DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

PROCEDIMIENTO ESTOCÁSTICO PARA ANÁLISIS TIEMPO-FRECUENCIA

Roberto Magaña del Toro (1), Armando Hermosillo (2), Miguel P. Romo (3)

1 Instituto de Ingeniería. Av. Universidad #3000, Ciudad Universitaria, Coyoacán, 04510, rmat@pumas.iingen.unam.mx
2 Instituto de Ingeniería. Av. Universidad #3000, Ciudad Universitaria, Coyoacán, 04510, ahermosilloa@iingen.unam.mx
3 Instituto de Ingeniería. Av. Universidad #3000, Ciudad Universitaria, Coyoacán, 04510, mromo@pumas.iingen.unam.mx

RESUMEN

En este artículo se comentan diferentes métodos para determinar la variación del contenido de frecuencias de señales
de tiempo que son no estacionarias; como son la voz humana, los sismos, etc. En ellos sus espectros de potencia, de
respuesta, etc. no son constantes. Estos métodos son capaces de determinar la variación con el tiempo de estos
conceptos. Entre ellos están la transformada generalizada de Fourier, el de onduletas (wavelets), etc. Principalmente
se presenta la generalización del algoritmo y las modificaciones consecuentes al software PTLUSHEV (Magaña,
2015), ahora denominado MPTLUSHEV.

ABSTRACT

This paper discusses different methods to determine the variation of the frequency content of non-stationary time
signals, such as the human voice, earthquakes, etc. Their power and response spectra are not constant. These methods
are able to determine the time variation of these spectra. Among them are the generalized Fourier transform, the
wavelets method, etc. Mainly the algorithm generalization and the ensuing modifications to the previously developed
software branded PTLUSHEV (Magaña, 2015), now called MPTLUSHEV are presented.

INTRODUCCIÓN

En este trabajo se hace referencia a otros métodos de análisis tiempo-frecuencia diferentes al que se presenta aquí, los
cuales están basados en una idea semejante en lo que se refiere a considerar que las componentes de frecuencia de la
señal analizada tienen una variación temporal.

El objetivo fundamental de todos estos métodos es analizar procesos estocásticos no estacionarios, como ocurre en
muchos fenómenos naturales, entre ellos: la voz humana y los sismos, que no son estacionarios debido en los errores
aleatorios; contrario a los procesos industriales de fabricación de objetos diversos, que tienen errores sistemáticos en
la variación de sus parámetros característicos, que oscilan muy cerca de su valor medio y por tanto pueden considerarse
como procesos estacionarios.

En este caso debe considerarse que la variación en el tiempo es importante, ya que por ejemplo en sistemas constituidos
por materiales térreos (suelos y rocas) que no tienen comportamiento lineal, la variación en el tiempo produce efectos
muy diferentes en la respuesta y zonas plastificadas, como se demostró en la tesis doctoral de uno de los autores de
este trabajo (Magaña, 2015), (Magaña et al., 2015).

En la elaboración de los diferentes procedimientos seguidos en los métodos presentados, se hacen hipótesis diferentes
pero basadas en una idea semejante, que se basa en encontrar diversos conjuntos de bases vectoriales formadas por
distintos conjuntos de funciones orto-normales, con respecto a las cuales se buscan las componentes de la señal

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

analizada. Esto se logra mediante productos internos del núcleo o kernel de la integral de una transformada con dicha
señal. De esta manera, al ser el kernel también una función del tiempo, se logra el efecto requerido ya que se incluye
un parámetro adicional al kernel que se tiene en la transformada clásica de Fourier. Luego entonces, en los diferentes
métodos varía el kernel en cada una de sus transformadas integrales, que por cierto funcionan de manera semejante a
las transformadas integrales empleadas en teoría de probabilidades basadas en la integral de Stieltjes con kernel de
Gauss.

Los métodos que se comentan brevemente en el capítulo siguiente son: el de la transformada corta de Fourier
(Okamura, 2011), el de las onduletas (Liu, 2010), el de Hilbert (Garay, 1998) y el de Hilbert-Huang (Bradley, 2011).

Es importante comentar, antes de adentrarnos en el procedimiento que se propone, la existencia de un principio de

incertidumbre semejante al de mecánica cuántica en que no se puede conocer la posición y la velocidad de los
electrones al mismo tiempo. En este caso no se pueden obtener con precisión el contenido de frecuencias y su variación
en el tiempo, ya que si se tiene buena precisión en uno de estos aspectos la precisión en el otro decrece ligeramente.

ALGUNOS MÉTODOS DE ANÁLISIS TIEMPO FRECUENCIA

En este capítulo se hace una breve descripción de algunos de estos métodos, empezando por la transformada clásica
de Fourier para ver su diferencia en relación a ella.

Transformada de Fourier (Almira, 2005)

Las series de Fourier son útiles para el estudio de señales periódicas pero, desafortunadamente, este tipo de señales no
son tan frecuentes en la práctica como las no-periódicas. Esta situación requiere el desarrollo de una teoría matemática
más ambiciosa

Se tiene que (bajo ciertas condiciones restrictivas sobre la suavidad de la señal aperiódica x(t)) se satisface la siguiente
identidad (llamada: Teorema integral de Fourier):
1   2ift 
x(t )     x ( s )e d 
2      
Haciendo el cambio de variable 2f podemos reescribir la anterior fórmula como:
1   is  it
x(t )     x( s)e ds e d
2      

F ( x) ( )  xˆ ( s) :  x( s)e  is ds

Además se tiene la transformada de Fourier inversa de la señal (aperiódica). Es evidente que el teorema integral de
Fourier se puede reescribir como
1   it  1 it
   x( s)e d    F ( x)( )e d  F ( F ( x))t
1
x(t ) 
2       2 
y, de manera análoga,
F ( F 1 ( y)( )  y( )

Bochner (Bochner and CHandrasekaran, 1949)

En su libro “Vorlesungen ¨uber Fouriersche Integrale” [1932], traducido al inglés como “Lectures on Fourier Integrals”
[1959], Salomon Bochner extendió la definición de transformada de Fourier a funciones del tipo f(x)/(1 + |x|)k que
son integrales para cualquier número real k. Considerando que la integral es integrable en el sentido de Lebesgue,
entonces propone la siguiente integral, suponiendo que f es suficientemente cercana al origen:

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

f ( x)e ixt
g K ( )    R
R (ix) K

Para evitar la suposición de que f sea pequeña cerca del origen, ajusta la integral mediante la expansión de Taylor de
la función exponencial y propone:
 1 c icxt  LK ( , K )
E ( , K )  f ( x) ;   R, K  R
 2 R (ix) K
Donde
 K (ix) j
LK ( , K )   x 1
 j 0 j!
O bien
LK ( , K )  0 ; x  1

El símbolo significa que la diferencia entre los dos casos es un polinomio de grado menor que un número real K.

Los cálculos se hacen sobre E y no en su derivada.

Transformada de Fourier de Tiempo Corto (STFT) (Okamura, 2011)

En este caso se emplea una función ventana como núcleo (kernel) de la integral. Entonces, dada una ventana real
simétrica, tal que se genera una base al desplazarla y modularla con una frecuencia x, y se obtiene un “átomo tiempo-
frecuencia”: g u , (t )  e it g (t  0)
Suponiendo que ha sido normalizada de forma que, la STFT o Transformada de Fourier Ventaneada se obtiene
mediante el producto interno: f (t ).g u , (t )
 
it
sf (u ,  )   f (t )g u , (t )dt   f (t ) g (t  u )e
*
dt
 

Transformada discreta de Fourier de tiempo Corto (STFT) (Okamura, 2011)

En el caso discreto, tenemos las siguientes ecuaciones equivalentes :

 i 2 ln
g M , L ( n )  g ( n  m) e N

N 1 i 2 ln
sf (m, l )  f (n).g m,l (n)   f (n) g (n  m)e N

n 0
2
i 2 ln


2 N 1
psf  sf (m  l )  n 0
f ( n ) g ( n  m)e N

Transformada “Wavelet” (onduleta) continua (Liu, 2010)

En esta transformada se emplea una función “wavelet” continua para determinar unos coeficientes de una señal en
relación a una base vectorial constituida por una función madre (wavelet) y algunos desplazamientos y escalamientos
de ella.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Definición

Se plantea una función madre, limitada en el dominio del tiempo f(y), la cual tiene valores dentro de un cierto intervalo
y cero en el resto del tiempo. Una propiedad de la función madre es que la media debe ser cero. Otra propiedad es que
debe estar normalizada, esto es
 
2
 (t )dt  0 ;    (t ) (t )dt  1
*

 

Mediante escalamiento y translación se forma una base dada por:

 S ,N (t )  1  ( t  n )  UR,SR
s s
u es el parámetro de translación y s es el de escalamiento mayor que cero.


La propiedad de multiresolución asegura que el conjunto  S , N (t ) es ortonormal. Las proyecciones de la señal sobre
la base vectorial formada de esta manera son los coeficientes de la base  S , N (t ) . Esto es: 
 
1 * t u
wf ( s, u )  f (t ), u ,s   f (t ) s,u (t )dt   f (t )  ( )dt
  s s

Mediante esta transformación uno puede mapear una señal unidimensional a una región bidimensional con coeficientes
wf ( s, u ) . Las dos variables posibilitan el análisis tiempo frecuencia. Se puede entonces determinar una frecuencia
particular (parámetro s) en cualquier instante de tiempo (parámetro u).

La transformada wavelet inversa es

 
1 1 t u ds
f (t )    wf (s, u ) ( )du 2
C 0  s s s

Donde C se define como

 ( )
2

C   d
0 

La función wavelet se diseña para encontrar un balance entre la aproximación en el dominio del tiempo y el dominio
de la frecuencia.

Transformada de Hilbert (Garay, 1998)

Es una herramienta matemática útil para describir la envolvente compleja de una señal modulada por una
portadora real. Su definición es:

1 
s ( )
Sˆ (t )  H ( s )(t )  n.s 
  1   d


Entonces es posible construir la señal analítica de s(t) como:

S0 (t )  S (t )  iSˆ (t )

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Transformada de Hilbert–Huang (Bradley, 2011)

En este caso la señal se descompone en lo que se puede llamar sus modos intrínsecos y se obtienen frecuencias
instantáneas. Es adecuado el procedimiento para casos no estacionarios y no lineales. A diferencia de otros métodos
de transformación que son herramientas teóricas. Es por tanto un algoritmo aproximado empírico, que puede aplicarse
a conjuntos de datos reales.

METODOLOGÍA EMPLEADA EN PTLUSHEV PARA ANÁLISIS EN EL DOMINIO DE LA

FRECUENCIA

La metodología empleada en PTLUSHEV (Magaña 2015) se incluye brevemente con fines de completes de este
artículo y luego se generaliza.
El algoritmo utilizado en el programa PTLUSHEV (Magaña, 2015), para aplicarlo a procesos estocásticos no
estacionarios, como es el caso de sismos, se basa en conceptos análogos a la transformada corta de Fourier y en algunas
ideas vinculadas al concepto de correlación estadística. En este caso, el análisis se hace con ventanas (intervalos de
tiempo), que incluyen varios puntos del acelerograma. Aquí se hace la hipótesis de que en el intervalo de tiempo de la
ventana, el proceso estocástico es estacionario, lo cual permite utilizar prácticamente en su totalidad el código del
programa original PTLUSH (el cual considera que la “ventana de tiempo” está definida por la duración total del evento
sísmico). En PTLUSHEV el evento sísmico se divide en varias ventanas de tiempo.
Se presenta además el planteamiento para justificar matemáticamente el criterio propuesto, que sirve para estudios
donde cambian las propiedades del material durante procesos dinámicos. Este algoritmo es adecuado para estudiar el
efecto de la variabilidad con el tiempo del contenido de frecuencias de procesos estocásticos no estacionarios, como
son los sismos. Para el estudio de procesos estocásticos no estacionarios, en años recientes se ha empezado a utilizar
la transformada de Fourier de tiempo corto, dada por:

STFT x(t )  X ( ,  )   x(t ) (t   )e  it dt

(1)

Hipótesis contenidas en la elaboración del algoritmo

Se supondrá que el proceso es estacionario en el intervalo de tiempo que dura cada ventana, por tanto se aplicará la
lógica del programa original PTLUSH (Romo y Villarraga, 1989), en lo que se refiere a la estimación de la respuesta
a partir de la densidad espectral de potencia como dato de entrada (obtenido con el criterio propuesto para cada
ventana). En cada una de las ventanas (en el caso no elástico) se irá tomando en cuenta la variación de propiedades del
material conforme avanza el proceso, aplicando secuencialmente en cada tramo de sismo el método lineal equivalente.

Formulación del modelo matemático. Determinación de la variación de densidad espectral de potencia

Se trata por tanto de encontrar un procedimiento, con el cual al fragmentar una señal de tiempo dada, se obtengan
resultados semejantes (en lo que se refiere a contenido de energía) a cuando se trabaja con la señal completa. Así que
si f(t) es la señal completa, y ésta es dividida por ejemplo en dos señales, se tendrá f(t) = f1(t) + f2(t).
Entonces la correlación de la señal completa es
1 t2
R( )   f (t ) f (t   )dt
t 2  t0 t 0 (2)
Ahora, suponiendo que el algoritmo de la correlación de la señal fragmentada sea semejante al producto de polinomios,
lo cual se demostró plenamente (Magaña, 2015), se tendrá
1 t2
R( )   ( f1 (t )  f 2 (t ))( f1 (t   )  f 2 (t   ))dt
t 2  t0 t 0 (3)
Por tanto, la correlación por tramos es igual a las autocorrelaciones de cada tramo más las correlaciones cruzadas.
R( )  R11 ( )  R12 ( )  R21 ( )  R22 ( )
(4)
Ahora, aplicando la transformada de Fourier a cada correlación se tiene:

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

1 t  it 1 t  it 1 t  it 1 t  it

S ( )   R11e dt   R12 e dt   R21e dt   R22 e dt
2 t 0 2 t o 2 t o 2 t 0 (5)
S ( )  S11 ( )  S12 ( )  S21 ( )  S22 ( )
(6)
En el caso de tres ventanas se tendrá:
S ( )  S11 ( )  S12 ( )  S13 ( )  S21 ( )  S22 ( )  S23 ( )  S31 ( )  S32 ( )  S33 ( )
(7)

Y en el caso general de n ventanas

n n n
S ( )  S11( )   S1 j ( )  S22 ( )   S2 j ( )  S33( )   S3 j ( ) (8)
j 1; j 1 j 1; j 2 j 1; j 3

O sea que en cada ventana se tiene la densidad espectral de potencia más las densidades espectrales cruzadas con las
otras ventanas. Esto desde el punto de vista físico representa la componente (proyección) de cada ventana con respecto
a una base vectorial, constituida por el conjunto de n ventanas. Por tanto, esto nos da la estimación de la densidad
espectral de potencia de cada ventana y asimismo la variación de este concepto ventana a ventana, lo que finalmente
representa la variación del contenido de frecuencias con el tiempo.

También, finalmente se tiene la densidad espectral de potencia de una señal dada, como la suma de todas las densidades
espectrales de potencia de cada ventana, más la suma de todas las densidades espectrales cruzadas de potencia, lo cual
se puede expresar como:
n n n
S ( )   Sii ( )    Sij ( ) (9)
i 1 i 1 j 1; j  i

Lo anterior resulta un cambio sustancial en la metodología antes presentada [(Magaña, 2015), (Magaña et al., 2015)]
pues para N ventanas, los espectros de densidad espectral de potencia estimados para cada una tienen el efecto de las
demás ventanas a través de las correlaciones cruzadas.

Empleo del concepto de transformada corta de Fourier en el modelo matemático

Ahora, como un ejemplo de lo anterior, simplificado a tres ventanas, si las funciones se pueden considerar
fragmentadas por tramos, y tomando en cuenta que la transformada de Fourier de tiempo reducido (Okamura, 2011)
está dada por

X ( ,  )   X (t )V (t   )e  it dt

(10)
Donde V(t) es una función ventana

0 para    t  0

V1 (t ) para 0  t  t1
V (t )  V2 (t ) para t1  t  t2 (11)
V (t ) para t  t  t
 3 2 3

0 para t3  t  
La integral queda:
t1 t2 t3
X ( ,  )  0   X (t )V1 (t   )eit dt   X (t )V2 (t   )eit dt   X (t )V (t   )eit dt  0
0 t1 t2
(12)
Ahora, si también se considera que la señal está formada por el promedio de las tres funciones ventana, se tendrá
X (t )  V1 (t ) p  V2 (t ) p  V3 (t ) p
(13)
Entonces se tendrá finalmente
X ( ,  )  S1 ( ) p  S2 ( ) p  S3 ( ) p
(14)
X ( ,  )  p( S1 ( )  S2 ( )  S3 ( ))
(15)

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Es decir, la función X(,) estará dada por tres espectros para cada intervalo de tiempo, y donde el factor p representa
que se toma el promedio de ellos. Se encontró (Magaña, 2015) que aún con cuatro ventanas se pueden obtener mejores
resultados, con una reducción en el tiempo de cálculo con respecto a análisis en el dominio del tiempo del orden del
90%. La teoría anteriormente descrita se generalizó a N sumandos (ecuación 9), lo que implicó actualizar el software.

Reflexiones acerca del procedimiento empleado.

Este procedimiento equivale a formar una base vectorial con las funciones ventana, tales que tienen valores dentro del
intervalo de tiempo de la ventana y cero en el resto del lapso total de la señal analizada. Con esto se consigue tener un
conjunto de funciones ortonormales semejante al que se logra con el procedimiento de las “onduletas” (wavelets).
Entonces para cada ventana se tiene la proyección de la ventana en cuestión sobre cada una de las componentes de la
base vectorial, es decir el espectro de potencia correspondiente a la ventana y los espectros cruzados, con respecto a
las demás ventanas (lo cual se logra con la autocorrelación y las correlaciones cruzadas que equivalen a productos
internos en el espacio vectorial formado). De esta manera el procedimiento seguido en este trabajo, emplea ideas
semejantes a los otros métodos mencionados en el capítulo 2 de este trabajo.

Como se ha mencionado anteriormente, este es un procedimiento para estimar la variación con el tiempo del contenido
de frecuencias de un sismo, lo cual es importante en problemas ingenieriles en los que están involucrados materiales
de comportamiento no lineal, como los suelos, en los cuales sí es relevante conocer la historia de cargas, ya que los
efectos en lo que se refiere a deformaciones y zonas plastificadas dependen de la secuencia de cargas (Magaña 2015).

También debe observarse que la base vectorial para representar las señales depende del tipo de fenómeno físico de que
se trate, ya que en problemas estocásticos no estacionarios, la mejor base vectorial debe estar asociada al fenómeno
estudiado; por ejemplo, las funciones base deberán tener aspecto fractal semejante a la función estudiada, es decir tener
patrones de comportamiento semejantes, lo cual se logra evidentemente si dichas funciones base son porciones de la
misma señal como se logra al emplear las ventanas de tiempo del procedimiento propuesto.

Como en este trabajo se emplea un programa válido en procesos estacionarios PTLUSH (Romo y Villarraga 1989),
entonces en cada ventana de tiempo, el proceso es estacionario y se capta un contenido de frecuencias constante en ese
intervalo de tiempo, pero ahora con los programas PTLUSHEV y MPTLUSHEV, este contenido varía de manera
seccionalmente continua conforme cada ventana de tiempo. Esto obviamente es sólo una aproximación a la variación
real. Posteriormente se trabajará en lograr acercarse más a la variación real. Un camino para lograrlo puede ser emplear
interpolación fractal, lo cual se hará en una siguiente etapa de esta investigación.

MODIFICACIONES AL PROGRAMA PTLUSHEV

Debido a que se ha continuado trabajando para mejorar el funcionamiento y por tanto los resultados que proporciona
el programa PTLUSHEV (Magaña 2015), esto ha conducido a hacerle algunos cambios, para mejorar algunas de sus
características. Uno de los cambios ha sido, el desacoplar la rutina RAND96 (donde se calculan los espectros de
potencia de los fragmentos de señal de cada ventana) del programa principal que contiene como subrutina al programa
PTLUSH. Esto se ilustra con el diagrama de flujo que se presenta a continuación en la figura 1.

El programa MPTLUSHEV, antes PTLUSHEV, fue actualizado para mejorar la precisión y tiempo de cómputo de
análisis. Para ello, el programa se desarticuló en diferentes módulos que realizan tareas en específico y pueden ser
reemplazados de ser requerido por algún módulo deseado, como por ejemplo el módulo de descomposición de la señal
y generación de espectros de potencia. En la figura 1 se presenta el diagrama de flujo que integra todo el programa de
análisis tiempo-frecuencia.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Figura 1. Diagrama de flujo del programa MPTLUSHEV

El módulo 1 se encarga de obtener los espectros de potencia correspondientes a cada ventana de tiempo. El número de
ventanas de tiempo nv lo define el usuario. Actualmente, y como se explicó anteriormente, los espectros de potencia
se obtienen a través de la Transformada de Fourier de las correlaciones y autocorrelaciones de cada segmento de señal
con el resto de los segmentos. Estas determinaciones se llevan a cabo en el módulo 2 (ptlush), el cual puede ser
reemplazado por alguno que el usuario desee. Este módulo realiza el análisis por elemento finito en el dominio de la
frecuencia. Obviamente, este módulo puede ser reemplazado por alguno en específico deseado por el usuario. Además,
pueden simularse análisis no lineales usando el módulo 3 el cual se encarga de realizar ajuste de propiedades materiales
usando alguna ecuación constitutiva definida por el usuario.

Por otra parte se le hicieron algunas adaptaciones para que pudiera considerar cualquier número de ventanas, ya que
originalmente funcionaba sólo con un número de ventanas igual a una potencia de dos y menor o igual a ocho. Por
supuesto, esto tiene la ventaja de que permite analizar series de tiempo de mayor duración (más densidad de puntos)
con tiempos de ejecución relativamente rápidos y sin tener que truncar o diezmar las series de tiempo por razones de
tiempo y capacidad de memoria.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Con los cambios mencionados se logró una importante reducción en los tiempos de proceso. Debido a los cambios
efectuados se consideró necesario hacer una verificación del programa, para ello se hizo una comparación de sus
resultados con otros programas ya validados en la práctica profesional, como son: el SAP2000 y el FLAC3D. Entonces
en este trabajo sólo se presentan resultados de casos elásticos, para algunos otros sismos diferentes a los presentados
anteriormente por los autores de este trabajo.

Como comentario adicional, en este trabajo se buscó ubicar el procedimiento empleado dentro de un marco de
referencia general dentro de los métodos de análisis tiempo-frecuencia. Por ello se hizo una nueva investigación
bibliográfica que se presentó en párrafos anteriores.

CASOS ESTUDIADOS

En esta sección se presenta un par de análisis con el nuevo algoritmo de análisis en el dominio de tiempo-frecuencia
MPTLUSHEV y se comparan los resultados obtenidos usando software comercial que realiza integración paso a paso
en el dominio del tiempo. Para ello se realizaron análisis equivalentes con los programas FLAC3D y SAP2000 cuya
confiabilidad es reconocida dentro del campo de la ingeniería; de esta manera se tendrá una verificación del programa
desarrollado, desde un punto de vista cualitativo y cuantitativo. Anteriormente se hicieron comparaciones con el
programa NONSAP (Magaña et al, 2015) que hace análisis paso a paso en el dominio del tiempo y está basado en el
método del elemento finito.

Se presenta el análisis de una malla de elementos finitos correspondiente a un cuerpo prismático. Este modelo se
emplea para una verificación cuantitativa, comparando los resultados obtenidos con los programas MPTLUSHEV,
FLAC3D y SAP2000, utilizando como excitaciones señales sísmicas registradas en las oficinas de SCT y la presa El
Infiernillo. El mismo modelo de malla se empleó en la verificación con NONSAP (Magaña et al., 2015).

Entonces, con fines de comparación cuantitativa se analizó el comportamiento del prisma rectangular, el cual consta
de 160 elementos y 275 nudos (figura 2). Los resultados obtenidos se comparan mediante los espectros de respuesta
en el nodo central de la cara superior del prisma.

Figura 2 Malla de elementos finitos del modelo de columna

Análisis dinámico con sismo registrado en SCT

En esta sección se presenta el análisis dinámico usando como excitación el sismo del día 19 de septiembre de 1985,
registrado en la SCT (Secretaria de Comunicaciones y Transporte). La clave de la estación es SCT1985 (figura 3). En

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

la figura 4 se presenta su espectro de respuesta. Las unidades de aceleración están dadas en sistema inglés, teniéndose
la equivalencia de 1 ft/s2  0.305 m/s2.

Figura 3. Acelerograma registrado en SCT

Amortiguamiento del 5%

Figura 4. Espectro de aceleraciones, SCT

En la figura 5 se presentan los espectros de respuesta obtenidos a partir de los análisis realizados considerando diferente
número de ventanas. Puede observarse que para para 4 y 5 ventanas los espectros obtenidos son semejantes.

Figura 5. Comparación de espectros de respuesta para diferente número de ventanas. Sismo SCT

En la figura 6 se presentan los análisis realizados para la misma estructura utilizando los diferentes programas antes
mencionados incluyendo el MPTLUSHEV usando 5 ventanas. Comparando los espectros de respuesta de cada uno

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

de ellos se observa una similitud aceptable entre ellos. Cabe señalar que la discrepancia entre el FLAC3D y los
programas MPTLUSHEV Y SAP2000 puede deberse en gran medida a que el primero se basa en diferencias finitas
y los últimos en el método del elemento finito.

Amortiguamiento del 5%

Figura 6. Comparación de espectros de respuesta con los diferentes programas

La diferencia entre tiempo de cómputo fue considerable, ya que el tiempo registrado para los programas de integración
paso a paso fue de 4 minutos, en el programa MPTLUSHEV fue de 6 segundos (usando una PC con características:
Intel ® Core (TM)2 Quad CPU Q9400 @ 2.66 GHz 2.66 GHz. RAM: 4GB). Esto redunda en la realización de estudios
más detallados ya que el ahorro significativo en el tiempo de cómputo motiva a realizar análisis paramétricos más
extensos, minimizando de esta manera las incertidumbres potenciales en las propiedades mecánicas de los materiales
constitutivos de la obra.

En la siguiente figura se presenta una visualización tridimensional de los espectros de respuesta obtenidos en cada
ventana de tiempo. En la gráfica puede observarse que la máxima respuesta se presenta en la cuarta ventana de tiempo.
Con ello podemos determinar cuál o cuáles son los instantes de tiempo más importantes durante la excitación.

Figura 7. Espectros de respuesta por ventana de tiempo

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Análisis dinámico con sismo registrado en la presa Infiernillo

En esta sección se presenta el análisis dinámico usando como excitación el sismo del día 19 de septiembre de 1985,
registrado en la cortina de la presa El Infiernillo. La clave de la estación es INf1985 (figura 8). En la figura 9 se presenta
su espectro de respuesta.

Figura 8. Acelerograma registrado en presa El Infiernillo

Amortiguamiento del 5%

Figura 9. Espectro de aceleraciones, sitio el Infiernillo

En la figura 10 se presentan los análisis realizados para la misma estructura utilizando los diferentes programas antes
mencionados incluyendo el MPTLUSHEV usando 5 ventanas. Comparando los espectros de respuesta de cada uno
de ellos se observa una similitud aceptable entre ellos.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Amortiguamiento del 5%

Figura 10. Comparación de espectros de respuesta con los diferentes programas

Al igual que el caso anterior, la diferencia entre tiempo de cómputo fue considerable, ya que el tiempo registrado para
los programas de integración paso a paso fue de 13 minutos, mientras que en el programa MPTLUSHEV fue de 7
segundos (usando una PC con características: Intel ® Core (TM)2 Quad CPU Q9400 @ 2.66 GHz 2.66 GHz. RAM:
4GB). Nuevamente, la gráfica 9 muestra que los resultados obtenidos en el dominio de la frecuencia-tiempo son
aceptables, lo que implica que el uso del software MPTLUSHEV representa una economía en tiempo de análisis.

En la figura 11 se presenta una visualización tridimensional de los espectros de respuesta obtenidos en cada ventana
de tiempo. En este caso se observa en la gráfica que la máxima respuesta se presenta en la segunda ventana de tiempo.

Figura 11. Espectros de respuesta por ventana de tiempo

De las comparaciones presentadas, se concluye que el método propuesto y codificado en el programa MPTLUSHEV
resulta eficiente y confiable en lo que respecta a análisis lineales. El tiempo de cómputo usado para el análisis en el
dominio de la frecuencia y por ventanas de tiempo resulta mucho menor que analizar paso a paso la señal en el dominio
del tiempo.

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Además, mediante el análisis por ventanas, pueden analizarse señales de una duración mucho mayor en un lapso
relativamente corto y sin que se necesiten recursos de memoria importantes, o que se tenga que recurrir a la
consideración de sólo la parte del sismo cuya intensidad es apreciablemente mayor.

CONCLUSIONES

 El algoritmo propuesto mejorado resultó ser eficiente en cuanto a tiempo de cómputo y precisión en
resultados, siendo equivalente a los análisis en el dominio del tiempo disponible en software comercial.

 Mediante el uso de ventanas de tiempo pueden analizarse historias de tiempo de considerable duración en
tiempos relativamente cortos sin necesidad de recursos de memoria excesivos.

 El procedimiento implícito en el programa MPTLUSHEV, al igual que otros de su tipo, nos revela que los
espectros de respuesta son funciones tanto de la frecuencia como del tiempo. Esto es sobretodo importante en
problemas no lineales donde la variación con el tiempo de las frecuencias influye en la forma de la distribución
del campo de desplazamientos resultante, así como en la distribución de zonas plastificadas, como se mostró
en un trabajo anterior (Magaña, 2015).

AGRADECIMIENTOS

Se agradece a la DGTIC, UNAM por los recursos de súper cómputo brindados a nuestro equipo de trabajo y con los
cuales se realizaron algunos de los análisis aquí presentados.

REFERENCIAS

Almira J. M. (2005). Transformada de Fourier. LAFA. Laboratorio de Análisis de Fourier Aplicado. Basado
ampliamente en el libro de texto del autor: J. M. Almira, “Matemáticas, 2005,
www4.ujaen.es/~jmalmira/transformada_fourier_almira.pdf

Bochner S. and CHandrasekaran K. (1949). “FOURIER TRANSFORMS”, Princeton university press london: geoffrey
cumberlege oxford university press 1949.

Bradley Lee Barnhart (2011) The Hilbert-Huang Transform: theory, applications, development. University of Iowa.
Iowa Research Online. http://ir.uiowa.edu/cgi/viewcontent.cgi?article=2751&context=etd

Garay de Pablo, José, (1998), Transformadas matemáticas en teoría de señales, José Garay de Pablo, discurso de
ingreso leído por el académico electo, 21 de abril de 1998, academia de ciencias exactas, físicas, químicas y naturales
de Zaragoza. (Transformada de Hilbert)-www.unizar.es/acz/02AcademicosNumerarios/Discursos/Garay.pdf.

Liu Chun-Lin, (2010) A Tutorial of the Wavelet Transform, 23 feb. 2010.

disp.ee.ntu.edu.tw/tutorial/WaveletTutorial.pdf

Magaña R. (2015). “Un algoritmo para el análisis dinámico no lineal en el dominio de la frecuencia”. Tesis para optar
por el grado de Doctor en Ingeniería, División de Estudios de Posgrado, Facultad de Ingeniería, UNAM, febrero 2015.

Magaña R., Hermosillo A., Romo M. (2015). “Análisis dinámicos no lineales en los dominios del tiempo y la
frecuencia”. XX Congreso Nacional de Ingeniería Sísmica. Celebrado del 25 al 28 de noviembre de 2015, Acapulco,
Guerrero.

Okamura Shuhei (2011) “The Short Time Fourier Transform”

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.

 DEL 20 AL 23 DE SEPTIEMBRE DE 2017, GUADALAJARA, JALISCO

Romo M. y Villarraga M. (1989), “Modelo teórico del comportamiento sísmico de presas”, Basado en Investigaciones
realizadas para Comisión Federal de Electricidad, Series del Instituto de Ingeniería, UNAM. No. 518, julio 1989.

SAP2000. http://www.csimexico.mx

SOCIEDAD MEXICANA DE INGENIERÍA SÍSMICA A. C.