Escolar Documentos
Profissional Documentos
Cultura Documentos
Revista Internacional de
Mtodos Numricos para
e
e
Clculo y Diseo en Ingenier
a
n
a
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
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
ISSN: 02131315
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
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)
(2)
(3)
(4)
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
1
S( ) =
(2)2
B( )ei d
(6)
Y j = g(X) = g() +
l=1
1 (l)
g ()(X )l
l!
(7)
E[Y ] = g() +
l=1
1 (l)
g ()X,l l
l!
(8)
1
l
(x )l f (x)dx
(9)
1 (l)
l
l
g ()(w1 1 + w2 2 ) l
l!
(10)
xi
(11)
l=1
1 (l)
l
l
g ()[X,l (w1 1 + w2 2 )] l
l!
309
(12)
(13)
(14)
.
E[Y ] =
wk,i h(xk,i )j
(15)
k=1 i=1
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)
x(t ) =
t
i fi (t)zi
t
i=1
(18)
310
J.E. Hurtado
(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)
(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
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
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
s2 s1 s2 + s2
1
2
3
(26)
sx sy
2
sx + sy
s2 =
2
sx sy
2
s1 =
+ s2
xy
(27)
+ s2
xy
(28)
313
12
x 10
10
, kN2/m4
ij
6
4
2
16
14
20
12
10
15
8
6
10
4
5
12
x 10
ij
, kN2/m4
10
8
6
4
2
16
14
20
12
10
15
8
6
10
4
5
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
M]
E s
5.00
q
2.04
0.90
0:28
10
p
q
%
3.5
0.7
-2.6
-6.8
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).