Número del Artículo
ISSN: 2683-1597
Publicado: 2023-05-03
La comprensión del comportamiento del suelo es un elemento clave para el desarrollo tanto de obras de arquitectura, como de infraestructuras urbanas; ya que la mayor parte de los fallos en las construcciones, están relacionados con el desconocimiento relativo de la naturaleza del suelo. Teniendo en consideración la naturaleza heterogénea y compleja del suelo, ¿puede la geotecnia -según estándares actuales- lograr una comprensión de la dinámica terreno/obra construida? ¿o se requiere un cambio de paradigma con aporte de otras disciplinas, que permitan articular modelos más complejos y precisos? Siendo el objetivo de la presente investigación, el de explorar el paradigma actual en mecánica del suelo y exponer posibles escenarios futuros superadores para la disciplina, desde un diseño metodológico de tipo cuantitativo-cualitativo y utilizando técnicas de recopilación de datos; sistematización sobre un Sistema de Información Geográfica (GIS); con determinación de rasgos característicos -con análisis interpretativo y descriptivo- de la estructura soporte, se buscó determinar los rasgos característicos de los diferentes tipos de suelos encontrados en la ciudad de Mar del Plata, República Argentina, estableciendo zonas de caracterización geotécnica diferenciada. En la actualidad, existen líneas de investigación que buscan el desarrollo de modelos matemáticos que permitan describir un comportamiento realista del suelo; donde, en lo que refiere a la carencia de datos -siendo importante destacar que, si bien en la actualidad existe una gran cantidad de datos disponibles de diverso origen disciplinar, dicha información no se transversaliza e interrelaciona- la incorporación y sistematización de los mismos, sigue siendo la mayor dificultad.
Bárcena, A. y Romo, M.P. (1994). RADSH: Programa de computadora para analizar depósitos de suelo estratificados horizontalmente sujetos a excitaciones dinámicas aleatorias. Informe interno del Instituto de Ingeniería, UNAM.
Baecher, C. & Christian, J.T. (2003). Reliability and Statistics in Geotechnical Engineering. England. John Wiley & Sons.
Cal, Y. (1995). Soil Classification by Neural-Network. Advances in Engineering Software, 22(2), 95-97
Brand, E.W. (1981). Investigations for the restoration of the Phra Pathom Chedi pagoda. In Proc. 10th. Int. Conf. Soil. Mech. Stockholm, (pp. 853-854).
Brandl, H. (2004). The Civil and Geotechnical Engineer in Society: Ethical and Philosophical Thoughts, Challenges and Recommendations. The Deep Foundations Institute, Hawthorne.
Casagrande, A. (1960). Translation of Introduction to Erdbaumechanik auf Bodenphysikalischer Grundlage (1925). In From theory to practice in soil mechanics. Wiley, New York.
Cook, G. (1951). Rankine and the theory of earth pressure. Géotechnique, 2, 271-279.
Denzin, N. & Lincoln, Y. (2017). El arte y la práctica de la interpretación, la evaluación y la presentación. Gedisa Editorial.
Forero Dueñas, C. (1994). Conceptos y Metodología Básica de Zonificación Geotécnica. In V Congreso Colombiano de Geotecnia. Medellín.
García, S.R., Romo, M.P., Figueroa-Nazuno, J. & Ramos, A. (2001). A RPs Approach for the Modelling of Mexico City Ground Motions. In 12th European Conference on Earthquake Engineering. Elsevier Science Ltd.
Gardner, M.W. & Dorling, S.R. (1998). Artificial neural networks (The multilayer perceptron) - A review of applications in the atmospheric sciences. Atmospheric Environment, volume 32 (14/15), 2627- 2636.
Goh, A. T. C. (1994). Seismic Liquefaction Potential Assessed by Neural Networks. Journal of Geotechnical Engineering, 120(9), 1467-1480
Goh, A. T. C., Wong, K. S., & Brons, B. B. (1995). Estimation of Lateral Wall Movements in Braced Excavations Using Neural Networks. Canadian Geotechnical Journal, 32(6), 1059-1064.
Kurkova, V. (1992). Kolmogorov theorem and multilayer neural networks. Neural Networks, 5(3), 1-5.
Lambe, T.W. & Whitman, R.V. (1968). Soil Mechanics. Wiley. N.Y.
Levasseur, S. (2008). Analyse Inverse en Géotechnique; développement d'une méthode a base d'algorithmes génétiques. Grenoble.
LI, X. (2006). Intelligent Back Analysis of Tunnel Rock Displacement and Its Application. Underground Space.
Ling, X., Zhang, F., Zhu, Z., & Tang, L. (2008). Estimating mechanics parameters of rock mass based on improved genetic algorithm. IEEE.
Millar D L and Clarici E, (1994). Investigation of Backpropagation Artificial Neural Networks in Modeling the Stress-Strain Behavior of Sandstone Rock. In IEEE International Conference on Neural Networks. IEEE Service Center.
Romo, M. P., Rangel, J. L., Flores, O., & García, S. R., (1998). Aplicación de redes neuronales artificiales a la geotecnia. In XIX Reunión nacional de Mecánica de Suelos. Puebla, México, 418-427.
Santamarina, J.C. (2003). Creativity and Engineering-Education Strategies. In Int. Conference on Engineering Education in Honor of J.T.P. Yao, Texas (pp. 91-108).
Santamarina, J.C. (2006). Geotechnology: Paradigm shifts in the Information Age. In GeoCongress 2006 Geotechnology in the Information Age. LG Baise, Eds.
Sarmiento, N. (2001). Evaluación de la respuesta sísmica en el Valle de México aplicando redes neuronales artificiales. [Tesis de Maestría], DEPFI, UNAM, México
Savioli, C. (1978). El Suelo y las Cimentaciones. Espacio Editora.
Solé, A. G. (2005) Geotecnia: Una Ciencia para el Comportamiento del Terreno. Real Academia Europea de Doctores.
Wong, F., Tung, A., & Dong, W. (1992). Seismic hazard prediction using neural nets. In 10th World Conference on Earthquake Engineering, (pp. 339- 343).
Yuzhen, Y., Bingyin, Z., & Huina, Y. (2007). An intelligent displacement back-analysis method for earth-rockfill dams. Computers and Geotechnics, 423-434.
Zurada, J.M. (1992). Introduction to artificial neural systems. West Publishing, St. Paul.
2025-04-13
Nueva versión OJS
English
Português
