System reliability analysis of soil slopes using metamodels

Abstract

La evaluación de la confiabilidad de taludes de suelo que involucran comportamientos complejos e incertidumbres puede ser una tarea desafiante porque generalmente requiere cálculos que consumen mucho tiempo. Para abordar este problema, los métodos de confiabilidad basados en metamodelos se utilizan cada vez más. Entre los metamodelos disponibles se encuentra Kriging, un método de interpolación que proporciona no solo los valores predichos en cualquier punto, sino también estimaciones de la varianza local de estas predicciones, que pueden usarse en enfoques de entrenamiento adaptativo. El objetivo de este trabajo es proponer un enfoque iterativo basado en la Simulación Monte Carlo (MCS) y el metamodelo Kriging adaptativo para evaluar la confiabilidad de taludes de suelo de manera eficiente. El modelo Kriging adaptativo propuesto se utiliza como sustituto de la respuesta del sistema del talud de suelo y se establece mediante un diseño secuencial de experimentos, que actualiza el modelo Kriging en cada iteración al agregar nuevos puntos de apoyo de acuerdo con alguna regla de selección. En este trabajo se estudian diferentes reglas de selección, combinando dos componentes: la varianza de predicción del metamodelo, expresada a través de una función de entropía, y la proximidad al dominio de falla dada por la función de estado límite (LFS). Luego se realiza el MCS utilizando el metamodelo Kriging adaptativo para evaluar la probabilidad de falla del sistema de la pendiente. Este método se aplicó en dos ejemplos ilustrativos de taludes de suelos, evaluando la estabilidad a través del método de reducción de resistencia (SRM). Los resultados indican que el enfoque propuesto puede proporcionar una estimación razonable y precisa de la probabilidad de falla del sistema con un número significativamente reducido de análisis de estabilidad determinista en comparación con la simulación directa de Monte Carlo (MCS), lo que hace que la implementación propuesta sea atractiva desde una perspectiva computacional.