Академический Документы
Профессиональный Документы
Культура Документы
RESUMEN
En el marco del diseo ssmico basado en el desempeo, la optimizacin significa
encontrar valores a parmetros de diseo que minimicen una funcin objetivo,
satisfaciendo niveles mnimos de confiabilidad en cada estado lmite o desempeo
especificado. La funcin objetivo es el costo total, suma del costo inicial de
construccin ms el costo de reparacin por daos despus de un terremoto.
Se consideran variables aleatorias referidas al movimiento del suelo y tambin a las
propiedades de la estructura. La evaluacin de la respuesta estructural requiere la
utilizacin de anlisis dinmico no lineal. Se construye una base de datos con
resultados determinsticos para diferentes combinaciones de las variables y
parmetros de diseo. Estos resultados son representados convenientemente por
redes neuronales para ser usadas en el proceso de optimizacin, el cual es
realizado con un algoritmo que no necesita calcular gradientes.
Se aplica a la optimizacin de secciones de vigas y columnas, y cuantas de
armadura, de un prtico de 6 pisos y 3 vanos bajo la excitacin ssmica de la ciudad
de Mendoza. Se muestra la importancia de considerar el costo de reparaciones o
reemplazo por daos.
ABSTRACT
Optimization in performance-based design implies finding design parameters which
minimize a given objective, while satisfying minimum reliability levels in each of
several specified performance requirements or limit states. The objective function is
the total cost, including initial construction cost and repair cost after damage caused
by an earthquake.
Random variables are considered, related to the ground motion as well as to the
structure itself. The evaluation of structural responses involves the application of a
nonlinear dynamic analysis. A discrete response database is obtained
deterministically for different combinations of the intervening random variables and
design parameters. These results can then be conveniently represented with neural
networks in order to use in the optimization process, which is carried out by a
gradient-free algorithm.
The paper presents an application to the optimization of beam and column sections,
and reinforcement ratios, of a frame with 6 stories and 3 bays under the seismic
excitation corresponding to the city of Mendoza. It is shown the importance of taking
into account the damage repair cost.
1. INTRODUCCIN
En el marco del diseo ssmico basado en el desempeo1,2, considerando
incertidumbres en las variables, la optimizacin consiste en encontrar valores a
ciertos parmetros de diseo que minimicen una funcin objetivo, satisfaciendo
simultneamente restricciones de probabilidad de falla, o ndice de confiabilidad,
requeridas para cada nivel de desempeo analizado.
La funcin objetivo es el costo total, suma del costo inicial de construccin ms el
costo de posibles reparaciones o reemplazo luego de la ocurrencia de un terremoto,
teniendo en cuenta la probabilidad de ocurrencia de un evento ssmico durante la
vida de la estructura. El costo inicial incluye el costo de material y mano de obra del
hormign y del acero, mientras que en el costo de reparacin por daos, interviene
la frecuencia de ocurrencia de terremotos, la tasa de inters, la funcin de
distribucin de probabilidades del dao y la relacin entre el dao y el costo de
reparacin.
Para la evaluacin de la confiabilidad se formulan estados lmites en cada nivel
de desempeo, donde es necesario calcular valores mximos de respuestas de la
estructura en la duracin del evento ssmico. Debido a la naturaleza del problema,
es necesario recurrir al anlisis dinmico no lineal paso a paso. Como no es posible
establecer una relacin explcita entre las variables de entrada (datos) y las
respuestas dinmicas, se calculan resultados discretos para combinaciones
especficas de las variables aleatorias y parmetros de diseo intervinientes. Estos
resultados discretos se representan luego por una superficie de respuesta que se
utiliza como sustituto3 de la verdadera respuesta, haciendo posible el uso de la
simulacin directa de Monte Carlo para estimar la confiabilidad.
2. ESTRATEGIA DE OPTIMIZACIN
2.1 El problema
El problema de optimizacin se define de la siguiente manera: dada una funcin
objetivo F(d), siendo d el vector de los parmetros de diseo, se pretende encontrar
los valores ptimos de d que hagan mnima la funcin F, sujeto a la restriccin de
cumplir con valores mnimos de los ndices de confiabilidad i ( i = 1, M ) para cada
uno de los M niveles de desempeo. Los parmetros de diseo pueden ser definidos
como los valores medios los desvos standard de algunas de las variables
aleatorias del problema.
2.2 La solucin
La solucin al problema de optimizacin puede ser obtenida por una gran
variedad de algoritmos12. En este trabajo se utiliza un algoritmo que no necesita
calcular gradientes, el cual se resume a continuacin.
a) Se elige aleatoriamente un conjunto de combinaciones para los parmetros de
diseo, dentro de sus lmites especificados.
b) Para cada combinacin se evala la confiabilidad, utilizando simulacin de Monte
Carlo y redes neuronales como sustituto de la respuesta estructural. Como variante,
la confiabilidad se evala utilizando redes neuronales entrenadas previamente para
representar los ndices de confiabilidad en funcin de los parmetros de diseo.
c) Para aquellas combinaciones de los parmetros de diseo que satisfacen las
restricciones de confiabilidad, se evala la funcin objetivo y se selecciona el caso
que resulta con menor valor como punto de anclaje inicial.
d) Un nuevo conjunto de combinaciones se elige aleatoriamente en una hiperesfera
de bsqueda alrededor del punto de anclaje inicial. Nuevamente se evala la
confiabilidad como se indic en b), y para aquellos casos que satisfacen las
restricciones de confiabilidad se evala la funcin objetivo, eligindose el caso de
menor valor como nuevo punto de anclaje.
e) Este proceso se repite iterativamente hasta que no se encuentre ningn punto
dentro del radio de bsqueda que, satisfaciendo las restricciones de confiabilidad,
tenga un menor valor de la funcin objetivo que el correspondiente al punto de
anclaje. Esa combinacin, la del punto de anclaje, se elige como una aproximacin
del mnimo.
f) Todo el proceso es repetido desde el principio con otra seleccin aleatoria de
combinaciones de valores de los parmetros de diseo, encontrndose, en general,
otro punto con mnimo valor de la funcin objetivo. Podra ser el caso de un
problema que acepte varios mnimos. Si hay solamente un mnimo, entonces las
diferencias entre los mnimos de cada ciclo sern pequeas, dentro de las
tolerancias numricas. Finalmente la combinacin ptima de parmetros de diseo
es la que corresponde al mnimo de los mnimos de cada ciclo.
Este simple algoritmo evita problemas numricos asociados al clculo de
gradientes, y su eficiencia es incrementada por el uso de redes neuronales como
sustituto de la respuesta dinmica no lineal en cada simulacin de Monte Carlo. El
proceso se ilustra esquemticamente en la fig.1 para el caso de dos parmetros de
diseo.
2.3 Funcin objetivo
La funcin objetivo adoptada aqu es el costo total de la estructura, incluyendo el
costo inicial de construccin C0, ms el costo de reparaciones C1 asociado a
diferentes niveles de dao, o reemplazo, despus de un terremoto. Para ste ltimo
se debe tener en cuenta la probabilidad que un terremoto pueda ocurrir durante la
vida til de la estructura.
F (d) = C 0 (d) + C1 (d)
(1)
a) Costo inicial
El precio del hormign incluye materiales, encofrado y mano de obra para la
colocacin, con costo por unidad de volumen CUH. Para el acero, incluyendo
material y mano de obra para la colocacin, se define el costo por unidad de peso
como CUA. Entonces e l costo inicial del prtico resulta
C 0 (d) = Vol (d) CUH + P(d) CUA
(2)
(3)
(4)
r +
(5)
0.60
C f ( DIG ) = C 0
para
DIG 0.60
para
(6)
(7)
3. EVALUACIN DE LA CONFIABILIDAD
3.1 Estructuras a analizar y rango de las variables
En la fig.2 se muestra un prtico plano sismorresistente genrico, utilizado para el
clculo de las respuestas discretas.
Las variables y los lmites considerados son: nmero de pisos NP = 3 a 10,
nmero de vanos NV = 1 a 4, luz de los vanos XL = 300 a 600 cm todos iguales,
masa por unidad de longitud en cada piso m = 2.15x10-4 a 4x10-4 KN s2/cm2,
resistencia caracterstica del hormign f c = 20 a 40 MPa, ancho de la seccin de
vigas bv = 15 a 30 cm, altura de la seccin de vigas hv = 40 a 70 cm, ancho de la
seccin de columnas bc = 20 a 40 cm, altura de la seccin de columnas hc = 40 a
100 cm. Las dimensiones de vigas y columnas se reducen con la altura en funcin
del nmero de pisos, como se indica en la tabla 1.
Las cuantas de armadura, que cumplen con los requerimientos reglamentarios,
tienen los siguientes lmites: vigas en el tramo str = f c / (4 f y ) a ( f c + 10) /( 6 f y ) , en
el apoyo sap =
una
resistencia
adecuada
hormign
NP
para
f X (x)
cargas
cov f c = 0.15
f c0 = 0.85 f c
300
las
fc
f c
300
300
acero
f X (x)
cov f s = 0.07
300
fs
fy
300
1
450
s = As /(bv hv )
XL
XL
NV
st = Ast /(bc hc )
hc
hv
bv
s = As /(bv hv )
bc
NP
3
4
5
6
7
8
9
10
G1
2
2
3
3
3
3
3
4
G2
1
2
2
3
2
3
3
3
G3
2
2
3
3
1
N
R ki
k =1
Ri =
1 N
( Rki R i ) 2
N 1 k =1
(8)
Con estos resultados se ensamblan dos bases de 900 datos para cada
parmetro de respuesta, que son usadas para entrenar dos redes neuronales: una
para el valor medio y otra para el desvo standard de la respuesta sobre las variables
en las sub-combinaciones.
Se utilizan en este trabajo redes neuronales multicapa3, con una capa intermedia
y nmero de neuronas que minimiza el error de la representacin9,10,11,13,14,17. El
entrenamiento se realiza con un algoritmo de retropropagacin de errores.
Como ejemplo, en la fig.3 se muestra la aproximacin alcanzada para DISTM
entre los resultados del anlisis dinmico no lineal y las predicciones obtenidas con
las redes neuronales. Como se observa en la figura, una buena representacin es
obtenida.
Si la aproximacin fuera perfecta, todos los puntos deberan estar sobre la lnea a
45. Se observa una dispersin alrededor de esta lnea, ms para el desvo standard
que para el valor medio, la que puede cuantificarse con el desvo standard del error
relativo, que es un coeficiente de variacin promedio, dado por:
r =
1
NE
NE
(
1
k =1
Tk Yk 2
)
Yk
(9)
0.06
X +1 X
Red neuronal
Red neuronal
X +1 X
0.04
X 1 X
0.02
0.015
0.01
X 1 X
0.005
= 0.0477
= 0.21567
0
0
0.02
0.04
0.06
Dinmica no lineal
0.005
0.01
0.015
0.02
Dinmica no lineal
Ri = Yi (1. + X N 2 )
(10)
donde Y i , Yi son el valor medio y desvo standard del parmetro i calculado con
la red neuronal correspondiente, y XN 1 , XN 2 son variables Normales Standard.
3.4 Funciones de estado lmite
La expresin genrica de la funcin de falla G(X), o funcin de estado lmite en
cada nivel de desempeo a analizar, es
G ( X) = RLIM R ( X)
(11)
(12)
- Distorsin de piso
(13)
Seguridad de vidas
- Distorsin de piso
- ndice dao local mximo
- ndice de dao global
(14)
(15)
(16)
Lmite de colapso
- Distorsin de piso
(17)
(18)
(19)
R ( X)
exp R N 1
( X) 2
1. + ( R
)
R ( X)
ln(1. + (
)2 )
R ( X)
R ( X)
(20)
(21)
(22)
donde tL = 1 ao. Pfanual puede ser expresada por el ndice de confiabilidad anual,
como se indica en la ec.(22), usando la Distribucin Normal Standard .
4. EJEMPLO DE APLICACIN
4.1 Prtico analizado y variables aleatorias
El prtico estudiado tiene 6 pisos y 3 vanos, con alturas de entrepisos mostradas
en la fig.2, y con la sismicidad correspondiente a la ciudad de Mendoza.
Los tipos de distribucin y estadstica de todas las variables consideradas se
presentan en la tabla 2, donde el signo ? corresponde a los parmetros de diseo a
optimizar, descriptos en el apartado siguiente.
Tipo
X(1) = NP
X(2) = NV
X(3) = XL
400 cm
20.0 cm Normal
X(15) = fg
2.50 Hz
0.375 Hz Normal
X(4) = m
2.5x10-4
2.5x10-5 Normal
X(16) = aG
94 cm/s2
130cm/s2 Lognormal
X(5) = f c
30 MPa
3 MPa
X(6) = bv
20 cm
X(7) = hv
Variable
Variable
Normal
X(13) = f r / f c0
0.10
0.01
Normal
X(14) = aG
Tipo
Normal
Lognormal X(17) = aG
0.25
1 cm
Normal
Uniforme
? cm
0.05 X
Normal
X(19) = RN3
Normal
X(8) = bc
30 cm
1.5 cm
Normal
X(20) = XN1
Normal
X(9) = hc
? cm
0.05 X
Normal
X(21) = XN2
Normal
X(10) = s, tr
0.10 X
Uniforme
X(11)= s, ap
0.10 X
Normal
X(12) = s
0.10 X
Normal
X(7) = hv = d1
? cm
0.05 X
Normal
X(9) = hc = d2
? cm
0.05 X
Normal
X(10) = s, tr = d3
0.10 X
Lognormal
X(11) = s, ap = d4
0.10 X
Lognormal
X(12) = s = d5
0.10 X
Lognormal
Variable
Tipo
(23)
Pf anual
anual
Pf
Operacional
2 x 10-2
2.054
0.10101
-3
Seguridad de vidas
2 x 10
2.878
-4
Lmite de colapso
7 x 10
3.195
1.276
0.10010 x 10
-1
2.326
0.35012 x 10
-2
2.697
(24)
[
]
= [V
( X (10) + 0.6 X (11) + 0.0065) + V
( X (12) + 0.009)] 78.5 KN
P (d) = [0.1458 X (7) ( X (10) + 0.6 X (11) + 0.0065) +
+ 0.2124 X (9) ( X (12) + 0.009)] 78.5 KN
colum
(25)
Ciclo 1
Ciclo 2
Ciclo 3
d1 = X (7) = hv (cm)
59.18
62.65
59.95
d 2 = X (9) = hc (cm)
53.73
58.15
50.13
d 3 = X (10) = s, tr
0.01117
0.00904
0.01024
d 4 = X (11) = s, ap
0.01211
0.01287
0.01145
d 5 = X (12) = s,col
0.02124
0.01747
0.02624
32332
33001
32456
4914
4488
4414
37246
37489
36870
1 ( 1 T = 1.276 )
1.4400
1.4710
1.4296
2 ( 2 T = 2.326 )
2.3512
2.3726
2.3508
3 ( 3 T = 2.697 )
2.7027
2.7059
2.7031
5. CONCLUSIONES
En el marco de la ingeniera ssmica basada en el desempeo, se consideran las
incertidumbres presentes en demandas y capacidades para evaluar probabilidades
de falla, o de excedencia anual, en varios niveles de desempeo requerido, las que
deben estar acotadas a valores admitidos.
Para la formulacin de los estados lmites, los clculos de la respuesta estructural
requiere del anlisis dinmico no lineal. No existe una relacin explcita entre dichas
respuestas y las variables aleatorias intervinientes. Se pueden obtener resultados
discretos para diferentes combinaciones de las variables, y esos resultados pueden
ser aproximados por una superfcie de respuesta o red neuronal. En este trabajo se
utilizan redes neuronales porque tienen las mejores caractersticas de flexibilidad y
adaptabilidad.
La tarea computacional importante es la construccin de las bases de datos
discretos, realizando anlisis dinmico no lineal para un nmero representativo de
combinaciones de las variables dentro de sus lmites. Para cada combinacin de las
variables se analiza un conjunto de sub-combinaciones con diferentes
acelerogramas, calculndose el valor medio y desvo standard de cada parmetro de
respuesta. Con estas bases de datos se entrenan redes neuronales que son
utilizadas para representar las respuestas en forma probabilstica.
La utilizacin de las redes neuronales como sustituto de la respuesta
estructural, hace posible el clculo de la probabilidad de falla utilizando el mtodo de
simulacin directa de Monte Carlo, con un pequeo costo computacional.
La optimizacin consiste en encontrar un conjunto de valores de parmetros de
diseo que, satisfaciendo los requerimientos de confiabilidad, minimicen una funcin
objetivo. En este trabajo se muestra la implementacin de un algoritmo de
optimizacin basado en una bsqueda sin clculo de gradientes, el cual ha mostrado
un eficiente comportamiento.
Este esquema de optimizacin se aplic a prticos sismorresistentes de varios
pisos, donde los parmetros de diseo son las dimensiones de los elementos
estructurales y las cuantas de armaduras longitudinales. La funcin objetivo es el
costo total, que incluye el costo inicial de construccin y el costo por daos
REFERENCIAS
1
Foschi, R., Li, H., Zhang, J., Reliability and performance-based design: a
computational approach and applications, Structural safety, 24, 205-218, 2002.
10
11
13
14
15
Park, Y.J., Ang. A.H-S, Mechanistic seismic damage model for reinforced
concrete. Journal of Structural Engineering, ASCE, Vol.111 (ST4), pp.722-739,
1985.
16
Sexsmith, R.G. Bridge risk assessment and protective design for ship collision,
Proc. Colloquium on Ship Collision with Bridges and Offshore Structures,
International Association for Bridge and Structural Engineering, IABSE,
Copenhagen, 1983.
17
Mller, O., Foschi, R., Rubinstein, M., and Quiroz, L.. Seismic Structural
Reliability Using Different Nonlinear Dynamic Response Surface
Approximations, Structural Safety, under review, 2008.
18
19
AGRADECIMIENTOS
Este trabajo fue realizado con los aportes de los Proyectos de Investigacin
Confiabilidad de sistemas estructurales bajo solicitaciones dinmicas 1ING 142
(19/I202) de la Universidad Nacional de Rosario, Argentina, y Neural networks for
reliability and performance-based design in earthquake engineering Natural Science
Engineering Research Council: RGPIN 5882-04, University of British Columbia,
Vancouver, Canada.