. Computers and Geotechnics (37),
876-‐884.
Cruz, L. (2012). Análisis Probabilístico de Fallas Superficiales en Taludes Debido
a Procesos de Infiltración. Bogotá: Pontificia Universidad Javeriana.
Córdoba, J. A., Moreno, E. Y., Ramírez, H., & Rentería, E. S. (2007). Estudio de la
estabilidad de las laderas de los barrios Montebello, La Cascorva y San Francisco
de Medrano zona sur-‐oriental del municipio de Quibdó, Chocó, Colombia. Revista
Institucional Universidad Tecnológica del Chocó: Investigación, Biodiversidad y
Desarrollo , 79-‐83.
Duncan, M., & Wright, S. (2005). Soil Strenght and Slope Stability. New Jersey:
John Wiley & Sons.
El-‐Ramly, H., Morgenstern, N., & Cruden, D. (2002). Probabilistic slope stability
analysis for practice. Can Geotech (39), 665-‐6683.
Escobar, L. J., & Valencia, Y. (2012). Análisis de estabilidad y probabilidad de falla
de dos taludes de suelo tropical en la autopista Medellín-‐Bogotá en el tramo de
vía entre Marinilla y Santuario. Boletín de Ciencias de la Tierra (31), 51-‐64.
Estrada, N. (2013). Enunciado Proyecto Final Estabilidad de Taludes. Bogotá,
Colombia: Universidad de los Andes.
Hidalgo, C., & Assis, A. (2011). Evaluación de la incertidumbre en el análisis de
estabilidad de un talud excavado en suelos residuales . Pan-‐Am CGS Geotechnical
Conference, (p. 8). Toronto.
Jin, H., Um, J.-‐G., Woo, I., & Woo, J. (2012). Application of fuzzy set theory to
evaluate the probability of failure in rock slopes. Engineering Geology (125), 92-‐
101.
Roberto Camargo / Universidad de los Andes 14
Johari, A., & Javadi, A. A. (2012). Reliability assessment of infinite slope stability
using the jointly distributed random variables method. Scientia Iranica (19),
423-‐429.
Lacasse, S., & Nadim, F. (1996). Uncertainties in characterizing soil properties.
Uncertainty in the Geologic Enviroment: From Theory to Practice. 58, pp. 49-‐75.
Shackleford: ASCE Geotechnical Special Publication.
Leynaud, D., & Sultan, N. (2010). 3-‐D Slope stability analysis: A probability
approach to the nice slope (SE France). Marine Geology (269), 89-‐106.
Li, K. S., & Lumb, P. (1987). Probabilistic design of slopes. Canadian Geotechnical
Journal (24), 520-‐535.
Mostajo, J. (2009). Estudio de probabilidad de falla e implementación de
alternativas de solución al deslizamiento de taludes andinos. Perú: Universidad
Ricardo Palma.
Paz, M., Taboada, J., Rivas, T., Giráldez, E., & Araújo, M. (2011). Ábacos para el
cálculo de estabilidad en escombreras de pizarra y granito. Boletín Geológico y
Minero (122), 161-‐170.
Requelme, C. (2012). Análisis, evaluación y propuesta metodológica de
estabilidad de talud en la vía Zumbi-‐ Paquisha desde la abscisa 03+500 hasta
05+500. Ecuador: Universidad Técnica Particular de Loja.
Rubio, E., Hall, J., & Anderson, M. (2004). Uncertainty analysis in a slope
hydrology and stability model using probabilistic and imprecise information.
Computers and Geotechnics , 529-‐536.
Sánchez Silva, M. (2005). Introducción a la confiabilidad y la evaluación de
riesgos: teoría y aplicaciones en ingeniería. Bogotá: Universidad de los Andes.
Schweiger, H., Thurner, R., & Pottler, R. (2001). Reliability analysis in geotechnics
with deterministic finite elements. International Journal of Geomechanics (4),
389-‐413.
Srivastava, A., & Babu, S. (2009). Effect of soil variability on the bearing capacity
of clay and in slope stability problems. Engineering Geology (108), 142-‐152.
Wang, Y., Cao, Z., & Au, S.-‐K. (2010). Efficient Monte Carlo Simulation of
parameter sensitivity in probabilistic slope stability analysis. Computers and
Geotechnics (37), 1015-‐1022.
Roberto Camargo / Universidad de los Andes 15
Anexo 1: Código para su ejecución en MatLab® clear all clc %Se definen todas las propiedades del sistema (altura, pendiente y suelo) h=20; beta=2; pp=13.6; c=200; phi=25; hw=20; pw=10; cfpp=0.03; cfphi=0.12; cfc=0.4; %Se calculan los volumenes de las dovelas para los 4 circulos con geometria %basica deltaXC1=h/tand(beta); RC1=(deltaXC1^2+h^2)/(2*h); deltaYC1=-RC1+h; L1=sqrt(deltaXC1^2+h^2); angC1=asind(L1*sind(90-beta)/RC1); beti=angC1/10; alfasC1=zeros(10,1); for i=2:10 alfasC1(1)=beti/2; psi=90-beti/2; alfasC1(i)=180+alfasC1(i-1)-2*psi; end bC1=RC1*sind(beti)/sind(psi); AC1=zeros(10,2); AmC1=zeros(10,2); dC1=zeros(10,1); h1C1=zeros(10,1); AreasC1=zeros(10,1); for i=2:10 AC1(1,1)=bC1*cosd(alfasC1(1)); AC1(1,2)=bC1*sind(alfasC1(1));
Roberto Camargo / Universidad de los Andes 16
AmC1(1,1)=0.5*AC1(1,1); AmC1(1,2)=0.5*AC1(1,2); h1C1(1)=AmC1(1,1)*tand(beta)-AmC1(1,2); dC1(1)=bC1*cosd(alfasC1(1)); AreasC1(1)=dC1(1)*h1C1(1); AC1(i,1)=bC1*cosd(alfasC1(i))+AC1(i-1,1); AC1(i,2)=bC1*sind(alfasC1(i))+AC1(i-1,2); AmC1(i,1)=0.5*bC1*cosd(alfasC1(i))+AC1(i-1,1); AmC1(i,2)=0.5*bC1*sind(alfasC1(i))+AC1(i-1,2); h1C1(i)=AmC1(i,1)*tand(beta)-AmC1(i,2); dC1(i)=bC1*cosd(alfasC1(i)); AreasC1(i)=dC1(i)*h1C1(i); end kC2=0.2*RC1; RC2=RC1+kC2; deltaYC2=deltaYC1; deltaXC2=sqrt(RC2^2-(deltaYC2-kC2)^2); L1=sqrt(deltaXC2^2+h^2); omC2=90-(asind(h/L1)); angC2=asind(L1*sind(omC2)/RC2); beti=angC2/10; for i=2:10 alfasC2(1)=beti/2; psi=90-beti/2; alfasC2(i)=180+alfasC2(i-1)-2*psi; end bC2=RC2*sind(beti)/sind(psi); AC2=zeros(10,2); AmC2=zeros(10,2); dC2=zeros(10,1); h1C2=zeros(10,1); AreasC2=zeros(10,1); for i=2:10 AC2(1,1)=bC2*cosd(alfasC2(1)); AC2(1,2)=bC2*sind(alfasC2(1));
Roberto Camargo / Universidad de los Andes 17
AmC2(1,1)=0.5*AC2(1,1); AmC2(1,2)=0.5*AC2(1,2); h1C2(1)=AmC2(1,1)*tand(beta)-AmC2(1,2); dC2(1)=bC2*cosd(alfasC2(1)); AreasC2(1)=dC2(1)*h1C2(1); AC2(i,1)=bC2*cosd(alfasC2(i))+AC2(i-1,1); AC2(i,2)=bC2*sind(alfasC2(i))+AC2(i-1,2); AmC2(i,1)=0.5*bC2*cosd(alfasC2(i))+AC2(i-1,1); AmC2(i,2)=0.5*bC2*sind(alfasC2(i))+AC2(i-1,2); if AmC2(i,1)<deltaXC1 h1C2(i)=AmC2(i,1)*tand(beta)-AmC2(i,2); else h1C2(i)=h-AmC2(i,2); end dC2(i)=bC2*cosd(alfasC2(i)); AreasC2(i)=dC2(i)*h1C2(i); end kC3=0.4*RC1; RC3=RC1+kC3; deltaYC3=deltaYC1; deltaXC3=sqrt(RC3^2-(deltaYC3-kC3)^2); L1=sqrt(deltaXC3^2+h^2); omC3=90-(asind(h/L1)); angC3=asind(L1*sind(omC3)/RC3); beti=angC3/10; for i=2:10 alfasC3(1)=beti/2; psi=90-beti/2; alfasC3(i)=180+alfasC3(i-1)-2*psi; end bC3=RC3*sind(beti)/sind(psi); AC3=zeros(10,2); AmC3=zeros(10,2); dC3=zeros(10,1); h1C3=zeros(10,1); AreasC3=zeros(10,1); for i=2:10 AC3(1,1)=bC3*cosd(alfasC3(1));
Roberto Camargo / Universidad de los Andes 18
AC3(1,2)=bC3*sind(alfasC3(1)); AmC3(1,1)=0.5*AC3(1,1); AmC3(1,2)=0.5*AC3(1,2); h1C3(1)=AmC3(1,1)*tand(beta)-AmC3(1,2); dC3(1)=bC3*cosd(alfasC3(1)); AreasC3(1)=dC3(1)*h1C3(1); AC3(i,1)=bC3*cosd(alfasC3(i))+AC3(i-1,1); AC3(i,2)=bC3*sind(alfasC3(i))+AC3(i-1,2); AmC3(i,1)=0.5*bC3*cosd(alfasC3(i))+AC3(i-1,1); AmC3(i,2)=0.5*bC3*sind(alfasC3(i))+AC3(i-1,2); if AmC3(i,1)<deltaXC1 h1C3(i)=AmC3(i,1)*tand(beta)-AmC3(i,2); else h1C3(i)=h-AmC3(i,2); end dC3(i)=bC3*cosd(alfasC3(i)); AreasC3(i)=dC3(i)*h1C3(i); end kC4=0.8*RC1; RC4=RC1+kC4; deltaYC4=deltaYC1; deltaXC4=sqrt(RC4^2-(deltaYC4-kC4)^2); L1=sqrt(deltaXC4^2+h^2); omC4=90-(asind(h/L1)); angC4=asind(L1*sind(omC4)/RC4); beti=angC4/10; for i=2:10 alfasC4(1)=beti/2; psi=90-beti/2; alfasC4(i)=180+alfasC4(i-1)-2*psi; end bC4=RC4*sind(beti)/sind(psi); AC4=zeros(10,2); AmC4=zeros(10,2); dC4=zeros(10,1); h1C4=zeros(10,1); AreasC4=zeros(10,1); for i=2:10 AC4(1,1)=bC4*cosd(alfasC4(1));
Roberto Camargo / Universidad de los Andes 19
AC4(1,2)=bC4*sind(alfasC4(1)); AmC4(1,1)=0.5*AC4(1,1); AmC4(1,2)=0.5*AC4(1,2); h1C4(1)=AmC4(1,1)*tand(beta)-AmC4(1,2); dC4(1)=bC4*cosd(alfasC4(1)); AreasC4(1)=dC4(1)*h1C4(1); AC4(i,1)=bC4*cosd(alfasC4(i))+AC4(i-1,1); AC4(i,2)=bC4*sind(alfasC4(i))+AC4(i-1,2); AmC4(i,1)=0.5*bC4*cosd(alfasC4(i))+AC4(i-1,1); AmC4(i,2)=0.5*bC4*sind(alfasC4(i))+AC4(i-1,2); if AmC4(i,1)<deltaXC1 h1C4(i)=AmC4(i,1)*tand(beta)-AmC4(i,2); else h1C4(i)=h-AmC4(i,2); end dC4(i)=bC4*cosd(alfasC4(i)); AreasC4(i)=dC4(i)*h1C4(i); end %Se definen los parametros para el analisis de estabilidad sum1=0; sum2=0; sum3=0; sum4=0; iter=0; itermax=5; f=0.3; ppm=pp; pps=ppm*cfpp; phim=phi; phis=phim*cfphi; cm=c; cs=cm*cfc; ms=zeros(100,1); %Se inicia el ciclo de las simulaciones de Monte Carlo for s=1:100 ppsln=log(pps^2+1); ppln=log(ppm)-0.5*ppsln; phisln=log(phis^2+1); philn=log(phim)-0.5*phisln; csln=log(cs^2+1); cln=log(cm)-0.5*csln;
Roberto Camargo / Universidad de los Andes 20
pp=lognrnd(ppln,ppsln); phi=lognrnd(philn,phisln); c=lognrnd(cln,csln); pesosC1=pp*AreasC1(:,1); pesosC2=pp*AreasC2(:,1); pesosC3=pp*AreasC3(:,1); pesosC4=pp*AreasC4(:,1); while iter<itermax for i=1:10 coh(i)=c*dC1(i); ratio=dC1(1)*sind(beta); por=pw*(hw-i*ratio)/2; pres(i)=por*dC1(i); sum1=sum1+coh(i)*1/cosd(alfasC1(i)); sum2=sum2+(pesosC1(i)-pres(i))*tand(phi)*1/cosd(alfasC1(i)); sum3=sum3+(1+(tand(phi)*tand(alfasC1(i)))/f); sum4=sum4+(pesosC1(i)*sind(alfasC1(i))); end fs=((sum1+sum2)/sum3)/sum4; margenC1=((sum1+sum2)/sum3)-sum4; fC1=fs; iter=iter+1; sum1=0; sum2=0; sum3=0; sum4=0; end iter=0; while iter<itermax for i=1:10 coh(i)=c*dC2(i); ratio=dC2(1)*sind(beta); por=pw*(hw-i*ratio)/2; pres(i)=por*dC2(i); sum1=sum1+coh(i)*1/cosd(alfasC2(i)); sum2=sum2+(pesosC2(i)-pres(i))*tand(phi)*1/cosd(alfasC2(i)); sum3=sum3+(1+(tand(phi)*tand(alfasC2(i)))/f); sum4=sum4+(pesosC2(i)*sind(alfasC2(i))); end
Roberto Camargo / Universidad de los Andes 21
fs=((sum1+sum2)/sum3)/sum4; margenC2=((sum1+sum2)/sum3)-sum4; fC2=fs; iter=iter+1; sum1=0; sum2=0; sum3=0; sum4=0; end iter=0; while iter<itermax for i=1:10 coh(i)=c*dC3(i); ratio=dC3(1)*sind(beta); por=pw*(hw-i*ratio)/2; pres(i)=por*dC3(i); sum1=sum1+coh(i)*1/cosd(alfasC3(i)); sum2=sum2+(pesosC3(i)-pres(i))*tand(phi)*1/cosd(alfasC3(i)); sum3=sum3+(1+(tand(phi)*tand(alfasC3(i)))/f); sum4=sum4+(pesosC3(i)*sind(alfasC3(i))); end fs=((sum1+sum2)/sum3)/sum4; margenC3=((sum1+sum2)/sum3)-sum4; fC3=fs; iter=iter+1; sum1=0; sum2=0; sum3=0; sum4=0; end iter=0; while iter<itermax for i=1:10 coh(i)=c*dC4(i); ratio=dC4(1)*sind(beta); por=pw*(hw-i*ratio)/2; pres(i)=por*dC4(i); sum1=sum1+coh(i)*1/cosd(alfasC4(i)); sum2=sum2+(pesosC4(i)-pres(i))*tand(phi)*1/cosd(alfasC4(i)); sum3=sum3+(1+(tand(phi)*tand(alfasC4(i)))/f); sum4=sum4+(pesosC4(i)*sind(alfasC4(i))); end
Roberto Camargo / Universidad de los Andes 22
fs=((sum1+sum2)/sum3)/sum4; margenC4=((sum1+sum2)/sum3)-sum4; fC4=fs; iter=iter+1; sum1=0; sum2=0; sum3=0; sum4=0; end matmarg(1,1)=margenC1; matmarg(1,2)=margenC2; matmarg(1,3)=margenC3; matmarg(1,4)=margenC4; margen(s)=min(matmarg); end %Se calcula la probabilidad de falla fallas=0; for q=1:s if margen(q)<0; fallas=fallas+1; end end Probabilidad=fallas/s