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/Fabricio.leiva@ucr.ac.cr