See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/362784369

Caracterização da variabilidade de parâmetros de compressibilidade de solos

argilosos

Conference Paper · January 2020

DOI: 10.4322/cobramseg.2022.0654

CITATIONS READS

0 3

2 authors:

Natália Ziesmann Gracieli Dienstmann

Federal University of Santa Catarina Federal University of Santa Catarina
2 PUBLICATIONS 0 CITATIONS 35 PUBLICATIONS 183 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Gracieli Dienstmann on 24 August 2022.

The user has requested enhancement of the downloaded file.

 https://doi.org/10.4322/cobramseg.2022.0654 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

Caracterização da Variabilidade de Parâmetros de

Compressibilidade de Solos Argilosos
Natália Ziesmann
Universidade Federal de Santa Catarina, Florianópolis, Brasil, nziesmann@gmail.com

Gracieli Dienstmann
Universidade Federal de Santa Catarina, Florianópolis, Brasil, g.dienstmann@ufsc.br

RESUMO: Com a expansão geográfica das cidades, há uma crescente ocupação de regiões de solos moles até
o momento evitadas. Dentro desse contexto, no caso de obras de engenharia, é preciso conhecer os parâmetros
de compressibilidade para permitir a elaboração de melhores soluções técnicas e ter maior controle sobre a
deformação do solo. Além disso, há uma necessidade complementar crescente de análises estatísticas dos
parâmetros do solo. Nesse contexto, essa pesquisa analisa estatisticamente parâmetros do ensaios de
adensamento realizados em municípios de Santa Catarina. Os resultados obtidos nessa etapa são usados como
dados de entrada para o Método Monte Carlo. Por meio dele, foi simulado um conjunto de valores gerados
aleatoriamente, que mantém as características dos dados originais. Posteriormente, são aplicados em um
modelo de ensaio de adensamento em um software de elementos finitos. Dessa forma, são obtidos
deslocamentos para cada alteração dos parâmetros, que são analisados estatisticamente para obtenção de
probabilidades de ocorrência de deslocamentos verticais.

PALAVRAS-CHAVE: Compressibilidade. Variabilidade. Solos Moles. Método Monte Carlo. Elementos

Finitos.

ABSTRACT: The increasing urban sprawl is encroaching into soft soil regions. In order to further this
geoghapical expansion it is imperative to know compressibilitiy parameters to have control over soil vertical
deformation and to allow for better project solutions. Furthermore, there is a tendency to analyse the parameters
statistically besides the usual analysis for this deformation. In this context, this research contains initially a
statistical analysis of consolidation test parameters found in Santa Catarina, in Southern part of Brasil. These
results are input as data in the Monte Carlo Method. Through this method, soil parameters values are ramdomly
generated maintaining the original features. Subsequently these values are applied in a consolidation test model
in a finite element software. Therefore, for each change in the parameters, displacements were obtained and
then statisticaly analysed. Finally, the probabilities of vertical displacement are achieved.

KEYWORDS: Compressibility. Variability. Soft soil. Monte Carlo Method. Finite Elements.

1 Introdução

Durante muitos anos, construções sobre solos moles foram evitadas, pois esse tipo de solo apresenta
baixa resistência e alta compressibilidade o que causa recalques excessivos nas construções. No entanto,
atualmente, devido à expansão das cidades, esses terrenos estão sendo ocupados. Para isso, estudos devem ser
realizados para melhor compreensão do comportamento do solo (OLIVEIRA 2006).
Uma etapa fundamental para caracterização do comportamento geomecânico dos solos é a realização de
investigações geotécnicas, que avaliam parâmetros do solo que afetam a segurança, modelo e execução de um
projeto de engenharia. Investigações insuficientes e interpretações errôneas de resultados contribuem para
projetos inadequados, o que causa atrasos e por consequência, modificações dispendiosas na construção (U. S.
ARMY CORPS OF ENGINEERS, 2001).
Outro aspecto a ser levado em consideração relativo à esta pesquisa é o estudo da variabilidade em solos.
Atualmente, mesmo com muitas referências que estudam as incertezas dos problemas, Christian (2004) aponta
que muitos engenheiros geotécnicos, como engenheiros de outras especialidades, desenvolveram estratégias

5195
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

para lidar com essas incertezas. Uma das posturas frequentemente adotadas neste cenário pelo engenheiro é
ser conservador. Muitas vezes o profissional faz a estrutura ou o sistema robusto que resiste às mudanças de
comportamento não previstas. Em muitos casos essa postura resolve o problema técnico, porém normalmente
a solução tem custo elevado. O autor chega a ser rigoroso quando escreve que uma das estratégias de se lidar
com a incerteza é ignorá-la. Por fim, Christian (2004) aponta que a melhor postura de projeto é quantificar as
incertezas, sendo que esse é o propósito da abordagem do trabalho do autor. O presente trabalho é inspirado
nesta abordagem, pois objetiva identificar a variabilidade estatística de parâmetros de compressibilidade do
solo, e utilizar esta abordagem na quantificação da incerteza relativa a previsão de deslocamentos no solo.

1.1 Objetivos

Caracterizar a variabilidade de solos argilosos da região litorânea de Santa Catarina para aplicação em
um modelo em elementos finitos do ensaio de adensamento e análise probabilística de deslocamentos verticais.
Os objetivos específicos são:
(i) obter a função densidade de probabilidade e parâmetros estatísticos médios para cada um dos
parâmetros do solo;
(ii) obter um modelo de deformações do ensaio de adensamento;
(iii) obter a probabilidade de ocorrência de deslocamentos verticais.

2 Referencial Teórico

Testes de aderência são utilizados para a verificar se distribuições teóricas representam um conjunto de
dados reais. Razali e Wha (2011) compararam o resultado de quatro testes de normalidade: Shapiro-Wilk,
Kolmogorov-Smirnov, Lilliefors e Anderson-Darling. Desses, o teste que melhor apresentou resultados foi o
Shapiro-Wilk, em segundo lugar o teste Anderson-Darling e, por último, Kolmogorov-Smirnov. Torman,
Coster e Riboldi (2012) compararam a aplicabilidade de oito testes: Qui-quadrado, Kolmogorov-Smirnov,
Lilliefors, Shapiro-Wilk, Shapiro-Francia, Cramer-von Mises, Anderson-Darling e Jarque-Bera. Como
conclusão, observaram, que os testes mais adequados são de Shapiro, além desses, o teste de Anderson-Darling
apresentou resultados próximos. É perceptível que para amostras acima de 30 e próximas a 50 o acerto dos
testes possa atingir mais de 60%. Razali e Wha (2011) também concluem que para amostragens com tamanho
acima de 30 os resultados são mais satisfatórios.
D’Agostino e Stephens (1986) consideram que os testes de Kolmogorov-Smirnov e Qui-Quadrado não
são adequados para avaliar a normalidade. Dessa forma, para esse tipo de distribuição são indicados os testes
que melhor a avaliam, Shapiro-Wilk e o Anderson-Darling.
Para cada um dos testes é possível obter a estatística por meio de equações. Os resultados devem ser
comparados com valores pré-definidos que indicam a aceitação e rejeição da hipótese inicial de que a
distribuição teórica avaliada representa os dados reais. No caso do teste de Shapiro-Wilk, o valor varia entre 0
e 1. Valores inferiores significam a rejeição da hipótese inicial e valores mais próximos de 1 indicam que a
hipótese inicial não poderia ser descartada. Para testes como o de Anderson-Darling, Kolmogorov-Smirnov e
Qui-Quadrado, valores mais próximos de 0 indicam uma melhor representação da distribuição teórica dos
dados reais.
Além da estatística de cada teste, ainda pode-se utilizar o valor-P como referência para a não rejeição
ou descarte da hipótese inicial. Segundo Devore (2006), o valor P é o nível de significância observado. O
pesquisador adotaria o menor nível de significância para o qual a hipótese inicial seria rejeitada para um
determinado teste de conjunto de dados. Resumidamente, caso o valor P seja menor ou igual ao nível de
significância adotado, a hipótese inicial é rejeitada. Caso o valor P seja maior, a hipótese não seria rejeitada.
Assim, quanto menor o valor P, mais contraditórios os dados da hipótese inicial. Normalmente, o nível de
significância adotado é de 0,1; 0,05 e 0,01.
Somente após a análise de adequação a um tipo de distribuição estatística é que pode-se proceder com
análises probabilisticas. Dentre as mais conhecidas no meio geotécnico tem-se o Método de Monte Carlo.
Segundo Baker (1984), o método Monte-Carlo requer a capacidade de gerar um grande número aleatório de
valores, para uma posterior utilização em previsões numéricas. A repetição das previsões é encerrada quando

5196
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

são caracterizados valores médios convergentes. Uma das preocupações do método é definir aproximadamente
o tamanho da amostra para finalizar as repetições e assim atingir a convergência. Segundo Fishman (1995),
seguindo uma determinada metodologia, é possível estimar que para um um nível de confiança desejado de
90% e um erro admitido de 0,1, um tamanho amostral de 250 seria adequado. Entretanto, também é
recomendada a avaliação numérica da convergência. Encontrada essa convergência, o conjunto de respostas
obtidas é utilizado para representar o comportamento médio e fornecer as probabilidades deste comportamento
ser superado.
No presente trabalho, após análise da estatística de dados referentes a ensaios de adensamento, as
distribuições encontradas serão utilizadas em previões do tipo Monte Carlo. Para tanto será utilizado um
modelo em elementos finitos para modelagem do ensaio de andensamento e previsão dos valores médios de
recalque e probabilidades destes serem ultrapassados.

3 Materiais e Métodos

3.1 Área de Estudo

Os dados dos ensaios de laboratório utilizados são da região norte do Estado de Santa Catarina e
compreendem o depósito 4 das pesquisas de Grando (2018). Os municípios que compõem a área de estudo são
Gaspar, Ilhota, Navegantes e Araquari. Nesses locais foram realizados quarenta ensaios de adensamento em
amostras que foram retiradas em distintas profundidades de um mesmo perfil vertical ou somente de uma
profundidade de um perfil. Nos pontos de investigação ao longo da BR-470 havia catorze amostras
classificadas como turfa ou amolgado. Os parâmetros dessas amostras não foram levadas em consideração
para a análise estatística. Isso teve como consequência a redução para vinte e seis o tamanho da amostra.

3.2 Metodologia

3.2.1 Análise Estatística da Amostra

A análise da estatística dos dados foi realizada com o auxílio do o software Easy Fit da empresa
Mathwave. O conjunto de valores a serem verificados são inseridos no software e ele realiza testes para
quarenta e nove distribuições de variáveis contínuas e oito distribuições de variáveis discretas. O software gera
os gráficos correspondentes para cada tipo de distribuição, e fornece uma lista decrescente das distribuições
com melhor aderência para os valores submetidos.
Além do software EasyFit foi utilizada a linguagem R para a verificação do teste Shapiro-Wilk e seu
valor-P. Essa análise foi executada apenas nos casos onde a distribuição normal foi considerada como hipótese
válida no primeiro software. Buscou-se avaliar a análise da estatística em relação a distribuição normal, pois
de acordo com a literatura (LACASSE E NADIM, 1998) as distribuições mais utilizadas na geotecnia são a
normal e log-normal.
Definido o modelo de distribuição estatística com melhor aderência, foram determinados também os
parâmetros estatísticos para cada parâmetro do adensamento. Os parâmetros avaliados foram, Índice de
compressão, Índice de recompressão, k, Índice de vazios, e0, razão de pré-adensamento, OCR. No caso das
distribuições normal e log-normal, foram determinados a média e o desvio padrão de cada parâmetro avaliado.
Os resultados da etapa estatística foram usados posteriormente em um modelo de elementos finitos do ensaio
de adensamento.

3.2.2 Modelagem do Ensaio de Adensamneto em Elementos Finitos

A modelagem do ensaio de adensamento foi realizada no software de elementos finitos Abaqus em sua
versão estudantil. Para representação do comportamento do material foi utilizado o modelo constitutivo Clay
Plasticity, modelo do tipo Cam-Clay Modificado. Os dados de entrada do modelo clay plasticity são para o
trecho elástico: índice de recompressão e coeficiente de poisson (); e para o trecho plástico: inclinação da

5197
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

linha do estado crítico (M) e índice de compressão. São necessários também os dados de permeabilidade k e
índice de vazios inicial (e0)
Visando caracterizar estatisticamente a variação da deformação vertical prevista no modelo de
elementos finitos através do Método de Monte Carlo foram realizadas n simulações variando os seguintes
parâmetros: indice de compressão () e indice de vazios inicial (e0). As distribuições caracterizadas na análise
estatística foram utilizadas para definir os critérios de variação. Neste caso, para cada nova simulação no
software, um valor distinto e aleatório destes parâmetros foi adotado, respeitando as distruições estatisticas.
Para simplificar a análise a aplicação do Método Monte Carlo se deu na variação desses dois parâmetros de
maneira independente, seguindo a seguinte lógica: enquanto o índice de vazios teve variação, o índice de
compressão foi mantido constante e o contrário também ocorreu. Por fim, a cada simulação foi armazenado o
deslocamento do corpo de prova.
Os demais parâmetros foram mantidos constantes, sendo utilizado o valor médio obtido pela estatística.
Quando não disponíveis foram utilizados parâmetros da literatura. Os valores constantes utilizados foram: para
o índice de recompressão de 0,0203 (k), coeficiente de poisson de 0,3 (); inclinação da linha do estado crítico
(M) de 1,03 (corresponde a um ângulo de atrito de 26º, Magnani, 2006) e permeabilidade de 1,00E-08 m/s.

4 Resultados

4.1 Estatísticos

Os resultados da análise estatística são apresentados inicialmente em gráficos das funções densidade de
probabilidade de cinco parâmetros: índice de vazios inicial (e0), índice de vazios inicial parametrizado (e0/'v,
sendo 'v – tensão vertical efetiva), tensão de pré-adensamento ('vM), índice de compressão () e índice de
recompressão (). Índice de vazios inicial parametrizado refere-se ao índice de vazios inicial dividido pela
tensão efetiva inicial. Isso foi feito como uma tentativa de remover a tendência de diminuição do índice em
decorrência de sua profundidade, uma vez que as amostras não foram coletadas nas mesmas profundidades.
Nos gráficos da Figura 1, as abscissas correspondem aos dados reais referentes a cada parâmetro, e as
ordenadas, à função densidade de probabilidade. Assim, as barras verticais observadas representam os dados
inseridos. A curva em formato de sino presente Figura 1.a), por exemplo, equivale à representação de uma
distribuição normal teórica, caso fossem utilizadas a média e o desvio-padrão dos dados de entrada. Desse
modo, a análise visual da adequação é baseada na comparação do histograma com a curva.

a) b)

c) d)

5198
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

e)
Figura 1 – Distribuições estatísticas teóricas dos parâmetros do solo da amostra: a) Normal para o índice de
vazios inicial. b) Log-normal para índice de vazios inicial normalizado. c) Log-normal para razão de pré-
adensamento (OCR). d) Normal para índice de compressão. e) Log-normal para o índice de recompressão.

No Quadro 1 consta o resultado dos testes obtidos para a verificação da representatividade das funções
densidade de probabilidade (curva teórica) com a distribuição real dos parâmetros.

Quadro 1 – Resumo dos testes obtidos para os parâmetros.

Anderson-Darling Kolmogorov-Smirnov Qui-Quadrado Shapiro-Wilk
Distribuição Valor-
Classificação Estatística Estatística Valor-P Estatística Estatística Valor-P
identificada P
Índice de
Normal 5º Lugar 0,30674 0,11245 0,86124 0,94836 0,6224 0,96571 0,516
Vazios Inicial
Índice de
Vazios Inicial Log-normal 17º Lugar 0,43299 0,12093 0,7986 0,03131 0,98446 - -
Normalizado
OCR Log-normal 18º Lugar 0,68532 0,14999 0,55217 2,09741 0,5531 - -
Índice de
Normal 4º Lugar 0,46077 0,12421 0,77221 2,4711 0,29067 0,95684 0,3333
Compressão
Índice de
Log-normal 17º Lugar 0,28439 0,10644 0,96664 0,994 0,60835 - -
Recompressão

Dessa forma, a partir da comparação da curva teórica com a distribuição dos dados reais da Figura 1 e
da comparação dos resultados encontrados para as estatíticas de cada teste com valores da literatura, pode-se
observar que:
(i) para o índice de vazios inicial o histograma não apresentou o seu valor mais alto na coluna central
(Figura 1.a), o que pode limitar a adequação a distribuição normal apresentada na Figura. Ainda assim, o
histograma apresentou uma simetria e a mesma tendência da curva da função. O resultado dos testes
confirmaram o indicativo da análise visual e da adequação dos dados a uma distribuição normal. Assim,
concluiu-se que a hipótese inicial não pode ser rejeitada;
(ii) no caso do índice de vazios inicial normalizado, a análise visual indicou um provável ajuste da
distribuição log-normal, assim como a análise dos testes (Figura 1.b e Quadro 1). Portanto conclui-se que a
função densidade de probabilidade adequada foi a log-normal;
(iii) o terceiro parâmetro analisado foi a razão de pré-adensamento. A análise visual indicou a possibilidade
da adequação dos dados à função densidade de probabilidade log-normal (Figura 1.c). No entanto, os
resultados obtidos nos testes, apesar de expressarem a não rejeição da hipótese, apresentaram-se distantes dos
valores desejados. Dessa forma, conclui-se que a razão de pré-adensamento não apresenta uma função
densidade de probabilidade normal;
(iv) a análise visual do índice de compressão (Figura 1.d), assim como a análise numérica foi favorável à
aceitação da hipótese inicial. Assim, considerou-se que o parâmetro segue a distribuição normal;
(v) o último parâmetro analisado foi o índice de recompressão apesar da análise visual dos dados não
apresentar resultados satisfatórios (Figura 1.e), os resultados dos testes indicaram um bom ajuste da função
densidade de probabilidade log-normal. Portanto considera-se que o parâmetro segue essa distribuição.

5199
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

4.2 Modelagem em Elementos Finitos

Com base na distribuição de probabilidade teórica encontrada para o índice de vazios inicial e para o
índice de compressão, em suas médias e desvio padrão, foram gerados valores aleatórios para cada um desses
parâmetros do solo. Ao aumentar o tamanho da amostra, é possível analisar probabilisticamente a ocorrência
de um evento. Na sequência são descritas as análises de variação de maneira indepente para cada parâmetro
avaliado.

4.2.1 Resultados da Variação do Índice de Vazios Inicial

No programa de elementos finitos foram inseridos no campo de índice de vazios inicial os valores
utilizados (250) apresentados na Figura 2. Foram definidos limites para os valores do parâmetro para
convergência numérica no software, desse modo, o limite superior foi de 2,500 e o inferior, 0,500.

Valores aleatórios - Índice de Vazios Inicial

0,8
Função Densidade de

0,6
Probabilidade

0,4
0,2
0
0,000 0,500 1,000 1,500 2,000 2,500 3,000 3,500 4,000
Valores Aleatórios de Índice de Vazios

Valores Utilizados Valores Excluídos

Figura 2 – Distribuição normal do índice de vazios (média=1,822; desvio=0,535; COV=29,4%).

Após as simulações foi obtido como resultado um conjunto de valores de deslocamento. A partir deles,
foi atualizado o valor médio do recalque obtido. A estabilização do valor médio de recalques indicou a
convergência do método. A Figura 3 ilustra a convergência do valor do deslocamento do corpo de prova a
cada índice de vazios alterado no programa. Assim, após as 250 iterações pode-se dizer que o deslocamento
médio na região é de 1,00cm.
Posteriormente, foi verificada a probabilidade de ocorrência de deformações acima do valor médio
obtido na convergência do método Monte Carlo (1,00cm). Com base na contagem de deslocamentos acima de
certo valor em relação à quantidade total de dados, foi possível obter uma probabilidade. Dessa forma, a
probabilidade de ocorrer um deslocamento 15% maior do que 1,00cm (1,15cm) é de 20,4%. Essa porcentagem
sofreu uma variação pequena no segundo valor estipulado: a probabilidade de um deslocamento maior que
1,20cm ocorrer é de 16,0%. Finalmente, a probabilidade de ocorrer um deslocamento 35% maior que a média
é de 8,4%. Em seguida foi realizado o mesmo precedimento para o índice de compressão.

Deslocamento x Simulações
1,15E-02
Deslocamento (m)

1,05E-02
9,50E-03
8,50E-03
0 50 100 150 200 250

Figura 3 – Convergência do deslocamento para variação do índice de vazios.

5200
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

4.2.2 Resultados da Variação do Índice de Compressão

A Figura 4 ilustra os valores gerados para o índice de compressão. No caso desse parâmetro os limites
adotados foram de 0,040 e 0,600.

Valores aleatórios - Índice de Compressão

3
Função Densidade de

2,5
Probabilidade

2
1,5
1
0,5
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
Valores Aleatórios do Índice de Compressão

Figura 4 – Distribuição normal do índice de compressão (média=0,315; desvio=0,142; COV=45%).

Assim como para o índice de vazios inicial, esses valores de índice de compressão também foram
inseridos no programa de elementos finitos para obtenção de um conjunto de deslocamentos. A média desses
valores foi plotada em um gráfico ilustrado pela Figura 5. Assim, ao final das repetições, é possível observar
uma convergência dos valores de deslocamento, que é de 0,97cm.
Os procedimentos para obtenção de probabilidades de recalques segundo os valores de média obtidos
no caso do índice de vazios inicial foram utilizados para os do índice de compressão. Desse modo, a
probabilidade de deslocamentos 15% maiores que 0,97cm é de 36,0%. A probabilidade permanece elevada
para deslocamentos 35% maiores que o médio (1,31cm): 22,0%. Por fim, o último valor submetido aos testes
foi 50% maior que a média e nesse caso há uma probabilidade de 15,2% de ocorrência.

Deslocamento x Simulações
Deslocamento (m)

1,30E-02
1,10E-02
9,00E-03
7,00E-03
5,00E-03
0 50 100 150 200 250

Figura 5 – Convergência do deslocamento para a variação do índice de compressão.

5 Conclusões

Inicialmente foi realizada uma análise estatística de quatro parâmetros do solo: índice de vazios inicial,
razão de pré-adensamento (OCR), índice de compressão (λ) e índice de recompressão (κ). Essa análise foi
dividida em duas: a primeira, visual e a segunda, numérica. Notou-se que a primeira análise apresentou a
desvantagem de ser subjetiva. Os testes apareceram para oferecer maior objetividade nas confirmações das
hipóteses, mas muitas vezes se contradizem quando comparados. Mesmo quando coincidem, não há valores
certos da indicação de adequação de uma distribuição. Assim, é necessária cautela na declaração de uma função
densidade de probabilidade.

5201
 ISBN: 978-65-89463-30-6

XX Congresso Brasileiro de Mecânica dos Solos e Engenharia Geotécnica

IX Simpósio Brasileiro de Mecânica das Rochas
IX Simpósio Brasileiro de Engenheiros Geotécnicos Jovens
VI Conferência Sul Americana de Engenheiros Geotécnicos Jovens
15 a 18 de Setembro de 2020 – Campinas - SP

Uma observação que deve ser feita é que para uma análise estatística aprimorada eram necessários mais
dados de uma mesma região. O tamanho amostral dos parâmetros do litoral de Santa Catarina não atingiu o
mínimo recomendado pela literatura - 30. Seriam necessários mais dados da mesma região para uma análise
mais embasada. Além disso, como as análises estatísticas de parâmetros do solo necessitam de elevada
quantidade de resultados de ensaios, percebe-se a necessidade de um banco de dados nacional para melhor
compreensão da variabilidade do solo.
Em um segundo momento, foi aplicado o Método Monte Carlo para o índice de vazios e o índice de
compressão. Os valores aleatórios foram variados no software Abaqus de elementos finitos, enquanto que os
outros parâmetros necessários para o modelo elasto-plástico Cam-clay permaneciam inalterados com suas
médias. Logo, pôde-se analisar individualmente a influência que cada um dos dois parâmetros possui no
deslocamento.
É necessário fazer uma ressalva quanto à convergência dos deslocamentos obtidos a partir do índice de
compressão. Pode-se perceber que o deslocamento variou entre 0,9cm e 1,0cm mesmo ao final das simulações.
Por fim, pôde ser constatado, que foi elevada a probabilidade de ocorrência de deslocamentos verticais
acima da média encontrada para os dados da área de estudos. Essa demonstração é comprovada em obras de
engenharia quando observa-se recalques elevados onde muitas vezes são adotados valores médios de
parâmetros geotécnicos para regiões amplas. Como comentado anteriormente, investigações geotécnicas
insuficientes ou mesmo interpretações errôneas podem levar a um projeto errado e, consequentemente maiores
custos.

AGRADECIMENTOS
Agradecimentos à Grando (2018) e à Geoforma Engenharia Ltda pelo fornecimento dos dados da
presente pesquisa.

REFERÊNCIAS BIBLIOGRÁFICAS
BAKER, R. (1984) Modeling Soil Variability as a Random Fieid. Mathemarical Geology, v. 16, n. 5, p.435-
448.
CHRISTIAN, J. T.(2004) Geotechnical Engineering Reliability: How Well Do We Know What We Are
Doing? Journal Of Geotechnical And Geoenvironmental Engineering. p. 985-1003.
D’AGOSTINO, R. B.; STEPHENS, M. A.(1986). Goodness-of-fit techniques. New York: Marcel Dekker, Inc.
New York And Basel. 589 p. (Vol 68).
DEVORE, J. L.(2006). Probabilidade e estatística: para engenharia e ciências. São Paulo: Cengage Learning.
692 p.
FISHMAN, G. S. (1995) Monte Carlo: concepts, algorithms and applications. Nova York: Springer-Verlag.
GRANDO, Â. (2018) Propriedades e Parâmetros Geotécnicos de Depósitos com Argilas Moles de Santa
Catarina. 2018. 807p. Tese (Doutorado em Infraestrutura e Gerência Viária), Programa de Pós-Graduação
em Engenharia Civil-PPGEC, Universidade Federal de Santa Catarina, Florianópolis.
LACASSE, S.; NADIM, F. (1998) Risk and reliability in geotechnical engineering. International Conference
on Case Histories in Geotechnical Engineering, v. 9, n. 4, p. 1162–1192.
OLIVEIRA, H. M. de. (2006) Comportamento de aterros reforçados sobre solos moles. Tese (Doutorado) -
Curso de Engenharia Civil, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 507 p.
RAZALI, N. M.; WAH, Y. B.. (2011) Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors
and Anderson-Darling tests. Journal Of Statistical Modeling And Analytics. p. 21-33.
TORMAN, V. B. L.; COSTER, R.; RIBOLDI, J. (2012) Normalidade de variáveis: métodos de verificação e
comparação de alguns testes não-paramétricos por simulação. Revista Hcpa, Porto Alegre, v. 32, n. 2,
p.227-234.
U. S. ARMY CORPS OF ENGINEERS. (2001) EM 1110-1-1804: Geotechnical investigations. Washington.
449 p.

5202

View publication stats