Risk assessment in hydraulic engineering projects: uncertainties and reliability | Evaluación de riesgos en proyectos hidráulicos de ingeniería. Incertidumbres y confiabilidad

Английский. This article presents the procedure and application of several methods of risk and reliability analysis to a simple problem, such as the discharge capacity of a sewer. The analysis considers that the three variables of roughness, diameter, and slope have normal probability distributions and are applied for comparing direct integration methods; the Monte Carlo Method; Mellin Transform, with first-order variance estimation; Rosenblueth's and Harr's Point Estimation Method; the First Order Second Moment Method (MFOSM); and two versions of the Advanced First Order Second Moment Method (AFOSM): Hasofer-Lind's and Tang's. The result of the probability of failure obtained with the direct integration method is taken as true (which is not possible in complex analyses, especially when uncertainties are significant) and results are compared. Most methods can be applied, and it is possible to obtain reliable estimations when the methods come close to linear behaviors, but when the variables are not linear or when uncertainties increase significantly, the accuracy of some methods deteriorates rapidly. Such is the case of the MFOSM method. For methods with samples with sizeable variables, the Monte Carlo method is the most commonly applied, but the reliability of the method converges when there is a large number of simulations, and the final result of the probability of failure is strictly unknown; another important limitation is that the number of variables may cause the problem not to have a practical solution. Methods where point estimation is used (Rosenblueth and Harr) may be very attractive from a computational perspective in as much as the number of variables increases and may seem to be good to use, since they offer similar results to those obtained with the Monte Carlo method and the direct integration method. However, if uncertainties are significant, there may be meaningful differences. The MFOSM method is applicable only in very simple cases where the behavior function is clearly defined and there is variable linearity; however, it rapidly looses accuracy in complex problems. The MFOSM method is quite applicable and can take into account uncertainties in case the analyst decides to make correlations of the variables that intervene in the problem and that most of the times are associated with uncertainties. This seems to be a great advantage over the other methods, since it is possible to involve variables that are many times ignored or undervalued because they cannot be analyzed. The Hasofer Method seems to be quite appropriate for simple problems; however, the Tang Method is quite attractive for analyzing the failure limit state of the problem studied.

Испанский язык; кастильский. Este artículo presenta el procedimiento y la aplicación de análisis de confiabilidad con diversos métodos en un problema sencillo, como es la capacidad de descarga de una alcantarilla. En el análisis se considera que las tres variables de rugosidad, diámetro y pendiente poseen distribuciones de probabilidad normales y se aplican para efectos de comparación los métodos de integración directa; el de Monte Carlo; el de la transformada de Mellin, con la estimación de primer orden de la variancia; el método de Rosenblueth y de Harr del punto de estimación; el método del primer orden del segundo momento estadístico (MFOSM), y el método avanzado del primer orden del segundo momento estadístico (AFOSM), con dos versiones: el de Hasofer-Lind y el de Tang. Se adopta como verdadero el resultado de la probabilidad de falla obtenida con el método de integración directa (lo cual no es posible en análisis complejos, sobre todo cuando las incertidumbres sean importantes) y se comparan los resultados. La mayoría de los métodos puede aplicarse y es posible obtener estimaciones confiables cuando los métodos se aproximan a comportamientos lineales, pero cuando se tiene no linealidad de las variables o bien cuando las incertidumbres se incrementan significativamente, la precisión de algunos métodos se deteriora rápidamente. Tal es el caso del método del primer orden del segundo momento estadístico. Para métodos con muestras de gran tamaño en sus variables, el método de Monte Carlo es el de mayor aplicación, pero la confiabilidad del método converge cuando se tiene un gran número de simulaciones y no se conoce estrictamente el resultado final de la probabilidad de falla; otra limitante importante es que el número de variables puede hacer que el problema no tenga una solución práctica. Métodos en los que se emplea el punto de estimación (Rosenblueth y Harr) pueden ser muy atractivos desde el punto de vista computacional, en la medida en que el número de variables se incrementa y pueden parecer muy buenos en su empleo, ya que ofrecen resultados parecidos a los obtenidos con el método de Monte Carlo y el de integración directa; sin embargo, en caso de que las incertidumbres sean importantes, pueden existir diferencias significativas. El método del primer orden del segundo momento estadístico es aplicable sólo en casos muy sencillos en los que la función de comportamiento está claramente definida y existe una linealidad en las variables; empero, en problemas complejos pierde precisión rápidamente. El método del primer orden del segundo momento estadístico es muy aplicable y puede tomar en cuenta incertidumbres en caso de que el analista decida hacer correlaciones de las variables que intervienen en el problema y que la mayor parte de las veces se asocian con incertidumbres; ésta parece ser una gran ventaja sobre los demás métodos, ya que es posible involucrar variables que en muchas ocasiones se ignoran o deprecian por no poder analizarlas. El método de Hasofer en problemas simples parece ser bastante apropiado; sin embargo, el método de Tang resulta muy atractivo, al analizar el estado límite de falla del problema estudiado.