Vol.

17, 3, 305316 (2001)

Revista Internacional de
Mtodos Numricos para
e
e
Clculo y Diseo en Ingenier
a
n
a

Anlisis de elementos nitos estocsticos por

a
a
estimaciones puntuales y expansin espectral
o
Jorge E. Hurtado
Universidad Nacional de Colombia
Apartado 127, Manizales, Colombia
Tel.: 57-68-863 906, Fax: 57-68-810 000
e-mail: jhurtado@emtelsa.multi.net.co

Resumen
En este art
culo se expone un mtodo simple que permite estimar los momentos estad
e
sticos de orden inferior
de respuestas estructurales bajo el efecto de campos aleatorios, los cuales se discretizan en forma de elementos
nitos estocsticos. El clculo de los momentos se realiza por el mtodo de las estimaciones puntuales en el
a
a
e
espacio creado por el desacoplamiento espectral de la covarianza del campo. La comparacin de los resultados
o
con una simulacin intensa de Monte Carlo muestra que la aproximacin que se obtiene por esta v es
o
o
a
excelente. Adems, para su aplicacin no se requieren algoritmos de clculo diferentes de los corrientemente
a
o
a
usados para clculo determinista, a diferencia de otras tcnicas de anlisis de elementos nitos estocsticos.
a
e
a
a

STOCHASTIC FINITE ELEMENT ANALYSIS VIA POINT ESTIMATES AND SPECTRAL

EXPANSIONS

Summary
A simple method for estimating the low-order statistical moments of structural responses under the eect of
random elds, which are discretized as stochastic nite elements is developed. The estimation is carried out
by means of the method of point estimates in the space resulting from the spectral decoupling of the eld
covariance. The comparison with an intensive Monte Carlo simulation shows an excellent agreement. Besides,
in contrast to other stochastic nite element methods, the application of this approach does not require the
use of a special nite element solvers dierent from those commonly used for deterministic analysis.

INTRODUCCION
Tradicionalmente, la mecnica computacional se ha interesado por el desarrollo de
a
tcnicas numricas que permitan la mayor aproximacin posible a las soluciones anal
e
e
o
ticas
clsicas, usualmente consideradas como exactas. En a os recientes, sin embargo, ha surgido
a
n
un inters por el estudio de los efectos de la incertidumbre inherente a los parmetros
e
a
de dise o, lo cual conduce necesariamente a un enfoque de tipo probabilista, en el que
n
la cuestin de la exactitud del mtodo numrico pasa a un segundo plano. En efecto, si
o
e
e
dichos parmetros pueden tener uctuaciones aleatorias de, digamos, 20 o 30 por ciento
a
con respecto a su valor nominal, la importancia que corrientemente se otorga al error del
mtodo de los elementos nitos se desdibuja, especialmente si se hace uso de un mallado
e
sucientemente no. El anlisis probabilista, por otra parte, permite responder a la impora
tante cuestin sobre la conabilidad de la estructura, ausente en el enfoque determinista
o
convencional.
Las incertidumbres en el anlisis estructural pueden modelarse de dos formas:
a

c Universitat Polit`cnica de Catalunya (Espa a).

e
n

ISSN: 02131315

Recibido: Junio 2000

306

J.E. Hurtado

1. Como variables aleatorias. Este modelo es adecuado para parmetros tales como cargas
a
puntuales, rigideces de apoyos exibles, etc, es decir, valores que no se encuentren
distribuidos espacialmente. En el caso contrario, la modelacin como variables aleatorias
o
de parmetros que oscilan espacialmente, tales como los mdulos de elasticidad y de
a
o
Poisson o el coeciente de expansin trmica, por ejemplo, corresponde a un anlisis
o e
a
probabilista un tanto grueso, aunque empleado corrientemente en la prctica.
a
2. Como campos aleatorios. Esta es la aproximacin adecuada para los parmetros meno
a
cionados que var espacialmente de manera aleatoria alrededor de un valor medio.
an
Como ilustracin la Figura 1 muestra una uctuacin aleatoria t
o
o
pica del mdulo de
o
elasticidad en una placa de hormign.
o

x 10

E, kN/m

1
8
7
8

6
7

5
6
4

5
3

4
3

1
0

Figura 1. Campo aleatorio

Ambos modelos, de hecho, pueden combinarse en ciertas situaciones. Por ejemplo, si se

trata de producir una serie de estructuras iguales, el modelo correcto estar compuesto por
a
campos aleatorios uctuantes alrededor de un valor medio aleatorio.
Para este propsito se han desarrollado diversos mtodos. Entre ellos se destaca el mtodo
o
e
e
de perturbacin,13 el cual permite estimar los momentos estad
o
sticos de primer y segundo
orden de las respuestas estructurales, bajo la condicin de que la uctuacin aleatoria de las
o
o
variables y los campos sea peque a. Digno de mencin es tambin el mtodo espectral,45
n
o
e
e
en el que se hace uso de la transformacin de Karhunen-Lo`ve de la funcin de covarianza
o
e
o
del campo aleatorio en combinacin con los llamados polinomios caticos desarrollados por
o
o
Wiener.6 En ambos casos se requiere de algoritmos particulares de elementos nitos. Por el
contrario, la aplicacin del mtodo de Monte Carlo puede hacerse utilizando repetidamente
o
e
un programa determinista de elementos nitos, debido a que en l se busca producir una
e
muestra articial de respuestas estructurales a partir del uso repetido del algoritmo del
sistema con datos diferentes cada vez. Estos datos son realizaciones de las variables y
campos aleatorios especicados, los cuales se simulan por medio de tcnicas adecuadas para
e
cada tipo de modelo probabilista.7 Este mtodo, evidentemente, puede resultar altamente
e
costoso desde el punto de vista computacional, ya que implica la utilizacin intensa del
o
programa de clculo determinista.
a
En este trabajo se desarrolla un mtodo que permite estimar con precisin razonable
e
o
los momentos estad
sticos de orden bajo de las respuestas estructurales. El mtodo se basa
e

Anlisis de elementos nitos estocsticos por estimaciones puntuales y expansin espectral

a
a
o

307

en la tcnica estad
e
stica de estimaciones puntuales,8,9 la cual se aplica sobre el vector de
variables independientes obtenido de la descomposicin de Karhunen-Lo`ve de la matriz de
o
e
covarianza del campo aleatorio. Es importante anotar que el mtodo re ne las ventajas
e
u
de los dos grupos de tcnicas mencionadas anteriormente. Es decir, por una parte permite
e
realizar la estimacin con un costo computacional bajo, como en el caso de los mtodos de
o
e
perturbacin y espectral. Por otra, no requiere de un programa especial de elementos nitos,
o
como en el mtodo de Monte Carlo. De esta manera, puede utilizarse para una descripcin
e
o
estad
stica rpida de la dispersin de las incertidumbres en una estructura bajo el efecto de
a
o
variables y/o campos aleatorios sin necesidad de programas especiales.
En la seccin siguiente se exponen en secuencia los fundamentos del mtodo, a saber, los
o
e
elementos bsicos de la teor de campos aleatorios y la tcnica de estimaciones puntuales.
a
a
e
Como aplicacin se presenta luego un ejemplo concerniente a la estimacin de la media
o
o
aritmtica y cuadrtica de la tensin de von Mises de una viga modelada con elementos
e
a
o
triangulares de deformacin constante. La no linealidad de esta funcin con respecto al
o
o
campo aleatorio de base, cual es el mdulo de elasticidad, sirve para calicar la robustez
o
del mtodo propuesto. Como referencia para juzgar los resultados del mtodo se toma un
e
e
anlisis de Monte Carlo.
a

FUNDAMENTOS TEORICOS

Campos aleatorios
Un campo aleatorio est denido como una variable aleatoria asociada a una posicin
a
o
espacial. De esta manera, mientras X denota una variable aleatoria convencional cuyas
realizaciones son 1x,2 x, . . .n x, X(u, v) es una funcin aleatoria de las coordenadas espaciales
o
(u, v) con realizaciones 1x(u, v),2 x(u, v), . . . n x(u, v). Esto implica que en cada coordenada
(u, v) el campo aleatorio presenta una realizacin concreta, la cual debe tener alg n tipo de
o
u
relacin con los valores circundantes. Es decir, mientras que la variable aleatoria X puede
o
modelarse con una funcin de distribucin
o
o
F (x) = P [X x]

(1)

un campo aleatorio bidimensional debe modelarse con funciones del tipo

F (x1 , x2 . . . xm ; t1 , t2 . . . , tm ) = P [X1 (t1 ) x1 X2 (t2 ) x1 . . . Xm (tm ) xm ]
t
t
t

(2)

donde m es un n mero suciente de puntos y t = [u, v] 10 . En el caso especial en que el campo

u
sea gaussiano, es posible especicar la funcin de distribucin F (x1 , x2 . . . xm ; t1 , t2 . . . , tm )
o
o
por medio de los momentos de segundo orden, a saber, el vector de medias aritmticas
e
T = [E{X(t1 )}, . . . , E{X(tm )}]

(3)

y la matriz de covarianza B , cuyo elemento (i, j) es

E{[X(ti ) E{X(ti )}][X(tj ) E{X(tj )}]}

(4)

De esta manera se tiene, en tal caso,

F (x1 , x2 . . . xm ; t1 , t2 . . . , tm ) =

1
(2)m/2 |B |1/2
B

exp

B x
(x )B 1 (x )T
x
2

(5)

308

J.E. Hurtado

para m 1. En el l
mite, cuando m , la matriz de covarianza se convierte en la
t
t
funcin de autocovarianza B(t1 , t2 ), la cual se reduce a B(t1 , t2 ) B(t1 t2 ) B( ) si el
o
t

campo es homogneo, es decir, que sus momentos de primer y segundo orden no dependen
e
de las posiciones t1 y t2 sino de su diferencia t1 t2 . Esta condicin de homogeneidad
o
se cumple ampliamente en la prctica ingenieril como consecuencia de las condiciones de
a
fabricacin de los elementos estructurales.
o
La funcin de covarianza de campos homogneos est relacionada con la llamada funcin
o
e
a
o

de densidad espectral de potencia S( ) = S(1 , 2 ) denida por la transformacin de Fourier

o
(conocida con el nombre de relacin de Wiener-Jinchin10 )
o

1
S( ) =

(2)2

B( )ei d

(6)

Para la generacin de realizaciones de campos aleatorios como el que muestra la Figura 1

o
se parte, o bien de la funcin de covarianza del campo,1112 o bien de su densidad espectral
o
de potencia.1314
Estimaciones puntuales
El mtodo de las estimaciones puntuales, originalmente propuesto por Rosenblueth8
e
y desarrollado recientemente por Hong,9 es una herramienta valiosa para el clculo de
a
momentos estad
sticos de respuestas de sistemas aleatorios con precisin satisfactoria. Sea
o
Y = h(X) una funcin de una variable aleatoria X. En el contexto del anlisis mecnico,
o
a
a
h(X) es una respuesta estructural obtenida por alg n mtodo anal
u
e
tico o numrico, tal como
e
el mtodo de los elementos nitos. La expansin de Taylor de una potencia de Y , Y j = g(X)
e
o
alrededor de la media de X es

Y j = g(X) = g() +
l=1

1 (l)
g ()(X )l
l!

(7)

Al tomar valor esperado en ambos trminos se obtiene

e

E[Y ] = g() +
l=1

1 (l)
g ()X,l l
l!

(8)

donde es la desviacin estndar de X y X,l es un momento central normalizado denido

o
a
como
X,l =

1
l

(x )l f (x)dx

(9)

Si se multiplica sucesivamente la ecuacin (7) por dos pesos wi , l = 1, 2 localizados en los

o
puntos xl y se suman los resultados se obtiene

w1 g(x1 ) + w2 g(x2 ) = g()(w1 + w2 ) +

l=1

1 (l)
l
l
g ()(w1 1 + w2 2 ) l
l!

(10)

donde i , i = 1, 2 es la variable normalizada

i =

xi

(11)

Al resolver la ecuacin (10) para g(), imponer la condicin w1 + w2 1 y reemplazar el

o
o
resultado en (8) se obtiene

Anlisis de elementos nitos estocsticos por estimaciones puntuales y expansin espectral

a
a
o

E[Y j ] = w1 g(x1 ) + w2 g(x2 ) +

l=1

1 (l)
l
l
g ()[X,l (w1 1 + w2 2 )] l
l!

309

(12)

lo que sugiere la aproximacin

o
.
E[Y j ] = w1 g(x1 ) + w2 g(x2 ) = w1 h(x1 )j + w2 h(x2 )j

(13)

la cual da una buena aproximacin si los pesos y localizaciones satisfacen la siguiente

o
condicin adicional que se impone para anular los primeros trminos de la expansin (12)
o
e
o
i
i
w1 1 + w2 2 = X,i

(14)

En el caso ms general en el que Y dependa de n > 1 variables aleatorias no correlaa

e
cionadas Xk , k = 1, . . . , n, agrupadas en el vector X , se puede aplicar el mtodo anterior
variable por variable, dando a cada una de ellas el valor xk,i y manteniendo las restantes en
su valor medio. En tal caso, el estimador del momento de orden j de la respuesta es
n

.
E[Y ] =

wk,i h(xk,i )j

(15)

k=1 i=1

donde los pesos y puntos de concentracin para i = 1, 2 son la solucin de

o
o
2

wk,i
i=1

1
= ,
n

i=1

j
wk,i k,i = Xk ,j

(16)

El resultado nal es
k,i =

Xk ,3
+ (1)3i
2

n+(

Xk ,3 2
) ,
2

wk,i =

1
k,3i
(1)i
n

(17)

Esta aproximacin es correcta hasta el tercer orden de la expansin de Taylor. En principio,

o
o
el mtodo permite alcanzar aproximaciones adecuadas para momentos de orden superior
e
aumentando el n mero de puntos.9 En este trabajo, sin embargo, se aplicar la versin
u
a
o
expuesta para determinar los momentos de orden uno y dos. En tal caso, los momentos
pueden obtenerse directamente por medio de las ecuaciones (15) y (17).
ESTIMACIONES PUNTUALES DE CAMPOS ALEATORIOS
La exposicin anterior del mtodo de estimaciones puntuales concierne solamente al caso
o
e
en que las variables Xk , k = 1, 2, . . . , n no guarden correlacin alguna. Esto no se cumple
o
en el caso de campos aleatorios, salvo que se trate de un campo del tipo ruido blanco,
que es poco frecuente en la prctica ya que conlleva una fuerte idealizacin matemtica.
a
o
a
Para aplicar el mtodo en este caso se har uso de la expansin de Karhunen-Lo`ve de la
e
a
o
e
t
covarianza del campo.5 En el caso continuo, la expansin de una realizacin x(t) del campo
o
o
t
a
X(t) de media nula est denida por

x(t ) =
t

i fi (t)zi
t
i=1

(18)

310

J.E. Hurtado

donde i y fi (s) son la solucin del problema de autovalores

o
i fi (t) =
t

B(t, r )fi (r )dr

t
r r

(19)

y D es el dominio del campo. Por otra parte, las zi son realizaciones de variables Zi no
correlacionadas de media aritmtica nula y desviacin estndar igual a la unidad.
e
o
a
Para resolver el problema de valores propios de la expansin de Karhunen-Lo`ve se
o
e
puede aplicar el mtodo de Nystrm,15 el cual simplemente consiste en formular la ecuacin
e
o
o
(19) en forma de cuadraturas de Gauss e interpolar los valores de las funciones propias
o
fi (t), necesarias en la ecuacin (18) por medio de esas mismas cuadraturas. Para campos
t
aleatorios de una dimensin se tiene, en consecuencia, el problema siguiente
o
L

i fji =

Bjk pk fi (rk );

j, k = 1, 2, . . . , L

(20)

k=1

o
donde Bjk es el valor de la funcin de covarianza en las coordenadas (tj , rk ), pk son los pesos
y rj las ra de Gauss, respectivamente. El problema de autovalores resultantes es
ces
Ag i = ig i
1

(21)

donde A = P 2 B P 2 , g i = P 2 f i y P es una matriz diagonal formada por los pesos de Gauss.

La interpolacin de las funciones propias se realiza por medio de la ecuacin
o
o
.
i fi (t) =

B(t, rk )pk fi (rk )

(22)

k=1

Ecuaciones similares rigen el caso de dos dimensiones. De acuerdo con esto se tiene el
siguiente algoritmo para la aplicacin del mtodo de estimaciones puntuales ante la presencia
o
e
de campos aleatorios:
Algoritmo 1:
1. Resolver el problema de valores propios de la expansin de Karhunen-Lo`ve.
o
e
2. Calcular los puntos de estimaciones puntuales del vector Z .
3. Obtener los valores correspondientes de las variables f
sicas del campo por medio de la
ecuacin (18), en la cual las funciones propias se interpolan por medio de la ecuacin
o
o
(19).
4. Resolver los problemas deterministas de elementos nitos.
Como alternativa, se puede hacer uso de la transformacin discreta de Karhunen-Lo`ve16
o
e
de la matriz de covarianza del dominio de elementos nitos estocsticos. En este caso, el
a
a
vector de variables no correlacionadas Z est dado por
Z = fX

(23)

donde f es la matriz de autovectores de la matriz de covarianza B , obtenida por la discretizacin del campo en puntos arbitrarios, que pueden ser los centros de gravedad de los
o
elementos nitos. Esto indica que se debe resolver el problema
B f i = i f i

(24)

311

Anlisis de elementos nitos estocsticos por estimaciones puntuales y expansin espectral

a
a
o

donde i , i = 1, 2, . . . , N son los correspondientes autovalores y N es el n mero de valores en

u
los que se discretiza el campo, que puede coincidir o no con el n mero de elementos nitos.
u
En consecuencia se tiene el algoritmo siguiente:
Algoritmo 2:
1. Discretizar la funcin de covarianza en N puntos.
o
2. Resolver el problema de valores propios de la expansin discreta de Karhunen-Lo`ve, de
o
e
f
manera que los autovectores estn normalizados (f f T = I ).
e
3. Calcular los puntos de estimaciones puntuales del vector Z .
4. Obtener los valores correspondientes de las variables f
sicas del campo X = f TZ . Si el
n mero de puntos de discretizacin es menor que el n mero de elementos nitos se debe
u
o
u
aplicar alguna tcnica adecuada de interpolacin.
e
o
5. Resolver los problemas deterministas de elementos nitos.
Aparentemente el algoritmo No. 2 es ms sencillo debido a su estructura convencional.
a
Sin embargo, puede observarse que, debido a la notoria precisin de las cuadraturas de
o
Gauss, para grandes dimensiones el primer mtodo resulta conveniente puesto que permite
e
estimar correctamente las funciones propias fi (t) en unos pocos puntos y, adems, dispone
a
t
de un mecanismo propio para su interpolacin a todos los puntos de la estructura, del cual
o
carece el segundo algoritmo.

EJEMPLO DE APLICACION
La Figura 2 muestra una viga de relacin altura/longitud igual a 4, la cual se encuentra
o
discretizada con elementos nitos triangulares de deformacin lineal constante. La estruco
tura est sometida a la accin de dos cargas deterministas p y q, de valores 500 y 50 kN,
a
o
p
q
2@0.5

4@1

Figura 2. Ejemplo de aplicacin

o

respectivamente. El mdulo de elasticidad de la estructura est denido como un campo

o
a
t
aleatorio E(t) = E(u, v), donde u y v son las dos direcciones del espacio indicadas en la
gura. La covarianza del campo es de tipo exponencial-cuadrtico
a
2

B( ) = exp

| |

(25)

o
a
donde 2 es la varianza del campo y l es la llamada longitud de correlacin. En el anlisis
2
se usaron los valores = 3 106 kN/m y l = 3 m. El valor medio del campo es de

312

J.E. Hurtado

= 2 107 kN/m2 . Ntese que la relacin / es de 0,15, la cual es superior a lo que se

o
o
recomienda como mximo valor de aplicacin del mtodo de perturbacin.3
a
o
e
o
El propsito del anlisis es cuanticar el error del mtodo de estimaciones puntuales con
o
a
e
respecto a la tensin de von Mises de todos los elementos, denida por17
o
sM =

s2 s1 s2 + s2
1
2
3

(26)

donde si , i = 1, 2 son las tensiones principales

sx + sy
+
2

sx sy
2

sx + sy

s2 =
2

sx sy
2

s1 =

+ s2
xy

(27)

+ s2
xy

(28)

siendo sx , sy y sxy las tensiones normales y tangencial, respectivamente. Obsrvese que sM

e
es una funcin fuertemente no lineal del mdulo de elasticidad, lo cual es conveniente para
o
o
probar la robustez del mtodo ante transformaciones no lineales del campo aleatorio.
e
Como referencia para juzgar los resultados del mtodo se utiliza un anlisis de Monte
e
a
Carlo realizado por el mtodo de precondicionamiento estad
e
stico,12 que para igual n mero
u
de muestras puede considerarse como el ms exacto de los publicados en la literatura
a
internacional en trminos de acercamiento a la matriz de covarianza dada como dato. Se
e
calcularon 2560 muestras del vector de valores del mdulo de elasticidad en cada elemento,
o
con las cuales se obtuvo la matriz de covarianza emp
rica que aparece en la Figura 3, la cual
puede compararse con la exacta que se muestra en la Figura 4. Puede observarse que la
excelente aproximacin obtenida con el mtodo del precondicionamiento estad
o
e
stico permite
tomar los resultados del anlisis de Monte Carlo como referencia. Como comparacin del
a
o
costo computacional de ambas tcnicas, baste decir que el mtodo de estimaciones puntuales
e
e
implica realizar 2M llamadas del programa de elementos nitos, donde M es un n mero de
u
autovalores que se considere suciente. Este n mero depende solamente de la longitud de
u
correlacin l y no de la dimensin f
o
o sica del problema. Por tanto, valores de M del orden
de 2 a 5 pueden ser sucientes para l = 3 m, mientras que valores del orden de 10 pueden
ser necesarios para l = 1 m. En el caso presente se us M = 3, por lo que el n mero total
o
u
de anlisis deterministas es seis, lo que representa una cantidad muy inferior al total de
a
simulaciones de Monte Carlo.
Las Figuras 5 y 6 muestran, respectivamente, el valor medio (j = 1) de la tensin de
o
von Mises estimada por el mtodo de estimaciones puntuales con M = 3 autovalores y la
e
diferencia con el resultado de Monte Carlo. Algo similar muestran las Figuras 7 y 8 con
respecto a la media cuadrtica (j = 2). Se observa que la magnitud de las diferencias es
a
en ambos casos peque a para propsitos prcticos, siendo ligeramente mayores para el caso
n
o
a
de la media cuadrtica. En principio, estas diferencias pueden reducirse si se emplea un
a
n mero mayor de puntos de concentracin, lo cual requiere resolver previamente un sistema
u
o
de ecuaciones no lineales semejante al de la ecuacin (16).9 Ntese que en lo anterior hemos
o
o
hablado de diferencias y no de erorres, ya que, como es propio de la estad
stica, los
valores esperados reales permanecen desconocidos. En consecuencia, los resultados de un
anlisis de Monte Carlo no pueden tomarse como exactos.
a

313

Anlisis de elementos nitos estocsticos por estimaciones puntuales y expansin espectral

a
a
o

12

x 10
10

, kN2/m4

ij

6
4
2

16
14
20

12
10

15

8
6

10
4
5

Figura 3. Matriz de covarianza emp

rica obtenida por el mtodo de Monte Carlo
e

12

x 10

ij

, kN2/m4

10
8
6
4
2
16
14
20

12
10

15

8
6

10
4
5

Figura 4. Matriz de covarianza exacta

314

J.E. Hurtado

E sM ]
704

447
298
168
Figura 5. Media de la tensin de von Mises
o

1.0

-0.1
-0.8
-2.3

Figura 6. Errores en la estimacin de la media de la tensin de von Mises

o
o

M]

E s

5.00
q
2.04

0.90

0:28

10

Figura 7. Media cuadrtica de la tensin de von Mises

a
o

p
q

%
3.5
0.7
-2.6
-6.8

Figura 8. Errores en la estimacin de la media cuadrtica de la tensin de von Mises

o
a
o

Anlisis de elementos nitos estocsticos por estimaciones puntuales y expansin espectral

a
a
o

315

CONCLUSIONES
Se han presentado dos algoritmos que permiten aplicar el mtodo de las estimaciones
e
puntuales a la solucin de problemas de mecnica probabilista que involucren campos
o
a
aleatorios discretizados en la forma de elementos nitos estocsticos. Uno de ellos ha
a
sido utilizado en el ejemplo de aplicacin, que concierne a la estimacin de los momentos
o
o
estad
sticos de las tensiones de von Mises de una viga de gran canto sometida a una fuerza
horizontal y otra vertical. La comparacin con un anlisis de Monte Carlo muestra unos
o
a
resultados altamente satisfactorios. La relevancia del mtodo desde el punto de vista prctico
e
a
se hace mayor si se tiene en cuenta (a) su bajo costo computacional en comparacin con el
o
mtodo de Monte Carlo y (b) la posibilidad de usar directamente programas convencionales
e
de anlisis determinista de elementos nitos, lo que contrasta con la necesidad de usar
a
programas especiales cuando se aplican otros mtodos.
e
AGRADECIMIENTOS
El presente trabajo se realiz con el apoyo de la Universidad Nacional de Colombia en
o
el marco del proyecto CINDEC 99IA0012. El autor expresa su reconocimiento por dicho
apoyo.
REFERENCIAS
1 W.K. Liu, T. Belytschko y A. Mani, Random eld nite elements, Int. J. Num. Meth. Engng.,
vol. 23, pp. 18311845, (1986).
2 W.K. Liu, T. Belytschko y Y.J. Lua, Probabilistic nite element method, en Probabilistic
structural mechanics handbook , C. Sundararajan, (ed.), Chapman and Hall, New York, (1995).
3 M. Kleiber y T.D. Hien, The stochastic nite element method , John Wiley and Sons, New
York, (1992).
4 P.D. Spanos y R. Ghanem, Stochastic nite element expansion for random media, J. Engng.
Mech., vol. 115, pp. 10351053, (1989).
5 R. Ghanem y P.D. Spanos, Stochastic nite elements: a spectral approach, Springer Verlag,
New York, (1991).
6 N. Wiener, The homogeneous chaos, Amer. J. Math., vol. 60, pp. 897936, (1938).
7 J.E. Hurtado y A.H. Barbat, Monte Carlo techniques in computational stochastic mechanics,
Arch. Comp. Meth. Engng., vol. 5, pp. 330, (1998).
8 E. Rosenblueth, Aproximaciones de segundos momentos en probabilidades, Bol. Inst. Mex.
Plan. Op. Sist., vol. 26, pp. 112, (1974).
9 H. P. Hong, An ecient point estimate method for probabilistic analysis, Reliab. Engng. Sys.
Saf., vol. 59, pp. 261267, (1998).
10 E. Vanmarcke, Random elds: analysis and synthesis, M.I.T. Press, Cambridge, (1983).
11 N. A. C. Cressie, Statistics for spatial data, John Wiley and Sons, New York, (1993).
12 F. Yamazaki y M. Shinozuka, Simulation of stochastic elds by statistical preconditioning, J.
Engng. Mech., vol. 116, pp. 268287, (1990).

316

J.E. Hurtado

13 M. Shinozuka, Stochastic elds and their digital simulation, en Stochastic methods in structural
dynamics, G.I. Scheller y M. Shinozuka, (eds.), Martinus Nijho Publishers, Dordrecht, (1987).
u
14 A. Mantoglu, Digital simulation of multivariate two- and three-dimensional stochastic processes
with a spectral turning bands method, Math. Geol., vol. 19, pp. 129149, (1987).
15 K. Atkinson, The Numerical Solution of Integral Equations of the Second Kind , Cambridge
University Press, Cambridge, (1997).
16 J.N. Kapur, Maximum Entropy Models in Science and Engineering, John Wiley and Sons, New
Delhi, (1989).
17 I.H. Shames y F.A. Cozzarelli, Elastic and Inelastic Stress Analysis, Prentice-Hall, Englewood
Clis, New Jersey, (1992).