Abstract

Las conferencias presentadas durante la Jornada Técnica sobre Avances en investigación aplicada en seguridad hidráulica de presas organizada por el Centro de Estudios Hidrográficos del CEDEX y la Universidad Politécnica de Madrid el mes de junio de 2013 versan sobre la mejora de la seguridad hidráulica de las presas, una materia de especial importancia en nuestro país (habida cuenta del elevado número de infraestructuras de regulación en servicio y de su antigüedad media) y constituye una tarea en la que tanto el CEDEX como la Universidad Politécnica de Madrid han trabajado activamente en los últimos años. En este artículo se van a tratar dos tipos de protecciones de carácter muy diferente: las protecciones tipo repié y las protecciones mediante bloques prefabricados en forma de cuña (en adelante, BFC). En el caso de las protecciones tipo repié, aplicables a presas de materiales sueltos con espaldón de aguas abajo de escollera, se realiza una breve descripción del estado del arte de la tecnología y de sus aplicaciones así como de la innovación conseguida en este campo a partir de las investigaciones desarrolladas en la Universidad Politécnica de Madrid (UPM), en colaboración con el Centro de Estudios Hidrográficos del CEDEX y el Centro Internacional de Métodos Numéricos en la Ingeniería (CIMNE), en el marco del proyecto de investigación del Plan Nacional denominado EDAMS, y cuyo resultado directo ha sido la tesis doctoral titulada “Mejora de la seguridad de las presas de escollera frente a percolación accidental mediante protecciones tipo repié” (Morán, 2013). En la parte dedicada a la protección mediante BFC`s se describe la tecnología, sus posibilidades de utilización dentro de la ingeniería de presas y se presenta el caso de la presa de Barriga (Burgos), como primera aplicación mundial de esta tecnología para el diseño de un aliviadero de servicio sobre el propio cuerpo de una presa de materiales sueltos en explotación.

Abstract

Las conferencias presentadas durante la Jornada Técnica sobre Avances en investigación aplicada en seguridad hidráulica de presas organizada por el Centro de Estudios Hidrográficos del CEDEX y la Universidad Politécnica de Madrid el mes de junio de 2013 versan sobre la mejora de la seguridad hidráulica de las presas, una materia de especial importancia en nuestro país (habida cuenta del elevado número de infraestructuras de regulación en servicio y de su antigüedad media) y constituye una tarea en la que tanto el CEDEX como la Universidad Politécnica de Madrid han trabajado activamente en los últimos años. Todo profesional familiarizado con las presas conoce la dificultad de analizar su comportamiento, a veces sorprendente, con el grado de aproximación deseado. Esta dificultad emana de la complejidad de todos los elementos que afectan al modo en que la presa y el terreno de apoyo responden a las solicitaciones, y también a la complejidad de las propias solicitaciones. Muchas de las características del conjunto presa-terreno escapan a las posibilidades de modelación mediante los modelos disponibles de base teórica.

Abstract

Los avances en los instrumentos de medida y en las técnicas de transmisión y almacenamiento de información han permitido aumentar el control de la seguridad de las presas, con medidas más fiables, precisas y frecuentes. En general, estos avances no han sido acompañados por una mejora en las técnicas de tratamiento y análisis de los datos de auscultación, que con frecuencia se limitan a gráficos y modelos estadísticos sencillos, como el modelo HST. Los autores están trabajando en la integración de tecnologías avanzadas de análisis de datos para extraer la mayor información posible acerca del estado de seguridad de la presa. Como resultado, se está desarrollando una herramienta que contiene: a) un módulo gráfico flexible y dinámico, que permite explorar los datos de forma interactiva, b) herramientas para el pretratamiento de datos para filtrar valores anómalos, completar series y calcular series modificadas, y c) una librería de herramientas estadísticas y de inteligencia artificial (HST, redes complejas y redes neuronales, entre otras) para seleccionar el modelo predictivo más adecuado en cada caso. Palabras clave: Seguridad de presas, auscultación, análisis de datos, modelos de predicción, bases de datos.

Abstract

A discussion on the paper by Tatin et al. (2015) is presented. The paper described an innovative statistical model to interpret dam behaviour, which was validated with artificial data and then applied to seven dams in operation. This discussion provides several comments about the model performance evaluation, as well as suggestions for further analysis of the monitoring data.

Abstract

Un número importante de presas en España deben ampliar sus aliviaderos para cumplir criterios de seguridad distintos a los de su construcción. En este contexto, cobran interés soluciones de aliviaderos no convencionales como los aliviaderos en laberinto, que permiten aumentar la capacidad de desagüe de estructuras existentes con una inversión moderada. Para la optimización del diseño de este tipo de aliviaderos se desarrolla el proyecto POLILAB, en cuyo marco se llevaron a cabo las campañas de modelación física y numérica que se exponen en este artículo. Se describen los resultados más relevantes en lo relativo a la inclusión de fondos poliédricos en aliviaderos en laberinto como refuerzo estructural, contemplando además las modificaciones que implican con respecto a soluciones en laberinto con fondo plano, en lo relativo a capacidad de desagüe, patrón de flujo y acciones hidrodinámicas sobre los contornos del laberinto.

Abstract

Wedge shaped blocks (WSB) are attracting increasing attention as protection against overtopping for earth and rock-fill dams. However, there are limited examples of application and some aspects of the technology merit additional research and improvement. One key issue is the design of drainage and supporting layer for WSB protections. During overtopping, part of the overflow leaks through the joints between blocks, hence circulating through the granular material. The permeability and thickness of the supporting layer must be sufficient to prevent the flow from generating pressure on the bottom side of the blocks, which contributes to its destabilization. However, it must also be structurally stable to avoid undesirable deformations on the downstream face. Both the material permeability and the layer thickness determine the hydraulic behavior of this element. These, together with the weight of the blocks and the slope of the downstream face, directly influence mass and block stability. These aspects should be taken into account for the numerical modeling of seepage through the supporting layer. To this end, an application of the open source software Kratos Multi-physics was employed. A parametric study was conducted to quantify the influence of each design variable in the safety factor against mass sliding of the supporting and drainage layer.

Abstract

Nowadays, the probabilistic risk assessment (PRA) is one of the standard tools for safety evaluation of the existing dams. Although many factors are involved in risk-informed condition assessment of infra-structures, a detailed numerical simulation plays the key role. A comprehensive numerical model usually includes the interaction of the dam with foundation and reservoir, nonlinearity of the concrete, and appropriate seismic wave propagation. Often, the concrete is assumed to be a homogenous material which facilitates the transient simulations. However, in reality, the mass concrete has a heterogeneous nature especially in the case of old dams suffering from aging and deterioration. The objective of this joint contribution is to evaluate the seismic response of a typical gravity dam with heterogeneous concrete material. Since the simulations are cast in the context of probabilistic methods, a relatively large number of analyses are required to fully understand the impact of concrete random field on the structural responses (i.e. displacements, and stresses). Therefore, a Random Forest (RF) meta-model is adopted in order to reduce the computational burden of the probabilistic simulations. RF is an effective technique in the regression analyses of the systems with large number of inputs, and can provide a measure of input variables' importance. This technique is useful to identify the critical areas within the dam body which deterioration may affect the seismic stability of the dam and jeopardize its integrity.

Abstract

'''The improvements in monitoring devices result in databases of increasing size showing dam behaviour. Advanced tools are required to extract useful information from such large amounts of data. Machine learning is increasingly used for that purpose worldwide: data-based models are built to estimate the dam response in front of a given combination of loads. The results of the comparison between model predictions and actual measurements can be used for decision support in dam safety evaluations. However, most of the works to date consider each device separately. A different approach is used in this contribution: a set of displacement records are jointly considered to identify patterns using a classification model. First, potential anomaly scenarios are defined and the response of the dam for each of them is obtained with numerical models under a realistic load combination. Then, the resulting displacements are used to generate a machine learning classifier. This model is later used to predict the most probable class of dam behavior corresponding to a new set of records. The methodology is applied to a double-curvature arch dam, showing great potential for anomaly detection.

Abstract

The availability of machine learning techniques opens up possibilities in different fields of civil engineering. Their application in conjunction with numerical simulations overcomes the limitations in traditional approaches and pave the road for some new horizons. This communication presents several applications of such a hybrid tool in design and safety assessment of dams and hydraulic structures. They include the generation of behavior prediction models from monitoring data, the identification of behavior patterns with classification models, the analysis of the seismic response of gravity dams with heterogeneous concrete in a probabilistic framework, the investigation of the performance of arch dams, and the estimation of the discharge capacity of arched labyrinth spillways.

Abstract

The advances in sensors and communication technologies open great possibilities in the management and maintenance of engineering systems. In general, the performance of monitoring devices has undergone relevant improvements in terms of both accuracy and reliability, which have resulted in more information available on the behaviour of the structure under consideration. However, the investments made in the modernization of the monitoring systems are not recovered unless complemented by applications capable of handling such large and diverse information. In this contribution, we present a software tool for importing, exploring, cleaning and analysing monitoring data. Also, it allows for fitting machine-learning behaviour models, as well as interpreting the response of the system to the actions or loads in operation. It was initially developed for dam safety assessment, but can be used -with minor changes- for other engineering systems. The methodology and the overall structure can be categorized in two main sections: (i) the monitoring data can be uploaded, cleaned, completed and analysed and (ii) the machine-learning model can be fitted to predict the variables of interest of the system. The same model can then be used for online detection of anomalies by comparing predictions with recorded behaviour. For example, this allows the identification of abnormal displacements in dams for a given load combination. The software can be equally run locally or in the cloud, with appropriate safe access. It has been written in the R language using the Shiny package for interactivity with the following functionalities: zooming and showing information for data exploration, selecting time periods to interpolate and choosing the training parameters to fit behaviour models.