Introduccin

La palabra confiabilidad designa la probabilidad de que un sistema cumpla satisfactoriamente con la funcin para la que fue diseado, durante un determinado perodo y en condiciones especificadas de operacin. As un evento que interrumpa ese funcionamiento se denomina falla.

Diseo Basado en Confiabilidad y Performance

La solucin del problema del diseo basado en performance depende en la cuantificacin de la performance para cada estado lmite y esto, a su vez, requiere de la disponibilidad de modelos de clculo. Por ejemplo, la determinacin de los caudales de escorrenta en una seccin de un dren requiere un modelo realstico para el clculo del caudal.

Fig. 1 -Modelo de clculo para caudal de escorrenta.

En general, la performance de un sistema de ingeniera puede ser descrita por una funcin de estado lmite o de performance G(x), de la forma siguiente: = , , Dnde: G(x) es una funcin de las variables x que intervienen en el problema, y siempre puede ser escrita como la diferencia entre dos funciones: una capacidad C una demanda D. Las variables pueden ser divididas en dos grupos:

Uno (xc , dc), relacionado con la capacidad C, y una segunda, (xd , dd), asociada con la demanda D. Los vectores xc y xd incluyen todas aquellas variables que son aleatorias o inciertas, mientras que los vectores de xd y dd incluyen todas aquellas cantidades que son determinsticas o conocidas con suficiente certeza. Por ejemplo el coeficiente de rugosidad de Manning influye en la capacidad de una seccin de un dren pluvial y formar parte de xc, mientras que el coeficiente de escorrenta "C" afectar la magnitud del caudal en la misma seccin del dren y formar parte de xd. Por otro lado, las dimensiones de la seccin del dren formarn parte de dc mientras que el rea de una cuenca ser incluida en dd.

A continuacin se presenta un problema donde se analiza la capacidad de una seccin de un rio determinada por el glibo es distancia entre la parte inferior de la superestructura y el nivel medio del curso de agua especificado en una seccin de un puente:

Fig.2 - Modelo para el anlisis del

glibo de un puente.

Funcin de distribucin acumulada ajustada:

Variables: Aleatoria: Q

Funcin de Performance G(X):

G(x) = C-D = Q-Qd Prob. De falla: Pf= P(C < D) = P (Q < Qd) = P (Q-Qd < 0) Confiablidad del sistema:
Fig. 3 - Distribucin de mximos anuales.

R = 1 - Pf = 1 P (Q < Qd)

El criterio de confiabilidad se expresa normalmente en trminos de ecuaciones de estados lmite, G(X), tambin llamados eventos de falla, F: = < 0

La demanda impuesta o los efectos de las cargas, D, en una estructura, y la capacidad o resistencia, C, de la misma para un evento determinado, se podran representar por dos curvas de distribucin de probabilidad como se muestra esquemticamente en la Fig.

Asumiendo que la capacidad, C y la demanda, D son independientes, (lo cual es aproximadamente cierto para el caso en el que las cargas son estticas), existir siempre la posibilidad, aunque sea muy pequea, de que C < D y la estructura falle. Por el contrario, si C > D, la estructura es segura.

El clculo de la probabilidad de falla se puede efectuar resolviendo la siguiente integral:

La integral anterior calcula la probabilidad de que sucedan aquellos valores x en los que la capacidad C es menor a la demanda D, de tal modo que la falla sucede. En la fig. anterior, el valor de dicha probabilidad corresponde al rea sombreada en celeste.

Variables: Aleatoria: Q Funcin de Performance G(X): G(x) = C-D = Q-Qd Prob. De falla: Pf= P(C < D) = P (Q < Qd) = P (Q-Qd < 0) Confiablidad del sistema: R = 1 - Pf = 1 P (Q < Qd) El clculo de la confiablidad requiere informacin estadstica sobre la variabilidad de las variables aleatorias. En un modelo de clculo de capacidad ms sofisticado, las estadsticas para el coeficiente de Manning pueden ser derivadas a partir de ensayos de laboratorio en superficies de similares caractersticas, y los ensayos realizados proveern la informacin requerida. Algunas variables de la demanda dependern de datos disponibles, por ejemplo, distribucin de caudales, espesores de capas de nieve, milmetros de precipitacin o intensidades ssmicas histricas.

Representacin estadstica de variables conceptos bsicos de probabilidad.

Los datos para cada una de las variables involucradas se deben proporcionar en forma de informacin estadstica. Dos variables aleatorias se dice que son independientes si una puede tomar cualquier valor dentro de su rango independientemente del valor tomado por la otra. Dos variables independientes tienen covarianza cero y, correspondientemente, coeficiente de correlacin cero. Para clculos de confiabilidad no es suficiente con proveer solamente las estadsticas bsicas. Los datos tambin deben ser clasificados con la finalidad de construir una funcin, llamada distribucin de probabilidad acumulada, F(x), definida como: F(x0) = Prob (x<x0) [7]

es decir, F(x0) representa la probabilidad de encontrar, en el rango de la variable estudiada, valores de x menores que o iguales que x0. Otra funcin til es la derivada f(x) de la distribucin acumulada F(x). La funcin f(x) se llama la densidad de probabilidad. Debido a la relacin entre f(x) y F(x), la probabilidad F(x0) tambin se puede escribir como:
[8]

La distribucin acumulada F(x) puede ser representada con una variedad de funciones matemticas.

a) Distribucin Normal (o de Gauss): Esta muy conocida distribucin se describe por su funcin de densidad f(x): [9]
Esta distribucin es simtrica a partir del valor medio y se extiende de - a +. Para el caso especial de valor medio cero y desviacin estndar =l, la distribucin se convierte en una Estndar Normal. Aunque una distribucin Normal puede ser siempre ajustada a una serie de datos, se presenta un problema fundamental cuando la variable x no puede ser negativa (como en el caso de resistencia a la flexin, o del mdulo de la elasticidad o de las cantidades de precipitacin). Sin embargo, una Normal se puede utilizar si el valor medio es positivo y el coeficiente de variacin es pequeo, teniendo como resultado que muy pocas veces la variable tome valores negativos. La distribucin Normal tiene algunas caractersticas muy interesantes: cualquier combinacin lineal de distribuciones Normales es tambin una Normal, una caracterstica que no se cumple para otras distribuciones. Una Normal de valor medio m y desviacin estndar puede ser escrita como: x=m+R [10] donde R es una variable Normal Estndar. Puesto que existen algoritmos que generan nmeros aleatorios con una distribucin normal estndar, la Ec. [10] puede ser usada para generar nmeros aleatorios con una distribucin Normal.

b) Distribucin Lognormal: En este caso, el logaritmo de la variable x tiene distribucin normal. Esta caracterstica hace que la distribucin Lognormal sea buena para representar datos positivos como resistencias o mdulos de la elasticidad. c) Distribucion Extrema Tipo III o Weibull: la funcin de distribucin acumulada F(x) es: [11] Un caso particular de la distribucin Weibull implica solamente dos parmetros, para el caso especial de x0 = 0. Estos parmetros se pueden relacionar con el promedio y la desviacin estndar de la distribucin: por ejemplo, a mayor variabilidad ms pequeo es el parmetro de forma k. Una distribucin Weibull no puede ser negativa, por lo tanto tiene las buenas caractersticas de un Lognormal. Ms an, puede demostrarse que una distribucin Weibull es una representacin asinttica de la distribucin correspondiente al valor mnimo de una variable x entre un numero grande de muestras de la misma variable.

La ecuacin [11] se puede tambin escribir en una forma diferente,

[12]
La Ec. [12] puede ser usada para generar valores de x, que obedezcan una distribucin Weibull, utilizando un generador de nmeros aleatorios que generen nmeros entre 0 y 1. Estos nmeros aleatorios uniformes pueden ser generados con rutinas disponibles, incluso con calculadoras porttiles.

d) distribucin Extrema Tipo I o Gumbel: La funcin de distribucin acumulada F(x) es, en este caso,
F(x) = exp(-exp(-a[x-b] ) ) [13]

Donde a y b son parmetros de la distribucin, tambin relacionadas con el promedio y la desviacin estndar de x Puesto que se puede demostrar que esta distribucin es una representacin asinttica del valor mximo de una variable x entre un numero grande de muestras de la misma variable, es una buena distribucin para ser usada para representar datos de demanda en los que uno esta interesado en el valor mas grande dentro de un intervalo de tiempo. Por ejemplo, las estadsticas para mximas descargas anuales de nieve en diferentes lugares de Canad son representadas por distribuciones Gumbel. La Ec. [13] puede ser rescrita como:

x = b + 1/a {-log [-log (F(x))]}

[14]

Permitiendo la generacin de valores de x que obedecen una distribucin Gumbel, cuando los valores de F(x) se generan entre 0 y 1 con un generador de nmeros aleatorios uniforme.

Variables: Aleatoria: Q Funcin de Performance G(X): G(x) = C-D = Q-Qd Prob. De falla: Pf= P(C < D) = P (Q < Qd) = P (Q-Qd < 0) Confiablidad del sistema: R = 1 - Pf = 1 P (Q < Qd) El clculo de la confiablidad requiere informacin estadstica sobre la variabilidad de las variables aleatorias. En un modelo de clculo de capacidad ms sofisticado, las estadsticas para el coeficiente de Manning pueden ser derivadas a partir de ensayos de laboratorio en superficies de similares caractersticas, y los ensayos realizados proveern la informacin requerida. Algunas variables de la demanda dependern de datos disponibles, por ejemplo, distribucin de caudales, espesores de capas de nieve, milmetros de precipitacin o intensidades ssmicas histricas.

REPRESENTACIN ESTADSTICA DE VARIABLES Y CONCEPTOS BSICOS DE PROBABILIDAD.

Los datos para cada una de las variables involucradas se deben proporcionar en forma de informacin estadstica. Dos variables aleatorias se dice que son independientes si una puede tomar cualquier valor dentro de su rango independientemente del valor tomado por la otra. Dos variables independientes tienen covarianza cero y, correspondientemente, coeficiente de correlacin cero. Para clculos de confiabilidad no es suficiente con proveer solamente las estadsticas bsicas. Los datos tambin deben ser clasificados con la finalidad de construir una funcin, llamada distribucin de probabilidad acumulada, F(x), definida como: F(x0) = Prob (x<x0) [7]

es decir, F(x0) representa la probabilidad de encontrar, en el rango de la variable estudiada, valores de x menores que o iguales que x0. Otra funcin til es la derivada f(x) de la distribucin acumulada F(x). La funcin f(x) se llama la densidad de probabilidad. Debido a la relacin entre f(x) y F(x), la probabilidad F(x0) tambin se puede escribir como:
[8]

La distribucin acumulada F(x) puede ser representada con una variedad de funciones matemticas.

a) Distribucin Normal (o de Gauss): Esta muy conocida distribucin se describe por su funcin de densidad f(x): [9]
Esta distribucin es simtrica a partir del valor medio y se extiende de - a +. Para el caso especial de valor medio cero y desviacin estndar =l, la distribucin se convierte en una Estndar Normal. Aunque una distribucin Normal puede ser siempre ajustada a una serie de datos, se presenta un problema fundamental cuando la variable x no puede ser negativa (como en el caso de resistencia a la flexin, o del mdulo de la elasticidad o de las cantidades de precipitacin). Sin embargo, una Normal se puede utilizar si el valor medio es positivo y el coeficiente de variacin es pequeo, teniendo como resultado que muy pocas veces la variable tome valores negativos. La distribucin Normal tiene algunas caractersticas muy interesantes: cualquier combinacin lineal de distribuciones Normales es tambin una Normal, una caracterstica que no se cumple para otras distribuciones. Una Normal de valor medio m y desviacin estndar puede ser escrita como: x=m+R [10] donde R es una variable Normal Estndar. Puesto que existen algoritmos que generan nmeros aleatorios con una distribucin normal estndar, la Ec. [10] puede ser usada para generar nmeros aleatorios con una distribucin Normal.

b) Distribucin Lognormal: En este caso, el logaritmo de la variable x tiene distribucin normal. Esta caracterstica hace que la distribucin Lognormal sea buena para representar datos positivos como resistencias o mdulos de la elasticidad. c) Distribucion Extrema Tipo III o Weibull: la funcin de distribucin acumulada F(x) es: [11] Un caso particular de la distribucin Weibull implica solamente dos parmetros, para el caso especial de x0 = 0. Estos parmetros se pueden relacionar con el promedio y la desviacin estndar de la distribucin: por ejemplo, a mayor variabilidad ms pequeo es el parmetro de forma k. Una distribucin Weibull no puede ser negativa, por lo tanto tiene las buenas caractersticas de un Lognormal. Ms an, puede demostrarse que una distribucin Weibull es una representacin asinttica de la distribucin correspondiente al valor mnimo de una variable x entre un numero grande de muestras de la misma variable.

La ecuacin [11] se puede tambin escribir en una forma diferente,

[12]
La Ec. [12] puede ser usada para generar valores de x, que obedezcan una distribucin Weibull, utilizando un generador de nmeros aleatorios que generen nmeros entre 0 y 1. Estos nmeros aleatorios uniformes pueden ser generados con rutinas disponibles, incluso con calculadoras porttiles.

d) distribucin Extrema Tipo I o Gumbel: La funcin de distribucin acumulada F(x) es, en este caso,
F(x) = exp(-exp(-a[x-b] ) ) [13]

Donde a y b son parmetros de la distribucin, tambin relacionadas con el promedio y la desviacin estndar de x Puesto que se puede demostrar que esta distribucin es una representacin asinttica del valor mximo de una variable x entre un numero grande de muestras de la misma variable, es una buena distribucin para ser usada para representar datos de demanda en los que uno esta interesado en el valor mas grande dentro de un intervalo de tiempo. Por ejemplo, las estadsticas para mximas descargas anuales de nieve en diferentes lugares de Canad son representadas por distribuciones Gumbel. La Ec. [13] puede ser rescrita como:

x = b + 1/a {-log [-log (F(x))]}

[14]

Permitiendo la generacin de valores de x que obedecen una distribucin Gumbel, cuando los valores de F(x) se generan entre 0 y 1 con un generador de nmeros aleatorios uniforme.

ESTA DISTRIBUCIN ES TIL CUANDO NO HAY OTRA INFORMACIN DISPONIBLE PARA UNA VARIABLE DADA EXCEPTO UN ASUMIDO SUBJETIVO DEL RANGO DE LA VARIABLE. EN ALGUNOS CASOS, SE UTILIZA LA DISTRIBUCIN UNIFORME CUANDO UNO NO DESEA INTRODUCIR SESGOS EN LOS DATOS

Distribucin Uniforme

En general, la funcin de distribucin acumulada F(x) puede ser modificada antes de ser usada en estimaciones de confiabilidad. Estas modificaciones pueden incluir:

a) Modificaciones por mximos

Distribucin para el mximo valor entre N valores de la variable x

Donde N es el numero de ventanas elementales (para los cuales F(x) es conocida) que estarn incluidas en el nuevo intervalo deseado. Un asumido bsico en esta relacin es que el valor de x en una ventana elemental es independiente de los valores en las

Distribucin de Poisson y Ocurrencia de Eventos

Para los acontecimientos infrecuentes y de duracin finita, el ingeniero podra tolerar as una probabilidad de falla ms alta para el evento, compensado con el hecho de que dichos eventos son raros. Muchos modelos probabilsticos pueden ser usados para estudiar la ocurrencia de eventos. Est basado en la distribucin de Poisson que calcula la probabilidad de N eventos en un tiempo T: La Ec. [26] puede ser usada para calcular la distribucin acumulada del tiempo T hasta el prximo evento. [7], F (T) es la probabilidad que el tiempo hasta que ocurra el prximo evento sea menor que T. Por el contrario, la probabilidad que el prximo evento ocurra despus de T es igual a la probabilidad que no haya eventos antes de T. De la Ec. Usando la Ec. [28] para obtener el valor medio de la distribucin, o el tiempo promedio de ocurrencia de los eventos, T. Se puede mostrar que T= 1/ [29] Por lo tanto, es el nmero promedio de eventos esperados en la unidad de tiempo escogida. Si el tiempo entre eventos (T) se mide en aos, entonces es el nmero promedio de eventos por ao. La Ec. Se puede mostrar que, aun basados en datos histricos limitados, el parmetro puede ser estimado usando el Teorema de Bayes. [30] puede ser aproximadamente escrita como: PT(x>x0) = PE(x>x0)

Mtodos para calcular la Probabilidad de No-Performance.

Hay vanos mtodos para calcular la probabilidad de la falla o de no-performance. El mtodo ms bsico y ms directo es el de la simulacin por computadora (Montecarlo), mientras que quizs los ms eficientes son los mtodos aproximados basados en el clculo del ndice de confiabilidad jB (procedimientos FORM y SORM). Adems, todos los mtodos pueden ser implementados utilizando ya sea la funcin de performance real G(x) o una aproximada superficie de ajuste G(x). Esta superficie ajustada se llama superficie de respuesta del problema.

Mtodos de Confiabilidad de Primer y Segundo Orden (FORM y SORM)

Con la finalidad de tener una alternativa a la simulacin de Montecarlo, se han desarrollado mtodos aproximados muy eficientes conocidos como FORM o SORM, mtodos de Confiabilidad de Primer y Segundo Orden, respectivamente. Adems, notar que la funcin de performance es lineal. Si expresamos las variables X en termino de sus promedios, desviaciones estndar y las variables Normales Estndar x, siguiendo la Ec.

Superficies de Respuesta
LOS MTODOS DISCUTIDOS PREVIAMENTE DEPENDEN EN LA CAPACIDAD DE CALCULAR EL VALOR DE G(X) PARA UN VECTOR X.
EL PROCEDIMIENTO PUEDE DETENERSE EN ESE PUNTO O SE PUEDE OBTENER UNA NUEVA SUPERFICIE DE RESPUESTA TOMANDO NUEVOS VALORES DEL VECTOR X ALREDEDOR DEL PUNTO P RECIN OBTENIDO.

Otras variables que intervienen en la respuesta podran ser el mdulo de elasticidad y el mdulo de corte.

Luego, estos puntos son usados para ajustar localmente una superficie aproximada (por ejemplo, un plano) y este plano es luego usado para realizar la interpolacin (Foschi et al., 2002).

Toda la informacin de la base de datos discretos pueden ser usados para entrenar una red neuronal, que luego puede ser usada para obtener G(x0) (Foschi y Zhang, 2003).

e) Mltiples Modos de Falla

Un sistema puede fallar en un nmero grande de modos y su confiabilidad podra ser substancialmente diferente de aquel obtenido para los componentes individuales (Thoft-Christensen et al., 1986).

Cada modo se puede analizar por separado, obtenindose ndices de confiabilidad individuales y sus respectivas probabilidades de falla, en este caso la probabilidad total se da por :
PT=P (1) + P (2)-P (1,2) [42]

Problemas de Combinaciones de Demanda o de Cargas

Tambin se han estudiado problemas de combinaciones de carga, particularmente el problema de coincidencia de secuencias de carga con diferentes estadsticas de ocurrencia en el tiempo (Wen, 1990). Tambin digamos que los respectivos valores para el evento 2 son 2 y d2. Entonces, la tasa de ocurrencia de la coincidencia de ambos eventos es, aproximadamente, 12 = 1 2 (d1+d2) [43]

La Ec. [43] puede ser aplicada para estudiar la tasa de ocurrencia de un evento combinado tal como la ocurrencia simultanea de sismos en poca de lluvias del Nio, si es que se desea considerar la probabilidad de falla de un sistema en el poco probable evento de tener lluvias fuertes y un sismo en el mismo tiempo.

Superficies de Respuesta
LOS MTODOS DISCUTIDOS PREVIAMENTE DEPENDEN EN LA CAPACIDAD DE CALCULAR EL VALOR DE G(X) PARA UN VECTOR X.
EL PROCEDIMIENTO PUEDE DETENERSE EN ESE PUNTO O SE PUEDE OBTENER UNA NUEVA SUPERFICIE DE RESPUESTA TOMANDO NUEVOS VALORES DEL VECTOR X ALREDEDOR DEL PUNTO P RECIN OBTENIDO.

Otras variables que intervienen en la respuesta podran ser el mdulo de elasticidad y el mdulo de corte.

Luego, estos puntos son usados para ajustar localmente una superficie aproximada (por ejemplo, un plano) y este plano es luego usado para realizar la interpolacin (Foschi et al., 2002).

Toda la informacin de la base de datos discretos pueden ser usados para entrenar una red neuronal, que luego puede ser usada para obtener G(x0) (Foschi y Zhang, 2003).

e) Mltiples Modos de Falla

Un sistema puede fallar en un nmero grande de modos y su confiabilidad podra ser substancialmente diferente de aquel obtenido para los componentes individuales (Thoft-Christensen et al., 1986).

Cada modo se puede analizar por separado, obtenindose ndices de confiabilidad individuales y sus respectivas probabilidades de falla, en este caso la probabilidad total se da por :
PT=P (1) + P (2)-P (1,2) [42]

Problemas de Combinaciones de Demanda o de Cargas

Tambin se han estudiado problemas de combinaciones de carga, particularmente el problema de coincidencia de secuencias de carga con diferentes estadsticas de ocurrencia en el tiempo (Wen, 1990). Tambin digamos que los respectivos valores para el evento 2 son 2 y d2. Entonces, la tasa de ocurrencia de la coincidencia de ambos eventos es, aproximadamente, 12 = 1 2 (d1+d2) [43]

La Ec. [43] puede ser aplicada para estudiar la tasa de ocurrencia de un evento combinado tal como la ocurrencia simultanea de sismos en poca de lluvias del Nio, si es que se desea considerar la probabilidad de falla de un sistema en el poco probable evento de tener lluvias fuertes y un sismo en el mismo tiempo.