Tesis
System reliability analysis of soil slopes using metamodels
Fecha
2022Autor
Arévalo Gumucio, Carolina Andrea
Institución
Resumen
La evaluación de la confiabilidad de taludes de suelo que involucran comportamientos complejos
e incertidumbres puede ser una tarea desafiante porque generalmente requiere cálculos
que consumen mucho tiempo. Para abordar este problema, los métodos de confiabilidad
basados en metamodelos se utilizan cada vez más. Entre los metamodelos disponibles se
encuentra Kriging, un método de interpolación que proporciona no solo los valores predichos
en cualquier punto, sino también estimaciones de la varianza local de estas predicciones, que
pueden usarse en enfoques de entrenamiento adaptativo. El objetivo de este trabajo es proponer
un enfoque iterativo basado en la Simulación Monte Carlo (MCS) y el metamodelo
Kriging adaptativo para evaluar la confiabilidad de taludes de suelo de manera eficiente.
El modelo Kriging adaptativo propuesto se utiliza como sustituto de la respuesta del
sistema del talud de suelo y se establece mediante un diseño secuencial de experimentos, que
actualiza el modelo Kriging en cada iteración al agregar nuevos puntos de apoyo de acuerdo
con alguna regla de selección. En este trabajo se estudian diferentes reglas de selección,
combinando dos componentes: la varianza de predicción del metamodelo, expresada a través
de una función de entropía, y la proximidad al dominio de falla dada por la función de
estado límite (LFS). Luego se realiza el MCS utilizando el metamodelo Kriging adaptativo
para evaluar la probabilidad de falla del sistema de la pendiente. Este método se aplicó en
dos ejemplos ilustrativos de taludes de suelos, evaluando la estabilidad a través del método
de reducción de resistencia (SRM). Los resultados indican que el enfoque propuesto puede
proporcionar una estimación razonable y precisa de la probabilidad de falla del sistema con
un número significativamente reducido de análisis de estabilidad determinista en comparación
con la simulación directa de Monte Carlo (MCS), lo que hace que la implementación propuesta
sea atractiva desde una perspectiva computacional.