Vous êtes sur la page 1sur 67

Segurança de barragens:

alguns recursos à luz da


Análise de Riscos
Waldemar Hachich
PUC-Rio USP - Escola Politécnica
USP - E. E. de São Carlos
ABMS - 25/8/17
Agradecimentos:
Huesker, Maccaferri,
Prof. Alberto Sayão
Teton Dam – 5/6/1976

 Teton Dam Failure

25/8/17 Waldemar Hachich 2


Teton Dam – hoje

25/8/17 Waldemar Hachich 3


Seção transversal (escavada)

25/8/17 Waldemar Hachich 4


Casagrande: Role of the ‘calculated risk’
in earthwork and foundation engineering”(1965)
 “... we often deal with very
erratic, natural materials whose
properties are in part far from  Incertezas inegavelmente
clearly understood. Then we maiores do que as
build upon such materials and introduzidas por outros
with such materials, huge dams materiais da construção civil
which hold back more potential  Conseqüências de ruína
destruction than man could
muito significativas
create by any other peacetime
activity.”
 “The margin of safety that we  Modelos probabilistas e
incorporate into our structures Análise de Decisões
should bear a direct relationship  Risco = Incerteza x Dano
to the magnitude of potential
losses, and it must also take
into account the range of
uncertainty involved.”
25/8/17 Waldemar Hachich 5
Terzaghi: Theoretical Soil Mechanics (1943)

 “Every empirical rule based on past


experience is valid only statistically. In other
words, it expresses a probability and not a
certainty.”
 “... if we trust in empirical rules, as has been
done in the past, we are at the mercy of the
laws of statistics.”

25/8/17 Waldemar Hachich 6


E, no entanto...
 Tão mal se ensina Estatística e Teoria das
Probabilidades nos cursos de Engenharia!
 Estatística bayesiana, a estatística do engenheiro,
raríssimamente é sequer mencionada
 Análise de Decisões muito menos...
 Análise de Riscos só se imiscuiu, timidamente, na
prática da Engenharia Civil por duas razões:
 grandes desastres
 seguradoras

 Estivemos, durante tempo demais, “at the mercy of the


laws of statistics.”
25/8/17 Waldemar Hachich 7
Incertezas, decisões, riscos

 Magnitude das incertezas e das conseqüências


na Engenharia Geotécnica  RISCOS

 Método de observação  Análise de Decisões:


(Terzaghi) prescritiva
 Sugestão de ação a ser
 Extensão bayesiana tomada em uma
(Hachich, 1981, 1998) situação prática de
incerteza e risco

25/8/17 Waldemar Hachich 8


Sobre os recursos disponíveis
 O que fazer?
 Aprender o Teorema de Bayes
 Retroanálise bayesiana
 Método de observação bayesiano
 Análise de Decisões
 As dificuldades (reais ou imaginadas)
 Autocorrelação
 Método dos elementos finitos estocásticos
 Linearizações e FOSM
25/8/17 Waldemar Hachich 9
TEOREMA DE BAYES

25/8/17 Waldemar Hachich 10


Teorema de Bayes
Decorre da própria definição de probabilidade condicional:
𝑃[𝐴 ∩ 𝐵] 𝑃 𝐴 × 𝑃[𝐵|𝐴]
𝑃𝐴𝐵 = =
𝑃[𝐵] 𝑃[𝐵]
P [estado | amostra]  P [estado] • P [amostra | estado]
P(posterior)  P(anterior) • Informação dos
dados
 Teorema de Bayes
 Processador de informação
 Incorporador de experiência
25/8/17 Waldemar Hachich 11
Teorema de Bayes
(variável aleatória discreta)
Antes (de obtido z): 𝑃 𝜃 + 𝑃[𝜃𝑐] = 1 𝜃: evento que caracteriza um estado
Depois (de obtido z): 𝑧: evento que caracteriza uma amostra,
uma observação, um ensaio
𝑃 𝜃 𝑧 × 𝑃[𝑧] = 𝑃[𝑧|𝜃] × 𝑃 𝜃 = 𝑃[𝜃 ∩ 𝑧]

𝑃 𝜃 × 𝑃[𝑧|𝜃] 𝑃 𝜃 × 𝑃[𝑧|𝜃]
𝑃𝜃𝑧 = 𝑃𝜃𝑧 =
𝑃[𝑧] 𝑃 𝑧 𝜃 × 𝑃 𝜃 + 𝑃[𝑧|𝜃𝑐] × 𝑃[𝜃𝑐 ]
O numerador é o que realmente importa.
O denominador simplesmente garante que: 𝑃 𝜃|𝑧 + 𝑃[𝜃𝑐 |𝑧] = 1
𝑃 ′′ [𝜃] = 𝑃′ 𝜃 × 𝑃[𝑧|𝜃] × 1 𝑁 𝑁 = constante normalizadora

𝑃 ′′ [𝑒𝑠𝑡𝑎𝑑𝑜] = 𝑃′ 𝑒𝑠𝑡𝑎𝑑𝑜 × 𝑃[𝑎𝑚𝑜𝑠𝑡𝑟𝑎|𝑒𝑠𝑡𝑎𝑑𝑜] × 1 𝑁

25/8/17 Waldemar Hachich 12


Teorema de Bayes
(variável aleatória contínua)
Antes (de obtido z): 𝑓 ′ 𝜃 𝑑𝜃 = 1
Depois (de obtido z):

𝑓 ′′ 𝜃 = 𝑓′(𝜃) × 𝑓(𝑧|𝜃) × 1 𝑁 𝑁= 𝑓(𝑧|𝜃) × 𝑓 ′ 𝜃 𝑑𝜃 , para que 𝑓 ′′ 𝜃 𝑑𝜃 = 1

𝑓′′(𝜃) ∝ 𝑓′(𝜃) × 𝐿(𝜃)

Conhecimento revisado (posterior)

Conhecimento inicial (anterior)


Informações do monitoramento (ou ensaios)

𝑓 ′′ (𝜃) ∝ 𝑓 ′ (𝜃) × 𝐿(𝜃)

25/8/17 Waldemar Hachich 13


Barragem “simples” com filtro-
dreno vertical
Análise usual de
percolação pelo MEF

25/8/17 Waldemar Hachich 16


Isóbaras anteriores (u, do MEF)

25/8/17 Waldemar Hachich 17


Isóbaras anteriores (u, do MEF)

10
leituras piezométricas 𝒁=
29

25/8/17 Waldemar Hachich 18


Previsões (u) não são leituras
de piezômetros (z)
O modelo linear de observação abaixo estabelece a relação entre a previsão e a
leitura em um ponto do domínio de percolação (por enquanto suposta não
correlacionada com todos os demais pontos do campo de cargas hidráulicas).

𝒛𝒊 = 𝒂𝒊 + 𝒃𝒊 𝒖𝒊 +𝒗𝒊

𝒖𝒊
25/8/17 Waldemar Hachich 19
Isóbaras anteriores

25/8/17 Waldemar Hachich 24


Isóbaras posteriores
(dependem das leituras dos piezômetros, Z)

A partir do campo atualizado


de pressões neutras, possível
atualizar os valores dos
indicadores de segurança
(F, 𝜷, 𝒑𝒓 )

25/8/17 Waldemar Hachich 25


Iso-dispersão anterior

25/8/17 Waldemar Hachich 26


Iso-dispersão posterior
(não depende da leitura dos instrumentos)

incertezas “residuais” dos


próprios instrumentos

25/8/17 Waldemar Hachich 27


Redução de incerteza
(a ser explorada posteriormente)

25/8/17 Waldemar Hachich 28


Bayesian observational method

MÉTODO DE OBSERVAÇÃO
BAYESIANO

25/8/17 Waldemar Hachich 29


Terzaghi: Theoretical Soil Mechanics (1943)
 “If the engineer is fully  Método de observação
aware of the uncertainties para tratar as
involved in the fundamental
incertezas inerentes
assumptions of his
computations he is able to
aos materiais naturais
anticipate the nature and  Sempre
insuficientemente
the importance of the
amostrados
differences which may exist
 Nunca totalmente
between reality and his
conhecidos com
original concept of the
suficiente antecipação
situation.”
 quanto à natureza
 quanto ao estado

25/8/17 Waldemar Hachich 30


INTRÍNSECA

MODELOS FÍSICOS,
QUÍMICOS OU
BIOLÓGICOS

INCERTEZAS DE MODELO
MODELOS
PROBABILÍSTICOS

AÇÕES
DE PARÂMETROS
(DOS MODELOS!)
RESISTÊNCIAS

25/8/17 Waldemar Hachich 31


Fontes de incerteza
 Variabilidade natural (intrínseca)
 Desconhecimento de todas as causas e
efeitos (de modelo)
y = f (x1, x2, x3, ..., xi-1, xi, xi+1, xi+2, ..., xn )
função determinística + aleatoriedade
 Falta de dados (de parâmetros)

25/8/17 Waldemar Hachich 32


Modelos (Baecher, 1976)
 Sistema real  Modelo
 mais rico em  ignora aspectos
detalhes periféricos, concentra-se
naqueles considerados
 menos rígido principais
 atribui relações simplistas
e rígidas (números)
 mais interações
 escolhe uma fronteira de
com o ambiente,
com outros isolamento
sistemas
25/8/17 Waldemar Hachich 33
O método de observação,
passo a passo (Peck, 1963)
1. Explorar e investigar as 6. Prever as leituras das grandezas
propriedades dos depósitos selecionadas para a hipótese de
2. Escolher o conjunto de condições trabalho, Ho
mais prováveis: hipótese de 7. Fazer a mesma previsão para cada
trabalho, Ho uma das demais hipóteses, Hi
3. Projetar para Ho 8. Preparar planos de contingência
4. Prever desvios concebíveis em para os desvios concebíveis de Ho
relação a Ho: Hi; i=1, 2, 3, ..., m-1 9. Efetuar as leituras e avaliar as
5. Selecionar grandezas a serem condições “reais”
monitoradas, Zj; j=1, 2, ..., p 10. Implementar as ações de
contingência ditadas pelas
condições “reais”

25/8/17 Waldemar Hachich 34


O método de observação
bayesiano (Hachich, 1981, 1998) (1)
1. Explorar e investigar as 1. Explorar e investigar as
propriedades dos depósitos propriedades dos depósitos
2. Escolher o conjunto de condições 2. Estimar a probabilidade
mais prováveis: hipótese de anterior, p’ [ Ho ]
trabalho, Ho
3. Projetar para Ho 3. Projetar para Ho
4. Prever desvios concebíveis em 4. Estimar as probabilidades
relação a Ho: Hi; i=1, 2, 3, ..., m-1 anteriores dos desvios:
p’ [ Hi ]; i=1,2,3, ..., m-1
5. Selecionar grandezas a serem 5. Selecionar grandezas a serem
monitoradas, Zj; j=1, 2, ..., p monitoradas, Zj; j=1, 2, ..., p

25/8/17 Waldemar Hachich 35


O método de observação
bayesiano (Hachich, 1981, 1998) (2)
6. Prever as leituras das grandezas 6. Estimar função densidade de
selecionadas para a hipótese de probabilidade das leituras, para
trabalho, Ho Ho: fZj | Ho (zj); j=1,2, ..., p
7. Fazer a mesma previsão para cada 7. Estimar fdps das leituras, para
uma das demais hipóteses, Hi demais Hi (i=1,2,3...,m-1)
fZj | Hi (zj); j=1,2,3...,p
8. Preparar planos de contingência 8. Preparar planos de contingência
para os desvios concebíveis de Ho para os desvios concebíveis de Ho,
avaliando custos e impactos
9. Efetuar as leituras e avaliar as 9. Atualizar probabilidades das Hi
condições “reais” (Bayes) em função de todas as
leituras: p’’ [ Hi ]; i=0,1,2..., m-1
10. Se necessário, implementar as 10. Usar a árvore de decisão para
ações de contingência ditadas escolher a melhor ação depois da
pelas condições “reais” atualização das probabilidades.
25/8/17 Waldemar Hachich 36
Bayesian observational method: example

EXEMPLO DE APLICAÇÃO

25/8/17 Waldemar Hachich 37


Barragem “simples” com filtro-
dreno vertical: Ho
(WH)

1. Etapa de exploração e investigação já cumprida.


2. Ho  “projeto” acima, a hipótese de trabalho (“working hypothesis”).
p’ [Ho] = p’ [WH] será apresentada mais adiante.
3. Projeto para Ho (acima).

25/8/17 Waldemar Hachich 38


Barragem: desvios concebíveis
(H1 e H2)

4. Desvios concebíveis:
DIS e CLOG.
p’ [H1] = p’ [DIS] e
p’ [H2] = p’ [CLOG]
mais adiante

25/8/17 Waldemar Hachich 39


Monitoramento

(WH)

5. Grandezas escolhidas: apenas as leituras piezométricas nos pontos


9 (𝑧1 ) e 11 (𝑧2 ).
Previsão dos valores de 𝑢9 e 𝑢11 , incluindo sua dispersão (em função da
variabilidade da permeabilidade do solo compactado)
MEF estocástico + FOSM, Monte Carlo ou similar – resultados a seguir...
25/8/17 Waldemar Hachich 40
Isóbaras de u ( média), dada a
hipótese de trabalho, Ho
6. Média da distribuição de 𝑢9 e 𝑢11 ,
sempre para Ho
7. Mesmos passos anteriores, para
média da distribuição de 𝑢9 e 𝑢11
para H1 (DIS) e
para H2 (CLOG)

25/8/17 Waldemar Hachich 41


Iso-dispersão de u ( desvio
padrão), dada a hipótese de trabalho, Ho
6. Desvio padrão da distribuição de
𝑢9 e 𝑢11 , sempre para Ho
7. Mesmos passos anteriores, para
desvio padrão da distribuição de
𝑢9 e 𝑢11 para H1 (DIS) e
para H2 (CLOG)

25/8/17 Waldemar Hachich 42


𝑍 =𝑎+𝐵∙𝑈+𝑣
6. Distribuição de 𝑧1 e 𝑧2
para Ho: 𝑓(𝒁|𝐻0 )
7. Distribuição de 𝑧1 e 𝑧2
para H1 (DIS) 𝑓(𝒁|𝐻1 )
e H2 (CLOG), 𝑓(𝒁|𝐻2 )

O modelo linear de
observação ao lado, 𝒛𝒊 = 𝒂𝒊 + 𝒃𝒊 𝒖𝒊 +𝒗𝒊
generalizado para o
campo estocástico,
Z=a+B.U+v
permite passar das
distribuições de U para
as distribuições de Z.
𝒖𝒊
25/8/17 Waldemar Hachich 43
Probabilidade das leituras para a
hipótese de trabalho, 𝑓(𝑍|𝐻𝑜)

25/8/17 Waldemar Hachich 44


Bayes: atualizar probabilidades
8. Preparar planos de
contingência (ações 𝑝′′ 𝐻𝑖 = 𝑝′ 𝐻𝑖 × 𝑓 𝑍|𝐻𝑖 × 1 𝑁
0, 1, 2, k...q) para os
desvios concebíveis
de Ho, avaliando
custos e impactos posterior anterior
informações do
9. Atualizar (Bayes!) monitoramento
probabilidades das 𝑁 = constante normalizadora
Hi em função de
todas as leituras:
p’’ [ Hi ] = p[Hi | z];
i=0,1,2..., m-1

25/8/17 Waldemar Hachich 45


Probabilidades atualizadas
Ponto Cargas piezométricas (m)
Observadas Previstas
WH DIS CLOG
9 29,0 27,5 32,9 30,0
11 10,0 8,7 8,7 11,9
f(Z|Hi) 0,00162 0,00086 0,00089
p’(Hi) Nº 1 1/3 1/3 1/3
p’’(Hi) Nº 1 0,480 0,255 0,265
p’(Hi) Nº 2 0,700 0,200 0,100
p’’(Hi) Nº 2 0,813 0,123 0,064

25/8/17 Waldemar Hachich 46


Com p’’[Hi] e árvore de decisão,
escolher melhor ação
𝑝′′ 𝐻𝑖 = 𝑝′ 𝐻𝑖 × 𝑓 𝑍|𝐻𝑖 × 𝑁

posterior anterior informações do


monitoramento
𝑁 = constante normalizadora

10. Usar a árvore de decisão para


escolher a melhor ação depois da
atualização das probabilidades.

25/8/17 Waldemar Hachich 47


Estrutura da decisão quanto às
ações de contingência
Análise de decisão Custo e outras
Ação 0 consequências
(não fazer nada) da ação k, dada
Ação 1 H0

Ação k p’’[H0]
Custo e outras
consequências
Ação q da ação k, dada
p’’[H1]
Possível critério H1
de decisão:
menor custo p’’[H2] Custo e outras
esperado Custo esperado consequências
da ação k da ação k, dada
H2
Custo esperado =  custos x probabilidades

25/8/17 Waldemar Hachich 48


Iso-dispersão anterior 𝜎 ′ 𝑊𝐻
(não depende da leitura dos instrumentos, só da
sua posição)

Possibilidade de gerar, já na fase de projeto,


resultados similares para as hipóteses
alternativas:
H1 (DIS) → 𝜎 ′ 𝐷𝐼𝑆
H2 (CLOG) → 𝜎 ′ 𝐶𝐿𝑂𝐺

25/8/17 Waldemar Hachich 49


Qual a “melhor” posição do
próximo instrumento?
incertezas relativas
Análise de decisão
(de novo!)

25/8/17 Waldemar Hachich 50


Qual a “melhor” posição do
próximo instrumento?
incertezas relativas
Análise de decisão
(de novo!)

Possível critério de
decisão: menor
incerteza relativa
esperada Incerteza relativa esperada com
instrumento na posição i

Incerteza relativa esperada =  incertezas relativas x probabilidades

25/8/17 Waldemar Hachich 51


Qual a “melhor” posição do
No método de observação bayesiano, refinamento da etapa
de projeto da instrumentação!
próximo instrumento?
5. Selecionar grandezas a serem monitoradas, Zj; j=1, 2, ..., p

incertezas relativas
Análise de decisão
(de novo!)

Possível critério de
decisão: menor
incerteza relativa
esperada Incerteza relativa esperada com
instrumento na posição i

Incerteza relativa esperada =  incertezas relativas x probabilidades

25/8/17 Waldemar Hachich 52


Bayesian updating

RETROANÁLISE BAYESIANA
(CASO REAL)

25/8/17 Waldemar Hachich 53


Equipotenciais e campo de k
ajustados por tentativa e erro
Núcleo “ajustado” à piezometria
por tentativa e erro

25/8/17 Waldemar Hachich 56


Equipotenciais ajustadas
por atualização bayesiana (k3 e k1 aleatórias)

25/8/17 Waldemar Hachich 59


Campo de variação de log k
por atualização bayesiana
k decrescente com
profundidade no núcleo
de aterro hidráulico!

25/8/17 Waldemar Hachich 60


Autocorrelation in stochastic finite elements

AUTOCORRELAÇÃO NO MEF
ESTOCÁSTICO

25/8/17 Waldemar Hachich 61


Variabilidade espacial - Local 1
Em janela de tamanho constante, maior probabilidade dos pontos
extremos estarem do mesmo lado da média.

S1.1 S2.1

𝝈𝑿
𝒎𝑿

25/8/17 Waldemar Hachich 62


Variabilidade espacial - Local 2
Em janela de tamanho constante, menor probabilidade dos pontos
extremos estarem do mesmo lado da média.

S1.2 S2.2

𝝈𝑿
𝒎𝑿

25/8/17 Waldemar Hachich 63


Variabilidade espacial - Local 1
Médias locais (em elementos, por exemplo) mais dispersas

S1.1 S2.1

𝝈𝑿
𝒎𝑿

25/8/17 Waldemar Hachich 64


Variabilidade espacial - Local 2
Médias locais (em elementos, por exemplo) menos dispersas

S1.2 S2.2

𝝈𝑿
𝒎𝑿

25/8/17 Waldemar Hachich 65


Variáveis aleatórias vs. campos
estocásticos
CAMPO ESTOCÁSTICO DE PERMEABILIDADES
 Variabilidade
espacial: Média
Cornell, Desvio padrão
Vanmarcke,
Veneziano,
Yong, Alonso
(décadas de 70
e 80)
 Representação
estocástica de
propriedades
do terreno
Considerar autocorrelação é absolutamente essencial!

25/8/17 Waldemar Hachich 66


Função de autocorrelação
simplificada

25/8/17 Waldemar Hachich 67


Correlação entre elementos
retangulares

25/8/17 Waldemar Hachich 68


Aproximação para o MEF
estocástico

25/8/17 Waldemar Hachich 69


Erro da aproximação por
elementos retangulares

25/8/17 Waldemar Hachich 70


Linear approximation and FOSM

LINEARIZAÇÃO E FOSM

25/8/17 Waldemar Hachich 71


Linearização e FOSM
Linearização simplifica,
especialmente para o
FOSM!
Nem sempre possível
Há alternativas nas
simulações (Monte
Carlo é apenas uma
das possibilidades)

25/8/17 Waldemar Hachich 72


OUTROS RECURSOS

25/8/17 Waldemar Hachich 73


Evolução dos critérios de
segurança

 Empirismo  Indicadores:
 Racionalismo F  𝛽  𝑝𝑟

 Incrementalismo  Com 𝑝𝑟 ,
(“Bayesian minimização de
observational custos
inicial  esperado
method”)
25/8/17 Waldemar Hachich 74
Confiabilidade (“reliability”)
 Barragem como sistema
 Ruína (principal)  perda de contenção
 Como atinge a ruína?
 Galgamento (“overtopping”)
 Erosão interna (“piping”)
 Fraturamento (hidráulico ou por recalques excessivos)
 Outros

 Como combinar todos esses efeitos para definir a


probabilidade de ruína (e a confiabilidade)?
 Árvore de falhas parece uma boa alternativa (utilizada
extensivamente no caso mais simples de usinas nucleares)

25/8/17 Waldemar Hachich 75


Recomendações finais
 Análises prévias não apenas da hipótese de projeto, mas
também dos possíveis desvios dessa hipótese
 Posições de instrumentos otimizadas para terem bom poder
de discriminação em relação aos desvios imaginados
 Análise de decisões para orientar racionalmente as decisões
em face de incertezas
 Leituras de instrumentos podem ser melhor aproveitadas
 Quantificações estatísticas explícitas, especialmente de
incertezas, sempre que possível
 Instrumentação e monitoramento têm excelente relação risco-
benefício

25/8/17 Waldemar Hachich 76


Evitam-se assim os acidentes
graves?
 Não! Mas tem-se a tranquilidade de haver feito
o melhor para reduzir sua probabilidade.
 Há sempre alguma probabilidade de ocorrerem
desvios não imaginados das hipóteses de
projeto (Sandroni, 2017: “rupturas frágeis”, sem
aviso, vs. “rupturas dúcteis”)
 Lembrar também que o acidente grave decorre,
muitas vezes, dos nossos vícios de gestão
(Valenzuela, 2016)
25/8/17 Waldemar Hachich 77