retrocalculo de mÓdulos mediante el uso de redes neurales artificiales considerando carga mÚltiple...
TRANSCRIPT
RETROCALCULO DE MÓDULOS MEDIANTE EL USO
DE REDES NEURALES ARTIFICIALES
CONSIDERANDO CARGA MÚLTIPLE Y CERO FRICCIÓN
ENTRE CAPAS DE PAVIMENTOS FLEXIBLES
Ing. Fabricio Leiva Villacorta, Ph.D., MBA
Ing. David Timm, Ph.D., PE
Materiales
σ ε
Respuesta
TráficoAmbiente
Pavement Evaluation
Anális
is M
ecan
ístic
o
Funciones de transferencia
Vida Remanente
Diseño M-ESobrecapa
EVALUACIÓN DE PAVIMENTOSRetrocálculo
Estructura Existente
Rehabilitación
Retrocálculo
Convertir Deflexiones medidas en modulos de
capa
Base
Suelo
MAC
FWD
Valores EntradaE1, E2, E3
Deflexiones Calculadas
Tolerancia
N
Modulos Retrocalculados
Y
LEA
Limitaciones
• Sesible a condiciones iniciales
• Limitado número de capas
• Consume mucho tiempo
• Mayoría considera adherencia completa entre capas
OBJETIVO
• Desarrollar modelos ANN capaces de calcular módulos de capa de pavimentos de una forma rápida y precisa que incorpore múltiple niveles de carga y que considere cero fricción entre capas.
Metodología
• Modelos ANN para pavimento flexible de 3 capas
• Análisis de tipo de adherencia entre capas
• Aplicación de modelos en tramos experimentales en NCAT
RESULTADOS•Tramos estudiados
RESULTADOS•Tramos estudiados
Capa 1-SuperiorTramo S9 S10 S11 N10 N11
%Modificador 2.8 2.8 2.8 0.0 0.0Grado PGa 76-22 76-22 76-22 82-10 80-16RAPb, % 0.0 0.0 0.0 50 50
Espesor, in 1.2 1.3 1.5 1.4 1.2Capa 2-Intermedia
Tramo S9 S10 S11 N10 N11Grado PGa 76-22 76-22 76-22 94-10 88-10Espesor, in 2.8 2.7 2.8 2.7 3.0
Capa 3-InferirorTramo S9 S10 S11 N10 N11
%Modificador 0.0 0.0 0.0 0.0 0.0Grado PGa 67-22 67-22 67-22 94-10 88-10Espesor, in 3.0 3.0 2.6 3.0 2.9
RESULTADOS•Desarrollo de modelos
ANNCapa Módulo, ksi Espesor, in
Módulo de Poisson
Mezcla asfáltica (C1) 50 - 3000 5.0 - 8.0 0.35
Base Granular (C2) 1 - 100 4.5 - 7.5 0.40
Subrasante (C3) 1 - 100 Infinito 0.45
6kip 9kip 12kip 16kip0
4
8
12
16
20
6kip; Mean; 6.03
9kip; Mean; 9.05
12kip; Mean; 12.46
16kip; Mean; 16.46
Cargas Meta, kips
Carg
a P
rom
ed
io,
kip
s
±1
RESULTADOS•Desarrollo de modelos
ANN
2
3
p
11
1
m
2
n
X1
X2
X3
Xp
O1
O3
E1
E3
Error
Sentido de activación
i
jk
Wik, Bk1
Sentido propagación del Error
Wkj, Bj2
Wj, Bo
Capa
Oculta #1
Capa
Oculta #2
RESULTADOS•Desarrollo de modelos
ANN
Tolerancia RMSE Modulo R2 Se/Sy
0.1 0.01 - 0.21E1 0.999 0.034
E2 0.999 0.026
E3 1.000 0.002
Criterio* R2 Se/Sy
Excelente > 0.9 < 0.35
Bueno 0.7 - 0.89 0.36 - 0.55
Aceptable 0.4 - 0.69 0.56 – 0.75
Pobre 0.20 - 0.39 0.76 - 0.90*NCHRP Report 465
RESULTADOS•Errores potenciales debido a
inadecuada modelación de interface entre capas
Parámetro Promedio Desv. Est. t-value p-valueE1 original 498.3 113.5
28.46 <<0.05E1 Estimado 647.1 190.2Diferencia 148.6 222.3
E2 Original 27.7 13.1-64.85 <<0.05E2 Estimado 7.1 3.61
Diferencia -20.5 13.4E3 Original 16.2 7.82
1.63 0.104E3 Estimado 16.6 7.62Diferencia 0.42 10.9
RESULTADOS
0 500 1000 1500 2000 25000
500
1000
1500
2000
2500
f(x) = 0.937028857195866 x + 13.4396623255874R² = 0.989005048528071
Estimado: Retrocálculo, ksi
Estim
ado:
AN
N-F
S M
odul
us, K
si
Modulos: Estimados ANN vs. Estimados Retrocálculo convencional
RESULTADOS
S9 S10 S11 N10 N110
200400600800
100012001400
Retrocálculo Convencional ANN Full Bond ANN Full Slip
Tramos
Mód
ulo
Estim
ado,
ks
i
S9 S10 S11 N10 N110
5
10
15
20
25Retrocálculo Convencional ANN Full Bond ANN Full Slip
Tramos
Mód
ulo
Estim
ado,
ks
i
S9 S10 S11 N10 N110
5
10
15
20
25Retrocálculo Convencional ANN Full Bond ANN Full Slip
Tramos
Mód
ulo
Estim
ado,
ks
iE1
E2
E3
Comparación de Metodologías
0 2 4 6 8 10 120%
20%
40%
60%
80%
100%
Conventional ANN FB
ANN FS
Error RMS, %
Dis
trib
ució
n A
cum
ulad
a %
RMSE Tramo
Porcentaje de valores dentro del criterio
Retrocálculo ANN FB ANN FS
Muy Buena < 1%
S9 21.5 76.2 93.2S10 22.9 40.9 78.3S11 21.9 54.5 79.8N10 8.28 53.8 65.1N11 8.2 92.9 99.9
Buena < 3%
S9 85.8 94.8 99.2S10 89.9 81.3 97.2S11 74.7 83.2 95N10 86.1 86.2 87.6N11 92.8 100 100
CONCLUSIONES•Inadecuada modelación de la
interface de capas diferencias significativas en los módulos estimados (subestimación bases granulares hasta 74%).
•Superioridad de la aplicación de modelos de redes neuronales sobre la metodología convencional de retrocálculo.
Muchas Gracias!
http://www.lanamme.ucr.ac.cr/[email protected]