Boroschek-Dinamica de Estructuras Avanzada

Apuntes de Clase
Modelo y Determinación Experimental Torre Titanium la

Portada
Alfonso Larraín y Asoc. Ltda. - RBA
Rubén Boroschek
REVISION E.6
Junio del 2014
DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 1

En el desarrollo de gráficas de estos apuntes contribuyeron:
Los Alumnos del CI42G y CI72A Universidad de Chile
NOTA:
El texto está en condición preliminar. Mis clases han sido transcritas inicialmente por los alumnos.
He logrado revisar alguna de ellas. Si bien he tratado de eliminar los errores tipográficos, siempre
se descubren nuevos. Por tanto úsese con cuidado.
El texto en amarillo no lo he revisado y está incompleto
Algunos temas con apoyo especial de alumnos:

Tomas Yáñez: Linealización de parámetros en amortiguadores, Método PSD.
Manuel Rivera Linealización de parámetros en amortiguadores
Rodrigo Carreño: Vectores Ritz
P. Bartolomé y J Caroca: Métodos iterativos para valores y vectores propios.
M. Bravo S. Varela: Masas Consistentes
P. León Alfaro: Método Moesp
V. Contreras Luengo: Método ERA.
Por agregar.
Solución numérica y ajustes
Incorporación de amortiguamiento por métodos de energía.
Condensación

INDICE
1. Referencias.................................................................................................................... 10
2. Formulario Base............................................................................................................. 11
3. Introducción ................................................................................................................... 13
4. Demanda Estructural ..................................................................................................... 13
4.1. Tipos de Análisis ......................................................................................................... 15
4.1.1. ¿Cómo Modelar Estructuras? ........................................................................... 15
4.1.2. Equilibrio........................................................................................................... 15
5. Sistemas Lineales de un Grado de Libertad................................................................... 15
5.1. Sistemas de un GDL Sin Amortiguamiento ................................................................. 15
5.2. Análisis de Sistemas en Oscilación Libre .................................................................... 16
5.3. Consideración del Peso en la Ecuación de Movimiento .............................................. 19
5.4. El Amortiguamiento..................................................................................................... 20
5.5. Sistemas de un GDL Con Amortiguamiento ................................................................ 22
5.5.1. Disipadores ...................................................................................................... 23
5.5.2. Solución del Equilibrio Dinámico....................................................................... 28
5.6. Solución Homogénea de la Ecuación de Movimiento .................................................. 28
5.6.1. Decaimiento Libre............................................................................................. 30
5.6.2. Decaimiento Logarítmico .................................................................................. 31
5.7. Métodos Experimentales Bajo Condiciones Iniciales o Pull Back: ............................... 34
5.8. Excitación Armónica. Caso C arbitrario ....................................................................... 37
5.8.1. Análisis de la Amplificación Dinámica............................................................... 38
5.8.2. Factor de Amplificación Dinámica para Velocidad y Aceleración ...................... 39
5.8.3. Ancho de Banda del Factor de Amplificación.................................................... 40
5.9. Excitación Armónica Régimen Permanente ................................................................ 40
5.10. Respuesta en Resonancia....................................................................................... 42
5.11. Vibración Forzada.................................................................................................... 44
5.12. Aislamiento de Vibraciones...................................................................................... 46
5.12.1. Consideraciones Básicas en el Diseño de Soporte de Maquinaria ................... 52
6. Solución Numérica de la Ecuación de 1 GDL................................................................. 57
6.1. Método de Aceleración Promedio................................................................................ 57
6.2. Metodo de Newmark ................................................................................................... 61

6.3. Metodo de Integracion de Hilber Huges Taylor............................................................ 63
6.4. Demanda Lineal .......................................................................................................... 65
6.4.1. Respuesta Bajo Pulso Rectangular .................................................................. 65
6.4.2. Pulso Ascendente............................................................................................. 65
7. Energía .......................................................................................................................... 66
7.1. Energía Disipada......................................................................................................... 66
7.2. Evolución de la Energía en el Tiempo En Regimen Permanente ................................ 66
7.2.1. Energía de Entrada Régimen Permanente ....................................................... 67
7.2.2. Energía de Disipada Régimen Permanente...................................................... 67
7.2.3. Balance de Energía .......................................................................................... 68
7.2.4. Extensión para Varios Grados de Libertad ....................................................... 68
7.2.5. Caso Modelo con Masa en Resonancia............................................................ 73
7.3. Definiciones Importantes............................................................................................. 74
7.4. Caso Modelo sin Masa................................................................................................ 74
7.5. Amortiguamiento Independiente de la Frecuencia....................................................... 76
7.6. Amortiguamiento Equivalente...................................................................................... 79
7.7. Generalización Modelo Lineal Equivalente de un Disipador ........................................ 80
7.7.1. Tipos de disipadores......................................................................................... 83
7.7.2. Friccional Puro.................................................................................................. 84
7.7.3. Constitutiva Triangular...................................................................................... 87
7.7.4. Elemento Viscoso no-lineal............................................................................... 89
7.8. Calor Disipado............................................................................................................. 94
7.1. Sistemas de N Grados de Libertad.............................................................................. 94
7.1.1. Solución por Coordenadas Modales ................................................................. 94
7.1.2. Condensación Estática – Guyan....................................................................... 98
7.1.3. Condensación Dinámica................................................................................. 101
7.1.4. Problema de Valores Propios ......................................................................... 102
7.1.5. Determinación de Valores Propios Utilizando Polinomios Característicos ...... 103
7.2. Manejo Eficiente de Matrices .................................................................................... 105
7.2.1. Ortogonalización de Gram-Schmidt ................................................................ 105
7.2.2. Descomposición LU........................................................................................ 109
7.3. Valores y Vectores propios mediante iteración matricial............................................ 110

7.3.1. Motivación ...................................................................................................... 110
7.3.2. Método de Iteración Directa............................................................................ 111
7.3.3. Obtención de Vectores Superiores con Matriz de Barrido............................... 118
7.3.4. Método de Iteración Inversa ........................................................................... 123
7.3.5. Método de Iteración Inversa con Desplazamientos......................................... 124
7.3.6. Método de Iteración del Subespacio............................................................... 127
7.3.7. Algoritmo ........................................................................................................ 128
7.4. Formulación de Valores Propios con Flexibilidad ...................................................... 132
7.5. Propiedades de Ortogonalidad de Modos ................................................................. 132
7.5.1. Condiciones Adicionales de Ortogonalidad..................................................... 132
7.6. Normalización Modal................................................................................................. 134
7.1. Matriz de Disipación Proporcional ............................................................................. 135
7.1.1. Amortiguamiento Proporcional de Rayleigh .................................................... 135
7.1.2. Amortiguamiento Proporcional de Caughy...................................................... 137
7.1.3. Amortiguamiento Proporcional de Penzien – Wilson....................................... 137
7.1.4. Matriz No Proporcional ................................................................................... 139
7.1.5. Solución Práctica de Matrices No Proporcionales........................................... 140
8. Reducción del Tamaño de la Ecuación Dinámica ........................................................ 141
9. Rayleig-Ritz y Load Dependent Vectors....................................................................... 144
9.1. Justificación de Método de LDV por E. Wilson .......................................................... 144
9.2. Algoritmos Computacional de Vector Dependiente de la Carga ................................ 145
9.2.1. Procedimiento con Vector Único..................................................................... 145
9.2.2. Algoritmo Computacional de E. Wilson ........................................................... 146
10. Excitación Múltiple de Apoyos...................................................................................... 149
11. Truncación Modal ........................................................................................................ 152
11.1. Matriz de Flexiblidad Modal ................................................................................... 152
11.2. Correccion Estática................................................................................................ 153
11.3. Metodo de Aceleración Modal................................................................................ 154
12. Ecuación de Movimiento Utilizando Espacio Estado .................................................... 155
12.1. Ecuaciones Básicas............................................................................................... 155
12.2. Cálculo de la Exponencial de una Matriz ............................................................... 157
12.3. Solución Numerica Discreta................................................................................... 158

12.3.1. Excitación Considerada como Delta Dirac. ..................................................... 159
12.3.2. Excitación Constante ...................................................................................... 160
12.1. Valores Propios ..................................................................................................... 160
12.1.1. Modos Complejos........................................................................................... 161
12.1.2. Expansión de Matriz de  A ............................................................................ 162
12.1.3. Relación de Valores Propios Continuos y Discretos ....................................... 162

12.2. Ejemplo ................................................................................................................. 163
12.2.1. Método modal complejo.................................................................................. 168
12.2.2. Representación Simétrica............................................................................... 168
13. Análisis en el Espacio de la Frecuencia ....................................................................... 171
13.1. Serie de Fourier ..................................................................................................... 171
13.2. Caso Serie de Fourier base ................................................................................... 173
13.3. Relación de Coeficientes de Serie de Fourier armónicos y exponencial complejo. 174
13.4. Respuesta a una Excitacion de Tipo Complejo...................................................... 174
13.5. Par de Transformada de Fourier............................................................................ 175
13.6. Algunas propiedades de la Transformada de Fourier ............................................ 175
13.6.1. Derivada en el Espacio de la Frecuencia........................................................ 175
13.6.2. Transformada de la Función Delta de Dirac.................................................... 176
13.6.3. Transformada de Funciones Sinusoidales ...................................................... 176
13.6.4. Transformada de Secuencia de Pulsos. ......................................................... 177
13.6.5. Transformada de Rectángulo ......................................................................... 178
13.7. Propiedades de la Transformada de Fourier......................................................... 179
13.7.1. Linealidad ....................................................................................................... 179
13.7.2. Simetría .......................................................................................................... 180
13.7.3. Escalamiento .................................................................................................. 181
13.7.4. Desplazamiento en el Tiempo ........................................................................ 182
13.7.5. Desplazamiento en la Frecuencia................................................................... 183
13.7.6. Señales Pares e Impares................................................................................ 183
13.8. Integral de Convolución. ........................................................................................ 184
13.9. Teorema de Parseval. ........................................................................................... 185
13.10. Relación entre Transformada Continua y Discreta................................................. 186
13.10.1. Teoría de Muestreo ........................................................................................ 186

13.11. Detalles de FFT en Matlab..................................................................................... 190
13.12. Transformada Rápida Algunos Ejemplos............................................................... 191
13.13. Resolucion, Muestreo y Desdoblamiento............................................................... 193
14. Ventanas y Pérdida de Energía ................................................................................... 197
14.1. Ventanas ............................................................................................................... 202
15. Otras Temas Asociado a Energía ................................................................................ 210
16. El Espectro de Potencia............................................................................................... 213
16.1.1. Teorema de Parseval ..................................................................................... 214
17. Respuesta en el Espacio de la Frecuencia .................................................................. 220
17.1. Respuesta de un Sistemad de 1 GDL en Espacio de Frecuencia .......................... 220
17.2. Transformada de Fourier de la Ecuación de Movimiento Caso Particular .............. 223
17.3. Respuesta de un Sistema de 1 GDL utilizando la Transformada de Laplace ......... 224
17.3.1. Sistemas de un GDL....................................................................................... 224
17.3.2. Respuesta al inpulso sistemas de 1 GDL ....................................................... 229
17.3.3. Sistema de Varios GDL .................................................................................. 230
17.3.4. La Transformada de Fourier y Función de Respuesta en Frecuencia............. 241
18. Instrumentacion y Registro de Vibraciones .................................................................. 241
18.1.1. Casos Básicos sensores ................................................................................ 241
18.1.2. Sensor de Aceleración: Acelerómetro............................................................. 242
18.1.3. Sensor de Desplazamiento Inercial ................................................................ 244
18.1.4. Entendiendo las Especificaciones de Instrumentos ........................................ 246
19. Introducción ................................................................................................................. 253
20. Vibraciones Ambientales y Forzadas ........................................................................... 255
20.1. Vibraciones Forzadas ............................................................................................ 255
20.2. Vibraciones Ambientales ....................................................................................... 255
21. Criterio de Calidad Modal............................................................................................. 255
22. procesos estocasticos.................................................................................................. 256
22.1. Procesos Aleatorios............................................................................................... 256
22.2. Proceso Aleatorio Estacionario .............................................................................. 257
22.3. Ruido Blanco ......................................................................................................... 258
23. Correlacion y Covarianza............................................................................................. 260
24. Correlación y Espectro de Potencia ............................................................................. 264

24.1. Estimacion de Correlacion y Espectro de Potencia................................................ 264
24.1.1. Estimación del Períodograma......................................................................... 265
24.1.2. Estimación Correlación................................................................................... 266
24.2. Correlación de la Respuesta de un Sistema de 1 GDL .......................................... 267
24.2.1. Respuesta de un sistema de 1 GDL ante Ruido Blanco ................................. 268
25. Estimación de la Función de Respuesta en Frecuencia FRF ....................................... 270
26. Identificación en el Espacio de la Frecuencia............................................................... 275
26.1. Introducción ........................................................................................................... 275
26.1.1. Método de Selección de Máximos .................................................................. 277
26.1.1. Estimación Preliminar del Amortiguamiento.................................................... 278
26.1.2. Descomposición en el Espacio de la Frecuencia ............................................ 279
27. Bases para la Identificacion en el Espacio del Tiempo................................................. 284
27.1. Conceptos de Procesos Estocásticos .................................................................... 284
27.2. Algunas Propiedades de los Sistemas Estocásticos. ............................................. 285
27.3. Ecuación de Datos Observados............................................................................. 289
27.1. Ecuación de Espacio Estado con Componentes de Ruido..................................... 290
28. Métodos en el Espacio del Tiempo .............................................................................. 290
28.1. Sistemas de Un Grado de Libertad........................................................................ 290
28.1.1. Decaimiento Libre........................................................................................... 291
28.1.2. Decaimiento Logarítmico ................................................................................ 292
28.1.3. Ajuste No Lineal de la Respuesta Decayente ................................................. 294
28.2. Método de Identificación ERA................................................................................ 295
28.2.1. Desarrollo ....................................................................................................... 295
28.2.1. Algoritmo ........................................................................................................ 302
28.3. NExT ERA ............................................................................................................. 308
28.3.1. Caso de 1 GDL............................................................................................... 309
28.3.2. Caso de n GDL............................................................................................... 312
28.1. Metodo SSI-COV ................................................................................................... 317
28.2. Método MOESP..................................................................................................... 323
1. Conceptos Básicos ...................................................................................................... 336
1.1. Matriz de Hankel ....................................................................................................... 336
2. Matrices Consistentes.................................................................................................. 337

2.1. Matriz de Rigidez Consistente................................................................................... 337
2.2. Matriz de Masa Consistente. ..................................................................................... 340
3. Señal Analítica ............................................................................................................. 343

1. REFERENCIAS
Clough, R. y Penzien, J. “Dynamics of Structures”. McGraw – Hill.

Segunda Edición, 1993
Chopra, A. “Dynamics of Structures”. Prentice Hall. Tercera Edición,

2006.
E.L. Wilson (2002). “Three-Dimensional Static and Dynamic Analysis

of Structures”. Computers and Structures, Inc.
E. Oran Brigham. “The Fast Fourier Transform”, Prentice Hall, 1974.
Heylen, W., Lammens, S. and Sas, P. “Modal Analysis Theory and

Testing”. Katholieke Universiteit Leuven, PMA, 1998.
Peeters, B y De Roeck, G (2000). “Reference Based Stochastic

Subspace Identification in Civil Engineering”. Inverse Problems in
Engineering, 8 (1), 47-74.
Van Overschee P., De Moor B. Subspace Identification for Linear

Systems: Theory – Implementation – Application. Kluwer Academic
Publishers, 1996.
Brincker, R.; Ventura, C.; Andersen, P. (2001) Damping Estimation

by Frequency Domain Decomposition. In Proceedings of IMAC XIX,
Kissimmee, USA.
Brincker, R.; Zhang, L.; Andersen, P. (2000) Modal Identification from
Ambient Responses Using Frequency Domain Decomposition. In
Proceedings of IMAC XVIII, San Antonio, USA.

2. FORMULARIO BASE
1 GDL *
Y 2  k
*
Equilibrio Dinámico m
mv t   cv  t   kv  t   p  t 
k N GDL
Frecuencia Angular:  
m
 M v(t )  C v(t )   K v(t )  P(t )
Amort Crítico ccrítico  2 km  2 m
Rayleigh : C   aM   bK 
Razón Amort Crítico:   c  c
n
cc 2m
v(t )   yi (t ) i 
i 1
Frec. Angular amortiguada; D   1   2
 K   i2  M  i   0   2  ,  
Respuesta a Condición Inicial:
 v  v    Obtenemos los parámetros modales

v(t )  e t  0 0  sin D t   v0 cos Dt  
  D   M i  i   M i 
T
i =1…n K i  i2 M i
Pi (t )  i   P (t ) 
Respuesta permanente Forzada: T
i = 1…n
 P0 sin( t   )

mv t   cv  t   kv  t    P0 cos( t   ) Encontramos las condiciones iniciales para cada forma modal.
 i (t  )
   M v(0)    M v(0)
T T
 P0 e
y (0)  i
i y (0)  i
i
sin(t ) Mi Mi
P0 
v(t )  e  A sin Dt   B cos Dt    D cos(t )
 t
   k  i ( t ) yi (t )  2i  i y i (t )  i2 yi (t )  Pi (t ) / M i

 i = 1…n

Transiente e

Permanente
Respuesta
 f E (t )   i2  M i  yi (t )   M   i2 i  yi (t )

Factor de Amplificación Dinámica
1
D
v(t )   yi (t ) i  v(t )   yi (t ) i  v(t )   yi (t ) i 
1
 2 2
 2 2
1        2   
 
        
 
Decremento Logarítmico:   ln  vi vi  N  Respuesta Sísmica:

2 N
 i   M r
T
Integral de Duhamel: Factor de Participación Li
t
1
mD 0
v(t )  P ( ) exp(  (t   )) sen( D (t   ))d Li
yi  t   V (  i , i , vg )
M ii
Coordenadas Generalizadas
 i2 Li 
z  t   c z  t   k z  t   p  t 

m     Fuerza Elástica  FE (t )    M i   Vi (t ) 
 M ii 

Donde en general L2i
L N N
Cortante Basal Q(t )   iVi (t )
m   m  x    x  dx   M n  xn    I 0n in ( x) '
2 2 2 Mi
n i n 1
v (t )      Y  t 
0
T 2
Aceleración de Piso: i i i
L N
c   c  x    x   dx   cn   xn   Li
2 2
n 1
vi  i  S d (  i , Ti )
0
Mi
L L N
k    k  x    x  dx   EI ( x)   dx   kn   xn 
2 2 2
0 0 n 1
L N
p (t )   p  x, t   x  dx   p  xn    xn 
0 n 1

3. INTRODUCCIÓN
Las acciones pueden ser estáticas o dinámicas. Las acciones dinámicas dependen del tiempo,
posición y magnitud. La respuesta de la estructura puede ser analizada en forma estática o
dinámica.
4. DEMANDA ESTRUCTURAL
Pull Back o Condiciones Iniciales: La estructura está sometida condiciones iniciales.
Figura 1 Condiciones Iniciales: Desplazamiento y Velocidad

(Impacto)
Figura 2 Ensayo de Impacto (salto grupal) sobre pasarela
Demanda Armónica: Demanda armónicas con período característico, T, f t   f t  T  . La

respuesta armónica simple puede ser la base de una respuesta dinámica compleja.
Figura 3. Excitación Periódica. Maquinarias y otros.

Acciones Periódicas No Armónicas: Presentan un período T característico, repitiéndose la
función en el tiempo. Se pueden resolver como suma de armónicos por medio de series de
Fourier.
Figura 4Excitación Periódica
Impacto: Acción relativamente corta sobre la estructura
Figure 5. Impacto. Acción de corta duración
Excitación Arbitraria: Sin un patrón definido (i.e. terremoto)
Figure 6. Demanda Sísmica

4.1. TIPOS DE ANÁLISIS
La estructura puede analizarse con métodos determinísticos o probabilísticos.
4.1.1. ¿Cómo Modelar Estructuras?

1. Por medio de discretización utilizando elementos uniaxiales.
2. Mediante ecuaciones diferenciales como la siguiente:
2   2v  x, t    2 v  x, t 
 EI  x  m  P  x, t 
x 2  x 2  t 2
3. Por medio de elementos finitos.
4. Usando coordenadas generalizadas, donde se establece una función de desplazamiento
del tipo v  x, t      x   t 
4.1.2. Equilibrio
Para determina el estado de equilibrio de una estructura se pueden utilizar los siguientes
métodos:
 Métodos de Energía:
 Suma de Fuerzas:  Fxt  ,  Fyt  ,  Fzt 

 Mxt  ,  Myt  ,  Mzt  .
 Trabajo Virtual.
5. SISTEMAS LINEALES DE UN GRADO DE LIBERTAD
5.1. SISTEMAS DE UN GDL SIN AMORTIGUAMIENTO

Algunos ejemplos de sistemas de un GDL son los siguientes:
Figura 7 Ejemplos de sistema de 1GDL

 FI (t )  FE (t )  P (t )
mv(t )  kv(t )  P(t )
mv(t )  kv(t )  P(t )
v (t )  v h (t )  v p (t ) , donde v h (t ) es la solución homogénea y v p (t ) es la solución particular.
Solución homogénea:
mv(t )  kv (t )  0
La solución homogénea es:
v h (t )  A sin(  t )  B cos(  t )
5.2. ANÁLISIS DE SISTEMAS EN OSCILACIÓN LIBRE

Para un sistema con P (t )  0 se tiene que v p (t )  0 . Si este sistema tiene como
condiciones iniciales v ( 0 )  v 0 y v ( 0 )  v 0 , se obtiene:
v0
v(t )  sin(t )  v0 cos(t )

Al ver un sistema de este tipo vibrar se observa la suma de las proyecciones de los vectores
sobre el eje real.
v0
Figura 8 v (t )  sin(t )  v0 cos(t )

Del gráfico anterior se tiene que:

 v   v 
2
  v  0 
2
  arctg  0 
   v0 
0
Luego el desplazamiento se puede escribir como:

v(t )   cos(t   )
1
Figura 9: Desplazamiento versus tiempo. f 
T
Figura 10 Desfase asociado a condiciones iniciales

En resumen, para el sistema en análisis se tiene:
Desplazamiento: v(t )   cos(t   )
Velocidad: v(t )    sin(t   )
Aceleración: v(t )    2 cos(  t   )   2 v (t )
Las condiciones iniciales generan el desfase aparente del armónico.
Figura 11 Comparación en el tiempo de fase para

desplazamiento, velocidad y aceleración. Sin amortiguamiento y
bajo condiciones iniciales. Matlab rutina: dinaDespinicial.m

Figure 12. Vectores de Respuesta
5.3. CONSIDERACIÓN DEL PESO EN LA ECUACIÓN DE MOVIMIENTO
Figura 13 Ejemplo de sistema de 1GDL
Al realizar el equilibrio el sistema mostrado en la figura:
x(t )  v(t )  est

x (t )  v(t ) El DCL del cuerpo es:
x(t )  v(t )
FE  kx (t )  kv(t )  k  est
Dónde:
FI  mx(t )
y k  est  W
Luego:
 F  0  kv(t )  k est  mv(t )  W

 kv(t )  mv(t )  0
En este caso el peso no se considera.
5.4. EL AMORTIGUAMIENTO
El valor de la razón de amortiguamiento varía según:
a. El tipo de material, como se ve en la siguiente lista.
Sin daño
 Acero / Hormigon  0,01  0.03
 Albañilería  0,03  0,05
En el límite de daño (fluencia)
 Acero / Hormigon  0, 03  0.10
 Albañilería  0, 05  0,15
b. Condiciones de apoyo (tipo de suelo y fundación)
c. Componentes no estructurales
d. Tipo de conexión
e. Amplitud de la vibración
Existe una gran incertidumbre por tanto en la identificación y definición de

un valor de amortiguamiento a considerar. Además no es extraño obtener
una variación del amortiguamiento en función de la amplitud del movimiento
(nolineal elástico). Por ejemplo durante vibraciones ambientales (0.0005 g)
el valor puede variar entre 0.8% a 2% de la razón de amortiguamiento crítico.
En caso sísmico este valor es considerablemente mayor ante la ausencia
de daño o daño leve (1% a 9% en un mismo caso ver Carreño – Boroschek
2010).

(a) (b)
(c) (d)
: Evolución de la frecuencia y amortiguamiento modal con respecto a la amplitud

modal
Existe una serie de fórmulas para escalar la respuesta para distintos amortiguamientos. Estas
fórmulas son aproximaciones. En el caso Chileno la más utilizada es la fórmula de escalamiento
de la norma NCh2369
0.4
 0.05 
A 
  

Figura 14 Sistemas de un GDL amortiguado
0.4
A0.8%  0.02 
En el caso mencionado obtenemos diferencias de amplitud de    1.44
A2%  0.008 
0.4
A1%  0.09 
Y    2.41
A9%  0.01 
Existen grandes dificultades en la definición de un amortiguamiento apropiado y como
incorporarlo en forma eficiente en modelos. Algunas normas proponen valores y fórmulas de
cálculo:
NCh433: Amortiguamiento constante de 5%
NCh2369: Amortiguamiento constante en una estructura dado su material y estructuración.
Permite la incorporación del amortiguamiento asociado a la interacción suelo estructura hasta en
50% del valor de referencia. Límite inferior de amortiguamiento 2%
NCh2745: Valor de referencia variable de acuerdo al sistema de aislación y período.
ASCE 7: En sistemas normales 5%. Se permite la modificación por interacción suelo estructura
pero mínimo es un 5%. Para sistemas de disipación y aislación se permite su incremento.
Para el caso de viento se recomienda valores menores entre 0.5 y 1.5%. Ver DIN1055 y
Eurocódigo., ISO4354
Un caso interesante es la NRCXX
Conversion y factores de escalamiento de amortiguamiento: V contreras, Alexis Saez Rezaeian
(en carpeta damping)
5.5. SISTEMAS DE UN GDL CON AMORTIGUAMIENTO

Los sistemas con amortiguamiento son aquellos donde actúan fuerzas disipativas.

Figura 15 Sistemas de un GDL amortiguado
Las fuerzas disipativas, FD , se pueden deber a diferentes factores:
Al graficar la fuerza disipativa en función del desplazamiento del sistema se obtienen diferentes
figuras:
Figura 16 Gráficos de disipación.
5.5.1. Disipadores
En algunos casos se utilizan disipadores reales en las estructuras. Acá algunos casos:

Figure 17: Disipadores Metálicos (J.M. Kelly, R. I Skinner 1972)
Figure 18: Disipador Friccional (RINGFEDER)

Figure 19: Disipador Viscoso y Viscoelástico
F  t   C x  t  sgn x  t  

Possible values   0.15  2.0

But for seismic   0.3  1.0
http://www.maurer-
soehne.com/files/bauwerkschutzsysteme
/images/hydraulic_dampers_2_MHD.jpg
Una historia de los disipadores:http://www.taylordevices.com/papers/history/design.htm

Figure 20: Disipador Elastomérico (R. Boroschek)

Figure 21: Uniones Figure 22: Péndulo friccional (Daniel Fenz)
friccionales
5.5.2. Solución del Equilibrio Dinámico

Equilibrio Dinámico DCL:
De donde:
 F  0  F t   F t   F t   Pt 
I D E
Y como:
FI (t )  mv(t ) : Fuerza de inercia
FD (t )  cv(t ) : Fuerza disipativas
FE (t )  kv (t ) : Fuerza elástica
 mvt   cv t   kv t   P t 
5.6. SOLUCIÓN HOMOGÉNEA DE LA ECUACIÓN DE MOVIMIENTO

Para determinar la solución homogénea se tiene:
mvt   cv t   kv t   0
v(t )  A sin(t )  B cos(t )
v(t )  Gest ; v(t )  Gsest ; v(t )  Gs 2 e st

Reemplazando estos valores en la ecuación de movimiento
mGs 2 e st  cGse st  kGe st  0

c c
Si   
cc 2m

Entonces la solución es: s        1
2
De donde las características de la vibración de un sistema están dadas por:

c  c c : Sobreamortiguamiento
c  c c : Amortiguamiento _ crítico
c  c c : Subamortiguamiento _ crítico
Caso Sub Amortiguado: c  ccrítico
Desarrollando la ecuación anterior:
s      2  1
s    i  1   2
 
D
De donde se obtiene la respuesta al caso amortiguado sin excitación externa.
v(t )  e t  A sin Dt   B cos Dt  

Al desarrollar la ecuación que define la frecuencia angular amortiguada se tiene:
 
2
2
D   1     D   1   2  D2   2  1
2
   
Algunos valores para  según esta última ecuación se muestran en la tabla 2.1.
Valores para 
D T
 
 TD
0,01 0,9999
0,05 0,9987
0,10 0,9950
0,20 0,9798
0,40 0,9165

Figura 23: Variación de la razón de período amortiguado y no amortiguado en función
de la razón de amortiguamiento crítico.
5.6.1. Decaimiento Libre

Para un sistema con P (t )  0 y con condiciones iniciales v (0)  v 0 y v (0)  v 0 se tiene que el
desplazamiento está dado por:
v(t )  e t  A sin Dt   B cos Dt  
 v  v   
v(t )  e t  0 0  sin Dt   v0 cos Dt 
  D  
Lo que es equivalente a:
v (t )   e  t cos( D t   )
2
 v   v0 
  0   v0
2
Dónde:   D 
 v   v0 
  arctg  0 
  D v0 

Figura 24 Decaimiento bajo condiciones iniciales.
Figura 25
Efecto del
amortiguamiento
en el decaimiento.
 : Amplitud
máxima.
Envolvente et
2
Periodo TD 
D
5.6.2. Decaimiento Logarítmico

De la respuesta a condiciones iniciales se conoce la envolvente de respuesta y con ella se puede
determinar la razón de amortiguamiento,  :
vi
vi   e   ti y vi  m   e   ti N entonces  eTD N sacando el logaritmo
vi  m
 v  2
ln  i   TD N   N
 vi m   1  2

 ln  vi vi  N  ln  vi viN 
 aproximando  
1  2 2 N 2 N
Figura 26: Cruces por cero y máximos de la repuesta
Figura 27:
Cálculo de
Amortiguamiento
pendiente
 


Caso Particular reducción de la mitad de la respuesta.
ln  vi vi  N 

2 N
Cuando vi  N  vi 2
1  v 
ln  i   
2 N  vi 2 
ln  2 
N
2
Number of cycle to obtain 50% reduction of an amplitude

ln  2 
 N 
2
0,01 11,03
0,05 2,2
0,10 1,1
Figura 28: Número de Ciclos completos para alcanzar un decaimiento respecto de un

valor inicial de referencia. Las líneas corresponden a porcentajes de reducción de
amplitud inicial.

Sin embargo este criterio no es útil para sistema de varios grados de libertad. En estos casos es
posible encontrar decaimientos como los indicados en las figuras siguientes:
Figura 29: Respuesta decayente para dos y tres formas modales observadas en un
grado de libertad de la estructura.
5.7. MÉTODOS EXPERIMENTALES BAJO CONDICIONES INICIALES O PULL

BACK:
Aplicando condiciones iniciales de velocidad o desplazamiento se obtiene un régimen de
oscilación libre ( f (t )  0 ). Al graficar la respuesta del sistema en términos del desplazamiento,
velocidad, aceleración, fuerza u otro, se puede determinar el período (T) y la razón de
amortiguamiento  . Si el desplazamiento y velocidad inicial es conocido en conjunto con la
fuerza que los produce es posible determinar también constantes de rigidez, la masa y el
amortiguamiento de la estructura.
Si el sistema es de varios grados de libertad es relativamente difícil conocer las matrices básicas
de masa, rigidez y amortiguamiento. Generalmente lo que se obtienen son los las propiedades
modales de la estructura.

Figura 30 Condiciones Iniciales: Desplazamiento y Velocidad
(Impacto)
Figura 31: Sistema de tiro Figura 32 Respuesta ante liberación abrupta en muelle de ventanas.
para provocar A) Registro de aceleración. B) Espectrograma de la respuesta
desplazamiento inicial en
Muelle de ventanas

Figura 33Definición de Espectrograma. Figura 34Ejemplo de espectrograma en un funciona
armónica con frecuencia con variación lineal
Figura 35 Ejemplo de aplicación del método de decremento logarítmico en estructuras de varios

grados de liberad con frecuencias características bien separadas. A. Separación utilizando filtros
de las distintas bandas predominantes. B) Señal filtrada. C) Selección de máximos absolutos. D)
Grafica de máximos absolutos e identificación de amortiguamiento medio.

Figura 36 Impacto por salto en pasarela peatonal. Respuesta y ajuste a varias frecuencias
mediante técnicas de optimización.
Figura 37 Aplicación de impactos mediante el golpe de una pala mecánica. Respuesta ante el
impacto.
5.8. EXCITACIÓN ARMÓNICA. CASO C ARBITRARIO
 P0 sin(t )

mv t   cv  t   kv  t    P0 cos(t )
 P ei (t )
 0
El desplazamiento es:
sin(t   )
 t P0 
v (t )   e cos(Dt   )  D cos(t   )
  k
ei (t  )

Transiente
 
Permanente

Figura 38
Respuesta bajo
excitación armónica a
partir de condiciones
iniciales nulas. Notar el
gran efecto inicial
transiente y su
decaimiento para pasar
a un régimen
permanente controlado
por la frecuencia de
excitación.
5.8.1. Análisis de la Amplificación Dinámica

Factor de amplificación dinámico de desplazamiento. Ojo que no es lo mismo para el caso de
velocidad y aceleración.
Dmax    1  2 2  1
1
D 1 1
 Dmax  
1      2  
2 2 2
2 1   2 2
1
D
1      2  
2 2 2
Figura 39 Factor de amplificación dinámica para distinto amortiguamiento y razón de

frecuencia

2
  arctan
1  2
Figura 40 Angulo de desfase para distinto amortiguamiento y razón de frecuencia.
5.8.2. Factor de Amplificación Dinámica para Velocidad y Aceleración

Los casos a considerar son derivados del caso básico
P0
vP (t )  D sin t   derivando una y dos veces
k
Caso Velocidad
P0 P  P
vP (t )  D cos t     0 D  cos t     0 D cos t   
k k  k
1
De donde Dv  D que tiene como Dv max  para  v  1
2
Caso Aceleración
P0 P
vP (t )   D 2 sin t      0 D 2 sin t    ;
k m
1
De donde Dv  D 2 que tiene como Dvmax  para  v  1 1 2 2
2 1   2

Figura 41 Factor de amplificación dinámica de velocidad y aceleración para distinto
amortiguamiento y razón de frecuencia.
5.8.3. Ancho de Banda del Factor de Amplificación

Given DAF (D) and the maximum value of DAF, we can find the frequencies for different fractions
of the maximum amplitude.
1
D 1
1   2 2   2 2  2
 
El caso más común:
1 1 1
Dmax 
2 2 2
f 2  f1
De donde  
f 2  f1
5.9. EXCITACIÓN ARMÓNICA RÉGIMEN PERMANENTE
Analizando mvt   cv t   kv t   p(t ) , con p (t )  P0 sin( t )

P0
v p (t )  D sin( t   )
k
P
v p (t )  0 D cos( t   )
k
P
vp (t )   0 D 2 sin( t   )
k
 mv t   cv  t   kv  t   P0 sin( t )
 FI (t )  FD (t )  FE (t )  p (t )
 FI (t )  FD (t )  FE (t )  p (t )  0
Figure 42. Vector Response.
All vectors rotate with velocity:  t

Figure 43. Para un ángulo   .
2
 2  
Porque   tan 1     1  corresponde a resonancia.
1 
2


5.10. RESPUESTA EN RESONANCIA
Figura 44. Caso Básico
Dado:
v(t )  e t  A sin Dt   B cos Dt   

P0
D sin t   
k

En resonancia     
2
1 1
YD  
2
1      2 
2 2 2
Si las condiciones iniciales son nulas:

v(0)  v0  0 v(0)  v0  0
Se obtiene
1 P0     t    
v (t )  e  sin   D t   cos   D t    cos   t  
2  k   1  2  
v
  
static
  1
If:
  d  
Entonces:
v (t )

vest 2 
 e  1 cos(t )
1  t
   t
Entonces la envolvente de la función está dada por 1  e

Figura 45
Envolvente sistema amortiguado.
Figure 46. Respuesta Resonante para un Desplazamiento

Normalizado. Normalización 1/ 2  . T  0.5  s  , v0  0 , v0  0 .
Si se analiza la envolvente es posible estimar la tasa de crecimiento para un tiempo dado t  nT

2
 t
  t
la amplitud es Ae e T
 e 2 n .
Figura 47 Taza de crecimiento de la respuesta resonante. A menor amortiguamiento

más tiempo para alcanzar respuesta máxima.

Si una estructura no tiene amortiguamiento,   0 utilizando la regla de L’Hospital’s:
v (t ) 1
  sin( t )   t cos( t ) 
vest 2
Figura 48 Respuesta resonante para distintos valores de amortiguamiento. Notar que la

amplitud y el tiempo para alcanzar la máxima amplitud es sensible al valor de la razón
de amortiguamiento
5.11. VIBRACIÓN FORZADA

En este ensayo se instala una máquina en la estructura que genera una vibración con frecuencia
y fuerza conocida. Normalmente este equipo de excitación se compone de dos masas excéntricas
que rotan en dirección contraria. Alternativamente se utilizan gatos hidráulicos que mueven en
forma unidireccional masas variables en la estructura. La máquina se hace oscilar a frecuencias
conocidas y se determina el desplazamiento máximo. Posteriormente se grafica la respuesta
máxima en función de la frecuencia de excitación. La grafica es posteriormente normalizada por
el valor de frecuencia en el máximo. La grafica resultante es utilizada para determinar la
frecuencia de la estructura y la razón de amortiguamiento utilizando el método de ancho de
banda.
Para el caso de excitación fuerzas excéntricas, el valor de la fuerza aplicada depende de la maza
excéntrica, su distancia al eje de rotación y la frecuencia de excitación ( p (t )  2 me e 2 ).

Figura 49. Arreglo básico
Diseñada por Dino Morelli,

Thomas
Caughey desarrollo sistema
eléctrico.
Figura 50 Hudson, Donald E. (1961) structures. Technical Report:

Caltech.EERL.1961.001. California Institute of Technology.
Keightley, W. O. (1964) A Dynamic investigation of Bouquet Canyon
Dam. Technical Report: Caltech EERL: 1 964.EERL. 1964.002.
California Institute of Technology

Figura 51 Utilización de masa excéntrica en viaducto Cypress EEUU, 1989.
5.12. AISLAMIENTO DE VIBRACIONES
Si se tiene la estructura mostrada en la figura, con P(t)  P0 sin t  , la solución particular
está dada por:
P0
vP (t )  D sin t  
k
Entonces, las fuerzas son:
FE (t )  kv p (t )  P0 D sin   t   
P0 
FD (t )  c D cos   t     P0 D cos   t   
k 
Como FE y FD están a 90 grados la fuerza resultante, FR , es:

1
  2
 
2
1  1   2  
   2  2
    
 FR  FD  FE  Po D 1   2    Po 
2 2
2
      
 1        2   
2
         
 
 
La Transmisibilidad de fuerzas es:
1
  2
 
2
 1   2  
FR    
TR   2 
Po     2     2 
 1        2   
       
Se puede demostrar que la TR es idéntica para razones de aceleración y desplazamiento
absolutos.
Figure 52. Función de Transmisibilidad
Es posible analizar la Transmisibilidad en función del desplazamiento estático producido por la

acción. Para ello estudiamos el caso de   0

1
TR 
   2 
 1    
   

Si  2 entonces

1    2  1
TR  Despejando     1 
   2      TR
1  
   
   
   1
2

    1 Y     1  1   k  1


 1 
W  1


 1
    TR   TR  m  TR  est m  TR 
g  1 
    1
 est  TR 
Figura. 53 Aislamiento de Maquinas. Desplazamiento estático necesario para obtener

un TR dada un frecuencia de excitación para   0

Para el caso normal de diseño en cual se asume un  est  1/ 4" y para las frecuencias típicas de
excitación:
F 1
TR 
(Hz)   est
2
1
g
25 0.06
12.5 0.20
6.25 0.50
Es importante notar que en máquinas rotatorias excéntricas la fuerza dinámica es función de la

frecuencia excitación y por tanto es posible generar una variación de la curva de transmisibilidad
para observar el efecto de la variación de frecuencia en la fuerza transmitida.
A partir del resultado anterior
1
  2
 
2
 1   2  
FR     
TR   2 
Po     2     2 
 1        2   
       
La fuerza excéntrica es
p(t )  mee 2 sin(t )


po
Reemplazando este valor en la ecuación anterior

FR FR
  TR
Po me e 2
 
2
FR
  2TR  
me e  
FR
  2TR
m e e 2
La Figure 54 presenta este valor

Figure 54. Función de Transmisibilidad para excitación dependiente de la frecuencia
EXPLICAR CURVAS ACENDENTES.

Ejemplo
Propiedades dinámicas de un sistema acoplado
m 0 Figura
M    0 I 

 k kh s 
 K     kh s k  k h s 2 
 h
A partir del problema de valores propios encontramos las frecuencias naturales

 k h  m 2 kh s 
K    2 M    2
  kh s k  k h s  I  
2
det( K    2  M )   kh  m 2  k  kh s 2  I  2    kh s   0
2
khk  kh2 s2  kh I 2  m2k  m2kh s2  m2 I 2   kh s   0

2
4  I m  2  kh I  mk  mkh s2   khk  0 Dividiendo por I  m
k k k s2  k h k
4 2  h    h  0
 m I I  m I
 k m s2m  2 k m k h
 4   2 h2  1      h 0
 I k h I  I m k h
Si definimos
kh k I
; e 
2
 h2  y r2  
m kh m
Reducimos la ecuación a
 4 2 2 e2 s 2  4 e2  1
   h 1  2  2   h 2  0 4
  r r  r  h
  4  2  e2 s 2  e2 
 4  2 1  2  2   2  0
 h h  r r  r 
 2 
1/2 2 1  e 2 s 2   e2 s 2  e2 
   1      1     4 
 h2 2  r 2 r 2   r
2
r2  r2 

Se puede demostrar que el centro de rotación con respecto al Centro de Masa está dado por
s s
x1  ; x2 
 2
2
1  12 1  22
h h

Figure 55. Razón de Frecuencia y de Centro de Rotación para ejemplo
5.12.1. Consideraciones Básicas en el Diseño de Soporte de Maquinaria

Antecedentes para el Diseño de Fundación de Maquinas

Los antecedentes mínimos para el diseño de soportes y fundaciones de maquinaria son
específicos dependiendo de sus características y el desempeño esperado. Entre los aspectos
mínimos a solicitar son los siguientes:
1. Plano de detalle de distribución de componentes de la maquinaria y sus cargas
2. Descripción de las funciones de la maquina
3. Requisitos especiales de operación, mantenimiento, reparación (espacios, distribución de
componentes en reparación, uso de herramientas, grúas, etc.)
4. Distribución de pesos fijos y móviles.
5. Calidad de Balanceo de la maquinaria of factor de balanceo Q  e 
6. Localización de centros de gravedad en todos los ejes de cada componente (optimo).
7. Velocidad de funcionamiento, partida, detención, variaciones operacionales. Descripción
por componente.
8. Magnitud y dirección de fuerzas desbalanceadas y los puntos de aplicación.
9. Límites de vibración para la fundación a partir de requisitos de función, confort y
mantenimiento.
10. Otros requisitos para la fundación: rigidez relativa entre puntos de soporte, espesores
mínimos para anclajes, perforaciones, etc.
Sistemas Mecánicos de Aislamiento Vibraciones
Típicamente se colocan sistema de mecánicos de aislamientos de vibraciones entre la maquinaria
y la estructura de soporte o fundación. Los materiales y configuración de estos sistemas son
variados. Los sistemas pueden ser lineales o no dependiendo de tipo de acción y rango de
operación. Se busca el mayor beneficio de acuerdo a los requisitos de demanda, durabilidad,
costo, mantenimiento.
Materiales Básicos:
1. Resortes Mecánicos
2. Materiales Naturales: Gomas, Corcho, Madera
3. Materiales Sintéticos: Varios tipos de elastómeros
Tipos de Fundaciones
Los tipos de fundaciones de más comunes son:
1. Fundación Elástica o de Resortes: Equipo se apoya en resortes estandarizados los cuales
van a una estructura de soporte.
2. Fundación Masiva o Losa: Losa de hormigón que descansa en el terreno.
3. Plataforma: La maquinaria se ancla en forma directa a una plataforma de losa o vigas que
se ancla en forma directa en una estructura.
Antecedentes Geotécnicos Mínimos para Fundaciones
Los antecedentes geotécnicos esenciales para el correcto modelamiento del sistema. Debe
considerarse en el análisis que los parámetros varían de acuerdo a la profundidad y los esfuerzos
a los cuales están aplicados. En el análisis es recomendable considerar una variación sobre los

parámetros medio. Por ejemplo variaciones de +/- 50% para el módulo de corte es una
consideración común.
En general el modelo más aceptado es el de subespacio elástico. Este subespacio se considera
infinito, elástico, homogéneo e isotrópico.
Los antecedentes mínimos para el dimensionamiento y análisis de fundaciones a nivel de terreno
para equipos vibratorios son:
1. Densidad del Suelo
2. Módulo de Poisson
3. Módulo de Corte a varios niveles de deformación o presiones de contacto y profundidad.
Este parámetro en instalaciones críticas debe ser medido en terreno, en el nivel de
fundación del sistema.
4. Constante de Balasto (alternativa)
5. Profundidad de fundación
6. Parámetros básicos para el diseño bajo cargas estáticas.
Bajo cargas cíclicas monotónicas es posible encontrar valores para resortes o disipadores
equivalentes lo que ha hecho el modelamiento muy popular. En general a pesar que estas
constantes debiesen ser dependientes de la frecuencia de excitación esto no es muy utilizado y
se asume su independencia. Para aún más simplificar el análisis generalmente se asume que la
masa del suelo no es inercial.
Según Arya et al la independencia de los parámetros de la frecuencia es válida para frecuencias
 
0.5
de excitación baja. Esto es f  1 Gg
 ro 
Donde
ro  Es el radio de la fundación circular
   Para movimiento traslacional de una fundación rectangular de B  L

0.5
ro  BL
3 
r   BL
3 0.25
o Para movimiento de cabeceo donde L perpendicular al eje de cabeceo.
Los resortes equivalentes son:
Modo de Vibración Fundación Circular Fundación Rectangular
Vertical 4Gro G
kz  z kz   z BL z
1 1
Horizontal 32 1   Gro kX  21  GX BLX

kX  X
7  8

Cabeceo 8Gro3 G
k   k   BL2
3 1    1
Donde los valores  corresponden a correcciones por enterramiento y  por forma.

Dado que los factores de amortiguamiento aumentan con tamaño de la fundación y se reducen
con su peso la fundación más conveniente es una baja y extendida.
Consideraciones en el diseño de fundaciones de maquinaria

Maquinas en fundaciones a nivel de suelo
1. Se debe evitar la resonancia entre las frecuencias de excitación y la fundación. Valores
típicos de razones de frecuencia son menores a 0.8 o mayores 1.2.
2. Para maquinas con componentes con distintas frecuencias operacionales los límites de
desplazamiento admisibles deberán considerar la suma de los desplazamientos para cada
frecuencia. En el caso de límites de velocidad se podrán utilizan la media cuadrática.
3. La Transmisibilidad para el caso de frecuencias mayores a la natural deberá tratar de ser
menor al 3%.
4. Las vibraciones admisibles deberán considerar efectos en personas. Manteniéndolos
siempre bajo el nivel de dañinos de acuerdo a norma ISO o similar.
5. La presión estática en el suelo no debe ser mayor a 0.5 veces su capacidad.
6. La presión en el suelo producto de las cargas estáticas y dinámicas no debe superar el
75% de la capacidad o menor si lo indica el informe geotécnico.
7. Los desplazamiento estáticos y dinámicas no deben superar los valores admisibles de las
conexiones rígidas al sistema maquina fundación.
8. La masa de la fundación rígida sobre suelo debe ser a las tres veces el peso del equipo
si es de tipo centrífugo y cinco veces si es de tipo reciproco.
9. El espesor mínimo de la fundación debe considerar la longitud de anclaje de pernos y los
requisitos de rigidez de puntos de anclaje. Como referencia inicial se puede considerar un
quinto de la dimensión horizontal mínima o un décimo de la dimensión horizontal máxima.
10. El ancho de la fundación es típicamente de uno a 1.5 veces la altura entre el centro de
masa y sello de fundación. Entre más ancho mejora el amortiguamiento por radiación.
11. La dimensión en planta debe considerar los requisitos de anclaje de pernos y conceptos
de operación. Distancia de borde mayores 0.25 m son comunes.
12. El centro de gravedad de la maquina debe coincidir con el centro de gravedad de la
fundación y el centro de resistencia del suelo. Esto contribuye a disminuir rotaciones.
13. El amortiguamiento por radiación aumenta con la altura bajo nivel de terreno. Además
esto ayuda al soporte lateral de la fundación.
14. La fundación debe sobre salir al menos 0.25 m sobre el nivel de terreno para limitar efectos
de inundación.
15. La fundación debe estar preferentemente sobre la napa freática.

16. Se puede suponer que la fundación es rígida en relación al suelo si la razón de rigidez
l 3  kresortes
es menor a 50 y que la cama de resortes se puede ignorar para calcular los
EI
modos superiores de la losa de soporte de la maquinaria.
17. Cuando la rigidez del sistema que soporta los resortes y la maquinaria es mayor que 10
veces la rigidez de los resortes se puede considerar que los resortes están sobre un plano
rígido. (no hay masa y la rigidez es infinita bajo la cama de resortes).
18. Se debe dejar un espacio entre la fundación de la maquinaria y otras fundaciones o losas.
Este espacio debe rellenarse con un material elastomérico para evitar que se cierre el
gap.
Maquinas en fundaciones elevadas
Además de las condiciones descritas para fundaciones a nivel de suelo, recomiendo:
1. El esfuerzo de compresión en elementos elevados debe ser el mismo para todos los
elementos.
2. Las columnas deben tener un nivel de esfuerzo estático y dinámico bajo, típicamente
menor a 1/6 de su capacidad.
3. Los elementos horizontales en particular las vigas deben tener una rigidez
considerablemente mayor a las columnas (preferentemente mayor a dos veces). Esto
debe evaluarse bien con respecto al requisito sísmico de columna fuerte y viga débil.
4. La masa de la mesa de soporte superior no debe ser menor que el peso de la maquinaria.
5. La deformación de los elementos verticales debe ser semejante cuando se aplican cargas
en cada dirección (vertical, longitudinal y transversal).
6. Debe evaluarse la resonancia del sistema conjunto y de elementos individuales. Deberá
mantenerse la resonancia de componentes aislado en razones de frecuencia menor 0.5 o
mayor 1.5.
7. En estructuras de hormigón con esfuerzos dinámicos reversibles altos (50% del admisible)
deberá realizarse un diseño para controlar la fatiga.
8. Inicialmente se aconseja no considerar la presencia de amortiguamiento para evaluará la
respuesta de la fundación baja cargas operacionales. Si el diseñador así lo requiere el
amortiguamiento del sistema completo maquina fundación se considerará 2% de critico
en ausencia de información detallada. Para el caso de acciones o cargas mucho mayores
que la de operación podrá considerarse un amortiguamiento mayor si se justifica
correctamente.
9. La rigidez de los elementos debe ser considerada como no agrietada para las demandas
de operación (esto es recomendable de verificar para las acciones operacionales).
10. En los modelos deberá considerarse además de la rigidez de flexión las de cortante y
torsionales.

Caso 2 GDL Masa sintonizada
Caso General 6 GDL
6. SOLUCIÓN NUMÉRICA DE LA ECUACIÓN DE 1 GDL
6.1. MÉTODO DE ACELERACIÓN PROMEDIO
vn 1  vn
vave 
2 (1)
vn
vn 1  vn  vn t  t
2
1
vn 1  vn  vn t  vn t
2
Entonces si definimos
4 2
K  2 m  c  k
t t
v0  m  1   cv0  kv 0 
Podemos realizar el siguiente proceso recursivo:

Para n=0 hasta fin de P
 4 4   2 
a. Pn1  Pn1  m  2 vn  vn  vn   c  vn  vn 
 t t   t 
b. vn 1  K 1 Pn 1
2
c. vn 1  vn  vn
t
d. vn 1  m  1  Pn 1  cvn 1  kv n 1 
Demostración

Si llamamos vn 1  vn  vn
vn
Entonces vave  vn  (2)
2
La velocidad se obtiene integrando
vn 1  vn  vn (3)
El incremento de velocidad vn está dado por
vn  vave t y utilizando (2)

vn
vn  vn t  t (4)
2
El desplazamiento se obtiene integrando nuevamente
vn 1  vn  vn (5)
El cambio de desplazamiento en el paso es:

vn 1  vn
vn  t (6)
2
Reemplazando (3) en (6)
vn 
vn  vn  vn  t  v t  1 v t
n n (7)
2 2
Usando (4)
vn  vn t 
1
2
 vn t 2   vn  t 2
1
4
(8)
Para obtener vn1 en términos de  n , vn , vn despejamos vn de (8)
4  
vn  vn t   vn t 2  
1
vn  2 
t  2 
4 4
vn  vn  vn  2vn (9)
t 2
t
Dado que vn 1  vn  vn
Entonces vn 1  4 2  vn  4 vn  vn  vn 1  f  vn 1 , vn , vn  (10)

 t v t
v  n 1 n 
t  4 4vn 
Reemplazando (9) en (4) vn  v
n t   2 vn   2vn 
2  t t 

2
Reduciendo: vn  vn  2vn
t
Entonces
vn 1  vn
2 2 
vn 1  vn  vn  2vn  vn  vn (11)
t t
vn 1  f  v n 1 , v n , v n 
Sustituyendo (5), (10) y (11) en

mvn 1  cvn 1  kvn 1  Pn 1
 4 4   2 
m  2 vn  vn  vn   c  vn  vn   kvn1  Pn1
 t t   t 
 4 2   4 4   2 
 2 m  c  k  vn1  Pn1  m  2 vn  vn  vn   c  vn  vn 
 t t   t t   t 
Si
4 2
K  2 m  c  k Constante para todo el proceso, y
t t
 4 4   2 
Pn1  Pn1  m  2 vn  vn  vn   c  vn  vn 
 t t   t 
Entonces:
vn 1  K 1 Pn 1
Finalmente el algoritmo a utilizar es:
Inicialización:
4 2
K  2 m  c  k
t t
v0  m  1   cv0  kv 0 
For n=0:length(P)
 4 4   2 
e. Pn1  Pn1  m  2 vn  vn  vn   c  vn  vn 
 t t   t 
f. vn 1  K 1 Pn 1
2
g. vn 1  vn  vn
t

h. vn 1  m  1  Pn 1  cvn 1  kv n 1 
end
Método Alternativo
Alternativamente para casos no lineales es mejor restar dos pasos consecutivos
mvn  cvn  kvn  Pn
mvn 1  cvn 1  kvn 1  Pn 1

Restando ambos casos
mvn1  cvn1  k vn1  Pn1
Reemplazando los valores de la diferencias obtenidos anteriormente
 4 4   2 
m  2  n  n  2n   c   n  2n   k  n  Pn
 t t   t 
En este caso se puede utilizar el valor tangente para cada una de las propiedades de la estructura.
 4 2  4 
 2 m  c  k   n  P  m  n  2n   2cn
 t t   t 
  n  kˆ  1  Pˆn
Con
4 2
K  2 m  c  k
t t
4 
Pn  Pn  m  n  2n   2cn
 t 
Finalmente el procedimiento es el siguiente

Dados n, n ,n ,n , Pn  Pn 1  Pn ; n, c, k
1. Calcular kˆ
2. Pn
3.   n  kˆ  1  Pn
4.  n 1   n   n
2
5. n   n  2n
t

6. n 1  n  n
4 4
7. n   n  n  2n
t 2
t
8. n 1  n  n
o
n 1  m 1
 Pn 1  cn 1  k n 1 
6.2. METODO DE NEWMARK

Existe una gran variedad de métodos para la solución numérica de la ecuación de equilibrio
dinámico. Esto tienen distintas ventajas y desventajas asociadas esencialmente a:
1. Estabilidad
2. Precisión: Efecto en la amplitud, variación de períodos, tamaño del paso del tiempo
requerido.
3. Rapidez
4. Amortiguamiento artificial de modos
La familia de métodos de Newmark a la cual pertenece el de aceleración constante y aceleración
lineal se desarrolla de la siguiente manera.
Considérese la variación de la aceleración

v(t ) entre los instantes de tiempo ti y ti+1= ti +∆t. Se
realiza el cambio de variable
  t t
i de tal forma que para t = ti el valor de  sea cero y para t =
ti+1,  valga ∆t. Supóngase a continuación que el valor del vector de aceleración de respuesta en
un instante   t se expresa como:
Si definimos la variable
  t  ti y para ti  t  ti 1 y una función de variación f ( ) en el intervalo
v( )  vi  f ( )  (vi 1  vi )
De tal manera que la función

f ( ) sea cero para  0 y 1 para    t .
La velocidad
v( ) se obtiene integrando la aceleración

v ( )  vi   v( ) d 
0
 
 vi   vi d   ( vi 1  vi ) f ( )d 
0 0  vi  vi  ( vi 1  vi )  f ( )d
0
Si definimos


g ( )  0
f ( )d
Tenemos v( )  vi  vi  (vi 1  vi ) g ( )
Y para   t
v( t )  vi  vi  t  (vi 1  vi )  g (t )
Dado que g(t) debe ser una constante multiplicada por t
Definimos g(t )  t

De donde
vi 1  vi  vi  t  (vi 1  vi )    t
vi 1  vi   (1   ) vi  vi 1   t
Para los desplazamientos se integra

2 
v ( )  vi  vi  vi  ( vi 1  vi )  g ( )d
2 0

De igual forma definimos h ( )   0
g ( )d
2
v ( )  vi  vi  vi  ( vi 1  vi ) h ( )
2
Para    t
t 2
v (  t )  vi  vi  t  vi  ( vi 1  vi ) h (  t )
2
Pero h(t) debe ser una constante multiplicada por  t 2 para que la ecuación sea consistente,
luego:
h(t )  t 2 
t 2
Finalmente vi 1  vi  vi  t  vi  ( vi 1  vi )  t 2 
2
 1  
vi 1  vi  vi t      vi   vi 1  t 2
 2  
Despejando vi1
1  1 
vi 1   vi 1  vi  vi t     1 vi
t 
2
 2 

Reemplazando vi1
vi 1  vi   (1   ) vi  vi 1   t
  1  1   
vi 1  vi  (1   )vi   2 vi 1  vi  vi t     1 vi    t
  t   2   
      
vi 1  vi 1  vi   1   vi  1   tvi
t     2 
Poner algoritmo
Dependiendo de los valores  y  se obtiene la estabilidad y amortiguamiento ficticio de la
integración.
El sistema es incondicionalmente estable si:
1
  Y
2
11 
    
42 
El valor de  define el amortiguamiento, siendo mayor para mayor el valor de  . Esto no siempre
es conveniente por tanto típicamente se considera un valor que elimina el amortiguamiento. Esto
es   0.5 y   0.25 , que es el caso de aceleración constante. El caso de aceleración lineal no
es incondicionalmente estable y requiere de pasos pequeños de integración.
Siempre se debe procurar mantener un paso de tiempo pequeño para obtener respuesta más
precisas. En particular se utiliza la relación:
T
t 
10
El amortiguamiento entregado por  afecta todos los modos. Existe una variación del método
que permite solo amortiguar artificialmente solo los modos de frecuencias altas, lo que podría ser
útil en algunos problemas no lineales. Este método es desarrollado por Hilber, Hughes y Taylor.
6.3. METODO DE INTEGRACION DE HILBER HUGES TAYLOR
El método de Hilber Hughes Taylor (Improved Numerical Dissipation for Time Integration
Algorithms in Structural Dynamics, 1977, Earthquake Engineering and Structural Dynamics)
introduce un coeficiente de disipación α en la ecuación diferencial del movimiento.
La ecuación de movimiento para el tiempo i  1 se desarrolla en función de α en el tiempo i

 M  vi 1  (1   )  C  vi 1    C  vi  (1   )  K  vi 1    K  vi  Pi 1 (1.15)
Como puede observarse, para α = 0 el algoritmo se convierten la ecuación de movimiento típica.

Al introducir las variables de respuesta de Newmark:
1  1  
M   vi 1  vi  vi t    M    1 vi  (1   ) C  vi 1  vi   ...
t 
2
 2  t 
     
(1   ) C   1   vi  (1   ) C   1   t  vi   C  Di  (1   )  K  vi 1    K  vi  Pi 1
 (1.16)
    2 
Reordenando términos, finalmente la ecuación (1.16) queda:

Kvi 1  Pi 1 (1.17)
Donde:
1 
K   M   (1   )  C   (1   )  K 
t 
2
t 
 1 1  1  
Pi 1  Pi 1   K    vi   M   2 vi  vi    1  vi   ...
 t  t   2  
         
C  (1   ) vi    (1   ) 1   vi  (1   ) 1   t  vi 
 t       2  
Hilber, Hughes y Taylor recomiendan usar valores negativos. Asimismo, combinando valores
negativos de α con valores apropiados de los otros dos parámetros β y γ, resulta un algoritmo
eficiente y que depende exclusivamente de un parámetro.
1
  (1   ) 2
4
1
  
2
Los valores recomendados de α varían entre:
1
   0
3
Un pequeño valor de disipación, α = −0.05 rápidamente elimina vibraciones espurias del proceso
de integración y afecta esencialmente períodos menores a 10 veces el paso de integración.
{Otros métodos están basados en la forma de la excitación: Excitación Lineal o Excitación
Cubica. Estos tienen una mayor estabilidad en los casos lineales.

Precisión de Métodos variación de períodos.}
6.4. DEMANDA LINEAL
6.4.1.Respuesta Bajo Pulso Rectangular
m v(t )  k v(t )  p (t )  p0
Solución
p0
v (t )  1  cos  t  para t  td
k
p0  t 
v (t )  2  2  cos 2 d  para t  td
k  T 
Figure 56. Respuesta a Impulso Rectangular. Dinapulsorec.m.
6.4.2. Pulso Ascendente

Figure 57. Respuesta a impulso triangular.
7. ENERGÍA
7.1. ENERGÍA DISIPADA

Para calcular la energía disipada en un sistema se integra la ecuación de movimiento del
sistema en función del desplazamiento entre dos instantes de tiempo dados, de la siguiente
manera:
v  t2 
  F (t )  F
v  t1 
I D (t )  FE (t )  dv  0
2 v t 
1 1
 m v(t )  k v(t )   FD (t )dv  0
2 t2 2 t2
2 

t1 2 

t1
v  t1 
EK EV
Desarrollando la última integral se tiene:

v t 2 
dv
F
 
v t1
D (t ) dv   cv
dt
dt   c v 2 dt
Finalmente se tiene que:

t2
EK  EV    c v 2 t dt

t1
Energía _ disipada
7.2. EVOLUCIÓN DE LA ENERGÍA EN EL TIEMPO EN REGIMEN PERMANENTE

A partir de la ecuación de equilibrio dinámico mv t   cv t   kv t   p(t)  posen(t)

p0 p0
En régimen permanente v t   D sin t    y v t   D cos t   
k k
7.2.1. Energía de Entrada Régimen Permanente
La energía de entrada es
v (T ) t t
po
W E (t )  
v (0)
p (t ) dv   p (t ) v (t ) dt   p o sin ( t ) cos( t   ) dt Donde  
0 0
k
D
t
 1 t 
W E (t )  p o   cos(2 t   )  sin( ) 
 4 2 0
 
 1 t 1 
WE (t )  po   cos(2 t   )  sin( )  cos( ) 
4    2  4
  Oscilante lineal

Para un ciclo de oscilación t  T  2 /  :

 1 2 /  1  2 / 
W E  p o   cos(2 2 /    )  sin( )  cos(  )   p o sin( )
 4 2 4 0 2
WE   po  sin( )
Pero sin( )  2 D y   po D ; reemplazando

k
estos valores tenemos
k    
WE   2 2   D  2 2k   
D    
7.2.2. Energía de Disipada Régimen Permanente

p0 p 2
La fuerza disipadora: FD  cv(t )  c D cos   t     c 0 2 D cos  t    
k m 2
c  
FD  2   Dp0 cos t     2 Dp0 cos t   
2m   
La energía disipada es:
v (T ) t t t
po 2 2 2
ED  
v(0)
FD ( t ) dv   cv 2 ( t ) dt   c
0 0
k2
D  cos 2 ( t   ) dt   c  2 2 cos 2 ( t   ) dt
0

 t sin(2( t   )) 
t
E D  c  2 2   
2 4 0
 t sin(2(t   )) sin(2 ) 
ED  c 2 2   
2 4 4 
 
 sin(2( t   ))  t sin(2 ) 
ED  c   
2
 
  4
  2 4 
 Oscilante Lineal

Para un ciclo de oscilación t  T  2 /  :

 2 
 sin(2(   )) 
2  sin(2 ) 2
ED  c 2 2      c 2 2   c 2
 2 4 4   2
 
c 
Con 2
k 

ED  2 2  k

7.2.3. Balance de Energía

Por inspección en un ciclo WE  ED ;
Es fácil de mostrar que la energía cinética y elástica, en un ciclo de régimen permanente, se

anulan:
1 2 T
EK  mv (t )
2 0
1 2 T
EV  kv (t )
2 0
7.2.4. Extensión para Varios Grados de Libertad

Para sistemas de varios grados de libertad debemos modificar levemente nuestras ecuaciones:
1
Energía Cinética: EK (t )  v(t )  M v(t )
T
2
1
Energía Elástica: EV (t )  v (t )  K v (t )
T
2
T T
Trabajo Externo: WE (t )   P(t ) dv   P(t ) v(t ) dt
t

T T T
 FD (t) dv  0 FD (t) v(t)dt  0 v(t) Cv(t)dt

t t
Energía Disipada: ED (t ) 
La energía en cualquier instante de tiempo es: ETOTAL (t )  EK (0)  EV (0)  WE (t )  ED (t )
Ejemplos Energía en Vibración
Figure 58. Energía en Decaimiento Libre. Caso 1 GDL. Kpiso= 39.478 Mpiso=1.  =0.05.

Figure 59. Energía en Forzante Armónico. Caso 1 GDL. Kpiso= 39.478 Mpiso=1. 
=0.05.

Figure 60. Energía en Sismo. Caso 1 GDL. Kpiso= 39.478 Mpiso=1.  =0.05.

Figure 61. Energía en Forzante Armónico. Caso 5 GDL. Kpiso= 39.478 Mpiso=1.  =0.05
todos los modos.

7.2.5. Caso Modelo con Masa en Resonancia
mvt   cv t   kv t   p(t)  po sen(t)
En resonancia se tiene que    , entonces p t   FD t  .

Si p (t )  p0 sin( t ) , entonces:
p0 1
En régimen permanente v  t   sin t   
k 2

Pero como está en resonancia: 
2
P0 1
 v t   cos  t 
k 2
Luego la resultante de un gráfico fuerza desplazamiento para un instante de tiempo t es:
2
P 1 
 P0 sin(  t )  2
  0 cos  t    r t 
2
 k 2 
Entonces, la energía disipada corresponde al área de la elipse que se forma al graficar F D (t )
en función de v (t ) , como se muestra en la Figure 62.
Figure 62.Trabajo realizado por las fuerzas disipativas.
Finalmente:

Aelipse   ab  ED 

P (t )  P0 
FD  cvmax  c   A
elipse  c 
2

P 1 
ED   P0 0 
k 2
 
 
E
c D2

Notar que c depende de la frecuencia  . Esto es característico de sistemas viscoelásticos.

c c
Como    se tiene:
cc 2m
c ED
  para   
cc (2m)( 2 )
1
Con EV  kv (t ) 2
2
ED ED
  
2 k  2
4 EV
Notar que en la derivación anterior se incluye la existencia de una masa.
7.3. DEFINICIONES IMPORTANTES

ED
Capacidad de Amortiguamiento Específica (Specific Damping Capacity):
EV
ED
Factor de Amortiguamiento Específico (Specific Damping Factor):    2
2 EV
Factor de Calidad (Quality Factor): Q  1 g  1 2
7.4. CASO MODELO SIN MASA
cv t   kv t   p(t)
Si se hace un ensayo de desplazamiento controlado la respuesta y fuerza resultantes son:

v (t )   sen ( t )
v (t )   cos( t )
p(t)  c cos(t )  k sen(t)
Existe un equilibrio entre el trabajo desarrollado en un ciclo de régimen permanente de la carga
externa y la energía disipada en ese ciclo. Sino no sería un régimen permanente. Adicionalmente
es fácil demostrar que la componente elástica se cancela en un ciclo dado que es antisimétrica.
v (T ) 2 / 
We  
v (0)
p(t )dv  
0
p(t )v(t )dt 
2 /  2 /  2 / 
Por tanto la energía
  cv(t )  k  2 sin(t ) cos(t ) dt   cv(t ) 2dt   f d (t )dv  ED

2
...
0 0 0
disipada en un ciclo:
v (T ) 2 /  2 / 
ED  
v (0)
p (t )dv  
0
p (t )v(t )dt  
0
f d (t )v(t )dt  c  2
De donde se observa la dependencia de E d y c de 
ED
c
 2
Y la energía potencia máxima almacenada en un ciclo sigue siendo:
1 2
EV  k
2

Figure 63. Ejemplo de ciclo
histerético: c=5 k=1000 f
=0.1- 20 Hz Notar: Para
frecuencias bajas se genera la
curva lineal-elástica. Al
aumentar la frecuencia de 0.1
a valores mayores los ciclos
se ensanchan. A pesar que c
es constante en este problema
 es variable dado que la
energía potencia no varía y si
el área de la elipse. El
desplazamiento máximo es
fijo e impuesto y la fuerza
máxima estática es k . Sin
embargo la fuerza máxima es
mayor. PONER LEGEND F
7.5. AMORTIGUAMIENTO INDEPENDIENTE DE LA FRECUENCIA

Rate independent damping: se asocia a la disipación que se denomina histéresis estática o que
no dependen de la frecuencia de excitación. Esta se debe a deformaciones plásticas, flujo
plástico, o plasticidad de cristales. Pero no es el caso de daño macroscópico del material o
inelástico del material.
Ejemplo de un modelo:
k
fd  v o f d  igkv donde g es el coeficiente de amortiguamiento histerético.

En este caso ED   k  2 o ED   gk  2 Por tanto no depende de 
La ecuación de equilibrio dinámico es en este caso:

k
mv  t   v  t   kv  t   p (t )

mv  t   ( gi  1) kv  t   p (t )
Estas ecuaciones no pueden resolverse en el espacio del tiempo. Para el caso de excitación
armónica se puede encontrar de la primera ecuación de arriba:
Dado que podemos aproximar:
c c k   
     entonces
cc 2 m 2 m 2

1 1
D D 
 
y
1 
 
2 2
 i 1   2    2

    
Y el ángulo de fase:

tan  
 
1 
2
1
En forma similar D 
 
2
1   2   g 2

    
2 / 
La energía disipada es: Ed  

0
fd (t )v(t )dt  kg  2
De una gráfica de comparación del sistema viscoso e independiente de frecuencia:

Figure 64. Amplificación dinámica para caso viscoso e independiente de frecuencia.
Script: Damplificacionyfase.m
Notar:
1. Las diferencias son muy pequeñas en amplitud y las máximas diferencias ocurren en
resonancia.
2. La máxima amplificación para el caso de independiente de la frecuencia se da en
resonancia.
3. La fase en  /  = 0 no es cero para independiente de la frecuencia sino que es tan 1 ( )


4. Dado que se ajustó al caso de que   se tiene una respuesta idéntica para ambos
2
casos.
Todo lo anterior permite resolver con un error pequeño el problema complicado de resolver en el
tiempo el caso independiente de la frecuencia.

Figure 65. Fase caso viscoso e independiente de frecuencia
7.6. AMORTIGUAMIENTO EQUIVALENTE

Varias opciones de definición:
a. Aquel que tiene el mismo ancho de banda que un sistema viscoelástico.
b. A partir de ciclos histeréticos
Si deseamos generar el valor de razón de amortiguamiento crítico es necesario establecer una
masa o frecuencia natural del sistema.
c c
  De donde obtenemos la relación
cc 2m

c ED ED ED
eqv    
cc 2 m 2 m  2 /    2 4  /    k  2 / 2 
2
ED
 eqv 
4 EV  /  
La norma de aislación permite estimar la rigidez utilizando el eje mayor de la elipse y la propuesta
de amortiguamiento equivalente siempre que se ensaye en resonancia    :
ED

4 EV
F  F
kequiv 
  
Lo cierto es que el efecto de  más sensible en resonancia y si bien esta aproximación es

correcta solo en resonancia las diferencia fuera de esta área son generalmente menores.
7.7. GENERALIZACIÓN MODELO LINEAL EQUIVALENTE DE UN DISIPADOR

(CI72C / CI62V: Dinámica Avanzada de Estructuras, Manuel Rivera B, José Tomas Yañez C. mod. Rev. RBK 9 junio
2008)
Dado un disipador con comportamiento no lineal

f  f (v,v,z,t )
En la expresión anterior la fuerza f del disipador, depende de la posición, la velocidad, el tiempo
y el estado z del disipador, que puede representar temperatura, presión, dirección de movimiento
etc.
Se propone un estado lineal de la forma:
fˆ ( t )  k e v ( t )  c e v ( t )
Donde ke y ce son la rigidez y el amortiguamiento equivalente.

El error que se comete en la aproximación se define como:
e(t )  f (v,v, z,t )  fˆ(t )
Se elige key ce tal que minimicen la suma de los errores al cuadrado en un período, para eso
defino:
2π
ω
J (k e ,c e )  e
2
dt
0
Para minimizar la expresión anterior se impone:

J J
0 ; 0
ke ce
Al asumir que la respuesta es de forma sinusoidal se obtienen la rigidez y el amortiguamiento

equivalente para el disipador.
2
 2

 f v 0 sin(  t ) dt
 f v  cos(t )dt
0
ke  0
ce  0
v o2  vo2  

Demostración
Dado la fuerza no-lineal y el modelo lineal:
f  f (v,v,z,t )
~
f  k e v  c e v
Se define
v (t )  v0 sin( t )
~
e  f f
2π
J (c e , k e )  e
2
dt
0
Con propiedades
J J
0 0
c e k e
J representa la función que minimiza la diferencia entre la fuerza lineal y la no-lineal.

Desarrollo
J
0
c e
2
J 
  ( f  f ) dt  0
2
ce 0
2
 
  ( f  (c v  k v)) dt
2
ce
e e
0

2

f (cev) (kev)
  2( f  c v  k v) ( c
0
e e
e

ce

ce
)dt
Con
f ( k e v )
0y 0
c e c e
Se tiene
2

 2  ( fv  cev 2  kev v)dt

0
  
2 2 2
 
 2   fvdt  ce  v dt  ke  v vdt   0
2
 0 0 0 
Con
2 2
 
 v dt  v   cos ( t )dt
2 2 2 2
0
0 0
 t sin( 2 t )  
2
2 2  
v    2 2
  v0    0
4 0  
0
 2 
 v02
Y
2 2
 
 v vdt  v   cos( t ) sin(t )dt

2
0
0 0
 sin ( t )  
2
2
v  2
  v02 0  0  0
 2 0 
0
Luego
2

 f vdt  c
0
e v02  ke 0  0
2

1
ce  2
v0  f vdt notar que esto es el área de la energía disipada.
0
Desarrollo

J
0
k e
2
J  
  ( f  (c v  k v)) dt
2
ke ke
e e
0
2

f  (cev)  (kev)
  2 ( f  c v  k v) ( k
0
e e
e

ke

ke
)dt
Con
f  ( c e v )
0y 0
k e k e
Se tiene
  
2 2 2 2
  
2  ( f v  ce v v  ke v )dt  2   f vdt  ce    ke  v 2 dt   0
2
v vdt
0  0 0 0 
Con
 t sin(2 t )  
2 2 2
2   v
  2
 v dt  v  sin ( t )dt  v     v0   0   0
2 2 2 2
4   
0 0
0 0  2 0 
Luego
2

v02
0
f (t )v(t )dt  ce 0  ke

0
2
 
ke  2
v0 0
f (t )v(t )dt
7.7.1. Tipos de disipadores

8
Caso de   2 tenemos Ed  c  3 2 y ce 
8
c 
3 3
Figure 66. Modelo no lineal y lineal equivalente para  = 2 (dinaviscosonolineal.m)
7.7.2. Friccional Puro

La ley constitutiva de estos disipadores sigue la siguiente forma

Para calcular ke, se ocupa la formula general,
2

f v 0 sin(  t ) dt
ke  0
,
v o2 

La integral se define como la suma de 4 integrales cuyos límites y valores quedan definidos según
el signo que toma f para cada valor de v
Para v  0,v 0  en dirección 1  f  Fy aquí t  0 , π / 2 ω 

Para v  v 0 ,0 en dirección 2  f  Fy aquí t  π / 2 ω , π / ω 
Para v  0,v 0  en dirección 3  f  Fy aquí t  π / ω ,3 π / 2 ω 
Para v   v 0 ,0  en dirección 4  f  Fy aquí t  3 π / 2 ω , 2 π / ω 
Reemplazando en la expresión ke, se obtiene:
 2w  3 2

1  w 2w w

v o   0 y 0  F y v 0 sin(  t ) dt   F y v 0 sin(  t ) dt  3 F y v 0 sin(  t ) dt 
ke  2 F v sin(  t ) dt 
 
w  2w w 2w 
tf
cos( w tf )  cos( w ti )
 F v sen ( wt )dt  F v
ti
y 0 y 0
w
Fy v0
Reemplazando en la expresión anterior y factorizando por , queda

Fy         3   3  
ke    cos( )  cos(0)  cos( )  cos( )  cos( )  cos( )  cos( 2 )  cos( ) 
v0    2   2   4   4 
Fy
ke 
v0
 0 1  1  0  0  1  1  0 
ke  0

Desarrollo de la expresión del Ce para disipador friccional puro
Para calcular Ce, ocupo la formula general,
2

f v0 cos(  t ) dt
ce  0
,
vo2  
Para v  0,v0  en dirección 1  f  Fy aquí t  0 , π / 2 ω 

Para v  v 0,0 en dirección 2  f  Fy aquí t  π / 2 ω , π / ω 
Para v  0,v 0  en dirección 3  f  Fy aquí t  π / ω ,3 π / 2 ω 
Para v   v 0 ,0  en dirección 4  f  Fy aquí t  3 π / 2 , 2 π / ω 
Reemplazando en la expresión Ce, se obtiene:

 2w  3 2

1  w 2w w

vo   0
ce  2 Fy v0 cos(  t ) dt   Fy v0 cos(  t ) dt   Fy v0 cos(  t ) dt   Fy v0 cos(  t ) dt 
 
2w

w
3
2w

Calculando la primitiva de esta expresión, tenemos:

tf
F y v0  cos(  t ) dt  Fy v0 sin(  tf )  sin(  ti ) 

ti
Fy v0

Fy        3   3  
ce    sen( )  sen(0)   sen( )  sen( )   sen( )  sen( )   sen(2 )  sen( ) 
v0     2   2   4   4 
Fy
ce   1  0  0  1   1  0  0  1 
v0  
4 Fy
ce 
v0  

7.7.3. Constitutiva Triangular
Para calcular ke, ocupo la formula general,

2

 f v 0 sen ( t ) dt
ke  0
, aquí la integral se define como la suma de 4 integrales cuyos límites
v o2 

y valores quedan definidos según el signo que toma f para cada valor de v
Para v  0,v 0  (a)  f  k1v aquí t  0 , π / 2 ω 

Para v  v 0,0 (b)  f  k 2 v aquí t  π / 2 ω , π / ω 
Para v  0,v 0  (c)  f  k 2 v aquí t  π / ω ,3 π / 2 ω 
Para v   v 0 ,0  (d)  f  k1v aquí t  3 π / 2 ω , 2 π / ω 
Notar que para todas las trayectorias el signo está dado por el signo de v.
Reemplazando en la expresión de f en ke teniendo en cuenta que v  vo  sin(wt) , se obtiene:
 2w  3

1  2 
w 2w 0
ke  2   k1 (v0 sin(wt)) dt   k 2(v0 sin(wt)) dt   k2 (v0 sin(wt)) dt   k1 (v0 sin(wt)) dt
2 2 2
vo  0
   3

w  2w w 2w

tf
sin( wtf ) cos( wtf )  tf   sin( wti ) cos( wti )  ti 
 k (v
ti
0 sin( wt )) 2 dt   kv 02
2w
Viendo los límites observamos que siempre cuando el seno es distinto de cero el coseno es nulo
y viceversa, por lo que la primitiva con los límites tratados en las integrales queda:
tf  ti
tf
 k (v sen ( wt )) dt  k v02
2
0
ti
2w

Reemplazando en la expresión anterior y factorizando por  v 02 , queda
2 w
1       3   3  
ke 
2 k1  2  0  k2   2   k2  4     k1 2  2  
        
Fy
ke   k1  k 2 
2
k1  k 2
ke 
2
Desarrollo de la expresión del Ce para disipador con ley constitutiva triangular

Para calcular Ce, ocupo la formula general,

2

 f v w cos( wt ) dt
0
ce  0
vo2 w 
Para v  0, v 0  (a)  f  k 1 v aquí t  0 , π / 2 w 

Para v  v 0 ,0  (b)  f  k 2 v aquí t  π / 2 w , π / w 
Para v  0,v 0  (c)  f  k 2 v aquí t  π / w ,3 π / 2 w 
Para v   v 0 ,0  (d)  f  k 1 v aquí t  3 π / 2 w , 2 π / w 
Notar que para todas las trayectorias el signo está dado por el signo de v.
Reemplazando en la expresión de f en ke teniendo en cuenta que v  v o  sen(wt ) , se obtiene:

  3
0
1 2w w 2w
ce  2 
vo w 0
k1 (v0 sin(wt ))(v0 w cos(wt ))dt   k 2(v0 sin(wt ))(v0 w cos(wt ))dt   k 2 (v0 sin(wt ))(v0 w cos(wt ))dt   k1 (v0 sin(wt ))(v0 w cos(wt ))d
  3
2w w 2w

tf
cos(wtf ) 2
 cos( wti ) 2 
 k (v0 sin( wt ))(v0 w cos( wt ))dt  kv0
2
ti
2
 v02
2
1        3   3  
ce    cos( )2  cos(0)2   cos( )2  cos( )2   cos( )2  cos( )2   cos(2 )2  cos( )2  
2   2   2   2   2 
ce 
1
 0  1  1  0  0  1  1  0 
2
ce  0
7.7.4. Elemento Viscoso no-lineal

Una fuerza viscosa no-lineal se modela según:
f  c α v sgn( v )
α
Donde
Cα: constante
α: número real < 2.
Si α > 2 la energía liberada disminuye y deja de ser un elemento atractivo para reducir
vibraciones
Parámetros lineales elemento viscoso
4(α  2)
ce  cα ω α 1v 0α 1
2 α 2
(α 2  3 2)2
ke  0
Para
v  sin(t )
v   cos(t )
α
f  v sgn(v )

Curvas no lineales para α =[0 0.5 1 1.5 2] Curva no lineal y aproximación lineal para α = 2
Ce = 0.849·w·Vo
Figura 67
Demostración
Dado
f  c α v sgn( v )
α
v (t )  v0 sin( t )
Desarrollo de Ce
2

1
ce  2
v0   f (t )vdt
0
2

1 

v 
2
0
c0
 v sgn(v)v0 cos(t )dt
Separando los límites de integración

c  2   3
2
2
 
    v cos(t )dt   (v) cos(t )dt   v cos(t )dt 

v0  0 

3
2

c  2    3
2
2
 
   0 v  cos 1
(t )dt   (  v  
 cos
(t )) cos(t ) dt   v0   cos 1 (t )dt 
v0
0
 0 

3
2

Con
cos(t )   cos(  t )
Se tiene
c  2    3
2
2
 
    v0  cos (t )dt   (v0  cos(  t ) cos(  t )dt   v0   cos 1 (t )dt 
 1   
v0  0 

3
2

c v0 1   2  1 
 3 2
2 
   cos (t )dt   cos(  t ) dt   cos 1 (t )dt 

 1
  0 

3
2 
Paralelamente. Integrando por partes se tiene:
v  cos n 1 ( x )
dv  ( n  1)  cos n  2 ( x ) sin( x )
u  sin( x )
du  cos( x )
 udv  uv   vdu
sin( x ) cos n 1 ( x ) n  1
 cos n ( x )dx 
n

n cos n  2 ( x )dx
n 1
i.e. F ( n)  An  F ( n  2)
n
se puede demostrar para el caso en estudio que
An  0
Valido para α = n
 1  1   3  (  1)(  3)(  5)  (  2)(  4)
F ( )  F (  2)   F (  4)  
    2   (  2)(  4)  (  2)(  4)
 (  1)  (  1) 4 (  1)
       2 
( (  2)(  4)) 2 ( 2 )( 2  2 )( 2  2 )  2  ( 2  1) 2
2 2  4 2

NOTA: No está demostrado para α < 2, que es el rango de interés del problema.
Continuando
c v 1   2  1 3
2
2
 
  0   cos (t )dt   cos(  t ) dt   cos 1 (t )dt 
 1
  0 

3
2

c v 1    2   1 
  0 2  cos (t )dt 
   2 
c v0 1   4(  2)  
  2   3  1 
  2 ( 2  1)  
2
Luego
 4  (  2)   1  1   (  2) 
ce  c v0 1  1    2   c v     3 2
 2  ( 2  2 )   2 ( 2  2 ) 
 3 2 0
Para el caso de   2
Ed
c
 2
 /  /  /
   c   sen t  
8
Ed   f d (t )dv 2   c v vdt
3
f d (t )v(t )dt  
2
 dt  c  3 2
0 0 0
3
8
ce  c 
3
Desarrollo de ke
2
 
ke  2
v0   f (t )vdt
0
2
 


v02 c
0
 v sgn(v)v0 sin(t )dt
Separando los límites de integración
c   2  
 3 2
2 
   v sin(t )dt   (v) sin(t )dt   v sin(t )dt 


v0  0 

3
2


c   2   
 3 2
2 
   v0  cos (t ) sin(t )dt   (v0  cos (t )) sin(t )dt   v0   cos (t ) sin(t )dt 
   
v0  0 

3
2

Con
cos(t )   cos(  t )
sin(t )   sin(  t )
Se tiene
c v 1 1  2  
 3 2
2 
  0   cos (t )sin(t )dt  


cos (  t )sin(  t )dt   cos
(t )sin(t ) dt 
  0 

3
2

c v 1  1   cos 1 (t )  cos 1 (t ) 

 3 2
 cos 1 (  t )
2 2 
  0    
   (  1) 0  (  1)  (  1) 3 
2 

2
c v0 1  1  1 1 
  0 0
   (  1)  (  1) 
Luego
ke  0
Códigos MATLAB
%Grafico de una fuerza viscosa no lineal y su aproximación lineal
%en función del desplazamiento
% Fuerzo nolineal = Cnl*abs(velocidad)âlfa*sign(velocidad)
vo=1;
wd=1;
t=0:2*pi/(wd*100):2*pi/wd;
v1=vo*sin(wd*t);
v2=vo*wd*cos(wd*t);
% Parametro alfa--
alfa=1.75;
% --------------
Cnl=1;
ce=Cnl*vo^(alfa-1)*wd^(alfa-1)*(gamma(alfa+2)/((2âlfa)*gamma(alfa/2+1.5)^2));
fnl=Cnl*abs(v2).âlfa.*sign(v2);
fl=ce*v2;
plot(v1,fnl,v1,fl);
legend('No-lineal','Lineal');
title(['Fuerza viscosa no-lineal y aproximacion lineal \alpha =',num2str(alfa)])
xlabel('Desplazamiento');
ylabel('Fuerza');

7.8. CALOR DISIPADO
La energía disipada se puede traducir directamente en calor el cual se calcula directamente del
trabajo de la fuerza disipadora
2 / 
Ed  
0
f d (t )v(t )dt  kg  2
La unidades de la energía es Fuerza-Distancia por ciclo, también en Joules/seg =N x

m/seg=Watts x seg / seg = Watt.
Esta energía se debe evaluar cómo se puede disipar a nivel de superficie ya que no es extraño
tener valores de varias decenas de Watt.
7.1. SISTEMAS DE N GRADOS DE LIBERTAD

Siempre trabajamos con los GDL dinámicos. Sí tenemos exceso de estáticos, debemos
condensar hasta tener solo los dinámicos.
Para NGD, se tiene que en el equilibrio de fuerzas:
 f I (t ) nx1   f D (t ) nx1   f E (t ) nx1   P (t )
Donde las fuerzas elásticas, de inercia y disipación, se definen como:
 f E (t ) nx1   K nxn v (t ) nx1
f I (t )   M nxn v(t ) nx1
Luego la ecuación característica de equilibrio, para un sistema de NGD es:

 M v(t )   C v(t )   K v (t )   P (t )
7.1.1. Solución por Coordenadas Modales
La respuesta de una estructura de puede ver como una combinación de todas sus formas de
vibrar.
n n
v(t )   yi (t ) i    vi (t )
i 1 i 1
v (t )  y1 (t ) 1   ....  yi (t ) i   ...
i   M v(t )  i   M  y1 (t ) 1  ....  i   M  yi (t ) i   ...

T T T

Donde por ortogonalidad todos los términos son = 0, menos i   M  yi (t ) i 
T
i   M v(t )  M i yi (t )
T
//Mi masa modal
Luego
   M v(t )
T
y (t )  i
i
Mi
Encontrar
 M  v( t )   C  v ( t )   K  v ( t )   P ( t )
Plantear problemas de valores propios sin amortiguamiento (la aproximación es muy buena)
 K   i2  M  i   0
Encontrar todas las formas modales
  ,  
2
Obtenemos los parámetros modales
M i  i   M i 
T
i =1…n
K i  i2 M i
Pi (t )  i  P(t )
T
i = 1…n
Encontramos las condiciones iniciales para cada forma modal.
   M v(0)    M v(0)
T T
y (0)  i
i ; y (0)  i
i
Mi Mi
Por ahora asumimos que conocemos i ; i=1…n y que i  C i   Ci y  j   C    C
T
0
T
i ji
i   M i  yi (t )  i  C i  yi (t )  i   K i  yi (t )  i 

T T T T
Pi (t )
M i 
yi (t )  Ci y i (t )  K i yi (t )  Pi (t )
Dividiendo por la masa modal Mi
yi (t )  2i  i y i (t )  i2 yi (t )  Pi (t ) / M i
 i = 1…n

PONER M* PARA MODALES
Encontramos las solución: 
yi (t ) , yi (t ) , yi (t ) y la respuesta final del sistema.
v (t )   yi (t ) i  v(t )   y i (t ) i  v(t )   yi (t ) i 

Las fuerzas elásticas
 f E (t )   K  v (t )    f Ei (t )    K  vi (t )    K  i  yi (t )
Dado el problema de valores propios
 K   i2  M  i   0
 K i   i2  M i 

 f E (t )    i2  M  i  yi (t )   M    i2 i  yi (t )
El cortante basal de un edificio de corte
1  M i  yi (t )   i2 Li yi (t )
1  f E (t )   i2 
T T
 
Li
Donde Li es factor de participación modal.

Figura 68Contribución Modal a Respuesta Total de un GDL dinaRespSismoNGDLModal
NGDL=5; m=100 k=12183

Figura 69 Efecto del Amortiguamiento en el Cálculo del Corte Basal. Tres formas de
Calcular. dinaRespSismoNGDLModal NGDL=5; m=100 k=12183
7.1.2. Condensación Estática – Guyan

Robert J. Guyan “Reduction of stiffness and mass matrices” AIAA Journal 3(2) 380. RJG
Research Specialist, Space and Information Systems Division. North American Aviation, Inc.
Este artículo tuvo un impacto impresionante en el desarrollo de la ingeniería estructural y tiene
solamente la longitud de media página.
El desarrollo presentado por RJG tiene el fin de reducir tanto la matriz de rigidez como la de
masa para encontrar los valores propios de un problema reducido. En la actualidad existen
otros métodos más eficientes pero la reducción a partir de la matriz de rigidez y por tanto
denominada estática es muy empleada.
 K v (t )   FE (t )
Si

v0 (t ) 
v(t )   
v1 (t ) 
Podemos subdividir la matrices como
 K 00   K 01  v0 (t ) F0 (t )



 K10   K11  v1 (t )  F1 (t ) 
Típicamente F1 (t )  0. Esta condición fue impuesta en el artículo de RJG
De la segunda ecuación
 K10  v0 ( t )   K11  v1 ( t )   F1 ( t )
Y por tanto
v1 (t )   K11  F1 (t )   K10 v0 (t ) Son los desplazamientos dependientes
1
Reemplazando en la primera ecuación de equilibrio estático
 K00 v0 (t )   K01  K11 1 F1 (t )   K10 v0 (t )  F0 (t )
Multiplicando y reordenando

 K    K  K   K v (t )  
00 01
 
11
1
F ( t )   K  K  F ( t )
10 0
0
 01 11
1
1
 K  F0 ( t )
Llamamos a  K  y  Fo (t )  matriz de rigidez y de fuerza condensada
El vector de desplazamientos se puede representar como
v0 (t )   0   I  
v(t )      v0 (t )
v1 (t )   K11   F1 (t ) 
  K11   K10 
1 1

T 
Si F1 (t )  0
v(t)  T v0 (t)

Se puede demostrar que
K~   T T
nxn K nxn T nxn
Ahora T  , no depende del tiempo, entonces:

v(t )  T v0 (t )
v(t )  T v0 (t )
v(t )  T v0 (t )
Y por tanto podemos encontrar las matrices condensadas adicionales
C~   T  C T 
T
 M   T   M T 
T
 
    0   T  0 
 1 
P (t )  T  P(t )
T
Notar que en este caso las matrices condensadas de masa y disipación presentan términos de la
matriz de rigidez
Si
 M   M 
 M    M 00 M 01 
 10   11  
Entonces
 M   T   M T 
T
   M    M11  K11   K10 

T
 M    M 00    M 01  K11   K10    K11   K10 
1 1 1
10
Demostración
Esta última ecuación se puede demostrar de la siguiente manera
M v(t )  Cv(t)   K v(t)  P(t)

Premultiplicando por T 
T
T   M v(t )  T  C v(t )  T   K v(t )  T  P(t )

T T T T
Y considerando la transformación
v0 (t )
v(t )     T v0 (t )
v1 (t ) 
T   M T va   T  C T va   T   K T va   T  P(t )

T T T T

En términos condensados
 
 M  v0 (t )  C  v0 (t )   K  v0 (t )  P (t )
La solución de esta matriz condensada se puede plantear como

v0 (t )  0  y (t )  0  y0 sin( t )
En el caso de valores propios la ecuación queda
  K    2  M   0   0
   
Pero
T T  K T    2 T T  M T  0   0
 
T   K    2  M  T 0   0

T
T T  
1
T 
T
Premultiplicando por
T T  
T 1
T T   K    2  M  T 0   T T 
T

T 1
T 0
 K    2  M  T 0   0
De donde
  T 0 
 
    0   T  0 
 1 
Es importante notar que si la matriz de masa no es nula en los grados de libertad condensado se
pierde información es sistema reducido es una aproximación.
Hay que tener mucho cuidado en el manejo de la reducción en caso de que existan fuerzas
dinámicas en grados de libertad sin masa. En estos casos si se utilizan masas virtuales muy
pequeñas se generaran frecuencias propias artificiales y relativamente altas, que pueden causar
errores numéricos importantes
Ejemplo 3 nGDL con una masa y carga en nodo sin masa dinacondesa y dinacompsscac.m
Ejemplo
7.1.3. Condensación Dinámica

Se puede incorporar información de la matriz de masa en el proceso de reducción. Esto se llama
condensación dinámica pero es poco usado.
A partir del problema de valores propios

 K nxn   2  M nxn  nx1  0nx1
Separándolo en grados considerados y condensados
0 
    
1 
 K 00   K 01  0    2  M 00   M 01  0 


 K10   K11  1    
 M 10   M 11   1 
A partir de la segunda línea
1   K11 
1
   K      M      M  
10 0
2
10 0
2
11 1
1    K11   K10 0    2  K11   M10 0    2  K11   M11 1
1 1 1
Usando la aproximación de Guyan eliminamos el segundo y tercer termino
1    K11   K10 0 

1
0  
      T 0 
1 
Utilizando este resultado en el problema de valores propios y premultiplicando por T 

T
 K00   K01  T    2 T T  M 00   M 01  T 
T    0    M    0 
T

 K10   K11   10   M11 
Obtenemos las matrices reducidas
 K   T   K T 
T
 M   T   M T 
T
Que son las mismas expresiones anteriores. Notar que si la matriz de masa es diagonal la
ecuación se simplifica considerablemente.
7.1.4. Problema de Valores Propios

Primero resolvemos para [C] = 0
Problema homogéneo
Donde su solución es conocida:
v (t ) nx1    nx1 y (t )    y0 sin( t )

v(t )   2   y 0 sen ( t )
Si reemplazo la solución.
 K nxn   2  M nxn  nx1  0nx1
det  K    2  M   0
De esta ecuación se obtiene i (Valores propios.), los que representan las frecuencias de cada
modo.
Problemas de valores propios
n soluciones.
n frecuencias.
n valores propios.
7.1.5. Determinación de Valores Propios Utilizando Polinomios Característicos

Este método no se utiliza porque es muy costoso en matrices de grande dimensiones. En esencia
se encuentra las raíces del polinomio característico.
Ejemplo 1
1 0 2 2   0.7071  0.7071   0.5858 0 
M     K       2  
0 2  2 4   0.5000  0.5000   0 3.4142 
Factores del Polinomio Característico 1,  4,  2 

Figura 70 Polinomio Característico 2 DOF.
Ejemplo 2
DOF: 5
M   2 K   3   0.05
Polinomio característico: 1.00, 13.50, 63.00, 118.13, 75.94, 7.59 
 0.4221 0.3879 0.3223 0.2305 0.1201 

0.3879 0.1201 0.2305 0.4221 0.3223
 
   0.3223 0.2305 0.3879 0.1201 0.4221 
 
 0.2305 .04221 0.1201 0.3223 0.3879
 0.1201 0.3223 0.4221 0.3879 0.2305 
 2   0.1215 1.0354 2.5731 4.2462 5.5238 

Figura 71 Polinomio Característico 5 DOF Figura 72 Polinomio Característico 20
DOF
7.2. MANEJO EFICIENTE DE MATRICES

Para la evaluación de vectores propios, Ritz y LDV se requiere un manejo eficiente de la
ortogonalización y descomposición de matrices. Para esto vemos dos temas ortogonalización de
Gram-Schmidt y Factorización LU.
7.2.1. Ortogonalización de Gram-Schmidt

La ortogonalización de los vectores se llevará a cabo utilizando el método de Gram-Schmidt.
 
Sea V un vector inicial que tiene componentes de varios vectores. Se requiere ortogonalizar en
base a la matriz [M], el vector V  con respecto al vector Vn  tal que Vn   M V   0 .
T
Definiendo V  al vector resultante de la ortogonalización se tiene:
V   V    Vn 
Donde el valor , que indica la magnitud de la proyección del vector V   sobre V  , corresponde
n
a la incógnita a determinar para lograr la ortogonalización. Multiplicando por la izquierda a cada

Vn   M  resulta:
T
lado de la ecuación por
Vn   M V   Vn   M V    Vn   M Vn   0


T T T
 
0
Dado que Vn  y V  son ortogonales por definición:
Vn   M V 
T

Vn   M Vn 
T

Este método, aunque adecuado matemáticamente, resulta inestable computacionalmente, debido
a que, al generar en cada paso los valores de  correspondientes a todos los vectores
precedentes en base al vector original i , no es considerada la acumulación de errores al ir
ortogonalizando el vector por los que lo anteceden uno por uno, perdiéndose la ortogonalidad
entre los vectores generados. Es por ello que es mejor emplear uno de los métodos de Gram-
Schmidt modificado. Uno de los algoritmos más sencillos y estables de este método es el
siguiente, expresado de 2 formas:
for i=1:n for j = 1:n
Vi  for i=1:j-1

Vi  
Vi   M Vi   ij  V i   M  V j 
T
T
for j=i+1:n V   V    V 
j j ij i
 ij  Vi   M V j 
end

T
V 
V   V    V  V   j
V   M V 
j T
j j ij i
j j
end
end
end
Aunque ambos algoritmos solucionan en igual medida el problema que presenta el método de
Gram-Schmidt, el de la izquierda (ortogonalización “hacia delante”) permite trabajar
matricialmente el problema, permitiendo realizar cada paso iterativo con solo 2 operaciones
matriciales (evitando un proceso iterativo dentro de otro), aumentando la velocidad del proceso.

GSM.m: Función que realiza ortogonalización de vectores con método de Gram-Schmidt
modificado.
function [V]=GSM(V,M,V_b)
% [V]=GSM(V,M,V_b);
% Gram - Schmidt Modificado
%Esta funcion deja normalizados y ortogonales entre si(en base a la matriz
%M)los vectores de entrada, mediante el metodo de Gram-Schmidt modificado,
%sistema mas estable que el Gram-Schmitclasico dado que itera por bloques.
% V : matriz cuyas columnas corresponden a los vectores a ortonormalizar.
% M : Matriz de base para ortonormalizacion (Vector phi esta normalizado
% en M si phi'*M*phi=1. Vectores a y b son ortogonales si a'*M*b=0)
% V_b (opcional): matriz cuyas columnas ya estanortonormalizadas en M.
%% DOCUMENTOS.
% rc 20080428 revrbk 20080429, 20080527
% En una primera etapa, si se tiene matriz V_b, se ortogonalizan todos los

% vectores en V a los vectores en esta matriz.
ifnargin==3
k=1;
[m1,n1]=size(V_b);
for k=1:n1
alpha=V_b(:,k)'*M*V;
V=V-V_b(:,k)*alpha;
end
end
[m1,n1]=size(V);
%El metodo de Gram-Schmidt modificado consiste en, asumiendo en cada

% iteracion que el vector considerado ya es ortogonal a los procesados
% anteriormente, se normaliza el vector y ortogonalizan a este con todos
% los vectores posteriores.
for k=1:n1-1
V(:,k)=V(:,k)/(V(:,k)'*M*V(:,k))^0.5;% normalizando vector k
alpha=V(:,k)'*M*V(:,(k+1):n1); %cte de ortogonalizacion(proyeccion)
% considera todos los vectores de k+1
% hasta n
V(:,(k+1):n1)=V(:,(k+1):n1)-V(:,k)*alpha; % Elimina contribucion de
% modo k
end
V(:,n1)=V(:,n1)/(V(:,n1)'*M*V(:,n1))^0.5; % ultimo vector.

modonorm.m: Rutina que realiza normalización de vectores con distintos criterios. Esta rutina
es utilizada tanto en las funciones LDV_wilson.m como GSM.m.
function [phi]=modonorm(phi,M,opt)
% [phi]=modonorm(phi,[m],[opt]);
% Normaliza formas modales
% opt= 0 NO realiza normalizacion... Generalizacion necesaria.
% opt= 1 Normaliza maximo primera linea [def ]. No necesita ingresar M
% opt= 2 Si M existe phi'*m*phi=I
% opt= 3 Si no se entrega M normaliza por el maximo de cada columna
% rbk 2004-01-08, 2006-mar-06 incluye opt 0
ifnargin< 2
opt=1;
end
ifnargin< 3 || ~isempty(M)
opt=2;
end
%%% para caso general.
if opt==0
phi=phi;
end
if opt==1; % normaliza con primeralinea
aux=(phi(1,:));
[pn,pm]=size(phi);
if min(abs(aux)) <= eps
opt=3;
disp('MODONORM:No se puede dividir debido a valor 0 se usa opt=3');
else
phi=phi*diag(1./aux);
end
end
if opt==3;
aux=max(phi);
phi=phi*diag(1./aux);
end
if opt==2
Mn=sqrt(diag(phi'*M*phi));
phi=phi*diag(1./Mn);
end

Ejemplo ortogonalización Gram Schmidt
Proceso M=
n=3;
m=1; 1 0 0
M=m*eye(n) 0 1 0
V=rand(n,n); 0 0 1
[V]=GSM(V,M) Vector Normalizado Base
OM=V'*M*V
ErrorOM=OM-diag(diag(OM)) V=
% [V]=GSM(V,M)
% OM=V'*M*V 0.3112 0.9289 0.5785
% ErrorOM=OM-diag(diag(OM)) 0.9497 0.7303 0.2373
0.0346 0.4886 0.4588
Factor de ortogonalización del primer Factor de ortogonalización del segundo Validación de ortogonalidad: OM=V'*M*V
vector con los siguientes: vector con respecto al tercero:
OM =
alpha = 0.9996 0.4213 Alpha = 0.6443
1.0000 0.0000 -0.0000
Vectores 2 y 3 ortogonales al primero. Vector ortogonales 0.0000 1.0000 -0.0000
-0.0000 -0.0000 1.0000
V= V=
Error en Ortogonalidad
0.3112 0.6178 0.4474 0.3112 0.7748 -0.0518
0.9497 -0.2190 -0.1628 0.9497 -0.2747 0.0142 ErrorOM =
0.0346 0.4540 0.4443 0.0346 0.5694 0.0774
1.0e-015 *
Vector Normalizado: Vector Orto Normalizado
0 0.3018 -0.6835
V= V= 0.3018 0 -0.1110
-0.6835 -0.1110 0
0.3112 0.7748 0.4474 0.3112 0.7748 -0.5503
0.9497 -0.2747 -0.1628 0.9497 -0.2747 0.1504 haceGSM.m
0.0346 0.5694 0.4443 0.0346 0.5694 0.8213
7.2.2. Descomposición LU
Cuando es requerido resolver de manera reiterada problemas de la forma  A   x   b  ,
utilizando siempre la misma matriz  A , es recomendable, para acelerar los cálculos
computacionales, realizar la triangularización de la matriz como  A   L  D  L    L U 

T
Con ello, el problema se resuelve de la forma:

 A   x   b 
Descomponemos
 L U  x  b
Resolvemos inicialmente con la matriz triangular baja
 L  y  b
Lo que es una solución de reemplazo simple con una incógnita. Y luego resolvemos y
encontramos  x con la matriz triangular alta.

U  x   y
K= L= U= K =L*U=
5 -5 0 0 0 1 0 0 0 0 5 -5 0 0 0 5 -5 0 0 0
-5 10 -5 0 0 -1 1 0 0 0 0 5 -5 0 0 -5 10 -5 0 0
0 -5 10 -5 0 0 -1 1 0 0 0 0 5 -5 0 0 -5 10 -5 0
0 0 -5 10 -5 0 0 -1 1 0 0 0 0 5 -5 0 0 -5 10 -5
0 0 0 -5 10 0 0 0 -1 1 0 0 0 0 5 0 0 0 -5 10
haceLU.m
Esta descomposición es muy rápida y es recomendable cuando es necesario realizar cálculos

repetitivos con  A  .
Además es posible encontrar la inversa de  A  al plantear el problema
 A X    B 
Donde  B  es la matriz identidad. Por tanto
X    A
1
7.3. VALORES Y VECTORES PROPIOS MEDIANTE ITERACIÓN MATRICIAL

(Tarea de Francisco Bartolomé Bravo, José Luis Caroca Gaete 2009. Modificada levemente por RB)
7.3.1. Motivación
Debido a que los problemas prácticos en análisis estructural varían desde sistemas simplificados,
que involucran pocos grados de libertad, a modelos de elementos finitos, con cientos o miles de
ellos, de los cuales sólo algunos modos contribuyen efectivamente a la respuesta, es que
métodos más eficientes en la obtención de formas modales han sido desarrollados.
A continuación se presentan cinco métodos que resuelven iterativamente el problema de valores
y vectores propios en una estructura: el método de iteración directa, el método de iteración
inversa, el método de iteración inversa con desplazamientos y el método de iteración de
subespacio.
En el desarrollo de los conceptos básicos se utiliza la estructura de marcos de tres niveles
mostrada en la figura 1.

Matriz de masa:
1.0 0 0
M= 0 1.5 0 kips · s /in
0 0 2.0
Matriz de rigidez: k = 600
1 −1 0
K = k −1 3 −2
0 −2 5
Frecuencias angulares:
w = 210.88 s w = 936.96 s w = 2125.16 s
Formas Modales:
0.813 −0.739 0.273
ϕ = 0.527 ϕ = 0.449 ϕ = −0.694
0.245 0.502 0.666
7.3.2. Método de Iteración Directa

El uso de la iteración matricial en la evaluación del modo fundamental de vibrar de una estructura,
es un concepto muy antiguo, originalmente llamado método de Stodola.
El punto de partida de esta formulación es la ecuación de equilibrio dinámico para un sistema de
oscilaciones libres no-amortiguado,
[K]{v} = w [M]{v} (2.1)
Esta ecuación plantea que en vibraciones libres no-amortiguadas, las fuerzas inerciales inducidas
por el movimiento de las masas deben ser equilibradas por las fuerzas elásticas que resultan de
la deformación del sistema. Las fuerzas inerciales corresponden al término del lado derecho de
la igualdad en la ecuación (2.1),
{F } = w [M]{v} (2.2)
Los desplazamientos resultantes de la aplicación de estas fuerzas, pueden ser calculados

resolviendo el problema de análisis estático,
[K]{v} = {F } (2.3)
Con lo cual,
{v} = [K] {F } = w [K] [M]{v} (2.4)
Definiendo a la matriz dinámica del sistema estructural [D]como,

[D] ≡ [K] [M] (2.5)
Es posible reescribir la ecuación (2.4) como sigue,
1
{v} = [D]{v} (2.6.a)
w
Donde ≝ 1/ .
De la figura 2 se observa que el término
, que multiplica al vector { } en la
ecuación (2.6.b), sólo altera su magnitud
más no su dirección.
Como sólo interesa la forma del vector, y
considerando además que su magnitud
se ve modificada durante los procesos de
normalización, reescribimos la ecuación
(2.6) como,
Figura 2. Escalamiento del vector { }.

{ ̅ } = [ ]{ } (2.7)
En esta última ecuación, el término {v} ≝ λ{v}. La ecuación (2.7) permite definir el proceso
iterativo utilizado el método de Iteración Directa, como la recurrencia,
{v } = [D]{v } (2.8)
El método de iteración directa considera un vector inicial de desplazamientos {v } arbitrario, a

partir del cual se calcula el vector {v } utilizando la ecuación (2.8). El nuevo vector de
desplazamientos{v } se obtiene de normalizar al vector {v } obtenido en el paso anterior. La
iteración se repite hasta obtener un error menor a una cierta tolerancia.
Obtención del Valor Propio Dominante

Si {v}es una aproximación del vector propio dominante {v }, entonces de la ecuación de equilibrio
dinámico (2.1) se tiene,
[K]{v} = w [M]{v} (2.9)
Pre-multiplicando por {v} , es posible encontrar una estimación del cuadrado de la frecuencia
angular del modo dominante,
{v} [K]{v}
w = (2.10)
{v} [M]{v}

El término de la derecha de la ecuación (2.9) corresponde al cociente de Rayleigh y permite definir
al error utilizado en el proceso de iteración directa, como el valor absoluto de la diferencia entre
los cocientes de Rayleigh entre dos pasos consecutivos, esto es,
{v } [K]{v } {v } [K]{v }
err ≝ − (2.11)
{v } [M]{v } {v } [M]{v }
En la gráfica siguiente, se muestra la variación del error como función del intervalo de iteración,
en la estimación de la primera forma modal de la estructura de la figura 1,
Figura 3. Variación del error en función del paso de la

iteración.
Demostración de la Convergencia del 1º Modo

Propiedad de los valores propios de una matriz
Notar, del problema de valores y vectores propios, lo siguiente, si tengo un vector propio
[D]{v} = λ{v}
[D]([D]{v}) = [D](λ {v}) = λ[D]{v} = λ {v}
⇒ [D] {v} = λ {v}
En general, el proceso de pre-multiplicación anterior puede repetirse n-veces, obteniendo como

resultado,
[D] {v} = λ {v} (2.12)
El vector de desplazamientos inicial {v } , se puede expresar como una combinación lineal de las
formas modales, denotadas por el conjunto de vectores {ϕ , ϕ , ⋯ , ϕ } ,
{v } = {ϕ }Y + {ϕ }Y + ⋯ + {ϕ }Y (2.13)

De este modo, en el k-ésimo paso de la iteración se tiene,
v( )
= [D] v ( )
= [D] v ( )
= [D] {v ( ) } (2.14)
Reemplazando (2.10) en la ecuación (2.11) y asumiendo, sin pérdida de generalidad, que los
valores propios λ ≥ λ ≥ ⋯ ≥ λ , se obtiene,
v( )
= [D] ({ϕ }Y + {ϕ }Y + ⋯ + {ϕ }Y )
= [D] {ϕ }Y + [D] {ϕ }Y + ⋯ + [D] {ϕ }Y
= λ {ϕ }Y + λ {ϕ }Y + ⋯ + λ {ϕ }Y
λ λ
=λ {ϕ }Y + {ϕ }Y + ⋯ + {ϕ }Y (2.15)
λ λ
Si k es suficientemente grande, los términos ∀i = {2, … n} tienden a cero, con lo cual,
v( )
= λ Y {ϕ } (2.16)
El término (λ Y ) corresponde a un escalar que multiplica a la forma modal dominante {ϕ }. De

este modo, para evitar que las componentes del vector {v ( ) } sean valores excesivamente altos,
en cada paso se normaliza este último vector, comúnmente a través de la norma euclidiana o la
norma infinito, obteniendo en cada caso,
(2.17)
{v ( ) } {v ( ) }
v( )
= =
‖{v ( ) }‖ ∑ v
o alternativamente
{v ( ) } {v ( ) } (2.18)
v( )
= =
‖{v ( ) }‖∝ max(|{v ( ) }|)

Algoritmo
{ }
Vector inicial
[ ]=[ ] [ ]
Matriz dinámica
( ) ( )
= [ ]{ }
( )
( )
{ }
= ( ) }‖
‖{
= +1
( ) [ ]{ ( )
}
= ( ) } [ ]{ ( )}
{
=| − | >
{ }
Forma modal fundamental Frecuencia fundamental

Ejemplo
K= D = inv(K) M
100 -100 0 0 0 0.2000 0.1600 0.1200 0.0800 0.0400
-100 200 -100 0 0 0.1600 0.1600 0.1200 0.0800 0.0400
0 -100 200 -100 0 0.1200 0.1200 0.1200 0.0800 0.0400
0 0 -100 200 -100 0.0800 0.0800 0.0800 0.0800 0.0400
0 0 0 -100 200 0.0400 0.0400 0.0400 0.0400 0.0400
M= Iteración=
4 0 0 0 0
0 4 0 0 0 0 1 2 3
0 0 4 0 0
0 0 0 4 0 w=
0 0 0 0 4 7.5106 1.4426 1.4234 1.4232
w= v =D v
1.4231 4.1542 6.5486 8.4125 9.5949 0.2819 0.2808 0.2965 0.2982
0.5386 0.2698 0.2737 0.2742
phi = 0.6952 0.2377 0.2290 0.2280
0.2984 0.2743 0.2279 -0.1630 0.0849 0.4991 0.1785 0.1650 0.1633
0.2743 0.0849 -0.1630 0.2984 -0.2279 0.5358 0.0997 0.0866 0.0851
0.2279 -0.1630 -0.2743 -0.0849 0.2984
0.1630 -0.2984 0.0849 -0.2279 -0.2743 error =
0.0849 -0.2279 0.2984 0.2743 0.1630
- 6.0681 0.0192 0.0003
Iteración Directa dinaeig.m
7.3.3. Obtención de Vectores Superiores con Matriz de Barrido

De la ecuación (2.12) se observa que si la contribución de la primera forma modal es nula (Y =
0), entonces la segunda forma modal será la dominante, debido a que su valor propio asociado
λ , es el valor de mayor magnitud. De forma análoga, si las contribuciones del primer y segundo
modo son nulas (Y = 0, Y = 0), entonces la iteración definida en la ecuación (2.11) convergerá
a la tercera forma modal, etc.
Considerar un vector de desplazamientos de componentes arbitrarias {v }. Este vector puede ser
expresado como una combinación lineal de las formas modales,

{v } = {ϕ }Y + {ϕ }Y + ⋯ + {ϕ }Y (3.1)
Pre-multiplicando la ecuación anterior por {ϕ } [M] y considerando la condición de ortogonalidad

de las formas modales, se obtiene,
{ϕ } [M]{v } = {ϕ } [M]{ϕ }Y
{ϕ } [M]{v } {ϕ } [M]{v }
Y = = (3.2)
{ϕ } [M]{ϕ } M
Donde M representa la masa modal asociada al modo 1. Si se elimina la contribución del modo
1 al vector de desplazamiento inicial {v }, se obtiene el vector purificado {v }, esto es,
{v } = {v } − Y {ϕ } reemplazando el valor de
Y1
1
= {v } − {ϕ }{ϕ } [M]{v }
M
1
= [I] − {ϕ }{ϕ } [M] {v } (3.3)
M
El término entre-paréntesis se denomina la matriz de barrido (sweeping matrix) para la primera

forma modal y se denota por [S ],
1
[S ] ≝ [I] − {ϕ }{ϕ } [M] (3.4)
M
Con este nuevo parámetro, el proceso iterativo descrito a través de las ecuaciones (2.7) y/o (2.8)
se reescribe como,
{v } = [D]{v }
= [D][S ]{v }
= [D ]{v } (3.5)
De esta forma, el proceso de iteración matricial involucra a una nueva matriz dinámica [D ], que
elimina de forma automática, la contribución de la primera forma modal a un vector de
desplazamientos arbitrario {v } .
La obtención del tercer vector propio sigue un procedimiento análogo. Conocidas las dos primeras
formas modales {ϕ , ϕ }, sus contribuciones serán eliminadas de un vector de desplazamientos
arbitrario {v }, al pre-multiplicar consecutivamente por {ϕ } [M] y {ϕ } [M], a partir de lo cual se
obtiene,

{ϕ } [M]{v } {ϕ } [M]{v }
Y = = (3.6)
{ϕ } [M]{ϕ } M
{ϕ } [M]{v } {ϕ } [M]{v }
Y = = (3.7)
{ϕ } [M]{ϕ } M
Con esto, el vector purificado {v } adopta la forma siguiente,
{v } = {v } − Y {ϕ } − Y {ϕ }
1 1
= {v } − {ϕ }{ϕ } [M]{v } − {ϕ }{ϕ } [M]{v }
M M
1 1
= [I] − {ϕ }{ϕ } [M] − {ϕ }{ϕ } [M] {v } (3.8)
M M
Se define entonces, la matriz de barrido para ambas, la primera y segunda forma modal como,
1
[S ] = [S ] − {ϕ }{ϕ } [M] (3.9)
M
Con lo cual, las ecuaciones (2.7) y/o (2.11) se reescriben como sigue,
{v } = [D]{v }
= [D][S ]{v }
= [D ]{v } (3.10)
Se observa nuevamente, que el proceso iterativo involucra una nueva matriz modificada [D ] cuyo
objetivo es eliminar las contribuciones de todos los modos previos a la tercera forma modal.
En general, el procedimiento implementado hasta este punto para determinar las tres primeras
formas modales, puede ser extendido para así obtener un número cualquiera de modos. Las
expresiones siguientes permiten determinar la matriz de barrido y la matriz dinámica modificada
para un modo arbitrario n,
1
[S ] = [S ]− {ϕ }{ϕ } [M] (3.11)
M
[D ] = [D] [S ] (3.12)

Ejemplo
Iteración: 1 Iteración: 5
S= D=
1 0 0 0 0
0 1 0 0 0 0.0004 -0.0010 0.0012 -0.0011 0.0006
0 0 1 0 0 -0.0010 0.0025 -0.0031 0.0028 -0.0017
0 0 0 1 0 0.0012 -0.0031 0.0039 -0.0035 0.0020
0 0 0 0 1 -0.0010 0.0027 -0.0035 0.0031 -0.0018
D= 0.0006 -0.0016 0.0020 -0.0018 0.0010
0.2000 0.1600 0.1200 0.0800 0.0400
0.1600 0.1600 0.1200 0.0800 0.0400 w=
0.1200 0.1200 0.1200 0.0800 0.0400 1.4231 4.1542 6.5486 8.4125 9.5949
0.0800 0.0800 0.0800 0.0800 0.0400
0.0400 0.0400 0.0400 0.0400 0.0400 w iteration=
1.4231 4.1543 6.5482 8.4130 9.5934
Iteración: 2
D= phi =
0.0241 -0.0017 -0.0143 -0.0161 -0.0101 0.2984 0.2743 0.2279 -0.1630 0.0849
-0.0017 0.0114 -0.0034 -0.0083 -0.0060 0.2743 0.0849 -0.1630 0.2984 -0.2279
-0.0143 -0.0034 0.0175 0.0067 0.0018 0.2279 -0.1630 -0.2743 -0.0849 0.2984
-0.0161 -0.0083 0.0066 0.0275 0.0127 0.1630 -0.2984 0.0849 -0.2279 -0.2743
-0.0101 -0.0060 0.0018 0.0127 0.0258 0.0849 -0.2279 0.2984 0.2743 0.1630
Iteración: 3 v=
D=
0.0068 -0.0071 -0.0041 0.0029 0.0045 0.2985 -0.2722 0.2340 -0.1577 -0.0921
-0.0071 0.0097 -0.0002 -0.0024 -0.0015 0.2743 -0.0862 -0.1638 0.2890 0.2395
-0.0041 -0.0002 0.0114 -0.0046 -0.0069 0.2278 0.1612 -0.2774 -0.0806 -0.2997
0.0028 -0.0023 -0.0045 0.0068 -0.0033 0.1630 0.2994 0.0824 -0.2331 0.2653
0.0044 -0.0014 -0.0068 -0.0032 0.0136 0.0849 0.2299 0.2909 0.2842 -0.1548
Iteración: 4 error en iteración w iteración=

D=
0.0017 -0.0036 0.0020 0.0011 -0.0018 1.0e-003 *
-0.0035 0.0072 -0.0045 -0.0011 0.0030
0.0020 -0.0044 0.0042 -0.0025 0.0007 0.0089 0.9468 0.4812 0.6692 0.3523
0.0010 -0.0011 -0.0024 0.0062 -0.0055
-0.0020 0.0030 0.0008 -0.0055 0.0056

7.3.4. Método de Iteración Inversa
En el método presentado anteriormente, se observa que el modo de solución de la iteración
matricial, es obtener simplemente la matriz dinámica del sistema como [D] = [K] [M], es decir,
es necesario invertir la matriz de rigidez[K]. En el papel, el algoritmo es fácil de aplicar y además
presenta la ventaja de que, como ya se ha visto, converge al modo de menor frecuencia, dato
importante para la dinámica de estructuras. Sin embargo, el método se puede convertir en un
obstáculo, dado que la matriz de rigidez[K] es una matriz llena por lo que invertirla puede ser
ineficiente desde el punto de vista computacional.
Formulación del Método de Iteración Inversa
El punto de partida de esta formulación es la ecuación de equilibrio dinámico para un sistema no-
amortiguado,
[K]{v} = w [M]{v} (4.19)
Si
{W} = w [M]{v} (4.20)
Y factorizando la matriz [K] como [L][D][L ], entonces
[L][D][L ]{v} = {W} (4.21)
Y considerando
{y} ≝ [L ]{x}
entonces [L][D]{y} = {W} (4.22)
Se resuelve para {y} como un sistema [L][D][L ], se despeja {x} = {v} (4.14), y luego se
normaliza:
{v ( ) } {v ( ) }
v( )
= = (4.23)
‖{v ( ) }‖ ∑ v
{v ( ) } {v ( ) }
v( )
= = (4.24)
‖{v ( ) }‖∝ max(|{v ( ) }|)
Finalmente este sistema itera del mismo modo que el método de iteración directa, con la
diferencia que no se requiere invertir la matriz de rigidez [K] para obtener la solución.
Algoritmo de Iteración Inversa

7.3.5. Método de Iteración Inversa con Desplazamientos
Este método presenta una solución más eficiente que el método de iteración inversa para
encontrar los modos de vibración que le siguen al primero.
El punto de partida de esta formulación es la ecuación de equilibrio dinámico para un sistema no-
amortiguado,
[K]{v} = w [M]{v} (5.1)
A partir de la ecuación (5.1), el problema se puede escribir como:

[M ][K]{v} = w {v} (5.2)
Si se define:
[E] ≝ [M ][K] = [D ] y λ = w (5.3)
Entonces la ecuación (5.1) queda:
[E]{v} = λ {v} (5.4)
Si la ecuación (5.4) se reescribe para todos los modos, se tiene:
[E][Φ] = [Φ][Λ] (5.5)
Donde la matriz [Φ] contiene todos los vectores propios y la matriz [Λ] es una matriz diagonal con
los valores propios en ella.
Entonces el método consiste en descomponer los valores propios como la suma de un
desplazamiento μ y un residual δ.
λ = δ +μ (5.6)
O, de manera equivalente,
[Λ] = [δ] + μ[I] (5.7)
Es importante notar que el desplazamiento μ es el mismo para todos los valores propios, y lo
único que varía con cada modo es el residual δ. Esto es entonces, desplazar en μ el origen del
plano de los valores propios, y queda:
[E][Φ] = [Φ]([δ] + μ[I]) (5.8)
Reagrupando términos se tiene:
([E] − μ[I])[Φ] = [Φ][δ] (5.9)
Se define:
E ≝ ([E] − μ[I]) (5.10)
Entonces la ecuación (5.9) queda:
E [Φ] = [Φ][δ] (5.11)
Como sólo se ha modificado la matriz original sumando una constante a su diagonal, los vectores
propios del problema no cambian, esto se llama sistema equivalente. Pero los valores propios del
sistema si cambian al sumar una constante.

Al igual que para los métodos anteriores, se itera para encontrar los vectores propios. Esta
iteración converge a la forma modal cuyo residual este más cercano al valor μ del
desplazamiento.
{v } ≡ E {v }δ (5.12)
Es decir:
{v } ≡ E {v } (5.13)
Finalmente, normalizando
{v } {v }
v = = (5.14)
v max( v )
∝
La primera impresión, es que el sistema es ineficiente debido a que se debe invertir la matriz [E].
Esto es solo en el papel para ilustrar el resultado de la iteración, ya que este método es lógico
resolverlo a través de iteración inversa. Entonces queda:
[K]{v} = w [M]{v} (5.15)
Luego descompongo los valores propios,
[K]{v} = (μ + δ)[M]{v} (5.16)
Sigue que,
([K] − μ[M]){v} = [M]{v}δ (5.17)
Si definimos,
K = ([K] − μ[M]) (5.18)
Luego se factoriza [K] como LDLT y se resuelve el sistema mediante iteración inversa,
K {v } = [M]{v } ⇒ {v } (5.19)

Algoritmo del Método Iteración Inversa con Desplazamientos
7.3.6. Método de Iteración del Subespacio

Los métodos iterativos (utilizando la descomposición LU de K) pueden no converger si los valores
propios del sistema estructural son iguales y los vectores propios no son únicos. Esta situación
existe para muchas estructuras reales tridimensionales, como edificios con igual rigidez y masa
en las direcciones principales. Este problema puede evitarse si en la iteración se considera un
bloque (matriz) de vectores ortogonales.

Con el objetivo de obtener un conjunto de p de formas y frecuencias modales, es recomendable
comenzar el proceso de iteración con un bloque compuesto por un número q de vectores iníciales
(q > ). De este modo, la ecuación de vibraciones libres para sistemas no-amortiguados se
puede expresar en términos matriciales como,
[K][Φ] = [M][Φ][Λ]
En donde [Λ] es la matriz diagonal de valores propios y [Φ] la matriz de formas modales.
Introduciendo un bloque de q vectores iníciales [Φ ], la ecuación (5.1) se reescribe como,
[K][Φ] = [W ]
En donde la matriz [W ] contiene los vectores de fuerzas inerciales, que resultan de considerar
frecuencias angulares unitarias (matriz identidad). La solución a la ecuación permite obtener una
nueva matriz de formas modales no-escaladas como,
 K  1   [ M ]  0 
Antes de que las formas modales mejoradas obtenidas de la ecuación (5.3) puedan ser usadas
en un nuevo ciclo de la iteración, estas deben ser normalizadas y posteriormente
ortogonalizadas, de forma que cada vector converja a un modo diferente y no todos al modo
fundamental de la estructura.
En general, los modos más bajos convergen primero, por lo que el proceso continúa hasta
conseguir las p formas modales requeridas en el análisis. Los vectores adicionales introducidos
en el bloque de vectores iníciales, son incluidos debido a que ellos aceleran el proceso de
convergencia, pero obviamente esto conduce a un mayor esfuerzo computacional en cada ciclo.
Por experiencia, se recomienda utilizar un bloque con un número de columnas igual al menor
valor entre q = 2p y q = p + 8.
El procedimiento de iteración de subespacio ha probado ser uno de los más eficientes métodos
para resolver grandes problemas de análisis de vibraciones, en donde, probablemente no más
de 40 modos son requeridos para el análisis dinámico de sistemas que presentan cientos o miles
de grados de libertad. El algoritmo de iteración de subespacio es resumido en la sección siguiente
y corresponde al método utilizado en las nuevas versiones del programa SAP.
7.3.7. Algoritmo
a. Realizar una descomposición LU de la matriz de rigidez.

b. Generar una matriz de vectores de componentes arbitrarias [ ].
c. Para el paso i-ésimo de la iteración,
i. Encontrar el bloque de formas modales mejoradas, [ ] como solución de la
ecuación [ ] =[ ] .
ii. Utilizar el proceso de Gram-Schmidt en la ortogonalización de las columnas del
bloque [ ] con respecto a todos los vectores propios calculados en los pasos
anteriores.

iii. Chequear la convergencia del primer vector de [ ]. En caso de convergencia,
se guarda el vector y se elimina del bloque. Adicionalmente, se agregan nuevos
vectores de componentes arbitrarias al final del bloque, conformando las últimas
columnas de la matriz modificada [ ].
iv. En caso de no convergencia del primer vector de [ ]o que el número de vectores
encontrados sea menor al número de formas modales requeridas, volver al paso
i.

Ejemplo
Edificio Corte
m=1; k=5; ngdl =20;
Figura 73 Número de iteración y forma de aproximación para caso de ajuste de 10

frecuencias. rutina haceEigenSubSpace.m

7.4. FORMULACIÓN DE VALORES PROPIOS CON FLEXIBILIDAD
 K    2  M    0
 K 1  K    2  M    0

 
 I    F  M    0
2
 nxn 
1 
  2  I    F  M    0
7.5. PROPIEDADES DE ORTOGONALIDAD DE MODOS
 K   i2  M  i   0
 i 2  M  i    K  i 
 
Multiplicando por  j y trasponiendo
=> i 2 i   M  j   i   K  j  (1)

T T
Si consideremos la ecuación para el modo j
 2j  M  j    K  j  // pre-multiplicando por i 

T
=>  2j i   M  j   i   K  j  2

T T
Restando (2) – (1)
 2j i   M  j   i2 i   M  j   0.

T T
 2
j  i2  i 
T
 M  j   0
mi  i  j
i   M  j  
T
m i Masa modal
0i  j
ki  i  j
i   K  j  
T
k i Rigidez modal
0i J
7.5.1. Condiciones Adicionales de Ortogonalidad

Considerando  K   n    n2  M   n  y con m  n
Si premultiplicamos por m   K  M 

T 1

m   K  M   K n   n2 m   K  M   M n   0
T 1 T 1
m   K  M   K n   0 Que es otra regla de ortogonalidad

T 1
Adicionalmente si premultiplicamos por m   K  M   K  M 

T 1 1
m   K  M   K  M   K n   n2 m   K  M   K n  y dado la regla anterior

T 1 1 T 1
m   K  M   K  M  n   0
T 1 1
Otra familia es utilizar la matriz de flexibilidad:  K   F 

1
1
2  m 
Considerando  K   n    n2  M   n  , con m  n y premultiplicando por  M  F 
T
n
1 n2
         2  m 
 M  F  M n 
T T
M F K
n n
2 m n
1
2  m 
 M n   m   M  F  M n  de donde se genera la ortogonalidad
T T
De donde:
n
m   M  F  M n   0
T
1
2  m 
Ahora si premultiplicamos  K   n    n2  M   n   M  F  M  F 
T
por
n
1 n2
2  m 
 M  F  M  F  K n   2 m   M  F  M  F  M n 
T T
n n
1
2  m 
 M  F  M n   m   M  F  M  F  M n  y
T T
De donde: se genera la
n
ortogonalidad
m   M  F  M  F  M n   0
T
Estas dos familias de propiedades ortogonales se pueden presentar mediante
m   M   M   K  n   0

1 b
 b  
T
b0 m   M n   0

T
b 1 m   K n   0
T

m   M  M   K  M   K n   0
1 1
b2
T
m   K  M   K n   0
T 1
m   M   K   M   K   M   n 

1 1
b  2
T
m   M  F  M  F  M n   0
T
Estas reglas de ortogonalidad permitirán generar luego matrices de C  proporcionales.
7.6. NORMALIZACIÓN MODAL
i   M  j   i   M i    m j ji2

n
T T
j 1
Si normalizamos los modos tal que:

i 
 'i   n
m 
j 1
j
2
ji
=>  'i   M   'i   1
=> i2  'i   M  'i    'i   K  'i 

T T
=> i2   'i   K  'i 

T T
Si se desea que la matriz de disipación permita desacoplar el problema de equilibrio dinámico

(usando la ortogonalidad de las formas modales)
i   M i  yi (t )  i  C i  yi (t )  i   K i  yi (t )  i 

T T T T
Pi (t )
i  C i  es una matriz no necesariamente diagonal ya que no participa en el problema de

T
valores propios. Se puede construir una matriz proporcional de varias maneras.

7.1. MATRIZ DE DISIPACIÓN PROPORCIONAL
7.1.1. Amortiguamiento Proporcional de Rayleigh

John William Strutt, tercer Barón de Rayleigh. (n. Essex, 12 de noviembre de
1842 - m. Witham, Essex, 30 de junio de 1919) fue un físico y profesor
universitario británico galardonado con el Premio Nobel de Física en 1904.
Strutt descubrió la existencia de los gases inertes principalmente el Argón y el
Radón. Las primeras investigaciones de Rayleigh son en matemáticas
específicamente óptica y sistemas vibratorios. Posteriormente cubrió casi todo
el mundo de la física: sonido, ondas, visión del color, electrodinámica,
hidrodinámica, viscosidad, etc. “Lord Rayleigh, Theory of Sound. (Dover Publications, New
York, 1945), Vol. I.”
Decimos que [C] es combinación lineal de [M] y [K].

C   aM   bK 
   C      a  M   b  K   
T T
j i j i
   C    a    M    b    K  

T T T
j i j i j i
Ci  aM i  bKi
La matriz de Rayleigh tiene las mismas propiedades de ortogonalidad de [M] y [K], es decir:
aM  bK i  i  j
Ci   i
 0i  j
Escribiendo en términos de la razón de amortiguamiento crítico
1
i  Ci
2M ii
1 b
i  a  i
2i 2
1 1 
i   a  i b 
2  i 
Si asumo dos i con los i obtengo las constantes a y b
1 
 i 
  i  1  i   a 
 
  j  2  1  b
j   

 j 

Ejemplo
M= K= phi =
1 0 0 0 0 3 -3 0 0 0 0.5969 0.5485 0.4557 -0.3260 0.1699

0 1 0 0 0 -3 6 -3 0 0 0.5485 0.1699 -0.3260 0.5969 -0.4557
0 0 1 0 0 0 -3 6 -3 0 0.4557 -0.3260 -0.5485 -0.1699 0.5969
0 0 0 1 0 0 0 -3 6 -3 0.3260 -0.5969 0.1699 -0.4557 -0.5485
0 0 0 0 1 0 0 0 -3 6 0.1699 -0.4557 0.5969 0.5485 0.3260
w= C=
0.4930 0.1990 -0.1736 0 0 0
1.4390 -0.1736 0.3726 -0.1736 0 0
2.2685 0 -0.1736 0.3726 -0.1736 0
2.9142 0 0 -0.1736 0.3726 -0.1736
3.3238 0 0 0 -0.1736 0.3726
Figura 74. Amortiguamiento de Rayleigh. Proporcional a la Matriz de Masa y de Rigidez.

Dinaraleyghdamp.m

7.1.2. Amortiguamiento Proporcional de Caughy
T.K. Caughey, 1927 – 2004 Profesor de Caltech. Classical normal

modes in damped linear dynamic systems, J. Appl. Mech. 27 (1960)
269-271. Ver
http://oralhistories.library.caltech.edu/142/01/OH_Caughey.pdf
C    C b   M  a b M 1 K 
b
1
i 
2i
a 
b
b i
2b
Para ajustar con b entero:

2   b  0,1
3   b  1,0,1
4   b  2,1,0,1 o  1,0,1,2
Para el caso de dos valores de amortiguamiento obtenemos el caso de Rayleigh:
1 1
1  
21 b0,1
ab12b 
21
a0  a112 
1
2  a0  a122 
22
En algunos casos la oscilación es tan fuerte que genera amortiguamientos negativos. PONER
EJEMPLO
7.1.3. Amortiguamiento Proporcional de Penzien – Wilson

Joseph Penzien Edward Wilson
http://www.edwilson.org/
http://www.eeri.org/site/images/projects/oralhistory/penzien.pdf
Si conozco todos los i puedo encontrar un C  proporcional
Luego:

 2 11 M 1 0 0 
  
   C      0   
T
.... 0
 0 0 2  n n M n 
Luego, se puede calcular [C] como:
1
 C          
T 1

Pero:
 M i      M  
T
Multiplicando por  M i 
1
Mi  Mi   I 
1
 M i     M     I 
1 T
Post multiplicando por   

1
 M i     M    
1 T 1
En forma similar
 M i  M i   I 
1
   M   M i   I 
T 1
1
Pre multiplicando por  
T
 
1
 M    M i      
1 T
 
Por tanto
 C    M    M i      M i      M 

1 1 T
Pero
 
 
2ii
 M i    M i     por tanto
1 1
Mi 
 
 

   
 N   
    2ii   T   M 
     i 
C  M
 i 
i 1 Mi
   
   
 
 N
2  i i T 
C    M    i i    M 
 i 1 Mi 
Para aquellos vectores que no se coloque amortiguamiento tendrán valor cero en la solución del
problema.
Adicionalmente podemos utilizar una combinación de Rayleigh y Wilson – Penzien. Siguiendo la
recomendación de Clough y Penzien. Sumamos ambos efectos. Se define el último modo al cual
se le asigna un amortiguamiento  c , c y se estable Rayleigh:
2c
 C   ac  K  de donde y ac  el amortiguamiento para cualquier otra frecuencia es
c
1 1  2   
i  aci   c  i   c  i 
2 2  c   c 
Para las frecuencias bajo  c se debe modificar su valor
 
i  i  c  i 
 c 
Finalmente
 c
2  i i T 
C   ac  K    M    i i    M 
 i 1 Mi 
7.1.4. Matriz No Proporcional

No siempre tenemos matrices proporcionales por ejemplo (de Clough y Penzien)

Figura 75. Situación de Construcción de una Matriz C no
proporcional.
En este caso podemos construir la matriz de disipación a partir de submatrices.

Calculamos las frecuencias modales de los modos a controlar: i y  j que son únicas para la
estructura completa. Utilizando las ecuaciones de amortiguamiento de Rayleigh:
 as  2  s i j 
    y lo mismo para el caso del otro material. Así la razón de factores es igual
 bs  i   j  1 
a la razón de los amortiguamientos. Un material  C c   ac  M c   bc  K c  y el otro
 C s   a s  M s   bs  K s  la matriz C  es la suma indicada arriba y es NO proporcional a los modos.
7.1.5. Solución Práctica de Matrices No Proporcionales
Dado que para el caso de valores propios clásico la matriz de disipación no se desacopla, es
decir
 c11 c1 n 
 c i 1 j 
 C    T  C     
 c jj 
 
 cn1 c nn 

Y en general cij  0
Uno puede aproximar el problema haciendo cij  0 para i  j y resolviendo el problema resultante
para cada modo del problema.
En este caso
cii  2 M ii i
8. REDUCCIÓN DEL TAMAÑO DE LA ECUACIÓN DINÁMICA

Para reducir la dimensión en sistemas lineales no clásicos
 M v t   C v  t    K v  t    S  p  t 

Planteamos una solución a partir de un vector modal i  y un número considerablemente menor
al número de grados de liberta N:
J
v  t      y  t     y  t 
i i J N
i 1
[  ]T [ M ][  ] 
y  t     C   y  t      K   y  t      p (t )
T T T
J xN N xN N xJ
[ M ]
y  t   C   y  t    K   y  t    p  t  , esta ecuación esta acoplada
J xJ 
J xt
Donde  M      M   ;
T
 C      C   ;
T
 
 K      K   ;
T
 p t      p(t )
T
Esta ecuación puede ser resuelta numéricamente con el requisito de estabilidad o precisión
correspondiente al período menor TJ
Alternativamente podemos utilizar un vector arbitrario  i 

J
v t    z t   [ ] z
i 
t
i
i 1 NxJ
Jxt
Al igual que en el caso modal reducimos el tamaño del problema a una dimensión J << N
   M    z  t    C     z  t    K     z  t    S  p (t )
T

[  ]T [ M ] [  ] 
z  t     C    z  t      K   z  t      S  p(t )
T T T
J xN N xN N xJ
[M ] 
J xJ 

z  t   C  z  t    K  z  t   L p t  , esta ecuación esta acoplada

J xt
Donde  M      M   ;  L     S 

T T
Para resolver este problema lo podemos hacer numéricamente, dado que tiene una dimensión
considerablemente menor a N.
Podemos mejorar esta aproximación al plantear sobre el sistema reducido un problemas de
valores y vectores propios ortogonales a  M  y  K 

Descomposición modal: z  t       q  t 
i i i
  K    i  M    i    0
   
Por tanto el vector de desplazamiento del problema original es:
v  t     z  t   
    q  t 
 
  
La verdad es que         son buenas aproximaciones para los primeros J/2 formas modales.
Y las frecuencias  i  i2 .
Ejemplo:
m = 1 k = 150 y ngld =5
 1 1 
1 2 1 
 
K  k  1 2 1  ;M   I 
 
 1 2 1
 1 2 
A partir del problema de valores propios  K     M     0 obtenemos

i
2
i la solución
exacta.

 3.486   0.5969 0.5484 
10.1755   0.5484 0.1699 
   
  16.0407     0.4557 0.3260 
20.6064   
   0.3260 0.5969 
33.5027   0.1699 0.4557 
Si utilizamos vectores Rayleigh Ritz  v(t )  

   z (t )

N xJ J x1
 1 1 
4 / 5 0   30 30 
 K      K    
T
  
 30 350 
 
   3 / 5 1 
    2.200 0.0667 
 2 / 5 2 / 3  M      M      0.0667 2.556 
T
 1/ 5 1/ 3   
 M  
z  t    K   z  t    L  p  t 
z t     q(t )    t   
  q  t 
 
  K    i  M    i   0 Obtenemos la aproximación a los valores propios

   
 0.6728 0.0476
    11.729   ;
3.52
    
 0.0617 0.6227 
Aproximación a vectores propios:
 0.6111 0.6703 
 0.5382 0.0381 
 
        0.4653 0.5942    
 
 0.3102 0.3961
 0.1552 0.1981
Si agregamos un vector adicional.
 1  0.61 0.66
 0  0.54 0.05
  3.52  
    1

 2  1 

   
  11.50     0.46
 

0.55 no mejora

1  22.11
   0.32 0.49
 1   0.15 013 

9. RAYLEIG-RITZ Y LOAD DEPENDENT VECTORS
La idea es buscar vector que ayude a resolver con un menor número de vectores. Propuesta de
Rayleigh + Ritz (1920) y mejor aún la propuesta de Leger, Wilson y Clough llamada Load
Dependent Vectors
(Desarrollado en Curso: CI72C/CI62V - Dinámica Avanzada de estructuras Autor: Rodrigo
Carreño V. Rev: Rubén Boroschek K.)
Se busca:

  Tal que: v(t )   z (t )
NxJ
Pero además que cumpla con ley de ortogonalidad:
0 i  j
 i   M  j   M
T

 i i j
Sin embargo  K    i   K   J   0 porque ortogonalidad no siempre se considera en

T
el algoritmo.
Se describe a continuación una manera de obtener vectores en forma automática con la ventaja
de tener información de la acción, la rigidez y la masa.
9.1. JUSTIFICACIÓN DE MÉTODO DE LDV POR E. WILSON

Sea la ecuación dinámica de movimiento:
 M v t   C v  t    K v  t    S  p  t 

(1)
Considerando solamente el problema sin amortiguamiento, se tiene:
 M v t    K v  t    S  p  t 
(2)
 
Y al asumir que toda función P  t  puede aproximarse por una serie de Fourier:
 M vk  t    K v k  t   S k  sin(  t ) (3)
Donde S  corresponde
k
al estado de carga k-ésimo del sistema y v t  y
k
por tanto
v(t )   v  t 
m
k
k 1
   
Considerando en la ecuación (3) que v k (t )  v k sin( t ) resulta:
 K v k   S k    2  M v k 

Para obtener un conjunto de vectores cuya combinación sea una buena aproximación tomando
en cuenta el estado de carga k-ésimo de la estructurase resuelve inicialmente la ecuación
considerando solamente las fuerzas externas, es decir, despreciando el aporte de las fuerzas de
inercia.
K v0k   S k   v k
0 (5)
El segundo vector del proceso puede ser calculado en base al error cometido en el primer paso,
al haberse despreciado las fuerzas de inercia, este error se puede aproximar como:
   
S1k   M  v0k . (Notar que no importan los escalares  dado que cada vector obtenido será
normalizado en el proceso).
K v1k   S1k   v k
1
(6)
En general, para la generación de un vector
v  se calcula:
i
k
K vik   M vik1  v 
k
i
(7)
9.2. ALGORITMOS COMPUTACIONAL DE VECTOR DEPENDIENTE DE LA CARGA
9.2.1. Procedimiento con Vector Único

1. Se determinación el vector inicial,  1
a. Determine  K  y1   S 
 
1
b. Normaliza 1   y1  y1 M  y1
T 2
2. Vectores siguientes  i  , i  2, 3,....., j
a. Determine y i resolviendo  K  yi    M  i 1

b. Ortogonalice y i con respecto a todos los otros vectores  1  ,  2  ... i 1 
ali   l   M   yi 
T

  yi    yi   ali  l 
 i    yi   yi  M  yi 
1
T 2
c. Normaliza
M= K= C=
3 0 0 0 5 -5 0 0 0.3339 -0.1916 -0.0403 -0.0131
0 3 0 0 -5 10 -5 0 -0.1916 0.4853 -0.1645 -0.0271
0 0 3 0 0 -5 10 -5 -0.0403 -0.1645 0.4984 -0.1514
0 0 0 3 0 0 -5 10 -0.0131 -0.0271 -0.1514 0.5255
w= phi = S=
0.4484 -0.3791 -0.3333 0.2474 -0.1316 1

1.2910 -0.3333 0.0000 -0.3333 0.3333 1
1.9779 -0.2474 0.3333 -0.1316 -0.3791 1
2.4263 -0.1316 0.3333 0.3791 0.2474 1
nritz = 3 kritz = critz =
0.2033 -0.0594 0.0178 0.0450 -0.0033 0.0005
VecRitz = -0.0594 1.7872 -0.5355 -0.0033 0.1327 -0.0160
0.3681 0.2935 0.2569 0.0178 -0.5355 4.0243 0.0005 -0.0160 0.1994
0.3313 0.0636 -0.1915
0.2577 -0.2625 -0.3236 mritz = writz =
0.1472 -0.4174 0.3549 1.0000 0 -0.0000 0.4484
0 1.0000 0.0000 1.2913
-0.0000 0.0000 1.0000 2.0362
phiritz = phiaprox =
-1.0007 0.0388 0.0081 -0.3796 -0.3469 0.1980 haceritzChopra.m
-0.0377 -1.0263 -0.2330 -0.3338 -0.0077 -0.2085
-0.0006 -0.2335 1.0255 -0.2478 0.3550 -0.2686
-0.1318 0.3512 0.4625
9.2.2. Algoritmo Computacional de E. Wilson

A continuación se describe el algoritmo para la obtención de los vectores Ritz dependientes de la
carga, donde en cada iteración se avanza paralelamente en la generación de los vectores para
todos los estados de carga.
A. Cálculos iniciales:
Descomponer la Matriz  K  como  L  D  L  , para simplificar cálculos futuros.

T
Obtención del 1er bloque de vectores, en base a la matriz con distribuciones de carga
F  .
 K us    F 
Ortogonalizar vectores de  u s  respecto a  M  y K . La ortogonalización se realiza
resolviendo el problema de valores propios con las matrices de rigidez y masa
transformadas:
  K       M    Z 0    0
Donde:
 K    u s   K  u s  ;  M   u   M u 
T T
s s
Vectores propios del problema original:
V1    u s  Z 0 
Normalizar vectores en V1  respecto a  M  :
V1   V1   V1   M  V1  

T 1
2
B. Cálculos iterativos (i=2,3,….)

Obtener bloque de vectores  X i  utilizando:
 K  X i    M Vi 1 
Ortogonalizar vectores en  X i  respecto a  K  y  M  :
  K       M    Z   0
ï i
Donde:  K    X i   K  X i  y  M    X i   M  X i 
T T
Vectores propios del problema original: Vi    X i  Z i 
Utilizar método de Gram-Schmidt modificado (2 veces) para hacer a Vi  ortogonal a todos
los vectores previamente calculados y normalizarlos, de manera que Vi   M Vi    I 

T
C. Cálculos finales:
 
Se calcula matriz K  V  K V  y se resuelve problema de valores propios:
T
  K     2

  I   Z   0
Se obtienen vectores Ritz, ortogonales a  K  y  M  de la estructura:
   V Z 
Ejemplo del libro y otros.
RUTINAS MATLAB: LDV.m: Función que genera los vectores Ritz dependientes de las
condiciones de Carga.

Ejemplos
10. EXCITACIÓN MÚLTIPLE DE APOYOS

Consideraremos que existe un desplazamiento distinto en cada apoyo, considerando los grados
de libertad asociados.
  v T ( t )    v s ( t ) 
  v ( t ) 
  

v ( t ) 
 


  
  v g ( t )    v g ( t )   0
  

   D in a m ico
E sta tico
 M   M     vT ( t )  
 F I ( t )      
g

 M g g    vg ( t )  

T
 
M g  
Si solo tenemos masas concentradas
 M g
   0 
 K   K g     v T ( t ) 
 E  
F  t     
  v g ( t ) 
 K g g  
T
 
K g    
v ( t )
Dado que  v ( t )  tiene una parte estática existe una relación entre ambos

 K   K g     v s ( t )    0  
      
 K T  K g g     v g ( t )     Pgs ( t )  
 g    
P (t ) Fuerza necesaria para desplazamiento

g
s
( ). Es 0 si es estáticamente determinado o si
el movimiento es de cuerpo rígido. Por lo anterior
 K   v s ( t )   K g ( t )   v g ( t )    0
 v  t     K 
s 1
 K g  v  g
 t    r   v g  t 
 r  : matriz de influencia estática y adicionalmente mantenemos la segunda ecuación:
 v  t    k g g   v s  t    P 
T
 k g  s
g
s
 M   M     vT  t      C   C g     v T  t      K   K g     v T  t      0 

g
            
     
M T  M g g    g       C g 
  C g g    g       K g 
  K g g     v g  t      Pg  t   
T T
v t v t
 g    
Usando la primera ecuación
 M   vT  t     M g
  vg  t     C   v T  t     C g   v g  t     K   v T  t    K g
  v g  t     0
Pero  v  t    v  t    v  t  
T s
 M   v  t    M   vs  t    M g   vg  t    C   v  t    C   v s  t    C g   v g  t    K   v  t 

  K   v s g  t    K g   v g ( t )   0 
 M   v  t     C   v  t     K   v  t   
  M   v s  t    M g   vg  t    C   v s  t  
 C g   v g  t    K   v s  t    K g   v g  t  
  
                             
  Pe ff  t    0
Dado que  v s  t     r   v g  t  
 P  t 
e ff    M r    M g
   vg  t      C   r    C g    v g  t 
Observación: Sí masas utilizamos concentradas  M g    0 
Sí utilizamos amortiguamiento tipo Rayleigh  C   a  K  y  C g   a  K g 
Entonces  C
 r    C g    v g  t     0  ya que  K   v s  t     K g
  v g  t     0
En este caso  P  t     M   r   v  t 
e ff g
Ejemplo:

12 E I 6EI 12 EI 6EI 
 L3 L2 L3 L2 
 
 7 EI 6 EI 2EI 
 L2 
k    L L

 12 EI 6 EI 
 L3 L2 
 4EI 
 
 L 
 12 60 12 60 
 60 700 60 200 
k    
 12 60 12 60
 
 60 200 60 400 
 K   v   P 
1  0
 K   K g     0
  v   P  y v   0  
Si 
  K T      P    
 K g g   1  0
 g  
 0   0 
Para desplazamiento de apoyo no se generan fuerzas.

Matriz de influencia:
1 6.25
r     K 
1
 K g    
0 0.25 
Dado que se ha utilizado una transformación constante de la matriz de rigidez original
r     K 
1
 K g 
El método no es aplicable a problemas nolineales ya que r debiese variar con la variación 

nolineal de la estructura.
Alternativamente se puede resolver el problema original sin la inclusión de r 

Usando nuevamente la primera ecuación de equilibrio dinámico
 M   vT  t     M g   vg  t     C   v T  t     C g   v g  t     K   v T  t     K g   v g  t     0
 M   vT  t     C   v T  t     K   v T  t      M g   vg  t     C g   v g  t     K g   v g  t  

Sí masas utilizamos concentradas  M g    0  y suponemos que el efecto de la matriz de
disipación es despreciable, podemos simplificar y obtener la ecuación de equilibrio bajo excitación
de desplazamientos
 M   vT  t     C   v T  t     K   v T  t      K g
  v g  t  
De acuerdo a E. Wilson esta ecuación es aplicable a problemas no lineales pero requiere de un

cuidado especial para no aumentar los errores numéricos. En particular:
1. Debe considerarse un procedimiento que incorpore la variación cubica de la acción o
demanda. Alternativamente es necesario considerar un paso de tiempo para el análisis
considerablemente inferior al caso de demanda de aceleración.
2. Debido a que la excitación ocurre a nivel de los puntos de apoyo se excitan
particularmente los modos superiores y es necesario considerar un valor de masa modal
efectiva cercano al 100% o alternativamente utilizar LDV.
3. En estos casos el uso de amortiguamiento de Rayleigh se considera inapropiado.
Ejemplos
11. TRUNCACIÓN MODAL

En algunos casos no es razonable considerar muchas formas modales para obtener la respuesta
pero se desea considerar un porcentaje de masa modal efectiva alta. Se puede incorporar el
efecto de modos superiores que no participan dinámicamente en la respuesta a través de dos
procedimientos: corrección modal estática o método de aceleración modal.
11.1. MATRIZ DE FLEXIBLIDAD MODAL

Para ejecutar los métodos de truncación modal es necesaria la definición de matriz de flexibilidad
modal. Esta la encontraremos a partir de la siguiente relación:
 F   [ K ]1
Pero
[ K ][ K ]1  [ I ]
1 1
Si multiplicamos la matriz modal por [ ] [ K ] [ ]
[ ]T [ K ][ ][ ]1[ K ]1[ ]  [ ]T [ ]


 
 Ki 
 
 
 K i  [ ]1[ K ]1[ ]  [ ]T [ ]
[ ]1[ K ]1[ ]   Ki  [ ]T [ ]
1

[ K ]1  [ ] Ki  [ ]T [ ][ ]1
1
i i 
N T
[ K ]  [ ] Ki  [ ]  
1 1 T
i 1 Ki
Matriz de flexibilidad modal.
 F i    i  i 
T
Ki
N
[ K ]1   Fi   [ F ]
i 1
Ejemplo (dinamatriF.m)
K= F=
Fi(:,:,1) =
1000 -1000 0 0.0030 0.0020 0.0010
-1000 2000 -1000 0.0027 0.0022 0.0012 0.0020 0.0020 0.0010
0 -1000 2000 0.0022 0.0018 0.0010 0.0010 0.0010 0.0010
0.0012 0.0010 0.0005
M=
Kinv =
2 0 0 Fi(:,:,2) =
0 2 0 0.0030 0.0020 0.0010
0 0 2 1.0e-003 * 0.0020 0.0020 0.0010
0.0010 0.0010 0.0010
phi = 0.2246 -0.1247 -0.2801
-0.1247 0.0692 0.1554
-0.5211 -0.4179 0.2319 -0.2801 0.1554 0.3493
-0.4179 0.2319 -0.5211
-0.2319 0.5211 0.4179
Fi(:,:,3) =
Kn =
1.0e-003 *
1.0e+003 *
0.0331 -0.0744 0.0597
0.0990 -0.0744 0.1673 -0.1341
0.7775 0.0597 -0.1341 0.1076
1.6235
11.2. CORRECCION ESTÁTICA
 v  t      y  t  y P  t  =  S  f  t 
N
i i
i 1
Si dividimos la expresión en función de aquellos coeficientes que no responden dinámicamente

debido al valor de frecuencia natural en relación a la frecuencia de excitación:

d N
 v  t     v  t     v  t       y  t      y  t 
d s i i i si
i 1 i  d 1
El desplazamiento puede encontrase como una solucion estatica:

Pi  t    i   P  t 
T
y si  t   
 i   K   i 
T
K i
El desplazamiento estático en los grados de libertad:
 i  i 
T
 v si  t    i  y si  t   Ki
 P  t 
Si definimos una matriz equivalente a la flexibilidad:  F i    i  i  entonces:

T
Ki
v si  t    F i  P  t  para todos los modos cuya componente inercial es menor

N
v s t     F i P t 
i  d 1
J N
 v  t     v  t     v  t       y  t     F   P  t  
d s i i i
i 1 i  J 1
Este procedimiento obliga a calcular los todos modos. Esto lo podemos obtener de sustraer el
total del desplazamiento estático menos los que si tiene amplificación:
J
 v  t    K   S  f  t     F  S  f  t 
s
1
i
i 1
 v  t      y  t     K  
d J
  F    S  f  t 
1
i i  i
i 1  i 1
11.3. METODO DE ACELERACIÓN MODAL

Alternativamente podemos obtener el mismo resultado a partir de la ecuación de equilibrio
dinámico:
y i  t   C i y i  t   K i y i  t   Pi  t 
M i 
Pi  t  2i
y i  t  Si multiplicamos esta ecuación por i  y sumamos para
1
yi  t   yi  t  
 2 
Ki i i
todos los modos obtenemos la respuesta total:
 v  t       y  t      K       1
N
P t N
 N
2i 
i
yi t  
 y i  t  
i
i i i i 2
i 1 i 1 i i 1  i 
Pero

 i   P  t 
T
N N
     F   P  t    K   S  f  t 
1
i  i
i 1 Ki i 1
Si además consideramos que la aceleración y los desplazamientos son despreciables más allá
del modo J , se obtiene el método propuesto:
 J
2 
 v  t     K   S  f  t       1
1
i 2
yi t  

i
i
y i  t  
i 1  i 
Esta ecuación es también comparable al método de corrección estático, a partir de
 v  t      y  t     K  
J J
  F    S  f  t 
1
i i  i
Reordenando
i 1  i 1
 v  t    K   S  f  t       y  t      K  S  f  t  
1
J  i
T

i i i
i 1
 i 
d  Pi  t   Y a partir de la ecuación de equilibrio dinámico.
 K   S  f  t     i   y i  t  
1

i 1  Ki 
 J
2i 
 v  t     K   S  f  t       1
1
i 2
yi t  

i
y i  t   Que es la misma que el método de
i 1  i 
aceleración modal.
12. ECUACIÓN DE MOVIMIENTO UTILIZANDO ESPACIO ESTADO
12.1. ECUACIONES BÁSICAS

Para un sistema de nGDL la ecuación de movimiento es:
 M v t    C v  t    K v  t    P  t  
Definiendo:
v  t 
z  t    v t 
  
Reemplazando en la ecuación de movimiento
 z  t    A z  t   F  t 
Con
  0 I    0 
 A    F  t    
   M   K    M  C     M  P  t 
1 1 1
Entonces

v  t   0  I   v  t   0 
       
v t     M   K    M  C  v  t    M  P  t 
1 1 1
Esta forma se llama espacio estado.

La solución de una ecuación de primer orden se puede obtener de la siguiente manera
 (t )  a (t )  f (t )
Multiplicando por una exponencial
  (t )  a (t )  f (t )  e  at
Es fácil ver que
eat  (t )  aeat (t )eat 

dt
e (t)
d at
Y por tanto

d at
dt
e (t )   f (t )  eat
Integrando entre to y t
t
(t )e at  (to )e ato   f ( s)e  as ds Multiplicando por e
at
to
t
(t )  e a ( t  to )
(to )   e a (t  s ) f ( s )d ( s )
to
Se puede demostrar que la solución para varios grados de libertad, para t0 , es:
z  t   e   z  t   e    e   F  s  ds
t
A t t0 A t  As
0
t0
Con condiciones iniciales dadas por:

vo 
z  t   z   v 
0 0
 o 
   e F  s  ds  0 ;
0
Si z  t0   0 entonces para t  0   A s
En el caso de vibración libre:

z  t   e   z  t   e    e   F  s  ds
t
A t t0 A t  As
0

t0


0
z  t   e A  t  t0 
z  t 
0
12.2. CÁLCULO DE LA EXPONENCIAL DE UNA MATRIZ

Usando una serie de Mac Laurin (expm(A)):
1 1
e  A t   I    A  t   At 2   At 3  ...
2! 3!
Notar que para una matriz diagonal bajo esta expansión tendríamos:
  1t  2 
  0  0 
 1t 0  0   1t 0  0    2!    e 1t 0  0 
0    0     0     
0   
exp    I        
  0     0     0     0 
     2   t
 0  0 2 n t   0  0 2 n t    2 n t    0  0 e 2 n 
0  0  
  2n !  
Es posible establecer un procedimiento rápido para que converja la serie. El procedimiento se

llama “scaling and squaring”.
 
m
 A t m
e  A t  e y por tanto
2 3
 A t m t 1 2  t  1 3 t 
e   I    A   A      A     ...
m 2!  
m 3! m
 A t m
Luego elevamos a m la cantidad resultante e . Este converge muy rápido particularmente si
t   t es un número pequeño.
function [B,BMatlab]=expmrb(A,m,n);
% [B,BMatlab]=expmrb(A,m,n);
% evalua exponencial de una matriz utilizando scaling and squaring method
% pag 122 de Hart y Wong y compara con expm de matlab
% B hart y wong
% BMatlab expm(A)
% m es el numero de productos a realizar (exp(at/m).^m)
% n es el numero de terminos en la serie de Taylor;
% rbk 2004
B=eye(size(A));
for i=1:n
B=B+(A)î/(factorial(i)*(m)î);
end

B=B^m;
BMatlab=expm(A);
Ejemplo
%dina expm
m=1;
k=5;
beta=0.05;
ngdl=2;
[M,K,C]=edificio(ngdl,m,k,beta);
[A,F]=respssmat(M,K,C);
for n=1:4
for m=1:6
[B,BMatlab]=expmrb(A,m,n);
temp=sprintf('Taylor Expansion N: %i Potencia M: %i',n,m);
disp(temp);
B
end
end
BMatlab
Taylor Expansión N: 2 Potencia M: 2 Taylor Expansión N: 4 Potencia M: 5
B= B=
-0.5391 1.0898 0.3279 0.6066 -0.0497 0.4407 0.4519 0.3430
1.0898 -1.6289 0.6066 -0.2787 0.4407 -0.4904 0.3430 0.1089
1.3934 -4.4262 -0.5440 0.9407 -0.5447 -1.1703 -0.1058 0.3830
-4.4262 5.8195 0.9407 -1.4846 -1.1703 0.6256 0.3830 -0.4888
Taylor Expansión N: 2 Potencia M: 3 Taylor Expansión N: 4 Potencia M: 6

B= B=
-0.1142 0.4764 0.3904 0.4622 -0.0497 0.4407 0.4516 0.3434
0.4764 -0.5907 0.4622 -0.0718 0.4407 -0.4905 0.3434 0.1082
0.3588 -2.6697 -0.1461 0.3768 -0.5410 -1.1763 -0.1057 0.3829
-2.6697 3.0286 0.3768 -0.5229 -1.1763 0.6353 0.3829 -0.4886
Taylor Expansion N: 3 Potencia M: 3 BMatlab =

B= -0.0496 0.4405 0.4514 0.3439
0.0055 0.3480 0.4451 0.3483 0.4405 -0.4901 0.3439 0.1075
0.3480 -0.3425 0.3483 0.0968 -0.5376 -1.1816 -0.1055 0.3825
-0.4840 -1.2573 -0.0487 0.2880 -1.1816 0.6440 0.3825 -0.4879
-1.2573 0.7734 0.2880 -0.3367
12.3. SOLUCIÓN NUMERICA DISCRETA

Para obtener una solución numérica evaluamos entre dos tiempos consecutivos t0  tk y t  tk 1 y
llamamos  z k    z ( t  tk ) , entonces:
 e F  s  ds
tk  1
zk 1  zk e  A tk 1  tk 

  A tk 1  s 
tk
Tomando tk 1  tk  t como constante. Podemos resolver de varias maneras las más comunes
son están a supuestos sobre la forma de la acción externa:

a)  F  s  como serie de Delta Dirac.
b)  F  s  constante entre dos pasos consecutivos.
12.3.1. Excitación Considerada como Delta Dirac.
En este caso tenemos:
Figure 12.1Serie de Delta Dirac.
En este caso:
F  s     s  t 
F t k k
tk  s  tk 1
 Pt dt
Tomando en cuenta las propiedades de Delta de Dirac:
zk 1  zk e A t   e At   e A  s  Fk   s  tk  t  ds

tk  1
k 1
tk
tk 1  A  s  
zk 1  zk e At   e At k 1
 e
 tk
   s  tk  ds Fk t


 z k 1    z k  e  A    t   e  A  t k 1
e  A  tk   Fk   t
zk 1    e At  zk    e At t  Fk 

Si llamamos:  Ad   e At y  BdD   e At t tenemos
zk 1    Ad zk    BdD Fk  (Hart & Wong)
La expresión es una transformada lineal invariante en el tiempo (LTITR). Resolviendo paso a
paso obtenemos  z  t  , v  t  y v  t  . Usando la ecuación de equilibrio es posible obtener v t 
como:
vt    M  P t    M  Cv t    M   K v t 

1 1 1

12.3.2. Excitación Constante
Figure 12.2. La excitación Fk es constante en

pasos consecutivos.
En este caso Fk  es constante entre el paso k y k  1 . Así:
 e Fk  ds
tk  1
zk 1  zk e  A tk 1  tk 

e  Atk 1  A  s 
tk
Como Fk  es constante:
tk 1 
zk 1  zk e At k 1 tk 
 tk

 e Atk 1   e A  s  ds  Fk 


 z k 1    e  A t   z k    A  
e  A t k  1 e   A t k  1  e   A t k  F 
1
k
s
zk 1    e At  zk    A  e  

  I  Fk 
1 A t

Si:  Ad   e At y  Bd    A  e At   I  tenemos:
1

zk 1    Ad zk    Bd Fk 
Este forma tiene el inconveniente de tener que calcular la inversa de  A .
12.1. VALORES PROPIOS

Los valores propios de  A los obtenemos de:
 A    i    i  i     A    I      0
i i
Para todos los valores propios:

1 0 0 
 
 A             con    0  0 
 0 0 2n 
Multiplicando por  
1
 1  A      1     

  A        
1

1 0 0 
 
Si     0  0  son los valores propios de  A
 0 0 2n 
Además:
i , i 1   i  i  i i 1   i2
De donde podemos encontrar las frecuencias y razones de amortiguamiento
i i 1     i
i i i 1   i2    i
i i i 1   i2 
 
2
 i  i   i i 1   i2
2

 i i   i 2 1 i2  
2 1/ 2
 i
  1i  i  2 i  i 
i    i
2 i 1i 2i
i  i1
Finalmente  i  i i 1    
2 ii1
12.1.1. Modos Complejos

Los modos obtenidos son complejos aun para casos de C  proporcional
i1 
 
Si  A i   i  i  y  i     entonces
i 
2
  0  I   i1 i1
   2   i  2 
   M   K    M  C  i  i 
1 1
De la primera ecuación
0i1   I i2   i i1

      por tanto
i
2
i
1
i

 i1 
i    1 
i i 
De la segunda ecuación encontramos la relación con el problema dinámico original:
M   K i    M 1 C  i i   i2 i  /  M 

1
  K i   C  i i   i2  M i 

i2  M   C  i   K  i   0
Si  C   0 entonces obtenemos el problema clásico
12.1.2. Expansión de Matriz de  A
Notar que usando la expansión del exponencial matricial:

1 1
e  At   I    A  t   A 2 t 2   A 3 t 3  ...
2! 3!
Reemplazando la descomposición de  A :
1 1
e  At   I          t      2   1 t 2      3   1 t 3  ...
1
2! 3!
 1 1 
e At      I      t     t 2     t 3  ...   
2 3 1
 2! 3! 
Y por tanto e At      e  t   

1
12.1.3. Relación de Valores Propios Continuos y Discretos

Existe una relación directa entre los valores propios de los sistemas continuo y discreto
Si  Ad   e At
Y e  A t     e   t     1
 Ad      e  t   1
  1  Ad     e  t
Pero para una matriz diagonal
 1t 0  0   e 1t 0  0 
0     0   

exp  
   0     0 
   2 n t 
 0  0 2 n t   0  0 e 

Entonces
 e1t 0  0 
 
 0   
    Ad     
1
  0 
 2 n t 
 0  0 e 
Que indica que los vectores propios son los mismos y los valores propios de  Ad  que llamamos
i son
i  ei t
Y por tanto
ln i
i 
t
12.2. EJEMPLO
NGDL =2
Caso de Amortiguamiento Clásico: 0.05
ngdl=2;h=1;m=2;k=1000;beta=0.05;
vo=[];xo=[];
[M,K,Ccla,w,phi]=edificio(ngdl,m,k,beta);
[w,phi,Mn,Kn,Yn,Vn,Ln]= modal(M,K,xo,vo);
[phi]=normaliza(phi,1)
w
[A,F,phiA,wA]=respssmat(M,K,Ccla);
A
[phiANorm]=normaliza(phiA,1)
%%% Verificacion de Diagonalizacion

diaA=inv(phiA)*A*phiA
diawA=diag(wA) %% frecuencia complejas
%% Calculoa de Beta y Omega para caso clasico

j=0;
for i=1:2:ngdl*2
j=j+1;
wAderi(j)=sqrt(diawA(i+1)*diawA(i))
betaAderi(j)=-(diawA(i+1)+diawA(i))/(2*sqrt(diawA(i+1)*diawA(i)))
end
w= diawA =
13.8197 -1.8090 +36.1351i
36.1803 -1.8090 -36.1351i
-0.6910 +13.8024i
phi = -0.6910 -13.8024i
1.0000 1.0000
0.6180 -1.6180 wAderi =
36.1803 13.8197
A=
1.0e+003 * betaAderi =
0.0500 0.0500

0 0 0.0010 0
0 0 0 0.0010 phiANorm =
-0.5000 0.5000 -0.0020 0.0010 1.0000 - 0.0000i 1.0000 + 0.0000i 1.0000 1.0000
0.5000 -1.0000 0.0010 -0.0030 -1.6180 + 0.0000i -1.6180 - 0.0000i 0.6180 + 0.0000i 0.6180 - 0.0000i
-1.8090 +36.1351i -1.8090 -36.1351i -0.6910 +13.8024i -0.6910 -13.8024i
2.9271 -58.4678i 2.9271 +58.4678i -0.4271 + 8.5303i -0.4271 - 8.5303i
Caso C Proporcional
ngdl=2; Ccla =
h=1;
m=2; 4.0000 -2.0000
k=1000; -2.0000 6.0000
beta=0.05;

Caso C no proporcional
CASO 1 CASO 2
C= C=
0 0
0 20 10 -10
[w,phi,Mn]= modal(M,K); -10 80
tphi=phi'; %% solo los modos en analisis
tphiCphi=tphi*C*phi; tphiCphi =
10.2016 -13.4164
tphiCphi = -13.4164 34.7984
2.7639 -4.4721
-4.4721 7.2361% No es diagonal beta_equiv =
0.3691
Amortiguamiento equivalente 0.4809
beta_equiv=diag(tphiCphi)./(2*Mn.*w);
beta_equiv = Cmod =
0.1000 34.0000 -22.0000
0.1000 -22.0000 56.0000
Cmod=rayleighphi(M,K,beta_equiv);
Matriz Rayleigh
Cmod =
8.0000 -4.0000
-4.0000 12.0000

Figura 76. Respuesta Caso 1

Figura 77. Respuesta Caso 2

12.2.1. Método modal complejo
 z ( t )   A   z ( t )   F ( t )
  0 I    0 
 A    F (t )   
   M   K    M  C   M  P (t )
1 1 1
Si planteamos
 z ( t )    i  qi  t      Q ( t )
     1....... 2 n 
Reemplazando en la ecuación de equilibrio dinámico y premultiplicando
  1     Q ( t )   A    Q ( t )   F ( t )
Q (t )      A  Q (t )     F (t )

1 1
Pero
 1 
 
 1
 A           
 2n 
Entonces
Q t   Q(t )  

 F (t )
 
1
2 n x 1 fi ( t )
Lo que genera un conjunto de ecuación de un grado de libertad.

qi (t )  i qi (t )  f i (t ) i  1......2n
Con la solución
qi (t )  ei (t t0 ) qi (t0 )   ei (t s ) fi  s  ds

t
t0
12.2.2. Representación Simétrica

También se puede plantear una solución con matrices simétricas
Si
 M v(t )   C v(t )   K v (t )   P (t )
y  M  v   M  v  0 definiendo el estado como

v  t 
x(t )   
v  t 
 As   x (t )   Bs   x (t )   Fs  t 
 C   M   K  0  P  t 
 As    M 0   Bs    0  Fs  t    
        M   0 
En forma similar
v  t    G   e i
i t
  Gi i  e i 
t
x(t )   i t 
  G  i  eit
 G  i  e 
Para el caso homogéneo
 As  i  i    Bs  i  Geit  0
 As    As  i   Bs    i   0 
1
 
 As 1  Bs   i  I    i    0
 
 K 1 0   C   M    K 1 C   K 1  M 

 D    Bs   s
1
  1   
0     I 
A
  0   M    M  0 
 D 1  i  I    i   0
 
 D   i   i  i   0
1
 1 
 D    I   i   0
 i 
1
 i    D   i   0
i
Relaciones de Ortogonalidad
i  As   i    Bs   i   0
 Bs   i    i  As   i 

 
T
Premultiplicando por j
   B         A  
T T
j S i i j s i
Dado que  Bs  es simétrico
 B     i    i  j   As   i 
T T
s j
Reconociendo que  Bs   j   j  As   j    
  As   j    i    i  j   As   i 
T T
j
entonces
  i    A    0
T
j j s i i j
De igual manera
1
 As   i    B s   i 
i
   A     1    B   
T T
j s i j s i
i
pero
 A    i  
1
 B    i 
T T
j
s j s j
1
 j   Bs  i 
T

j
por lo tanto
1 1
    j   Bs  i   0 i  j
T
  j i 
De donde obtenemos las reglas de ortogonalidad
   A    0
T
j s j
i j
   B    0
T
j s i
Solución Modal de la Ecuación de Estado Simétrica

 As   x (t )   Bs   x (t )   Fs  t 

v  t 
 x(t )       i  qi  t    Q(t )
v  t 
 i   As   Q  t    Bs   Q  t    F  t 

T
 i   As  i  qi (t )   i   Bs  i  q  t    i   F  t 


T T T
      

ai bi fi
ai qi  t   bi q  t   fi  t 
bi fi  t 
qi  t   q t  
ai ai
 
 i T  Bs  i  fi
 i
 i T  As  i 
qi  t   i  qi ( t )  f i  t 
 0 
 i 
T
 
P  t 
Pero fi  t  
 C   M   i  
 i 
T
  
 M   0  i i 
C i   i  M i 

T 
fi  t   i  P  t 
T
  i
T

i i  
  M i  

i  P  t 
T
f i  t 
i i   M i   i i   M i   i  C  i 
T T T
 
2 iiT M i
13. ANÁLISIS EN EL ESPACIO DE LA FRECUENCIA
13.1. SERIE DE FOURIER

Jean-Baptiste-Joseph Fourier (March 21, 1768 in Auxerre - May 16, 1830
in Paris), Matemático y físico francés conocido entre otras cosas por su trabajo
en la descomposición de funciones periódicas que utilice en la solución de la
ecuación del calor.

Cualquier excitación periódica, P(t) , puede ser transformada en una sumatoria de funciones
trigonométricas básicas de acuerdo a los conceptos de Serie de Fourier:
  2 nt    2 nt 
P(t )  a0   an cos     bn sen 
 T  n1  T 
n 1  p   p 
Donde:
Tp
2
Tp
 2nt  Tp
 2nt 
1  dt b  2  dt
a0 
Tp 0 P(t )dt ; an  Tp 0 P (t ) cos
 T  ; n T 0 P (t ) sen
 T 
 p  p  p 
Tp Es el período de la función P(t)
2
Definimos las siguientes variables 1    y  n  n  
Tp
Ejemplo:
Dada la función rampa de la Figura. Su composición se presenta en las Figuras para 7 y 201
coeficientes (dinaFourieCoef.m).
Figura 78 Aproximación de Serie de Fourier para distinto numero de coeficientes

Figura 79 Detalle de aproximación de serie de Fourier con 7 y 201 coeficientes.
13.2. CASO SERIE DE FOURIER BASE

mv(t )  cv(t )  kv(t )  p(t )
Con
  2 n    2 n 
p(t )  a0   an cos  t    bn sin 
 T 
t
 T  n1
n 1  p   p 
   
   
  
1  
 a0    2   
1  n 1  
  
2
   
2
 
v(t )    1      2    
n n
k           
 
  n   n           
2

2
   2 an  bn 1      sen nt    an 1   n    bn 2 n  cos nt   

 

               
 
2
1   
Tp
Y  n  n

13.3. RELACIÓN DE COEFICIENTES DE SERIE DE FOURIER ARMÓNICOS Y
EXPONENCIAL COMPLEJO.
La serie de Fourier se puede representar utilizando funciones armónicas o su equivalente en
exponencial complejo utilizando las relaciones de Euler.
  2 n    2 n 
p(t )  a0   an cos  t    bn sin 
 T 
t
 T  n1
n 1  p   p 
1 ix  ix 1
cos( x)  (e  e ) sin( x )   i (eix  e  ix )
2 2
 
p (t )  a 0   a n
2

1 in   t
e  e  in   t   i  bn  e in   t  ie  in   t 
1
2
n 1 n 1
 
1 1
p (t )  a 0   e in   t  a n  ibn    e  in   t  a n  ibn 
2 n 1 2 n 1
1 1
If c n   an  ibn  c*n   an  ibn  with c o  ao
2 2
  
p ( t )  c 0   c n e in   t   c n* e  in   t   c n e in   t
n 1 n 1 n  

p (t )  
n  
c n e in   t
13.4. RESPUESTA A UNA EXCITACION DE TIPO COMPLEJO

A partir de la ecuación de equilibrio mv(t )  cv(t )  kv (t )  cn eint
 
Solución v p (t )  Gn e int ; v p (t )  in Gn eint ; vp (t )  n 2 Gn eint  
Reemplazando en la ecuación de equilibrio
Gn (  mn 2  cin  k )  cn
1
G n  cn
( k  m n 2  ic n )
cn 1
Gn  Gn  cn H ( n )
k   n  2
 n  
1     i   2  
       
1 1  n
H (n )    con  n 
k  1   n  2  n i 
2

Finalmente la respuesta permanente es: v p (t )  cn H ( n ) e i n t

La solución a una excitación periódica arbitraria

p (t )  ce
n  
n
i n t

Como v ( t )  
n  
c n H (  n ) e i n t
13.5. PAR DE TRANSFORMADA DE FOURIER

Para extender a señales no periódicas, se hace tender el límite de Tp   de donde n   ,
   d  ; cn  c ( ) lo que genera el Par de Transformada de Fourier.
 
1
p (t ) 
2  c( ) exp(it )d ;

c( )   p(t ) exp(it )dt

Esta relación tiene como requisito que 


p(t ) dt  
13.6. ALGUNAS PROPIEDADES DE LA TRANSFORMADA DE FOURIER
13.6.1. Derivada en el Espacio de la Frecuencia


 v t  e dt  V  
 it
Sabemos que

Para la transformada de la primera derivada. Integramos por partes


  

 v  t  e dt  v  t  e   i  v  t  e  it dt   iV  
 it  it

   
Para el caso de la segunda derivada;

 

 v t  e dt  v  t  e   i  v  t  e  it dt    2V  
 it  it 

   
y en general.
 d f  t  
n
    i   f  t 
n
n
 dt 

13.6.2. Transformada de la Función Delta de Dirac.
h(t )  k (t )

  (t ) (t )dt  (0)

  (t  t ) (t )dt  (t )

0 0
 k (t )e
 i t
H ( )  dt k


1
 ke
it
h(t )  d k (t )
2 
13.6.3. Transformada de Funciones Sinusoidales

Función Coseno:
h(t )  A cos(2 f 0t )
 
A i 2 f0t i 2 f0t it
 A cos(2 f t )e 
 it
H ( )  0 dt  (e e )e dt
 
2

 A
tenemos H ( f )   (e
 i 2 (  f 0  f ) t
f   ei 2 ( f0  f )t )dt
2 2 
Se puede demostrar que esta integral es:
A
H( f )   ( f0  f )   ( f 0  f )
2

Figura 80
Función Seno:
h (t )  A sin(2 f 0 t )
A
H ( f )  i  ( f  f 0 )   ( f 0  f )
2
13.6.4. Transformada de Secuencia de Pulsos.


1   n
h(t )    (t  nT )  H ( f )  T    f  T
p 
n  p n   p 

Figura 81
13.6.5. Transformada de Rectángulo
 A t  t0
h(t )  
 0 t  t0
t0 t0 t0
 Ae dt  A  (cos(t )  i sin(t ))dt  A  cos(t )dt

it
H ( ) 
t0 t0 t0
sin(t ) 0 2 A sin(t0 ) 2 A sin(2 ft0 )

t
H ( )  A  
 t0  2 f

Figura 82
13.7. PROPIEDADES DE LA TRANSFORMADA DE FOURIER.
13.7.1. Linealidad
h(t )  g(t )  H ( f )  G( f )
  
  h(t )  g (t )  e  h(t )e  g (t )e
 i 2 ft  i 2 ft  i 2 f
dt  dt  dt  H ( f )  G ( f )
  

Figura 83
13.7.2. Simetría
h (t )  H ( f )
H (t )  h (  f )

13.7.3. Escalamiento
h(t )  H ( f )
1 f 
h(kt )  H 
k k
Figura 84

13.7.4. Desplazamiento en el Tiempo
h(t )  H ( f )
h(t  t0 )  H ( f )ei 2 ft0
Figura 85

13.7.5. Desplazamiento en la Frecuencia
h(t )  H ( f )
h(t )ei 2 f0t  H ( f  f 0 )
Figura 86
13.7.6. Señales Pares e Impares

Si h(t ) es par, es decir, h(t )  h(t ) , entonces:
  
 h(t )e dt   h(t ) cos(t )dt  i  h(t )sin(t )dt

 it
H ( ) 
  


H ( )   h(t ) cos(t )dt

Luego H () es par.
Función Transformada de Fourier

h(t ) H( f )
Real Parte real par

Parte imaginaria impar
Imaginaria Parte real impar

Parte imaginaria par
Real par Real

Imaginaria impar
Real impar Imaginaria

Imaginaria par
Real par Real par
Real impar Imaginaria impar
Imaginaria par Imaginaria par
Imaginaria impar Real par
13.8. INTEGRAL DE CONVOLUCIÓN.


I  y (t )  h(t )   y( )h(t   )d

y(t )  h(t )  Y ( f ) H ( f )
 
   it 
 
  y(t )  h(t ) e dt        h(t   )e dt d
 i t  i t
y ( )h (t   ) d e dt  y ( )
     
Si   t   , d   dt

  
 
 y( )   h( )e d d   y ( )e d   h( )e  i d   Y ( ) H ( )
 i (  )  i
    
y(t)  h(t)  Y ()H ()

La convolución implica tres pasos fundamentales:
Dinaconvu.m Función original Desdoblamiento
Desplazamiento Convolución
Figura 87 Pasos fundamentales de la convolución.
13.9. TEOREMA DE PARSEVAL.

  2
 h (t )dt  
2
H ( f ) df
 
Demostración Ejemplo

13.10. RELACIÓN ENTRE TRANSFORMADA CONTINUA Y DISCRETA
13.10.1. Teoría de Muestreo

Si la señal continua x(t ) tiene cero energía sobre una frecuencia fc (señal de banda limitada)
entonces la señal continua puede ser recuperada en forma única a partir de su señal discreta, si
se conocen su muestras a un paso de tiempo  t

Dado una señal muestreada: hˆ (t )  
n  
h ( n  t ) (t  n  t )

sin 2 f c ( t  n  t )
Se puede recuperar la señal continua h ( t )   t 
n  
h (nt )
 (t  n  t )
Esto se demuestra en las figures 5.5 y 5.6 de Brigham.

Figura 88 Demostración gráfica del teorema de muestreo.
Notar en 5.3. La señal original se multiplica por peine de muestreo (e) lo que genera un
Transformada de Fourier que es completa pero que ESTA REDUCIDA EN 1/  t y se repite cada
fc .

Figura 89

Figura 90 En la figura 5-6 se indica que la señal se puede recuperar si se multiplica en
el espacio de la frecuencia por un cajón (b) y se realiza la transformada continua
Matemáticamente, a partir de la Figura 5-6 utilizando el resultado en el espacio del tiempo:

H ( f )  [H ( f ) ( f )]Q( f ) se utiliza la transformada al espacio del tiempo

h (t )    h ( n  t ) (t  n  t )   q (t )
n  


 
n  
h ( n  t ) q ( t  n  t ) notar que ya se ha realizado la convolución

sin 2 f c (t  n  t )
 t 
n  
h (nt )
 (t  n  t )
13.11. DETALLES DE FFT EN MATLAB

Matlab presenta la siguiente relación de amplitudes:
cn   k 1 x ( k ) exp( i 2 ( n  1)( k  1) / N ) 1  n  N
N
Matlab normaliza por la longitud N en ifft. Si se desea que los coeficientes de Fourier
correspondan a lo que da la Integral
Tp
1
cn 
Tp  x(t ) exp(it )dt debe normalizarse por (1/length(N))
0
El eje de frecuencia de Matlab debe generarse considerando que no se utilizan índices negativos.
Adicionalmente es conveniente diferenciar entre series reales e imaginarias. Las series reales
tienen una transformada de Fourier simétrica y por tanto pude ser utilizado la mitad (si son pares)
o la mitad más uso si son de longitud impar.
ParaSeñal Real
if ~any(any(imag(P)~=0)), % if x is not complex
if rem(nfft,2), % nfft odd
select = (1:(nfft+1)/2)';
else
select = (1:nfft/2+1)'; %% nfft even
end
else
select = (1:nfft)'; % Complex Signal
end
f=(select - 1)*Fs/nfft; % Eje de Frecuencias nfft Longitud del Vector

Esto es solo para la mitad del espectro si la señal original es real. Si se requiere el vector completo
de frecuencias debe desdoblarse a las frecuencias negativas:
if ~any(any(imag(vg)~=0)), % if x is not complex
% correcion de frecuencia
f=[f ; zeros(nvg-length(f),1)];% valor anterior de f
if rem(nvg,2),
% nfft odd Simetriacompleta
f(select(end)+1:end)=-f(((nvg+1)/2):-1:2);
else
%% impar no se considera punto central
f(select(end)+1:end)=-f((nvg/2):-1:2);
end
end

13.12. TRANSFORMADA RÁPIDA ALGUNOS EJEMPLOS
Figura 91 Transformada de Fourier de un seno. Notar: 1. Simetría de valores de Fourier.

Valores reales son nulos. Amplitud Imaginaria es A/2. dinafft

Figura 92 Función Box. Reconocer que FFT interpreta como periódica. dinafft
Figura 93. Transformada de Fourier del Registro de Llolleo 1985 NS010. Aceleración.
dinafft

13.13. RESOLUCION, MUESTREO Y DESDOBLAMIENTO
La tasa de muestreo afecta la amplitud máxima aparente y puede provocar la pérdida completa
de la identificación de la señal o el desdoblamiento. En el ejemplo siguiente una función seno con
amplitud 3 y frecuencia 8 Hz es muestreada a 4 tasas distintas.
Figura 94 Muestreo de Señal a distinta tasa sobre, igual y bajo Nyquist. Efecto en
amplitud en tiempo y frecuencia y alias claro en sub muestreo. En la parte alta de la
figura se indica la perdida de amplitud máxima y en el efecto en frecuencia. Notar que
no se ha normalizado por paso de frecuencia. Además un caso interesante es cuando
se muestrea al doble de la frecuencia de la señal produciéndose la perdida completa de
la señal. (dinaSampling.m)
El desdoblamiento o alias aparece por un muestreo menor a la Frecuencia de Nyquist Fs/2. En

el ejemplo siguiente una señal de frecuencia 8 Hz es muestreada a Fs = 10 Hz lo que implica
una frecuencia Nyquist de Fs/2 = 4. Por tanto el desdoblamiento es:

Falias  Fs / 2  ( Fnat  Fs / 2)  10 / 2  (8  10 / 2)  2
Figura 95 Serie submuestreada genera alias o desdoblamiento (dinaalias.m)

Figura 96 Muestreo a la frecuencia de Nyquist

Figura 97 Notar Amplitud 1/T y paso de Frecuencia 1/T. Se requiere 2fc=1/T
para poder capturar la señal correctamente

Recuperación de la señal original
14. VENTANAS Y PÉRDIDA DE ENERGÍA

Es muy importante notar que existen una diferencia importante entre la Trasformada Continua y
la Transformada Discreta de Fourier. Las diferencias se deben al proceso de muestreo

Figura 98 Notar que en este caso no hay aliasing sin embargo la señal
resultante tiene una amplitud amplificada por To. Este escalamiento se
modifica si no existe una exactitud entre el período de la señal y la ventana
utilizada. Ver caso siguiente.

Figura 99 Notar que la transformada de Fourier Discreta no tiene amplitud A/2
sino que esta modificada por To/T.

Figura 100 Transformada de una señal armónica con período exacto
dentro de ventana de análisis. La transformada no sufre de distribución de
energía. OJO no se ha normalizado por 1/nfft.
Figura 101Si la transformada se realiza con más de talle se observa

claramente que el efecto de la ventana no afecta la representación
discreta de la señal.

Figura 102No calza frecuencia sin ventana o ventana cuadrada. Notar leakage

Figura 103 Con Ventana Hanning. Notar reducción de amplitud lóbulo principal, ancho
de lóbulo principal y reducción de leakage.
Para disminuir el efecto de leakage se utilizan ventanas. Sin embargo esto genera un compromiso
ya que afecta la energía de la señal analizada y su resolución espectral.
14.1. VENTANAS
Existe un gran número de ventanas a utilizar. Cada una tiene propiedades distintas y por tanto su
uso correcto depende del objetivo que se desee lograr. Las ventanas más comunes son la:
Hanning, Hamming, Box, Parzen, Bartlett, Kaiser y Chevyshev. En caso específico de análisis de
impactos y operación monofrecuencial tenemos la ventana exponencial y la Flat-top
respectivamente.
Las siguientes son algunas definiciones de ventanas
1 j  1: n
Box: W ( j )  
0 i  j
Ventanas basadas en coseno: W ( j)  A  B cos( j)  C cos(2 j )
Hamming: A  0.54  B  0.46  C  0

Hanning: A  0.5  B  0.5  C  0
Blackman: A  0.42  B  0.5  C  0.08
Kaiser: Flexible Maximiza la relación entre amplitud del lóbulo principal y lóbulo lateral.
Chevyshev: controla la amplitud de los lóbulos laterales. Minimiza tamaño de lóbulo principal.
Tabla 1 Comparación de efectos. (Heylen et al)
Ventana Amplitud de lóbulo lateral Scalloploss. Perdida de

Minimiza el leakage si valor es menor Mide la atenuación fuera Coherencia
de la frecuencia central. Indica la perdida de
(dB) Valores menores indican energía en la señal
un buen comportamiento
de ventana
(dB)
Rectan. -13 3.92 1
Hanning -32 1.42 0.5
Hamming -43 1.78 0.54
Gaussians -55 1.25 0.43

(   3)
Flat-top -94 0.01 0.22

Figura 104 Ventana y su transformada de Fourier en escala logarítmica

Figura 105 Ventana y su transformada de Fourier en escala lineal

Figura 106 Notar efecto de Hamming en lóbulos laterales

Figura 107. Ventanas en escala lineal

Figura 108 Notar efecto en la energía de la señal y reducción de leakage

Figura 109 Notar que existe un ancho de banda aparente que puede llegar a ser mal
interpretado como amortiguamiento en un proceso de identificación.
Hay que tener cuidados debido a que algunas ventanas no permiten separa frecuencias.

Figura 110 Mejora de la ventana en la identificación de frecuencias
15. OTRAS TEMAS ASOCIADO A ENERGÍA

El tema de la periodicidad es relevante especialmente en el cálculo de energía. Vemos un caso
de una señal periódica y las consecuencias en su transformada:

Figura 111 Caso Rampa. Notar la simetría en la Transformada de Fourier y la
oscilación. (dinafftProp.m)

Figura 112El mismo caso anterior pero el período se supone tres veces el anterior. La
transformada no cambia ya que los coeficientes adicionales son nulos. (dinafftProp.m)
CAMBIAR EJE A VALOR ABSOLUTO DE AMPLITD
Es interesante obtener la inversa utilizando algunos de los coeficientes obtenidos del caso
anterior. Es posible recuperar totalmente la señal original.

Figura 113La contribución de la parte imaginaria es muy baja. (dinafftProp.m)
CAMBIAR EJE X A TIEMPO
16. EL ESPECTRO DE POTENCIA

Una serie de Fourier:
  2 nt    2 nt 
x(t )  a0   an cos     bn sen 
 T  n1  T 
n 1  p   p 
En el caso que se ha removido la media a o  0
  2 nt    2 nt 
x(t )   an cos     bn sen 
 T  n1  T 
n 1  p   p 
Para una señal monofrecuencial la amplitud será la amplitud de la señal monofrecuencial:

x (t )  A cos  j t
Tp
2
an 
Tp  x(t ) cos  tdt  0
0
n n j
Tp
2 2  Tp 
aj 
Tp  A cos  t cos  tdt  T
0
j j A 2  A
p  
La potencia de la señal

P x
2
(t ) dt

Para x(t ) en un período dado:

Tp
P    A cos  j t  dt  A2
2 Tp
0
2
Para una frecuencia arbitraria  n la potencia es la combinación del coeficiente que acompaña al
coseno y seno de la expansión de Fourier en cada una de las frecuencias
an2  bn2
P( fn )   cn2
2
El Espectro de Potencia es la acumulación de valores de potencia para cada fn .
El espectro de densidad de potencias corresponde a
an2  bn2 cn2

S ( fn )  
2f f
16.1.1. Teorema de Parseval

La potencia total corresponde al valor cuadrático de la función, en el espacio del tiempo, continuo.
 
 x (t )dt  
2 2
H ( f ) df
 
La media cuadrática de la señal:

Tp
1 1 N 1 2
x(t )   x (t)dt   xk
2 2
Tp 0
N k 0
La raíz media cuadrática es entonces:

Tp
1 1 N 1 2
RMS 
Tp  x (t)dt 
2
 xk
N k 0
0
N 1
1 A
Para el caso de armónico: RMS 
N
x
k 0
2
k 
2
Figura 114 Notar que la amplitud para un armónico en el espacio de la frecuencia, H k ,

2
A2  3 
está dada por     2.25 y la potencia total de la señal es la misma en tiempo
4 2
que en la frecuencia. Dinapsd.m

Figura 115
Para el caso de una señal aleatoria.

Figura 116 Llolleo 1985 NS010
Si definimos
S ( f )  2 H ( f ) para las frecuencias positivas (definición en el espacio continuo de frecuencia)

2
Tp 
1
x(t )   x (t )dt   S ( f )df
2 2
Tp 0 0
En forma discreta utilizando la definición de Matlab

N 1 1
1
x S( f )  H ( f ) f
2

2
x (t ) 2
y
N n0 FsN
Por tanto
N 1 N 1
1 1 1 Fs N 1 1 N 1
x   H ( f ) f   H(f)  N2 
2 2 2 2
H(f)
N n0 FsN n0 FsN N n  0 n0

Se puede demostrar debido a las propiedades de derivada de Fourier que
S x ( f )  (2 f )2 S x ( f )
S x ( f )  (2 f )4 S x ( f )
En la práctica se recomienda:
1
 x ( k )e  i 2 ( n 1)( k 1) / N
N
1. Calcular la FFT con: cn  k 1
1  n  N (notar que se utilizan
N
índices mayores a cero para Matlab. En este caso se ha normalizado 1/N)
2. Calcular el espectro de potencia como: S x ( f )  cn* cn
3. Calcular el espectro de densidad de potencia como:

S x ( f )  cn cn /  f  T p cn cn  (( N  1) / Fs ) cn cn
* * *
4. Si se requiere calcular el espectro de densidad de potencia de un solo lado (single sided)

como: S x ( f )  2(( N  1) / Fs ) cn* cn
Para señales reales PSD es simétrica alrededor de DC, y por tanto S x ( f ) entre 0  f  Fs / 2 es
suficiente para caracterizar el espectro. Sin embargo para obtener la potencia media sobre el
intervalo completo de Nyquist es necesario utilizar el concepto de PSD unilateral:
 0  Fs / 2  f  0
S sx ( f )  
2 S x ( f ) 0  f  Fs / 2
La potencia media en una banda de frecuencia dada  f1 f 2  , 0  f1  f  f 2  Fs / 2 , se
calcula a partir del espectro de densidad de potencia unilateral.
f2
P( f1 , f 2 )   Ssx ( f )df
f1
f2  f1
P( f1, f2 )   Sx ( f )df   S ( f )df

x
f1  f2

Figura 117 Notar que se ha filtrado entre 1 y 5 Hz las señal original la mitad de la
potencia media se observa en la figura inferior.
Es importante tener cuidado con la energía calculada. Si uno agrega ceros a la señal la potencia
media disminuye. Matlab permite a través de su función fft el agregar ceros y no afectar la
potencia media de la señal.

Figura 118: Notar como se disminuye la densidad de energía debido a agregar ceros.
Efectivamente el valor medio de la energía se disminuye dado que tenemos una señal
de mayor longitud. La energía total es siempre la misma.
17. RESPUESTA EN EL ESPACIO DE LA FRECUENCIA
17.1. RESPUESTA DE UN SISTEMAD DE 1 GDL EN ESPACIO DE FRECUENCIA

A partir del par de Transformada de Fourier

1
p (t ) 
2  c( ) exp(it )d


c( )   p(t ) exp(it )dt

Encontramos la respuesta continua:


1
v(t ) 
2  H ( )c( ) exp(it )d

Otros parámetros de respuesta pueden obtenerse de la propiedad de derivada en el espacio de

la frecuencia que es:
 d n f (t ) 
   ( i )   f ( t )
n
n
 dt 
Algoritmo de Calculo
1. Variables de entrada:  ,  , k , p(t ) , Fs
2. Transformación al espacio de la frecuencia   p ( t )  P ( )
3. Calculo del vector de frecuencias 
 
 
1 1 
4. Calculo de FRF H ( ) 
k    2  

1     2i    
     
5. Determinación de la respuesta:
v ( t )   1  P ( ) H ( )
a.
v ( t )   1 i P ( ) H ( )
b.
c.
 
v( t )   1  i  P ( ) H ( )
2
Debido a la forma en que se entrega el espectro de Fourier para índices positivos solamente es
necesario desdoblar las frecuencias y la respuesta al impulso en el espacio de frecuencia.

17.2. TRANSFORMADA DE FOURIER DE LA ECUACIÓN DE MOVIMIENTO CASO
PARTICULAR
Si sabemos que la excitación y respuesta están acotadas en el espacio del tiempo.
mv t   cv  t   kv  f  t 
T
 v t  e dt  V  
 it
Notar que el vector es nulo más allá de T. Integrando por partes.

T T
 v t  e dt  v t  e   it   v t  e v t  dt
 it  it T
 it
0
0 0
 v t  e  it
 v  0  i V  
T
 v t  e dt  v T  e  iT  v  0   i v T  e  iT  v  0     2V  

 i t
Entonces
 f t  
  v  t   2 v  t    2v  t   
 m 
v T  eT  v  0  i v T  eiT  v  0   2 v T  e iT  v  0   2V  

  
I ( )
F  
...  2i V     2V   
m
F  
V    2   2  2i      
m
   2   F  
V    2 1     2  i      
      m
P  
V   Z       
m
F  
V     Z 1     Z 1    I   
m
Z 1   
 H  
m
Luego  1 V     v  t 
Para el caso de condiciones iniciales nulas

  f  t    F  
F  
V   Z   
m
V    H   F    v  t   f  t  * h  t 
 p  t  * h  t   F   H  
v  t   1 V  
17.3. RESPUESTA DE UN SISTEMA DE 1 GDL UTILIZANDO LA TRANSFORMADA

DE LAPLACE
La transformada de Laplace se denota por

X ( s )  L  x(t )   x(t ) exp( st )dt
0
Se puede verificar que
L  x  t    sX  s   x (0)
17.3.1. Sistemas de un GDL

Dado lo anterior la Transformada de Laplace de la ecuación de equilibrio dinámico es
mv t   cv  t   kv  f t 
L  mv t   cv  t   kv  t    m  s 2V  s   sv  0   v  0    c  sV  s   v  0    kV  s 
  ms 2  cs  k V  s   msv  0   mv  0   cv  0 
Y la transformada de la excitación es
L  f  t    F  s 
En el caso de condiciones iniciales nulas
F ( s )   ms 2  cs  k V  s 
La razón de la respuesta con respecto a la Fuerza de excitación es llamada receptancia

V s 1 1
H s     Z 1  s 
F  s  ms  cs  k Z  s 
2
Dada la relación F  s   Z ( s )V  s  al término Z ( s)  Ms  Cs  K se le llama rigidez dinámica.

2
Notar que esta expresión se puede presentar en varias formas

1m 1m
H s   2
s   c m  s  k m s   2   s   2
2
Y
1k 1k
H s  
 m k  s   c k  s  1 1  s   2   s
2 2
Las raíces del término de la rigidez dinámica son las que se obtuvieron anteriormente para la
ecuación característica de un problema de 1 GDL.
i , i*  ii  ji 1  i2

Las raíces de esta ecuación (polos de la compliance dinámica) se pueden dibujar en un plano
complejo
Figura 119: Grafico en plano complejo de los polos de la receptancia para un sistema
subamortiguado.
Notar que el radio que se define en este punto es la frecuencia no amortiguada
 
2
r 2  ii   i 1  i2  ii   i2  ii   i2
2 2 2
Y el ángulo
 
cos  i i   cos i 
 i 
De acuerdo a la relación de excitación y respuesta se definen distintos nombres

Dynamic compliance V  s Rigidez Dinámica F s
F s V s
Movilidad V  s  Impedancia F s

(Mecánica)
F  s V  s 
Acelerancia V  s  Masa Aparente F s

Receptancia
F  s V  s 
Inertancia
La función de transferencia se puede escribir en función de los polos, raíces de la ecuación

1/ M
H s 
 s  1   s  1* 
Esta función presenta los máximos en los polos
Figura 120: Grafico función de transferencia en términos de amplitud. (dinatranf.m)

Figura 121: Grafico función de transferencia en términos de fase. (dinatranf.m)
Figura 122: Grafico función de transferencia en términos componente real e imaginaria
Existen otras representaciones alternativas que son muy usadas en la identificación de sistemas

Polinomial
0
H s 
 2  s   1  s    0  s 
2 1 0
0
H s  2
  s 
k
k
k 0
Fracciones Parciales
1/ M c1 c2
H s   
 s  1   s  1   s  1   s  1* 
*
En este caso los valores c1 y c2 se llaman residuos y se obtienen multiplicando a ambos lados por
 s    y evaluando en 
j j
1/ M c s   
 c1   2 1

 s  1*  s  1
  s  1   s 
*
1
0
Así
1/ M 1/ M
c1   A
 1  j D1    1  j D1  j 2 D1 1
De igual manera
1/ M
c2   A1*
 j 2 D1
A1 A1*
H s  
 s  1   s  1* 
En este caso de 1GDL los residuos son imaginarios, en el caso de nGDL son complejos.
Funcion de Respuesta en Frecuencia

Si evaluamos para la constante de Laplace s  j encontramos la transformada de Fourier. Y
las representaciones son similares.
Polinomial

0
H s   H   
 2  j   1  j    j 
s  j 2 1 0
Fracciones Parciales
A1*
H s  A1
s  j  H     
 j  1   j  1* 
A1 A1*
H    
 j   1  jD1   j   1  jD1 
A1 A1*
H    
j     D 1    1 j     D1    1
Si evaluamos FRF en la frecuencia amortiguada D1
A1 A1*
H D1    
 1 j 2 D1   1
Y esto puede ser reducido a través de una aproximación si consideramos que las frecuencias
negativas tienen poca influencia, cuando evaluamos en D1 , de esta manera
A1
H D1   
1
En general muchos problemas de 1GDL se aproximan como
A1
H   
 j   1 
17.3.2. Respuesta al inpulso sistemas de 1 GDL
L  f  t    F  s 
En el caso de condiciones iniciales nulas
F ( s )   ms 2  cs  k V  s 
V s 1 1
H s     Z 1  s 
F  s  ms  cs  k Z  s 
2
A1 A1*
H s  
 s  1   s  1* 
Si F  s   1

A1 A1*
V s  
 s  1   s  1* 
Esta respuesta en el espacio del tiempo es
L1 V  s    v(t)
v(t )  A1e1  A1*e1

*
v(t )  e  t  A1e  iDt  A1*e iDt 
17.4. SISTEMA DE VARIOS GDL
17.4.1. Solucion Espacio Modal

Ecuación de equilibrio dinámico
 M v(t )   C v(t )   K v (t )   P (t )
Para el caso homogéneo
 M  v( t )   C  v ( t )   K  v ( t )  0
Plateando una solución modal
vi (t )  i  e s ti
Reemplazando en la ecuación y por ahora eliminos el subíndice i
 M  s 2  C  s   K     0
Si definimos como matriz de rigidez dinámica
 B  s     M  s 2  C  s   K 
Pero
 B  s    B  s     I 
1
 B  s  
A
Podemos encontrar la inversa utilizando la matriz adjunta  B  s    

1
 B  s  
 B  s    B  s     B  s    I 
A
Si evaluamos en uno de los ceros del polinomio del determinante
 B  i    B  i     0
A

Dado que cada columna resultante es nula esto quiere decir que cada columna de la ecuación
adjunta da como resultado un vector nulo
 B  i   B  i r  0
A
Pero lo anterior es la ecuancion de valores propios determinada anteriormente por tanto
 B  i   i   0
Y por tanto debe existir una contante de proporcionalidad entre el vector modal y la columna de
la matriz adjunta.
i   ir B  i r

A
Lo importante es que TODAS las columnas de  B  i   son proporsionales a vector modal i 
A
Ademas dado que las matrices del sistema son simétricas, entonces  B  s   es también simétrico
y también es simétrica su adjunta. Y por tanto la líneas de la matriz adjunta también son
proporsionales a i  entonces podemos representar la matriz adjunta para un valor propio como
 B  i     i i i  es decir como

A T
 1i1i 1i2i     1iNi 

         
 2i 1i 2i 2i 
 B  i     i  
A
      
 
        
Ni1i Ni2i     NiNi 
17.4.1. Solucion Espacio de la Frecuencia
 M 11 M 12   
x1   K11 K12   x1   f1 
M       
 21 M 22   
x2   K 21 K 22   x2   f 2 
  M 11 M 12  2  K11 K12    X 1  s    F1  s  
 s    
  M 21 M 22   K 21 K 22    X 2  s    F2  s  

 B  s    X  s    F  s 
 M 11s 2  K11 M 12 s 2  K12 

  B  s     
 M 21s  K 21 M 22 s 2  K 22 
2
 B  s     H  s 
1
 M 22 s 2  K 22 M 12 s 2  K12 
 
   M 21s  K 21  M 11s  K11 
2 2
1
 B  s   
 M11s 2  K11  M 22 s 2  K 22  M 21s 2  K 21  M12 s 2  K12 
B  s   E  s  1  s  2  s  3  s  4 
 M 22 s 2  K 22   M 12 s 2  K12  
 
 X 1  s      M 21s  K 21  M 11s 2  K11   F1  s  
2
   
 X 2  s   E  s  1  s  2  s  3  s  4   F2  s  
 H  s  H12  s  
 H  s     11 
 H 21  s  H 22  s  
M 22 s 2  K 22
H11  s  
E  s  1  s  2  s  3  s  4 

 H11  s  H12  s    F1  s    X 1  s  
   
 H 21  s  H 22  s    F2  s    X 2  s  
H11  s  F1  s   H12  s  F2  s   X 1  s 
H 21  s  F1  s   H 22  s  F2  s   X 2  s 
H11  s  F1  s   X 1  s 
H 21  s  F1  s   X 2  s 
M 22 s 2  K 22
H11  s  
E  s  1   s  1*   s  2   s  2* 
X p s  n  s    n 1  s     1  s    0  s 
n n2 1 0
 H pq  s  
Fq  s   m  s    m 1  s 
m m 1
   1  s    0  s 
1 0
X s   
 s
k
k
p
 k 0
F s n
  s 
k
q
k
k 0
m m
  k  s  X p  s    k  s  Fq  s 
k k
k 0 k 0

m n
  k   s k   X  s      k   s k   F  s 
k 0
  k 0
 
 
m n
    s    X  s F  s      k   s   F  s  F  s 
k H k H
k 0
k
k 0
 
m m
  k   s k  Gxf  s k  Gxf  s       k   s k  Gxf  s k  G ff  s  

k 0
   
k 0
   
m m
1
  k   s k  Gxf  s   G ff  s       k   s k   I 
k 0
   
k 0
 
m n
  k   j k   H        k   j k   I 
k 0
  
k 0
 
m n
  k  j  H pq      k  j 
k k
k 0 k 0
X1  s  c1 c2 c3 c4
H11  s      
F1  s   s  1   s   *1   s  2   s  2* 
M 22 s 2  K 22 c1 c2 c3 c4
   
E  s  1   s  1   s  2   s  2   s  1   s  1   s  2   s  2* 
* * *

M 22 12  K 22
C1   A111
E  1  1*   1  2   1  2* 
M 22 1*2  K 22
C2   c1* A111
*
E  1  1  1  2  1  2 
* * * *
M 22 22  K 22
C3   A112
*
E  2  1   2  1  2  2 
* *
M 22 2*2  K 22
C4   c3* A112
*
E  2  1  2  1  2  2 
* * * *
* *
A111 A111 A112 A112
H11  s     
 s  1   s  1*   s  2   s  2* 
2  A A11* r 
H11  s     11r
 
r 1   s  r 
  s  r*  
2  * 
A A21
H 21  s     21r  r

r 1   s  r 
  s   *
r  
2  A A12* r 
H12  s     12 r
 
r 1   s  r 
  s   *
r  

2  * 
A A22
H 22  s     22 r  r

r 1   s  r 
  s   *
r  
 2  A A11* r  2  A A12* r 
   11r      s      s     
12 r
s  r   s  r*  
 X 1  s    r 1     F  s  
*
 
r 1 r r
   1 
 X 2  s    2  A21r *
A21  2 
A22 r *
A22    F2  s  
   r
    r

 r 1   s  r   s  r   r 1   s  r       
* *
 s r
 A111 A121   A111 A121   A112 A122   A112 A122 

A A221   A211 A221   A212 A222   A212 A222 
 H  s     211
 
 s  1   s  1*   s  2   s  2* 
  M 2112  K 21 
A211 
E  1  1*  i  1  2   1  2* 
  M 12 12  K12 
A121 
E  1  1*   1  2   1  2* 
  M 1112  K11 
A221 
E  1  1*   1  2   1  2* 

 M 22 ¿12  K 22   M 12 12  K12  
 A111 A121   
 211 A221     21 1 21 
A    M  2
 K M  2
 K 

11 1 11
 s  1    1  1   1  2   1  2   s  1  
* *
 
 
 M 22 ¿12  K 22   M 12 12  K12     1  1   1  2  

 
   M 2112  K 21 
 M 
11 1
2
 K11
  2  1 

 2  2 
 A111 A121    1  1   1  2  

A    
 2  1   2  2 
1
 211 A221  
 s  1   1  1*   1  2   1  2*   s  1 
 A111 A121       1  2  

 Q1  1 1
A
 211

A221   2  1   2  2 1
           1  2  

T
 A11r A12 r 
 Q1  1   1   Qr  1 1
A
 21r

A22 r   2 r  2 r  2  1   2  2  r
17.4.2. Solucion Espacio Estado
Para un sistema de varios grados de libertad y utilizando un representación del espacio estado
simétrica

v  t 
x(t )   
v  t 
 As   x (t )   Bs   x (t )   Fs  t 
 C   M   K  0   f  t 
 As    M 0   Bs    0  F  t    
       M  0
s
  
Si representamos la ecuación modalmente
 x(t )    q  t 
Si reconocemos que los modos están compuestos por el base y el conjugado, y si los ordenamos
de la siguiente manera
  *    V  
    d

    \i \ 
     i \    d   
* \ * V
 
Donde
  \i \  
Vd        y      \ * 
*
  i \  
 
Reemplazando la transformación modal de estado y premultiplicamos por   

T
  T  As   q  t     T  Bs   q  t     T Fs (t )

 \ ai \  q  t    \ bi \  q  t      Fs (t )
T
Aplicando la Transformada de Laplace con condiciones iniciales nulas
  a  s   b  Q  s     F (s)
\
i\
\
i\
T
Reconociendo la forma de los vectores modales para la excitación
 f  t   V  
F  t     y   
V   
d
por tanto
0
s
   d 
T Fs (t )  Vd T F(s)

Introduciendo este cambio en la ecuación
  a  s   b  Q  s   V  F(s)
\
i\
\
i\ d
T

Pero  bi \     ai \    
\ \
Despejando la respuesta modal
Q  s     a 
1
\
i\  s   \ ai \     Vd T F(s)
Pero los grados de libertad en el espacio de Laplace
L  x(t )    q  t 
V ( s )
 X ( s)        Q  s 
V ( s )
Reemplazando el valor encontrado para Q  s   

V  s   V    Vd   \
 
1
  Q  s      ai \  s   ai \     Vd T F(s)
d \
 
V  s   d
V     V
 d   
Tomando la primera ecuación
V    a  s   a      V  F(s)
1
V  s   
d
\
i\

\

i\ d
T
 H  s 
Y  H  s   es la función de transferencia.
  \i \  
 
Dado que  ai \  y       son diagonales, entonces
\
  \i*\  
 
 1  
  1 
 ai ( s  i )   ai ( s  i ) 
   
1
 ai \  s   ai \      
\ \
* 

 a ( s  i 
)  1 
i
  
* 
  i
a ( s  i 
) 
Entonces la función de transferencia
 1  
  
 ai ( s  i ) 
   V T
1
 H  s    Vd   \ ai \  s   \ ai \     Vd   Vd    d
T
 1 
  
* 
  ai ( s  i )  

 1  
   T 
 H  s      
*  ai ( s  i )     
   
       
H
 1 
 * 
  ai ( s  i )  
Encontramos la representación modal de la función de transferencia
 i*i* 
H
  
nm T
1 1
 H  s      i i
 * 
i 1  ai s  i ai s  i* 
 
Si usamos el vector de participación modal  i
nm      * *H 

 H  s      
i i i i
i 1  s  i s  i* 
 
Si usamos matrices de residuo
nm   Rri   Rri*  
 H  s        * 
 s   s  i 
i 1
 i 
Alternativamente para el caso de varios grados de liberta
1
 H  s     Z  s  
Puede ser calculada como

 Z adj  s  
 H (s)  
 Z  s  
Donde  Z adj  s   es la matriz adjunta esto puede ser escrito como
 Br 1,1  s   Br 1,nm   s  
 
    
B 
 Bri  s    r  nm ,1  s   Br  nm ,nm   s  
 H  s    
Ari  s  Ari  s 
Que es llamada modelo de denominador común o scalar matrix fraction description.
H  s   Bri  s   Ari  s  
1

17.4.3. La Transformada de Fourier y Función de Respuesta en Frecuencia
Si usamos un único valor para la variable de Laplace s  j la transformada de Laplace se
convierte en la Transformada de Fourier

 X  j     x  t    x  t e jt dt
0
La Función de Transferencia se llama en este caso particular Función de Respuesta en

Frecuencia.
nm  R   Rri*  
 H  j      ri
 
i 1  j  i j  i* 
 
En muchos casos no es necesario calcular la FRF con todos los modos y se utiliza un modelo
reducido
Primero separamos la respuesta con los valores que tienen relevancia en la respuesta y los que
tiene una contribución limitada.
nre  R   Ri*   nm   Ri   Ri*  
 H  j      i
     
i 1  j  i j  1*  i  nr 1  j  i j  i* 
   
Finalmente se dejan solo aquellos con respuesta importante
nre 
 H  j     
 Ri    Ri*  
i 1  j  i j  1* 
 
18. INSTRUMENTACION Y REGISTRO DE VIBRACIONES
18.1.1. Casos Básicos sensores

El sensor se puede representar como un sistema de un grado de libertad amortiguado.
Analizaremos el caso de que este sensor esta adosado a una superficie que vibra bajo excitación
armónica.

Figura 123 Esquema simplificado de un sensor mecánico.
En el sistema mostrado en la figura la estructura tiene una ecuación de movimiento del tipo:
mv t   cv  t   kv  t   p0 sin(t )

Analizamos preliminarmente el caso de respuesta permanente. Luego se generaliza para
condición transientes y permanente y carga arbitraria. La solución permanente es:
P0
 vP (t )  D sin t   
k
18.1.2. Sensor de Aceleración: Acelerómetro
Si se tiene una aceleración aplicada a la estructura del tipo vg (t )  vgo sin t  :
mvT  t   cv  t   kv  t   0
m  v t   vg  t    cv  t   kv  t   0
m  v t   vgo sin t    cv  t   kv  t   0
mv  t   cv  t   kv  t    mvgo sin  t 
mvgo D
v(t )  D sin t    vgo sin t  
k 2
Requerimos que la observación sea proporcional a la aceleración. En el caso básico que la
amplitud máxima de respuesta de desplazamiento sea proporcional a la aceleración.
 v(t )  vg 0

Esto es la base de un acelerómetro.
Para que funcione, requerimos que la dependencia del Factor de Amplificación Dinámica (D) sea
mínima o inexistente. Esto ocurre bajo dos condiciones:
a) Sistema con amortiguamiento arbitrario y   0.2 o,
b) O sistemas con razón de amortiguamiento   0,6  0,7 .
En ambos casos y  debe ser muy grande, es decir ( k  m ). Esto es difícil de realizar y
finalmente se requiere un lector muy sensible.
En la Figura 125 se observa el efecto de la frecuencia y el amortiguamiento del sensor en la
reproducción fiel de la aceleración. En estas figuras se grafica el desplazamiento de la masa del
sensor contra la aceleración de excitación. Para el caso de amortiguamiento 0.7 y frecuencias
altas se obtiene una reproducción casi perfecta. Esto son los valores que utilizan acelerómetros
comerciales orientados a ingeniería sísmica.
Figure 124. Acelerómetros y Acelerógrafos.

Figura 125 Respuesta de sensor de
aceleración bajo excitación arbitraria de
aceleración. Notar el ajuste de amplitud y
fase. Las diferencias están asociadas a la
banda de frecuencias y amortiguamiento
del sensor.
18.1.3. Sensor de Desplazamiento Inercial

Cuando deseamos medir el desplazamiento del terreno se tiene la misma estructura anterior:
mv t   cv  t   kv  t   p0 sin(t )
P0
 vP (t )  D sin t   
k
En este caso se tiene el desplazamiento de la carcasa como incógnita y se deriva dos veces para
obtener su aceleración en función de la amplitud de desplazamiento de la carcasa:
vg (t )  vgo sin   t 
 vg (t )  vgo 2 sin   t 
La aceleración total sobre la masa del sensor y la respuesta es:

m  vg 0 2 
 v(t )   D sin  t   
k
 v(t )  vg 0 2 D sin    
Figura 126Factor de amplificación dinámica de modificado por la razón

cuadrática de frecuencias de excitación y natural de un sistema de un grado
de libertad.
Para que el resultado obtenido sea independiente de la relación  2  D , la masa debe ser mucho
mayor que la rigidez ( m  k ) y   1.5 para   0,6  0,7 .
Un resultado similar se utiliza en medidores de velocidad inerciales, sismómetros o geófonos.

Figura 127 Sensor Medición Directa de Desplazamiento
18.1.4. Entendiendo las Especificaciones de Instrumentos
Tipos de Acelerómetros:
1. Mecánicos (F=ma)
2. Piezoeléctricos, piezoresistivos, capacitivos: convierte un movimiento mecánico en una
señal eléctrica. Piezoeléctricos generalmente utilizan una piezoceramica o cristales puros.
Muy buenos para altas frecuencias y temperaturas. Piezoresistivos son más comunes
para grandes impactos y los capacitivos son mejores para bajas frecuencias.
Figura 128 Esquema de acelerometro piezoresistivo

Los acelerómetros modernos más comunes son los MES micro electro-mechanical Systems
típicas son masas (sísmicas) suspendidas en corte o flexión. El amortiguamiento es dado por un
gas encerrado.
Rango de Medición: Nivel máximo que puede medir el sensor. Típicamente +/- ¿?g.
Sensibilidad (Sensitivity): especificación de nominal de sensibilidad. Típicamente voltaje / g

Tolerancia a la Sensibilidad (Sensitivity Tolerance): establece cuanto puede variar el valor
nominal de sensibilidad al valor real.
Ruido Electrónico (Electronic Noise): Ruido generado por el circuito amplificador. Este puede
estar definido en término de banda o es espectral. Si es banda indica la energía total del ruido en
una banda específica de frecuencias (1-500 Hz). El ruido espectral se establece generalmente
para una frecuencia específica. En general la energía se mide en términos de g.
Respuesta de Frecuencia (Frequency Response): Indica la máxima desviación de la

sensibilidad en una banda de frecuencia. En varios casos industriales solo se da para una
frecuencia especifica (ej. 100 Hz.). Este se da en porcentaje (típico 5 o 10%) o en decibles +/- 3
dB (aproximadamente 40%). La banda está controlada por la resonancia del sistema mecánico
en alta frecuencia y por filtros pasa alto en la baja frecuencia (típicamente para restringir efectos
del amplificador).
dB=20log(S/S_ref).
Figura 129 Distorsion de la sensibilidad por frecuencia (Endevco)
Frecuencia de Referencia: Frecuencia para la cual se establece la sensibilidad y otros

parámetros. Para esta frecuencia los valores son exactos. Tienen una precisión
considerablemente mayor a la que se da para el rango de frecuencia.
Frecuencia Resonante (Resonance Frequency): Resonancia principal mecánica del sensor (de
mayor amplitud). Pueden existir otras de frecuencias menores.

Sensibilidad Transversal (cross axis sensitivity): Efecto de componentes ortogonales. Caso
ideal debiese ser 0%, Sin embargo se observa 5% comúnmente y se considera bajo si es 3%.
Figura 130 Efecto de sensibilidad transversal (Endevco)
Nolinealidad: Medida de la desviación de la medición con respecto al variación teórica lineal. Se

mide típicamente como porcentaje del rango de escala total (FSR) o de la escala (FS).
FSR=FS+FS.

Figura 131 Caracteristicas de Nolinealidad de acelerómetros (Analog Devices)
Ruido: Se puede ver como densidad de ruido y típicamente es ug/sqrt(Hz). Que es la raíz
cuadrada de la densidad de potencia del ruido de salida. El ruido total se obtiene como la
densidad del ruido x sqrt(Banda de Frecuencia x 1.6). Tiene unidades de mg-RMS.
Temperature Output sensitivity xxx
Temperature Output Range: Rango de operación del sensor.
Voltaje o Potencia (Voltaje/Power): voltaje máximo y mínimo que debe ser suministrado. Mayor
al máximo puede dañar al sensor, menor puede impedir funcionamiento del circuito.
Corriente: valor para la operación del sistema.
Bias Output Voltaje: BOV voltaje ajustado por el circuito de amplificación interno para
energización interna.
Desviacion de Cero g: Varias subclasificaciones.

Cero-g-Voltage: Voltage de referencia para aceleración nula.
Cero-g Offset – Temperatura: Desviación con respecto a variación de temperatura
típicamente mg/°C.
Turn On Time: Tiempo requerido para que el sensor alcance el 90% de su BOV final al inicio de
la energización.
Error de Alineamiento de Encapsulamiento: Error de alineamiento del sensor con su carcasa.

Típicamente menor al 1%

Shielding. El sensor puede ser aislado o carcasa aterrizada. En el caso de carcasa aislada la
señal y el circuito de tierra están aislados de la carcasa.
Weight: peso del sensor
Sensing Element Material: (PZT Lead Zirconate Titanate ceramic)
Sensing Element Design: compression, corte o flexion.
Sellado: hermético o en epóxico.
Material de Carcaza: resistencia a corrosión, no magnética.
Tipo de Montaje: hembra perno, perno, perforación, epóxico, etc. Esto tiene una gran importancia
en términos de frecuencia de resonancia con montaje y precisión de medición.
Figura 132 Frecuencia de resonancia versus montaje (PCB)

Figura 133 Importancia de la preparación de la superficie (PCB)

IDENTIFICACION DE SISTEMAS

19. INTRODUCCIÓN
Existe un gran número de métodos utilizados en ingeniería civil para identificar las propiedades
dinámicas de una estructura. Estos métodos se han desarrollado por muchos años y existen
antecedentes de métodos desde los años 1920 pero una actividad común desde los años 1950.
En ingeniería civil la identificación de sistema bajo acciones dinámicas se refiere a la
determinación de las propiedades básicas o modales de una estructura. Se entiende como
propiedades básica la distribución de masa, rigidez y disipación. Las propiedades modales se
refieren a los periodos, amortiguamiento y formas modales del sistema.
En todo proceso de identificación es necesario estimar a priori si el sistema es lineal o no lineal
bajo los distintos niveles de vibración. En general todos los sistemas son nolineales sin embargo
bajo cierto nivel de vibración se comportan esencialmente como lineales. Los métodos de
identificación se pueden clasificar dependiendo de su:
1. Comportamiento lineal o nolineal
2. Del tipo de excitación del sistema
3. Del espacio donde se realice la identificación
4. Del modelo de identificación utilizado o la ausencia del mismo
5. Del nivel de etapas en el proceso de identificación y su complejidad
Todos los sistemas son no lineales ante a partir de un determinado nivel de condiciones de
excitación o respuesta. En estructuras de hormigón la propia curva esfuerzo-deformación del
material genera cambios importantes de la rigidez en función de la deformación. En el caso de
hormigón reforzado la apertura y cierre de microgrietas genera este cambio de rigidez que en el
caso de no propagarse en exceso es considerado recuperable y por tanto elástico. ES decir el
sistema es nolineal elástico. Por tanto no es posible en estos casos tener una precisión sobre las
propiedades sino más bien un rango en función del parámetro de demanda o respuesta que
controla o detecta este tipo de comportamiento. Un ejemplo clásico de esta situación fue descrita
por Keightley et al en 1961 en el cual dependiendo del nivel de fuerza ejercida sobre la estructura
el periodo de resonancia variaba y además este dependía de la si la variación del incremento de
frecuencia de excitación era positivo o negativo. En fenómeno clásico de sistemas con
componente friccional.

Figura 134 Respuesta de aceleración máxima bajo excitación forzada monofrecuencial.
Efecto de Nolinealidad en las curvas en función de la masa y la dirección de la
variación de la frecuencia.
Dado lo anterior toda evaluación debe considerar esta no linealidad y la estimación deberá indicar
para que rango respuesta fue evaluada esta situación. Ejemplos de este tipo de fenómeno se
aprecian Boroschek (2011 a, 2011 b, 2013).
Debido al gran tamaño de las estructuras de ingeniería civil las fuentes de excitación difieren
considerablemente de las utilizadas en otras áreas del conocimiento como es la mecánica y la
geotecnia. En general los métodos de excitación son controlados o no controlados y dentro de
estos se pueden clasificar como:
1. Meteorológicos y en particular el viento.
2. Uso y operación: persona, ascensores, maquinas etc.

3. Vibración forzada externa. Esta puedes ser monofrecuencial, impulsiva o arbitraria.
4. Vibraciones sísmicas
20. VIBRACIONES AMBIENTALES Y FORZADAS
20.1. VIBRACIONES FORZADAS
20.2. VIBRACIONES AMBIENTALES
Las propiedades dinámicas derivadas de vibraciones ambientales corresponden a amplitudes de

movimiento relativamente menores, donde aceleraciones del orden de 0.005 g no son extrañas.
Debido a esto los valores obtenidos pueden modificarse sustancialmente si la estructura o
edificación tiene un comportamiento no lineal con respecto al nivel de microvibraciones. Este
comportamiento no lineal puede asociarse a un cambio de rigidez por rompimiento de fricción
entre elementos, o desvinculación de la interacción entre la estructura y elementos no
estructurales o elementos estructurales secundarios que son dañados en un movimiento más
severo.
21. CRITERIO DE CALIDAD MODAL

Este índice escalar permite comparar las similitud (linealidad) de dos formas modales. Este no
incluye un chequeo de la ortogonalidad en los términos clásicos y por tanto permite independizar
errores de un modelo con la comparación propia de las formas modales.
Modal Assurance Criteria
 i   j 
H 2
MAC (i, j ) 
( i   i )( j   j )
H H
Notar que esta expresión compara las formas pero predomina los números grandes en relación
a los diferencias pequeñas (número pequeños).
También aunque menos usado se puede comparar los vectores a través de relaciones de
ortogonalidad. Por ejemplo la comparación llamada pseudo ortogonal:
 0 i j
 M   j exp/ Modelo    M
T
 i exp 
 j i j
Se considera que si los valores fuera de la diagonal son menores al 10% esta ok. El problema de
no ajuste puede provenir de la matriz de masa o de su condensación. El criterio MAC se
independiza de esto.
También es importante el factor de escala modal.
Modal Scale Factor

 i   j 
H *
MSF (i, j ) 
 i   i 
H
Figura 135 MAC de dos de matriz de vectores
22. PROCESOS ESTOCASTICOS
22.1. PROCESOS ALEATORIOS

En nuestro caso se define un proceso estocástico o aleatorio como una secuencia o colección de
una variable x (t) que para un conjunto de tiempos t1 , t2 , t3 , tn definen la variable aleatoria
x  t1  , x  t2  , x  t3  , , x  tn  y que esta tiene una distribución definida como p  x, t  .
La distribución más común para los problemas de vibraciones es que la distribucioin corresponda
a un proceso Gaussiano.
Los momentos permiten caracterizar el proceso

Valor Esperado  x  t1   E [x  t1 ]   x  t  p  x, t  dt
1 1

Dato que el proceso no es necesarimaente estacionario los valores esperados dependen del
tiempo.


Varianza  x2  t1   E   x  t1    x  t1       x  t     t   p  x, t  dt
2 2
  
1 x 1 1
Autocorrelación Rx  t1 , t2   E   x  t1    x  t1    x  t2    x  t2   
T
1
T  T 
Media Temporal x  lim x (t) dt
0
T
1
Varianza Temporal Var  x   lim   x(t)  x 
2
dt
T  T
0
T
1
AutoCorrelación Temporal R    lim
T  T   x(t)  x   x  t     x  t    dt
0
22.2. PROCESO ALEATORIO ESTACIONARIO

Un proceso aleatorio es estacionario si las estadísticas del proceso aleatroio, es decir su valores
esperados, son independiente del teimpo.
Las estadisiticas o esperanczas de un proceso estacionario no necesariamente son iguales a los
promedios temporarles. Pero si las estadísticas son iguales a los promedios temporarles se dice
que el proceso es ERGODICO.
En el caso de ser ergodico entencoes

 x  t   E [x  t ]   x  t  p  x, t  dt  cte . En general se considera una media cero o se ajusta a

esta.

 x2  t   E   x  t       x  t   p  x , t  dt
2 2
  
Rx  t , t     Rx    E  x  t  x  t    
Este proceso tienen las siguientes propiedades
Rx  0   variance= 2   RMS   0
2
Rx    Rx   
Rx  0   Rx  

22.3. RUIDO BLANCO
En señales y registro de vibraciones una señal aleatoria es se considera un ruido blanco cuando
posee un espectro de densidad de potencia constante. El término de ruido se refiere a que las
distintas muestras del proceso no están correlacionadas y tienen media nula. En general se indica
que las muestras tienen la mismas distrubucion de probabilidad. En nuestro caso típicamente se
considera una distribución Gaussiana.
Dado que en general nuestras señales son discreta y de banda limitada se considera que una
señal es un ruido blanco en la banda de interés en el problema.
El término ruido blanco gaussiano implica que las muestra no están correlacionadas (ruido), que
las amplitudes toman valores de acuerdo a una distribución normal (gaussiano) y que el espectro
de densidad de potencia es constante (blanco).
Figura 136 Ruido Blanco Distribucion Normal (dinaruidoblanco.m)

Figura 137 Ruido Blanco Distribucion Gaussiana
Figura 138 Ruido Blanco Distribucion Gaussiana. Para una secuencia de 10000
realizaciones. Distribucio para la realización numero 50 y para el tiempo 20 a todas las
realizaciones. (dinaruidoblanco.m)

23. CORRELACION Y COVARIANZA
La correlación cruzada está definida para series aleatorias estacionarias como:
Rxy ( )  E[ x(t   ) y (t ) ]  E  x(t ) y (t   ) 

* *
 
La auto correlación se define como:
 T /2
1
Rxx ( )  E[ x(t ) x(t   )]   x(t ) x(t   )  T T/ 2
 x(t ) x(t   ) dt  limT  x(t ) x(t   )dt

Si se remueve la media de los registros se llama covarianza:
C xy ( )  E[ x (t   )   x   y (t )   y  ]  Rxy ( )   x  *y
*
Para señal transientes:


Rxx ( )  E[ x (t ) x (t   )]   x(t ) x(t   )   x(t ) x(t   )dt

Para señales estacionarias

T /2
1
R xx ( )  E [ x (t ) x (t   )]  lim T   x (t ) x (t   ) dt
T T / 2
En términos de matemática discreta la correlación de dos señales periódicas con duración N, se

obtiene mediante la siguiente fórmula (time-ambiguity function):
N  j 1
Ryx ( j )  
k 0
yk  j  xk* j0
Ryx ( j )  Ryx ( j ) j0
Notar que en Matlab Ryx ( j )  0 para j  0
Además en Matlab no se normaliza la correlación. Existen varias maneras de hacerlo:

N  j 1
1
 Biased: R yx ( j ) 
N

k 0
yk  j  xk*
N  j 1
1
 Unbiased: Ryx ( j ) 
N j
k 0
yk  j  xk*
 Normalizado a valor 1 en lag 0.

 Y sin normalización (Matlab tiene esta como default).
Ejemplo (dinacorrela.m):
x = [1 1 1]

y = [1 1 1]
Corr_x_y = [1 2 3 2 1]
corr_xyBiased = [0.3333 0.6667 1.0000 0.6667 0.3333]
corr_xyUnBiased = [1 1 1 1 1]
corr_xyNorm = [0.3333 0.6667 1.0000 0.6667 0.3333]
Notar que la longitud es 2N-1.
En la figura se muestran dos casos de correlación:
Figura 139 Correlación de Ruido Blanco Gaussiano

Figura 140 Correlación de Función Seno
Figura 141 Respuesta de 1GDL a ruido blanco

Figura 142 Correlación de la respuesta de desplazamiento, velocidad y aceleración
a la excitación de un ruido Gaussiano. Notar en este caso que la función de
correlación no decae totalmente y posee un valor mayor en un solo punto para lag
cero, especialmente en aceleración. Esto es consecuencia de la aproximación de
una serie no infinita. Esto fenómeno se puede reducir.
Un proceso aleatorio x(t) estacionario tiene las siguientes propiedades:

  E[ x(t )]  cte
 2  Var ( x(t ))  E[( x(t )   E[ x(t )])2 ]  cte
Una señal de ruido blanco perfecto, tienen un valor alto para t=0, y nulos en otros valores de
desplazamientos. En la práctica debido a que las series no son infinitas y el ruido puede no ser
totalmente blanco la correlación presenta un valor alto para cero desfase y luego decae
rápidamente para valores crecientes de t, negativos o positivos.

24. CORRELACIÓN Y ESPECTRO DE POTENCIA
De acuerdo a la relación Wiener-Kinchin se demuestra que la R xx ( ) y S xx ( f ) forman un par de
transformada de Fourier. Por tanto el espectro de densidad de potencia (PSD) es la transformada
de Fourier de la autocorrelación.

1
S xx ( f ) 
2
R

xx (t )e  ift dt
En el caso de una señal de ruido blanco se tiene
Rxx    E  x  t  x  t     Rxx     2 ( )


Dada la propiedad del Delta de Dirac  f  t   t  a  dt  f  a 

El espectro de potencia en este caso es


2
   ( )e d 
 if 
S xx ( f )  1
2
2
 2
Es decir, el espectro potencia de un ruido blanco es una constante.
24.1. ESTIMACION DE CORRELACION Y ESPECTRO DE POTENCIA

En el caso real los vectores son limitados en el tiempo y discretos por tanto tenemos una
estimación de la correlación:
Rr  E  yk  r   yk 
La estimación se define como

N 1
1
Rˆ r 
N
y
k 0
k r yk
El espectro es calculado como la transformada z de Rr


S yy  z   Rz
r 
r
r
Dada las propiedad de simetría es fácil de demostrar que
 R r    Rr 
T
El espectro es por tanto
S  z   S  z   S  z 
T
  1
yy yy yy
Donde


S yy  z   R0 / 2   Rr z  r
r 1
Este valor puede ser calculado utilizando la transforma de Fourier


S yy  e jt   R0 / 2   Rr z  jt
r 1
Dado que en experimentos reales no podemos leer un número infinito valores, existen dos
procedimientos desarrollados para estimar el espectro:
1. El períodograma promedio ponderado (Welch, 1967) que opera directamente sobre la
señal
2. Correlograma ponderado (Tukey y Blackman, 1958) que primero obtiene las correlaciones
en el espacio del tiempo y luego las transforma al espacio de la frecuencia.
La ponderación consiste en la aplicación de una ventana de tiempo aplicada a la señal para
reducir el leakage (derrame).
24.1.1. Estimación del Períodograma

El procedimiento consiste en los siguientes pasos.
1. División de la serie en L segmentos de M s muestras
2. Cada segmentos tiene un punto de inicio ms y una longitud M s
0  ms  M s  1
y   y m
l
: ms  M s  con 
 1 l  L
Ms s
3. La señal es multiplicada por una ventana para disminuir el leakage.
 y   win   y 
l l
Ms
4. La señal puede ser expandida con ceros para mejorar la resolución de la transformada de
Fourier
 y l  
 0  
y l

 0 
5. Se calcula la transformada de Fourier, el espectro de potencia y se normaliza
 L
S yy   
1
    y0     y  
H
l l
M s 1 0
L  win  i   l 1
2
i 0
l 2
 , l  0,1,..., M s  1
M s  M 0 t

24.1.2. Estimación Correlación
El procedimiento consiste en
1. División de la serie en L segmentos de M s muestras
2. Cada segmentos tiene un punto de inicio ms y una longitud M s
0  ms  M s  1
y   y m
l
: ms  M s  con 
 1 l  L
Ms s
3. Estimación de la Correlación para cada segmento

N 1
1
Rˆ r 
N
y
k 0
k r yk
4. Transformación al espacio de la frecuencia utilizando una ventana


Sl ( )   winl    Rl 
5. Suma y promedio de todas los segmentos
  1 L
Sˆ ( )   Sl ( )
L l 1
Ejemplo
Notar que la comparación debe realizarse utilizando modificaciones comparables de la
serie de tiempo.

Figura 143 Verificación de la relación Wiener-Kinchin
24.2. CORRELACIÓN DE LA RESPUESTA DE UN SISTEMA DE 1 GDL

Una propiedad importante que se utilizará en el proceso de identificación es las propiedades de
la respuesta de un sistema de lineal elástico de un grado de libertad ante la excitación de ruido
blanco.
En el caso continuo ideal la respuesta de un oscilador de 1 GDL se puede expresar en términos
de la integral de convolución como
 
y (t )  x(t )  h(t )   x( )h(t   )d   x(t   )h( )d
 
La esperanza de un valor E   se utiliza para expresar el promedio de un conjunto de valores a

través de todos los el conjunto
 
E  y (t )   E   x(t   )h( )d 
  
Dado que la integral y el promedio son lineales podemos intercambiar el orden


E  y (t )    E  x(t   )h( )d

Para procesos estacionarios E  x (t)  es constante y por tanto


E  y (t )   E  x(t )   h( )d


Que indica que la media de la respuesta es igual a la media de excitación modificada por la
integral de la respuesta al impulso. En general las media tienen un valor de cero.
Para el caso particular de autocorrelacion podemos escribir

 
y( t ) y(t   )   x(t  

1 )h( 1 )d1  x( t     2 )h(  2 )d 2

Si las integrales son convergentes podemos escribir como una doble integral y luego estimamos
la media del conjunto
E  y( t ) y(t   )  E   x(t  1 )h( 1 )x( t     2 )h(  2 )d1d 2 
Intercambiando el orden de los operadores lineales y reconocimiento la definición de

autocorrelación
Rxx    E  x  t  x  t    Y en nuestro caso
Rxx   1   2   E  x  t  1  x  t     2 
La relación entre autocorrelación de excitación y respuesta es
Ryy (  )  E  y( t ) y(t   )  E   x(t  1 )h( 1 )x( t     2 )h(  2 )d1d 2 
Ryy (  )  E  y( t ) y(t   )   Rxx   1   2 h( 1 )h(  2 )d1d 2
24.2.1. Respuesta de un sistema de 1 GDL ante Ruido Blanco

Para el caso en que la excitación es ruido blanco
Rxx    E  x  t  x  t     Rxx     2 ( )
Y la autocorrelación de la respuesta en este caso es
Ryy (  )  E  y( t ) y(t   )   Rxx   1   2 h( 1 )h(  2 )d1d 2
Ryy (  )    2 (   1   2 )h( 1 )h(  2 )d1d 2
Reemplazando el función de respuesta impulsiva

1
sin D1  sin D 2  d1d 2
  1 2 
Ryy (  )    2 (   1  2 )e
D
La primera integral se obtiene rápidamente al reconocer que solo existe el valor de  (   1   2 )
para  2    1


2
sin  D1  sin  D  1  d1
    21 
Ryy (  ) 
D e
0
La cual se puede reducir con fórmulas de integración a
 2     
Ryy (  )  e 
 1  2
sin      cos      Para   0

4D3 
D D
 
Para   0 la función es simétrica
Y para   0 es continua para la respuesta (desplazamiento), para velocidad (primera derivada) y
para la aceleración es discontinua.
Es decir la respuesta es muy similar a la de un sistema de 1 GDL bajo un desplazamiento de
2
amplitud
4 D3 
Esta misma solución la encontramos a partir de la las definición de espectro en el espacio de la
frecuencia
S yy ( )  H ( ) S xx ( )
2
1
S yy ( )  2
S xx ( )
   2   
 1     2i    
4
       
1
S yy ( )  S xx ( )
      2 
2
 
2
  1   
4
   2     

   
       
Ejemplo
T=0.5
  0 .7

Figura 144 Autocorrelación de la Respuesta de Desplazamiento, Velocidad y
Aceleración. Notar la no tendencia a cero de los valores y la singularidad en el valor de
aceleración para   0 (dinacorrela.m)
25. ESTIMACIÓN DE LA FUNCIÓN DE RESPUESTA EN FRECUENCIA FRF


En el espacio del tiempo la respuesta de un oscilador de 1GDL y (t )   x( )h(t   )d

Del teorema de convolución:

Y ( f )  X ( f ) H ( f ) Por tanto H ( f )  Y ( f ) X ( f )
1 Na
 Y( f ) 
Una estimación se puede obtener de: Hˆ ( f )   X ( f )  sin embargo puede sufrir de
Na n 1  n
división por ceros que existan en X ( f ) . Por tanto se utilizan otros estimadores dependiendo si
se reduce el ruido en la entrada o en la salida.

Este estimador es mejor cuando el ruido es en la salida o cuando hay varias señales de entrada
Y ( f ) X * ( f ) SYX
H1 ( f )  
X ( f ) X * ( f ) S XX
Este estimador es mejor cuando el ruido es en la entrada o cuando hay leakage o alias
Y ( f )Y * ( f ) SYY
H2 ( f )  
X ( f )Y * ( f ) S XY
Es importante notar que la FRF es única independiente si la señal es determinística, estacionaria,
o no estacionaria.
Para el cálculo de Hˆ ( f ) se utilizan los estimadores siguientes:

Na Na
1 1
Sˆ XX ( f ) 
Na
  S XX n , SˆYY ( f ) 
n 1 Na
S 
n 1
YY n
,
Na Na
1 1
Sˆ XY ( f ) 
Na
  S XY n ,
n 1
SˆYX ( f ) 
Na
S 
n 1
YX n
Se puede demostrar que los estimadores de FRF son estimadores cuadráticos (least squared) y
poseen un coeficiente de correlación que en el espacio de la frecuencia está definido por la
coherencia como:
 Sˆ 
2
 2  Sˆ XY ( f ) XX ( f ) SˆYY ( f ) que debe estar en 0 y 1. Cuando no es 1 se debe a:
1. Ruido no correlacionado.
2. Nolinealidad del sistema evaluado.
3. Leakage
4. Desfase en registros no compensados.
Los errores estadísticos en los estimadores FRF y coherencia son función del valor de la
coherencia y el número de promedios (dinacoherencia.m)
2 1   2 
 r ( ) 
2
2 N a 2
1  2
 r (H ) 
2 N a 2

Figura 145
La coherencia se utiliza para generar la Potencia de Salida Coherente (Coherence Output Power
COP), que es una medida de que parte del espectro de salida  SYY  es totalmente coherente con
la señal de entrada  S XX 
COP   2 SYY
Y la razón señal ruido. En la cual todas las señales no coherentes son consideradas como ruido
2
S/N 
1  2
Ejemplo (dinacoherencia.m)
NGDL = 10 f n   0.53 1.58 2.60 3.56 4.43 5.21 5.88 6.41 7.04

26. IDENTIFICACIÓN EN EL ESPACIO DE LA FRECUENCIA
26.1. INTRODUCCIÓN
Para identificar las propiedades dinámicas de la estructura utilizando el espectro de densidad de
potencia o la transformada de Fourier es necesario identificar las frecuencias predominantes y
la relación de amplitud. Esta información indicará los períodos fundamentales y las formas
modales. El amortiguamiento viscoso equivalente () puede ser obtenido utilizando el método
de ancho de banda, teniendo cuidado en que su uso se adecue a la forma de presentación de los
resultados (amplitud al cuadrado o no).
De la función respuesta en frecuencia se tiene:
t
y (t )   x ( ) h (t   ) d y: salida x: entrada
0
y del teorema de convolución:

Y ( f )  X ( f )H ( f )
La señal de salida y (t ) es conocida (medida), pero la excitación x(t ) puede ser conocida o
desconocida.
*
Multiplicando por Y ( f ) se obtiene
Y * ( f )Y ( f )  H * ( f ) X * ( f ) X ( f ) H ( f )
S yy ( f )  Y ( f )  H ( f )* X ( f ) H ( f )
2 2
Si la excitación es o se asume como ruido blanco y por tanto con las siguientes propiedades:
1. Es una señal aleatoria estacionaria donde dos instantes de tiempo no tienen correlación.
2. El espectro potencia del ruido blanco tiene la propiedad de ser constante S0 .
Se puede relacionar el Espectro Potencia S yy ( f ) con la función de respuesta en frecuencia.

Aplicando la propiedad del ruido blanco de entrada
2
Y( f )  H * ( f ) H ( f )  So H ( f )
2 2
(15)
2
Dado el hecho que  es constante, se tiene finalmente la relación entre el espectro potencia de
la señal de salida y la función de respuesta en frecuencia.
Como x(t ) es una señal aleatoria real y no necesariamente blanca es conveniente realizar una
estimación robusta de S yy ( f ) , no basta con calcular el espectro de potencia de Y ( f ) a partir de
un solo evento. Si se desea construir alguna relación que caracteriza la relación entre la
frecuencia y la potencia de un sistema, se debe considerar el promedio de S yy ( f ) sobre distintos
eventos. Métodos de Identificación en el Espacio de la Frecuencia

La base de los métodos de identificación en el espacio de frecuencia para excitación de ruido
blanco es la ecuación
 S yy  j     H  j    S com   H  j  
H
La matriz resultante contiene el producto del espectro de potencia para entre cada canal de
registro y para todas las frecuencias. Así si tenemos tres sensores midiendo la respuesta se
genera una matriz tridimensional de los espectros de potencia (auto y cruzados). La tercera
dimensión de la matriz corresponde a cada valor de frecuencia discreto.
 S11 k  S12 k  S13 k  

 
S  l , m, k    S 21 k  S 22 k  S 23 k  

yy
 S31 k  S32 k  S33 k  
k  0:nre
Reemplazando la representación modal en la ecuación
 S yy  j     H  j    S com   H  j  
H
n n  
i  i  i* i*      * *H
H

H
 
 
 S yy  j     
r r
S  s  
 i 1 s 1  j    j   * 
s s s
 com  j  s j  s*  
  i i
    k 0:n
re
Esta expresión se puede convertir en fracciones parciales
i  i i* gi*  gi i   gi*s 

 nr    g T H T H

 S  j      

   
yy
 i 1  j  i j  i* j  i j  i* 
    k 0:nre
Donde es vector operacional de referencia para el modo i que reemplaza al factor de participación
modal en caso de que solo se utilicen respuestas.
En espacio del tiempo esta ecuación es idéntica a la matriz de correlación
 
nr
C yy     i   gi  ei  i* gi* ei    gi i  e   gi*s  e
T H * T  i  H i* 
i 1
Para disminuir los efectos del ruido se utilizan solo los dos primeros términos de la expresión para
valores positivos de 
 
nr
C yy     i   gi  ei  i* gi* ei 
T H *
i 1
En el espacio de frecuencia esto corresponde a

 S yy  j      
i 
 nr    g T
i  
i
*
 g i 
* H 

 i 1  j  i j  i* 
    k 0:nre
Esta matriz con valores de polos positivos es llamada medio espectro de potencia positivo.
Una suposición básica de amortiguamiento menor permite desarrollar dos métodos clásicos de
identificación: Selección de Máximos (Peak Peaking) y Descomposición en el Espacio de la
Frecuencia.
26.1.1. Método de Selección de Máximos
i  gi 
T
El termino se puedes expresar en función de espectro de potencia de excitación
constante y los parámetros modales.
 nr 
s* g s* 
H
  
T
g
i  gi   i  i   So     
T T s s
s 1 j  s j  s* 
    k 0:nre
Cuando el valor de s se acerca a i  ii  ji 1  i la contribución del modo i domina y

2
está dado por

1

i  i   So  i  i  
H
i  gi  
T T T
2 ii
Y dado que es el amortiguamiento es muy pequeño se puede aproximar a un escalar
multiplicando a los vectores modales
i  gi   di i i 

T H
Reconociendo que solo un subgrupo de frecuencia tienen importancia entonces

   d i i i  H d i i i  H 
 S yy  j     

 
  Subi   Sub   j  i j  i* 

d   
H
 S yy  j     i i i
ii
Si consideramos las constantes
di
i  
 i i
Podemos aproximar el espectro como
 S yy  j   i i i 

H

Ejemplo
Identificación de parámetros dinámicos del Edificio de la Cámara Chilena de la Construcción
Tiempo registro: 60 min

Frecuencia muestreo: 100
Filtro: Pasa Banda Butterworth [0.05 – 25]Hz
Tamaño ventana: 60s
Overlap: 30s
Ventana: Hamming
Figura 146 Espectro de Densidad de Potencia
Del períodograma se distinguen 5 frecuencias. [1 1.6 3.4 3.5 4.6] Hz. La estructura tiene dos
modos acoplados en 1Hz, pero el método PSD no logra identificarlo. En torno a 3.5 se puede
suponer 2 modos, pero no existe certeza. En torno a 1.6 se distingue claramente un modo.
26.1.1. Estimación Preliminar del Amortiguamiento

En el caso del espectro de Fourier ( H ( f ) ) se puede utilizar la fórmula.
f 2  f1
   1 2
f 2  f1

Para el caso del espectro de potencia (|H(f)|2) se debe usar (A-4):
f 22  f12
  0 .5 A  1  0 .3 7 5 A 2  A
f 22  f12
En ambos casos el procedimiento es fácilmente programable para la determinación automática
de estos valores.
Es importante hacer notar nuevamente que se deben realizar estudios cuidadosos con los
resultados del análisis de Fourier ya que estos están fuertemente influenciados por la selección
de filtros, período y ventanas de muestreo, y duración del segmento utilizados en el análisis.
26.1.2. Descomposición en el Espacio de la Frecuencia

El método está basado en el trabajo de Brincker et al 2000, 2001.
El método consiste en la descomposición de valores propios de la matriz espectral positiva para
cada valor de frecuencia.
 S yy  j     H  j    S com   H  j  
H
 
svd  S yy  ji    U  i    \ S  i  \  U  i  
H
Cuando la matriz de espectro de potencia se aproxima a un valor de resonancia se convierte

prácticamente en una matriz de rango 1.
 S11 r  S12 r   S1l r  

 
S   S22 r   S2l r   SVD
 S yy  jr     21 r  S11 r  u1 r u1 r 
H

 r
     
 
 S1l r  Sl 2 r   Sll r  
Si solo existe un solo modo dominando en la frecuencia r entonces el vector unitario se puede
aproximar a la forma modal respectiva.
ˆ   u  
r 1 r
Cuando existen raíces cercanas o repetidas este procedimiento permite identificarlos en forma
independiente, incluso en situaciones de ruido importante. Los modos pueden ser encontrados
en este caso a partir de la propiedad de ortogonalidad de los mismos.
Para determinar el amortiguamiento es necesario utilizar el desarrollo de Brincker et al 2001
llamado Descomposición Mejorada en el Espacio de la Frecuencia (EFDD de sus siglas en inglés
Enhanced Frequency Domain Decomposition).
En este caso se utiliza la descomposición modal para esto se selecciona una banda alrededor de
frecuencia r en la cual el vector ˆ  son similares, típicamente mayor a 0.8. La banda
r
seleccionada se transforma al espacio del tiempo, es decir una estimación de la correlación de

un sistema de un grado de libertad. Luego se puede estimar el amortiguamiento utilizando
decremento logarítmico (NO lo recomiendo)
1 p 
  1n  0 
k  pk 
Y el amortiguamiento como


  4 2
2
Las frecuencias naturales del promedio de los cruces por cero y la estimación del
amortiguamiento.
d

1  2
Una técnica más robusta es la indicada en el texto en capítulo 5.6.2
26.2. EL ESPECTROGRAMA COMO ELEMENTO DE IDENTIFICACIÓN

El espectrograma o tranformada corta del espectro de Fourier es una herramienta poderosa de
visualización de componentes predominantes de frecuenica en una señal. Es una de las
descomposiciones más importantes del espacio tiempo. Un excelente resumen de este tipo de
descomposición se desarrolla en la Referencia [Cohen].
La figura adjunta presenta el concepto básico del espectrograma el cual se divide en las
siguientes etapas:
a. Selección de tamaño y tipo de ventana.
b. Extension de longituda de ventanas agregando ceros.
c. Tranformada de Fourier.
d. Selección de identificador temporal de la ventana (inicio, punto medio, otros).
e. Grafico 3D tiempo-frecuencia-amplitud.
El desplazamiento de la ventana puede ser a paso constante y con traslapo entre ventanas.
El espectrograma permite identificar con cierta facilidad la variación de frecuencias existentes en
un registro.

Figura 147 Proceso de Elaboracion de un Espectrograma

Figura 148 Proceso de Elaboracion de un Espectrograma

Figura 149 Espectrograma de la detención de un harnero.

Figura 150 Espectrograma del movimiento de un Shiploader.
26.3. TRANSFORMADA DE HILBERT HUANG

Existen muchas transformaciones tiempo-frecuencia. Otra que ha tenido mucha aplicación en
ámbito de la Ingeneria Civil Estructural es la Transformada de Hilbert Huang.
27. BASES PARA LA IDENTIFICACION EN EL ESPACIO DEL TIEMPO
27.1. CONCEPTOS DE PROCESOS ESTOCÁSTICOS

Un proceso estocástico es aquel proceso que su caracterización se realiza mediantes sus
propiedades estadísticas. Un proceso posee un conjunto de variables aleatorias dependientes
del tiempo.
En nuestro caso asumiremos procesos que son estacionarios, ergódicos y de media cero.
Estacionario significa que sus propiedades estadísticas son constantes en el tiempo. Ergódico
significa que sus propiedades estadísticas pueden ser calculadas en el promedio sobre varias

realizaciones en un instante de tiempo o usando el promedio de valores de solo una realización
en el tiempo. La media cero corresponde a proceso que en general sea eliminado su valor medio.
Una de las propiedades más relevantes que usaremos es la función de correlación. En el caso
continuo y un proceso estocástico g (t ) con N g componentes la matriz de correlación se expresa:
T /2
1
 Rgg ( )   lim   g (t ) g (t   )
T
   T  T T / 2
N g xN g
Los elementos de la diagonal se llaman autocorrelación y los fuera de la diagonal correlación

cruzada. Si la señal es discreta y solo existen valores distintos a cero para t  0
 
1 N 1
N
T  k 0

 Rgg ( )   E  g k  g k    lim    g k  g k  
T T

El operador E  g  es la esperanza y entrega el valor medio de g cuando el número de
realizaciones del proceso estocásticos es infinito. Dado el número de datos N g es finito, por lo
tanto el estimador de la matriz de correlación es
  g  g  
N 1
1
 Rî   T
  N k 0
k i k
Dado que la media es cero la covarianza y la correlación son idénticas. Esta matriz puede ser
calculada aplicando la transformada de Fourier.
27.2. ALGUNAS PROPIEDADES DE LOS SISTEMAS ESTOCÁSTICOS.

Si el proceso estocástico es de tipo estacionario con una media nula se tiene que:
E  zk  zk      
T
 
E  zk   0
Donde la matriz de estado de covarianza    es independiente del tiempo k . Dado que wk  y
vk  tienen media cero y son independientes del estado actual  xk  , se tiene:
E  xk wk     0
T
 
E  xk vk     0
T
 
De la misma forma la matriz de covarianza de outputs  Ri    lxl se define como:
 Ri   E  yk i  yk  
T
Donde i es un paso arbitrario dentro del registro. La matriz de covarianza de “salida siguiente”,
G    nxl se define como:

G   E  zk 1 yk  
T
De las definiciones es posible deducir las siguientes relaciones (Van Overschee y De Moor, 1996):
Propiedad 1
   A A  Q 
T
Demostración
Si E  zk  zk        E  zk 1 zk 1     
T T
   
Pero  zk 1   A zk   wk 
Luego,
    E  A zk   wk  A zk   wk  

T

 E  A zk   wk   zk 
  T
 A  wk  
T T
  E  A zk  zk   A   A zk wk   wk  zk   A  wk wk  

T T T T T T
  E  A zk  zk   A   E  A zk wk T   E wk  zk T  AT   E wk wk T 

T T
      
   A E  zk  zk    A   A E  zk wk     A E wk  zk    E wk wk  
T T T T T T
   
 0  0
   A E  zk zk    A  E wk wk  

T T T
 
   A A  Q
T
Propiedad 2
 R0   Cd Cd    R 
T
Demostración
Si  Ri   E  yk i  yk     R0   E  yk  yk  
T T
   
Pero  yk   Cd  zk   wk 

Luego,
 R0   E Cd  zk   vk  Cd  zk   vk    E C  z   v    z T C T  v T 

  d k
T
k k d k  
 R0   E Cd  zk  zk  Cd   Cd  zk vk   vk  zk  Cd   vk vk  
T T T T T T
 R0   E Cd  zk  zk  Cd    E Cd  zk vk    E vk  zk  Cd    E vk vk  

T T T T T T
 R0   Cd  E  zk  zk   Cd   Cd  E  zk vk    Cd  E vk   zk    E vk vk  
T T T T T T

     
 0  0
 R0   Cd  E  zk  zk   Cd   E vk vk  

T T T
 
 R0   Cd   s  Cd    R 
T
Propiedad 3
G    ACd    S 
T
Demostración
G   E  zk 1 yk   E  A zk   wk  zk  Cd   vk  
T T T
G   E  A zk  zk  Cd    A zk vk   wk  zk  Cd   wk vk  

T T T T T T
G   E  A zk  zk  Cd    E  A zk vk T   E wk  zk T Cd T   E wk vk T 

T T
      
G    A E  zk  zk   Cd    A E  zk vk    Cd  E wk  z k    E wk vk  
T T T T T T

     
 0  0
G    A E  zk  zk   Cd   E wk vk  

T T T
 
G    A  s  Cd    S 
T
Propiedad 4
Para i  1, 2,...
 Ri   Cd  A G 
i 1
 Ri   G   A  Cd T   Ri T

T i 1 T


Demostración
Dado que   i   E  yk i    yk  
T
 
Para i  1 :
 R1   E  yk 1 yk  
T

 R1   E Cd  zk 1  vk 1Cd  zk   vk  

T
 R1   E Cd  A zk   wk   vk 1Cd  zk   vk  

T
 R1   Cd  A E  zk  zk   Cd   Cd  S 

T T
 R1   Cd  ACd   Cd  S 

T
 R1   Cd   A  Cd    S   Cd G   Cd  A G 

T 0
Para i  2 :  R2   E  yk  2  yk  
T
 
 R2   E Cd  zk 2   vk  2 Cd  zk   vk  

T
 R2   E Cd  A zk 1  wk 1  vk  2 Cd  zk   vk  

T
 R2   E Cd  A A zk   wk   wk 1  vk  2 Cd  zk   vk  
T
 R2   E Cd  A A zk   Cd  Awk   Cd wk 1  vk  2  zk  Cd   vk  
T TT
Es fácil demostrar después de realizar el producto
 R2   Cd  A ACd   Cd  A S 

T
 R2   Cd   A A Cd    A S 

T
 R2   Cd  A  ACd    S 

T

 R2   Cd  AG 
Por inducción se tendrá para i
 Ri   Cd  A G  .
i 1
En forma similar se demuestra
 Ri   G   A  C 
T i 1 T T
d
27.3. ECUACIÓN DE DATOS OBSERVADOS

Podemos construir varios métodos de identificación de sistemas a partir de la formulación de la
ecuación de equilibrio dinámico tradicional como en espacio estado
 M v(t )  C v(t )   K v(t )  F (t )  [ S ]{ f (t )}

{ z ( t )}  [ Ac ] { z ( t )} [ B c ] { f ( t )}
( 2 Nx 1) ( 2 Nx 2 N ) ( 2 Nx 1) ( 2 Nxq ) ( qx 1)
En todo proceso de identificación no es posible observar toda la respuesta de
 y(t )  C a  v(t )  Cv  v(t )  C d  v(t )
Donde
 y (t )   l son la respuesta observada. C a  , C v  , C d  son matrices que contienen la
selección de las salidas.
Utilizando la ecuación de equilibrio dinámico y pre-multiplicándola por C a   M  se tiene lo

1
siguiente:
C a   M   M v(t )  C a   M  C v(t )  C a   M   K v(t )  C a   M   Bc  f (t )

1 1 1 1
 
Reordenando términos se tiene:
C a  v(t )  C a   M   Bc  f (t )  C a   M  C v(t )  C a   M   K v(t )

1 1 1
       
Agregando a ambos lados de la ecuación el término  Cv v(t )   Cd v (t ) :
C a  v(t )  C v  v(t )  C d  v(t ) 

     
 C a   M   Bc  f (t )  C v  v(t )  C a   M  C v(t )  C d  v(t )  C a   M   K v(t )
1 1 1
Agrupando términos
 y (t )  C a   M   Bc  f (t )   C v   C a   M  C  v(t )   C d   C a   M   K  v(t )

1 1 1
Luego reordenando:

 C d   C a   M 1  K   v(t ) 
 
 y (t )  C a   M   Bc  f (t )       1     Luego:
1
 C v   C a   M  C  v(t )

Dc   
  
Cc
Establecemos la ecuación de datos observados
 y (t )  Cc  z (t )   Dc u (t )
27.1. ECUACIÓN DE ESPACIO ESTADO CON COMPONENTES DE RUIDO
En todo proceso de medición e identificación real existen componentes asociados a ruido tanto
en lo inapropiado del modelo utilizado como en el proceso de lectura. Estas la denominaremos
como wk    n y vk    l respectivamente. En este primer caso se asumen como procesos
estacionarios con media cero.
 zk 1   A zk    B  f k   wk 

 yk   Cd  zk    D  f k   vk 
y con las siguientes matrices de covarianza:
 wp 
 
  Q   S 
 
 wq  v 
T
E   T
T
  pq
  v p     S   R 
q
  
Donde E representa el valor esperado (esperanza),  pq es una delta de Kroenecker (  pq  1 si
p  q , si no  pq  0 ), p y q son dos pasos arbitrarios.
En muchos casos no es posible medir la excitación. En esto se puede asumir que ella es parte
del ruido en el proceso de entrada. En este caso la excitación junto con el ruido debe poseer
media cero sin frecuencias predominantes (ruido blanco).
 zk 1   A zk   wk 

 yk   Cd  zk   vk 
En el caso que la entrada no observada incluyera frecuencias permanentes pueden llegar a ser
confundidas como polos de la matriz de estado  A .
28. MÉTODOS EN EL ESPACIO DEL TIEMPO
28.1. SISTEMAS DE UN GRADO DE LIBERTAD

Para sistemas de un grado de libertad existe una serie de métodos simples que en general parten
de la respuesta libre de un sistema viscoelástico.

28.1.1. Decaimiento Libre
Para un sistema con excitación externa nula y con condiciones iniciales v (0)  v 0 y v (0)  v 0 se
tiene que el desplazamiento está dado por:
 v  v   
v(t )  e t  0 0  sin   t   v cos   D 
t 
  D
D 0
 
Lo que es equivalente a:
v (t )   e  t cos( D t   )
2
 v   v0 
  0   v0
2
Dónde:   D 
 v   v0 
  arctg  0 
  D v0 
Figura 151 Decaimiento bajo condiciones iniciales.

Figura 152
Efecto del
amortiguamiento
en el decaimiento.
 : Amplitud
máxima.
Envolvente et
2
Periodo TD 
D
28.1.2. Decaimiento Logarítmico

De la respuesta a condiciones iniciales se conoce la envolvente de respuesta y con ella se puede
determinar la razón de amortiguamiento,  a partir de dos puntos de respuesta:
vi
vi   e   ti y vi  m   e   ti N entonces  eTD N sacando el logaritmo
vi  m
 v  2
ln  i   TD N   N
 i m 
v  1   2
 ln  vi vi  N 

1  2 2 N
ln  vi viN 
Aproximando  
2 N
Esta solución no es recomendable en la práctica ya que solo utiliza dos puntos como información
y es susceptible de ser afectada seriamente por los ruidos existentes en todo proceso de
identificación.
Un procedimiento mejor es considerar varios puntos de la respuesta decayente. Para esto
numeramos los máximos positivos y negativos en forma secuencial y graficamos en forma
semilogarítmica el valor absoluto de la amplitud del máximo.

Figura 153: Cruces por cero y máximos de la repuesta
Si la respuesta es perfectamente viscoelástica la figura resultante será una línea recta

donde la pendiente define el amortiguamiento.
Figura 154:
Cálculo de
Amortiguamiento
pendiente
 

Sin embargo este criterio no es útil para sistema de varios grados de libertad. En estos casos es
posible encontrar decaimientos como los indicados en las figuras siguientes:

Figura 155: Respuesta decayente para dos y tres formas modales observadas en un
grado de libertad de la estructura.
Si las frecuencias que componen el decaimiento están suficientemente separadas es posible filtra
la señal para obtener el decaimiento de cada caso. Esto a veces incorporar distorsiones en el
cálculo del amortiguamiento y por tanto debe hacerse con cuidado verificando el efecto del filtro
utilizado.
28.1.3. Ajuste No Lineal de la Respuesta Decayente

Alternativamente es posible realizar un ajuste no lineal de la señal decayente. Este
procedimientos es muy costoso computacionalmente y por tanto no recomendable.
Adicionalmente en general el ajuste solo converge si el punto de partida es muy cercano a la
respuesta esperada.
Para el caso de 1 GDL
v (t )  e  t   cos Dt    

Para varios GDL la respuesta en un punto es el aporte de todas las posibles formas modales.
v(t )   e iit i cos Di t  i 

i
Ejemplo
Se genera una respuesta para con los siguientes parámetros con un ruido.
par =
rho beta f th
1.0000 0.5000 1.0000 0.0100
1.0000 0.1000 1.2000 0

La optimización es la siguiente:
rho beta f th
0.567 0.0528 0.998 -0.0572
0.405 0.0381 1.1 0.0477
Figura 156 Ajuste No Lineal de Decaimiento. (decayfit)
Este tipo de procedimiento no es conveniente cuando se tienen varios puntos de observación de

la respuesta y varios modos participando. Existen varios métodos de ajuste de mínimos
cuadrados están el Ibrahim Time Domain Methods (ITD) y Eigensystem Realisation Algorithm
(ERA). Se describe en profundidad ERA.
28.2. MÉTODO DE IDENTIFICACIÓN ERA

Este
Eigensystem Realisation Algorithm: Basado en desarrollo por V. Contreras L. Mod: Rubén Boroschek K.
método de identificación de parámetros dinámicos fue desarrollado por Juang and Pappa (85).
28.2.1. Desarrollo
Se tiene la ecuación de equilibrio dinámico para N grados de libertad:
M v(t )  C v(t )  K v(t )  F (t ) (1)
Definiendo un vector de estado de dimensiones 2Nx1, tenemos:

v (t )
z (t )    (2)
(2 Nx1) v(t )
Definiendo también:
 [0] [I ] 
Ac   1 1  (3)
( 2 Nx 2 N )  [ M ] [ K ]  [ M ] [C ]
F (t )  [ S ] { f (t )} (4)
( Nx 1) ( Nxq ) ( qx 1)
 [0] 
[ Bc ]   1  (5)
( 2 Nxq ) [ M ] [ S ]
Donde { f (t)} es un vector que depende del tiempo y [S ] es una matriz de coeficientes de entrada,
la ecuación (1) puede escribirse como:
{ z ( t )}  [ Ac ] { z ( t )} [ Bc ] { f ( t )} (6)
( 2 Nx 1) ( 2 Nx 2 N ) ( 2 Nx 1) ( 2 Nxq ) ( qx 1)
Por otra parte, es posible relacionar {z(t )} con la respuesta medida u observadas del sistema en
p grados de libertad, { y ( t )} , a través de la matriz de observación continua [Cc ] :
{ y ( t )}  [C c ] { z ( t )}  Dc  f (t) (7)

( px 1) ( px 2 N ) ( 2 Nx 1)
En forma discreta la solución es:

{ z k 1}  [ A]{ z k }  [ B ]{ f k } (15)
Además, la ecuación de observación (7) queda:

{ y k 1 }  [ C d ]{ z k 1 }   D d   f k 1  (16)
Consideremos la respuesta a un impulso en k  0 en la primera de las variables del vector de

entrada, es decir, { f 0 }  {1, 0,..., 0}T y { f k }  {0} para k  0 . Substituyendo en (15):
{z1}  [ A]{z0 }  {B} (17)
Donde {B} es la primera columna de [B]

También,
{ y1}  [C d ]{ z1}   D d  f1  ACA aclarar f1=0 (18)
Substituyendo (17) en (18):

{ y1}  [Cd ][ A]{ z0 }  [Cd ]{B} (19)
Considerando que { z 0 }  {0} , se tiene:

{ z1}  {B} (20)
{ y1 }  [C d ] { B} (21)
( px1) ( px 2 N ) ( 2 Nx1)
Para los otros intervalos de tiempo { f k }  {0} . Así:
{z2 }  [ A]{z1} (22)
Por lo que:
{ y2 }  [Cd ][ A]{B} (23)
De este modo:
{ y3 }  [C d ]{ z 3 }  [C d ][ A ]{ z 2 }  [C d ][ A ]2 { B} (24)
Y, en general:
{ y k }  [ C d ] [ A ] k 1 { B } (25)
( px 1) ( px 2 N ) ( 2 Nx 2 N ) ( 2 Nx 1)
Si en vez de considerar { f k } como un vector decimos que es una matriz para q estados de carga
distintos e imponiendo un impulso inicial para cada estado, dado por [ f 0 ]  [ I ] , se tiene que:
( qxq )
[Y k ]  [ C d ] [ A ] k  1 [ B ] (26)
( pxq ) ( px 2 N ) ( 2 N x 2 N ) ( 2 N xq )
Estas matrices (Ecuación 26) se conocen como parámetros de Markov, y son utilizadas para
formar las matrices generalizadas de Hankel, dadas por:
 [Yk ] [Yk 1 ]  [Yk  j ] 
 p q 
 
[Yk 1 ] [Yk  2 ]  [Yk  j 1 ]  r
 H k 1        
(27)
( prxqs )
 
[Yk i ] [Yk i 1 ]  [Yk i  j ]
s
Donde i=0,…r-1 y j=0,…s-1, con r y s enteros.
______________________________________________________________________
Una matriz de Hankel, denominada así en honor a Hermann Hankel (Matemático Alemán, 1839-
1873), es una con todas sus diagonales de derecha a izquierda paralelas numéricamente. Una
matriz de Hankel presenta la siguiente estructura:
a b c d
b c d e
H    
c d e f
 
d e f g

O también
a i , j H  a i , j  a i 1, j 1
______________________________________________________________________
Ejemplo
Se presenta a continuación un ejemplo de la construcción de la matriz Hankel. En este caso es
cuadrada, sin embargo en la práctica puede no serlo. Generalmente el número de columnas es
mucho mayor al número de filas. En este caso aplicamos dos set de impulsos (q=2) y obtenemos
la respuesta en dos grados de libertad (observados).
x= y= hankel(z,2,2)
 1 7 3 9 
 4 10 
8
1 3 5 7 9 11
2 4 6 8 10 12  2  
3 9  5 11 
Impulso 1 Impulso 2  
 4 10 6 12 
z(:,:,1)=x
z(:,:,2)=y
Recordando que cada matriz de observación Y  en el tiempo k tiene dimensiones de p x q, con
p la cantidad de puntos distintos observados y q la cantidad de estados de carga diferentes
(impactos), se tiene que los enteros r y s dan cuenta de la cantidad de pasos temporales de las
columnas y filas de las matrices de Hankel, respectivamente.
Considerando la matriz Hankel  Hk  , y reemplazando (26) en (27), se tiene:
 [Yk ] [Yk 1 ]  [Yk  j ] 
 p q 
 
[Yk 1 ] [Yk  2 ]  [Yk  j 1 ]  r
 H k 1        
pero
( prxqs )
 
[Yk i ] [Yk i 1 ]  [Yk i  j ]
s
[Y k ]  [ C d ] [ A ] k  1 [ B ]
( pxq ) ( px 2 N ) ( 2 N x 2 N ) ( 2 N xq )
[Cd ][ A]k 1[ B ] [Cd ] [ A]k [ B ]  [Yk  j ] 

 ( px 2 N ) (2 Nx 2 N ) (2 Nxq ) 
 [C ][ A]k [ B ] [Cd ][ A]k 1[ B ]  [Yk  j 1 ]  r
 H k 1    
d
    
  [Yk i  j ]
( prxqs )
 [Yk i ] [Yk i 1 ]
s
Si

 [Cd ] 
 [C ][ A] 
[O]   d  (29)
( prx 2 N )   
 r 1 
[Cd ][ A] 
[W ]  [B] [ A][B]  [ A]s1[B] (30)
Entonces podemos descomponer la matriz [ H k ] como
[ H k ]  [ O ][ A ]k [W ] k  0 (28)
[O] y [W ] son llamadas matrices de observabilidad y controlabilidad respectivamente. Se debe

notar que la matriz [ H k ] es una matriz conocida de respuestas. El objetivo es reconstruir (26) a
partir de las observaciones, lo que implica la determinación de las matrices [Cd ] , [ A] y [ B] .
Hay un número infinito de conjuntos de estas matrices que satisfacen (26), pero el objetivo es
obtener las matrices de menor orden que puedan representar el comportamiento dinámico de la
estructura.
En primer lugar, buscamos una matriz [H ]' tal que:
[W ] [ H ] ' [ O ]  [I ] (31)
( 2 Nxqs ) ( qsxpr ) ( prx 2 N ) ( 2 Nx 2 N )
Luego, premultiplicando y postmultiplicando (31) por [O] y [W ] , respectivamente se tiene:
[O][W ][H ]'[O][W ]  [O][W ] (32)
Pero, de [Y k ]  [ C d ][ A ]k 1 [ B ] observamos que:
[ H 0 ]  [O ][ A ]0 [W ]  [O ][W ] (33)
Así, reemplazando (33) en (32):

[ H 0 ][ H ]'[ H 0 ]  [ H 0 ] (34)
Por lo tanto, por definición, esta matriz es la pseudo-inversa de [ H 0 ] :
[ H ]'  [ H 0 ] (35)
______________________________________________________________________
La definición de pseudoinversa:
1. [ A][ A] [ A]  [ A] donde no requiere que [ A][ A] sea una matriz de identidad general
pero todas las columnas de [ A] se mapean a si misma;
2. [ A] [ A][ A]  [ A]

 
*
3. [ A][ A]  [ A][ A] De donde [ A][ A] es Hermítica (matriz cuadrada de elementos
complejos que tiene la característica de ser igual a su propia traspuesta conjugada
 2 1  2i 
1  2 i )); y
 3 
 
*
4. [ A] [ A]  [ A] [ A] También [ A] [ A] es Hermítica.
______________________________________________________________________
______________________________________________________________________
La descomposición de valores singulares de una matriz real o compleja de m x n en la forma
[ A]  U  V 
* H
donde
U  es compleja de m x m que contiene los vectores singulares izquierdos, V  es compleja de

H
n x n que contiene los vectores singulares derechos y    es diagonal no negativa de m x n, los

elementos son llamados valores singulares. Los vectores son ortogonales entre sí.
[U ]H [U ]  [V ]H [V ]  [ I ]
Existe una relación estrecha entre valores singulares y propios. Los vectores singulares
izquierdos son los vectores propios de  A A* . Los vectores singulares derechos son los
vectores propios de  A  A y los valores singulares son los valores propios de  A A y  A  A
* * *
______________________________________________________________________
La pseudo-inversa de [ H 0 ] , [ H ]'  [ H 0 ] , puede ser calculada a través de la descomposición

SVD (Singular Value Decomposition), de la siguiente forma:
[ H 0 ]  [U ] [  ] [V ]T (36)
( prxqs ) ( prxpr ) ( prxps ) ( psxqs )
[ H 0 ]  [V2 N ][2 N ]1[U2 N ]T

Demostración
La matriz [ H 0 ] tiene 2N valores singulares no nulos (rango ( [ H 0 ] )= 2N), equivalente al
orden del sistema espacio-estado. Luego puede ser recalculada usando sólo las primeras
2N columnas de la descomposición SVD.
[ H 0 ]  [U 2 N ] [  2 N ] [V 2 N ]T (37)
( prxqs ) ( prx 2 N ) ( 2 Nx 2 N ) ( 2 Nxqs )
Luego, reemplazando la ecuación (37) en (34):

[ H 0 ][ H ]'[ H 0 ]  [ H 0 ]
[U2 N ][2 N ][V2 N ]T [ H ]'[U2 N ][2 N ][V2 N ]T  [U2 N ][2 N ][V2 N ]T (39)
1
Premultiplicando (39) por [V2 N ][ 2 N ] [U 2 N ] , y utilizando la ortogonalidad de [U ] y [V ]
T
[ H ]'[U 2 N ][2 N ][V2 N ]T  [ I ] (40)

1
Luego postmultiplicando (40) por las mismas matrices [V2 N ][ 2 N ] [U 2 N ] , obtenemos
T
[H]' :
[ H ]'  [V2 N ][ 2 N ]1[U 2 N ]T (41)
Para obtener las matrices [ A] , [Cd ] y [ B] comenzamos a partir de (26):
[Y k  1 ]  [ C d ] [ A ] k [ B ] k  0 (42)
( pxq ) ( px 2 N ) ( 2 Nx 2 N ) ( 2 Nxq )
Se utiliza la siguiente identidad, que se deriva de la ecuación 27, en la cual extraemos la primera
observación asociada a [ H k ] :
 [Yk 1 ] [Yk  2 ]  [Yk  j 1 ] 

 [Y ] [Y ]  [Yk  j  2 ] 
 H k    k2 k 3
  


 
[Yk i 1 ] [Yk i  2 ]  [Yk i  j 1 ]
Si
 
[ E p ]T   [ I ] [0]  [0]  (44)
( pxpr ) ( pxp ) ( pxp ) ( pxp ) 
 [I ] 
( qxq ) 
 [ 0] 
[ Eq ]  ( qxq )  (45)
( qsxq )   
 [ 0] 
( qxq ) 
Entonces
[Yk 1 ]  [ E p ]T [ H k ][ E q ] (43)
( pxq ) ( pxpr ) ( prxqs ) ( qsxq )
Usando las ecuaciones expandiendo este resultado:

[Yk1]  [Ep ]T [U2N ][2N ]1/2[2N ]1/2 [U2N ]T ([O][ A]k [W])[V2N ][2N ]1/2[2N ]1/2[V2N ]T [Eq ]
     
I  [ Hk ] I 
  
I 
Agrupando de forma diferente
[Yk1]  [Ep ]T [U2N ][2N ]1/2 [2N ]1/2[U2N ]T ([O][ A]k [W])[V2N ][2N ]1/2 [2N ]1/2[V2N ]T [Eq ] (46)
Finalmente se puede demostrar por inducción matemática que:
[Y k 1 ]   [ E p ]T [U 2 N ][  2 N ]1/ 2   [  2 N ]  1/ 2 [U 2 N ]T  H 1  [V 2 N ][  2 N ]  1/ 2  [ ]1/ 2 [V 2 N ]T [ E q ] 

k
2N
(47)
Notar que el paréntesis central esta elevado a k y por tanto comparando (26) con (47) es claro que:
[Cd ]  [ E p ]T [U 2 N ][ 2 N ]1/ 2 (48)
[ A]  [2N ]1/2[U2N ]T H1[V2N ][2N ]1/2 (49)
[B]  [2 N ]1/ 2[V2 N ]T [Eq ] (50)
Para determinar los parámetros modales del sistema, se debe resolver un problema de valores
propios basado en la matriz [ A] :
[ A]{ui }  ui {ui } (51)
Luego, para obtener las formas modales en términos de las coordenadas físicas del sistema, se
utiliza la matriz de transformación [C d ]
{ yi }  [C d ] { ui } (52)
( px1) ( px 2 N ) ( 2 Nx1)
Finalmente se obtienen las frecuencias y amortiguamientos, a partir de:

ln(  ui )
i  (53)
t
Re al (ln(ui ))
i   (54)
ln(ui )
28.2.1. Algoritmo
a) Seleccionar los datos observados para análisis [Yk ]
b) Construir matrices de Hankel [ H 0 ] y [ H 1 ] .

 [Yk ] [Yk 1 ]  [Yk  j ] 
 p q 
 
[Yk 1 ] [Yk  2 ]  [Yk  j 1 ]  r
 H k 1        
( prxqs )
 
[Yk i ] [Yk i 1 ]  [Yk i  j ]
s
c) Realizar descomposición SVD de [ H 0 ] para calcular [U 2 N ] , [ 2 N ] y [V2 N ] . [ H 0 ] no es
necesariamente cuadrada por tanto debe evaluarse apropiadamente el rango y numero
de valores singulares a considerar.
d) Reducir las matrices al orden del sistema en función de valores singulares representativos.
La reducción debe considerar aspectos como el rango de la matriz [ H 0 ] y el máximo
tamaño de [ A] que se desea considerar.
e) Calcular las matrices [ A] y Cd  .
[ A]  [2N ]1/2[U2N ]T H1[V2N ][2N ]1/2

[Cd ]  [ E p ]T [U 2 N ][ 2 N ]1/ 2
f) Calcular valores y vectores propios de [ A]
[ A]{ui }  ui {ui }

g) Calcular vectores correspondientes a las coordenadas físicas.
{ yi }  [C d ] { ui }
( px1) ( px 2 N ) ( 2 Nx1)
h) Calcular frecuencias y amortiguamientos.
ln( ui ) Re al (ln(ui ))

i  ; i  
t ln(ui )
Ejemplo
Se aplicó este método de identificación a la estructura mostrada en la figura, para una fuerza de
impacto en el último piso de muy corta duración. Se consideró como variables de entrada las
aceleraciones en los grados de libertad 1, 3 y 5 calculados mediante el método de espacio estado.

Donde:
m=5 [tonf]
k=3000 [tonf/m]
c=15 [tonf*s/m]
Se obtuvieron los siguientes resultados:
Parámetros reales Parámetros

identificados
Modo  Modo 
T [s] T [s]
N°  N° 
1 1.0640 1.4763 1 1.0643 1.4754
2 0.3617 4.3430 2 0.3626 4.3213
3 0.2258 6.9573 3 0.2272 6.8694
4 0.1713 9.1673 4 0.1732 8.9693
5 0.1448 10.8446 5 0.1470 10.5213
6 0.1321 11.8916 6 0.1345 11.4694

Figura 157 MAC Excitación de Base. Considerando todas las salidas y salidas
parciales. Notar que para cuando están todos los vectores no hay linealidad entre ellos
pero esta si ocurre para cuando solo observo tres GDL [1 3 5] (dinaERAedif)

Las formas modales son prácticamente las reales.
Parámetros reales
GDL
Modo 1 Modo 2 Modo 3 Modo 4 Modo 5 Modo 6
1 -1.0000 -1.0000 -1.0000 -1.0000 1.0000 -1.0000
2 -0.9419 -0.4970 0.2908 1.2411 -2.1361 2.7709
3 -0.8290 0.2560 1.2062 0.7008 1.4269 -3.9070
4 -0.6680 0.8802 0.5647 -1.4100 0.5150 4.1481
5 -0.4681 1.0617 -0.8058 -0.3609 -2.0120 -3.4389
6 -0.2411 0.7092 -1.1361 1.4970 1.7709 1.9419
Parámetros identificados
GDL
Modo 1 Modo 2 Modo 3 Modo 4 Modo 5 Modo 6
1 -1.0000 -1.0000 -1.0000 -1.0000 1.0000 -1.0000
2 - - - - - -
3 -0.8290 0.2560 1.2062 0.7008 1.4269 -3.9070
4 - - - - - -
5 -0.4681 1.0617 -0.8058 -0.3609 -2.0120 -3.4389
6 - - - - - -

Caso de movimiento en la base:
Si el amortiguamiento es clasico y beta=0.05 para todos los modos
28.3. NEXT ERA

El método de NExT (Natural Excitation Technique) ERA para de la demostración teórica de
que la función de correlación cruzada entre dos grados de libertad bajo excitación de banda
ancha (ambiental) tiene la misma forma que la función de respuesta al impulso. Este método
fue desarrollado por James, Carne y Lauffer en el año 1993 (informe de Sandia Sand92-
1666).
28.3.1. Caso de 1 GDL
En la sección 24.2.1 se demostró que la autocorrelación de la respuesta de 1 GDL ante una
excitación de ruido blanco está dada por
 2     
Ryy (  )  e 
 1  2
sin      cos     

4D3 
D D
 
2
Esta ecuación es idéntica a la respuesta ante un desplazamiento inicial de
4 D3 
Por tanto podemos utilizar la autocorrelación de la respuesta para obtener la respuesta
escalada del impulso y posteriormente aplicar el método ERA
Ejemplo
Si consideramos un oscilador con las siguiente propiedades T=0.33;   0.7 . La respuesta

ante ruido blanco se presenta en la figura.
Figura 158 Respuesta de Desplazamiento, Velocidad y Aceleración. Se ha

eliminado la primera y última parte de la respuesta para simular proceso
(dinacorrela.m)
La autocorrelación de la respuesta se presenta en la figura siguiente

Figura 159 Autocorrelación de la Respuesta de Desplazamiento, Velocidad y
Aceleración. Notar la no tendencia a cero de los valores y la singularidad en el
valor de aceleración para   0 (dinacorrela.m)
A partir de la respuesta es posible obtener la frecuencia predominante y el amortiguamiento.

En el caso de aceleración es importante evitar el punto de lag cero.
Como ejemplo antes de aplicar ERA utilizaremos decaimiento logarítmico.

a- Transformada de Fourier b- Decaimiento c-Pendiente de Decaimiento
Autocorrelación
Figura 160 Estimación de parámetros a partir de la autocorrelación de la

respuesta de desplazamiento (arriba) y Aceleración (abajo). (dinacorrela).
Se observa que en general el ajuste e identificación de la frecuencia es bueno pero no así

el del amortiguamiento. En efecto este valor entre mayor es más difícil de estimar por tanto
es conveniente otras técnicas.
Si aplicamos ERA para un grado de libertad obtenemos

Figura 161 Función de autocorrelación de aceleración y zona de evaluación de
ERA
r s T 
4 Fs Fs 0.4043 0.0761
0.3267 -0.0048
1.5 Fs 0.5Fs 0.3325 -0.0414

(Figura)
0.3310 0.0736
1.0 Fs 0.5 Fs 0.3528 0.1876

0.3293 0.0706
0.5 Fs 0.5 Fs 0.1366 -0.3206
Se puede apreciar que la respuesta es muy dependiente de la ventana de análisis.

Ventanas mayor no son necesariamente mejore y ventanas muy pequeñas presentan
también dificultades. La opción es un proceso iterativo y una comparación de valores. Esto
se resume en el llamado diagrama de estabilización.
28.3.2. Caso de n GDL

A partir de la ecuación de movimiento
 M v t    C v  t    K v  t    P  t  
Y considerando una excitación del tipo aleatorio, se puede reescribir la ecuación como
 M V  t   C V  t    K V  t    P  t  
  
Donde V  t  , V  t   y V  t  son procesos aleatorios estacionarios. Si evaluamos la
ecuación en un tiempo t  t   y la multiplicamos por un vector de respuesta y tomando la
esperanza encontramos
 M  E Vr  t V  t     C  E Vr  t V  t      K  E Vr  t V  t     E Vr  t P  t 
Tomando en cuenta que la condición de excitación futura no está correlacionada con el
estado actual de la respuesta de referencia la ecuación se reduce a
 M  E Vr  t V  t     C  E Vr  t V  t      K  E Vr  t V  t     0
Y es equivalente a

 M  RV V    C  RV V      K  RV V     0
r r r
Donde RVr V    es la correlación cruzada entre Vr y V 
Ejemplo
Se realiza la identificación utilizando el mismo ejemplo presentado con el método ERA. En
este caso la excitación es de tipo basal ruido blanco y los amortiguamientos se han
modificado.
Paso 1: Respuesta ante ruido blanco. Se registra la aceleración en un subconjunto de
grados de libertad. La calidad de la identificación depende fuertemente de la selección de
los observadores.
Figura 162 Respuesta del Sistema de 6 GDL (dinaERAedif.m)
Paso 2: Calculo de Correlación. Se calcula la correlación con un subconjunto de los grados

de libertad observados. La calidad de la identificación depende fuertemente de la selección
de los sensores de referencia y de la calidad de la estimación de la correlación. Para la
estimación de la correlación se recomienda una duración importante del registro.

Figura 163 Correlación de los vectores observados ([1 3 6]) con el vector de
referencia [1]. Notar el fuerte decaimiento que depende del amortiguamiento de la
estructura. Notar que a partir de cierto tiempo el decaimiento no está asociado a
un modelo ideal.
Paso 3: Selección de Ventana de Identificación. Se calcula la identificación seleccionando

una ventana de observación, el número de filas a considerar (mucho menor a la ventana de
observación) y el número de correlaciones sensores de referencia. La calidad de la
identificación depende fuertemente de la ventana total de observación. Es importante que
el número de columna y filas de la matriz Hankel generen una ventana de data poco
afectada por el fenómeno no ergódico de la señal. No siempre se obtiene una mejor
respuesta si se considerar más de un sensor de referencia. Es importante evaluar cada
sensor como referencia individual y luego en conjunto.

Figura 164 Ventana de Evaluación ERA (sensores [1 3 6] y referencia ([1 3 6])).
Notar que la referencia contra el vector [6] tiene problemas de “ruido”
Paso 4: Calculo de ERA. Se calcula la identificación seleccionando un número estimado de

orden del modelo (2*el número de modos).
Figura 165 Identificación ERA para el amortiguamiento y periodo. Podemos

observar que el ajuste para los períodos bajos es de menor calidad y que hay
valores identificados que no se asocian a una propiedad estructural.

Paso 5: Evaluar distintas condiciones de sensores de referencia y órdenes del modelo.
Figura 166 Identificación ERA para el amortiguamiento y periodo. Se utiliza

referencia del vector [3]. Se mejora la identificación pero aún hay bastante
dispersión el amortiguamiento.
Paso 6: Se recomienda un diagrama de estabilización y un diagrama de agrupamiento

(clúster).

Figura 167 Clúster de solución. Se han considerado un orden variable desde 10
hasta 40. Se observa un agrupamiento y un error consistente. Este error es típico
de la estimación de la correlación.
Se puede mejorar la estimación aún más:

1. Limitando los valores de periodo a evaluar
2. Limitando los valores de amortiguamiento
3. Descartando los modos “muy” complejos
4. Estableciendo una relación con la energía presente en la respuesta decayente y
la identificación.
5. Incorporando todo lo anterior en un diagrama de estabilización.
28.1. METODO SSI-COV

Es posible identificar las propiedades dinámicas de un sistema viscoelástico representado
por un modelo espacio estado bajo excitaciones estacionarias utilizando solamente los
datos observados.

Se presenta acá el método de identificación del espacio estocástico utilizando covarianzas
(SSI-COV) como fue desarrollado por Peeters y De Roeck 2000 y 2001. Este método es
una expansión del método NExT ERA.
Si tenemos la respuesta del sistema en el tiempo k ,  yk  , ante un ruido blanco, registrado
en l sensores entonces

yk 
l1
Notar que  y    yo   y1 yk  yN 

Si seleccionamos la respuesta de algunos sensores r , que los llamaremos de referencia
entonces
  yk ref  
 yk    ref 
 yk 
 y    L y  donde  L  funciona como seleccionador

ref
k k
 I 
 L   r 
  0 
Organizando las respuestas en una matriz de Hankel (simétrica con respecto a la diagonal)
de dos bloques, con 2i líneas de bloques (observaciones) y N columnas (pasos de tiempo).
El bloque superior (que se denominará pasado) solo posee los sensores de referencia y por
tanto posee i  r líneas. El bloque inferior (futuro) posee también posee i líneas, pero con
todos los sensores l , por tanto tiene un total de i  l líneas. Es decir la matriz de Hankel
H ref  ( r l )iN .
  y0 ref   y1ref    yN 1ref  

  y1ref   y2ref    yN ref  

     
 
  yi 1ref   ref
   
ref   Y ref 0 / i 1    Yp ref    r  i (pasado)
     
1  yi yi N 2
 H  
ref

N   yi   yi 1    
 yi  N 1   Y i / 2i 1    Y f    l  i (futuro)

  
  yi 1  yi  2    yi  N   N
 
     
 
  y2i 1  2i 
y   2i  N  2  
y
 
N
Notar que la matriz se ha escalado por 1 N.

Para las demostraciones se asume que N   . Los subíndices de Y0/refi 1    ri N
corresponden a la primera y última fila del primer bloque de la matriz Hankel. Los subíndices
p y f denotan pasado y futuro respectivamente.
_____________________________________________________________________
Nota:
Es posible otra configuración de la matriz Hankel agregando una fila al bloque denominado
“pasado” y omitiendo la primera fila del bloque denominado “futuro”.
Debido a que los sensores de referencia son sólo un subgrupo de r de los l del total de
sensores, los l  r otros sensores han sido dispuestos en esta nueva división como filas
denotadas por Yi ~/ iref    ( l  r ) N . Luego, la matriz Hankel puede ser descrita como:
 Y0ref/ i    Ypref   
        r (i  1)
 H    Yi / i     Yi / i    l  r
ref ~ ref ~ ref
   
Yi 1/ 2i 1   Y f    l (i  1)
     
_____________________________________________________________________
Recordando la definición de la covarianza:
  lim  1 
N 1
 Ri   E  yk i  yk   y  y   Ri  ll es
T T
 N   N 
k i k donde un vector
k 0 
que contiene el valor esperado en el paso i para los l sensores.
Se puede encontrar la matriz de covarianza reducida entre todas las salidas y las salidas
de los sensores de referencia
 Ri ref   E  y k  i  y kref     Ri  L    l r
T T
 
Es decir la matriz  Ri  solo contiene las covarianzas con los sensores de referencia.
ref
De forma similar, la matriz reducida de covarianza de salida del estado siguiente,  G 

ref
se obtiene como una submatriz de la matriz:
 G ref   E  z k 1  y kref     G  L    n r
T T
 
Y para i  1,2,... recordando la Propiedad 4 descrita en la Sección 27.2
 Ri ref    Ri  L   Cd  A G ref 

T i 1

 Ri ref    L   R i    G ref   A  C d T
T i 1
T T
 
Las propiedades anteriores son equivalentes para el caso de las matrices de covarianza
completa.
Las matrices de covarianza se ordenan en una matriz de bloques tipo Toeplitz (matriz de
diagonales constantes) T1/ i   
ref liri
obtenida a partir de la matriz Hankel como:
  Ri ref   Riref
1    R1ref  
 
 R  R 
ref ref
  R2ref  
T1/refi   Y f  Y pref     i 1   i 
T

     
 ref 
  R2i 1   R2i 2 
ref
  Riref  
Esta matriz es cuadrada. En el método desarrollado por Peeters 2000 sólo se utilizan las
covarianzas entre todas las salidas y un conjunto reducido de salidas de referencia. Por
tanto T1/i   
ref li li
. Además las covarianzas son calculadas a partir de la Transformada
de Fourier.
Dado que:
 Ri ref   Cd  A
i 1
 G ref 
Se puede descomponer la ecuación de la siguiente manera:
 Cd  

Cd  A   i 1 ref
T1/i  
ref 
 
 A G    A G ref 
  
G ref    n
 
 
Cd  Ai 1   i 
ref

 
Oi 

n
T1/refi   Oi  iref 
La matriz Oi    lin se denomina “matriz de observación extendida” y i   

ref nri
“matriz de control estocástica reversa extendida” [PEETERS, 2000] y n es el orden de  A .
Si el sistema es observable (es decir que todos los modos pueden ser observables en las
salidas del sistema) y controlable (es decir que todos los modos pueden ser excitados en
el sistema por demandas estocásticas) entonces el rango de la matriz Toeplitz es n .
Para evaluar el rango efectivo utilizamos la descomposición de valores singulares SVD
(Singular Value Decomposition).

 S  0  V1  
T
T   U  S V   U1  U 2   1    U1  S1 V1 

ref T T
  0  S2  V2  
1/ i T
Donde U    lili y V    riri son matrices ortonormales, es decir que se cumple que
U  U   U U    I li  y V  V   V V    I ri  .
T T T T
La matriz  S 2  debe ser cero. En la práctica esto no ocurre y debemos seleccionar como
particionar la matriz. Una vez particionada se asume  S2    0 y por tanto
T1/refi   U1  S1 V1 

T
Al comparar T1/ i   U1  S1 V1  con T1/ i   Oi  i  podemos escribir
ref ref T ref
Oi   U1  S1  T 
1/ 2
iref   T   S1  V1 
1 1/ 2 T
Donde T    nn es una matriz no-singular. Es posible apreciar que la matriz T 

corresponde a una transformación de similitud aplicada para identificar el modelo espacio-
estado, es decir cualquiera que sea la matriz que se elija, se obtendrá un modelo espacio-
estado equivalente. Una opción posible es asumir T    I  . Van Overschee and De
Moore, 1996, proponen distintos tipos de transformaciones de similitud.
Una transformación de similitud es un mapeo que no altera los ángulos y cuya matriz
transformada  A ' puede ser escrita en la forma
 A '   B  A B 
1
Donde  A y  A ' son llamada matrices similares. Las trasformaciones similares

transforman objetos en el espacio a objetos similares.
Matrices similares representa la misma transformación lineal después del cambio de base
El determinante de una matriz transformada similar es igual al determinante de la matriz
original
1
 B  A B    B   A  B    B   A   A
1 1
 B
El determinante de una matriz transformada menos un múltiplo escalar de la matriz
identidad es

 B  A B     I    B  A B    B    I  B    B    A    I    B 
1 1 1 1
 B  A    I   B   A    I 
1

Por ejemplo
c= a= b=
0 1 0 1 0 0
1 0 0 0 1 0
c*a*inv(c) = c*b*inv(c)=
0 0 0 1
1 0 0 0
____________________________________________________________________
  Cd  

 Cd  A 
Dado que Oi   y      A G   A G ref  G ref  
i 1
ref ref

    i   
 i 1 
Cd  A 
Es posible obtener la matriz Cd  de las primeras l filas de la matriz Oi  y la matriz G 
ref
de las últimas r columnas de la matriz   i  .

ref
Cd   Oi (1: l ,:)

G ref   iref :, r (i  1)  i : ri  
Peeters 2000 presenta dos opciones para obtener la matriz de transmisión de estado,  A ,
una de ellas es recurriendo a la descomposición de la matriz Toeplitz desfasada:
T2ref/ i 1   Oi  A iref 
Donde la matriz desfasada T2/ i 1  tiene una estructura similar a T1/ i  pero se compone
ref ref
de las covarianzas del desfase de 2 a 2i .

La matriz  A  puede ser encontrada después como
 A  Oi  / i 1    i    S1  U1  / i 1  V1  S1 

† 1/ 2 1/ 2
T2ref   ref  T2ref 
† T

La notación  corresponde a la matriz pseudo-inversa de Moore-Penrose que puede ser
†
1
calculada con  A   A  A  A
† T T
.

Un método más robusto fue presentado por Kung 1978 basado en el desplazamiento de la
matriz de Observabilidad
  Cd    Cd  A 
   2
 Cd  A   A  Cd  A 
     
   
Cd  A 
i 1
 Cd  Ai 
  Cd    Cd  A 
†
  2
 Cd  A  Cd  A 
 A         Oi (1: l (i  1),:)  Oi (l  : li,:) 
†
 i 1 
 
Cd  A   Cd  Ai 
Como en los casos anteriores una vez obtenidos las matrices  A y Cd  podemos obtener
los polos discretos   d  y las formas modales V  como:
 A      d   
1
V   Cd   
Y los polos del sistema continuo como
ln i
i 
t
Y la frecuencia  i  i i 1
i  i 1
Y el amortiguamiento    
2 ii 1
28.2. MÉTODO MOESP

(Desarrollo P. León R. Boroschek) MOESP (Multivariable Output-Error State sPace) es un
método que sirve para obtener un modelo de espacio estado con datos del entrada y salida
utilizando matrices de Hankel. En nuestro caso utilizaremos este método para obtener los
parámetros dinámicos de una estructura a partir de los datos capturados por los
acelerómetros.

La evolución temporal de estado ( ) y el output (observación) ( ) se describen mediante
el siguiente sistema:
{ } = [ ]{ } + [ ]{ }
{ }=[ ]{ } + [ ]{ }
Donde: { } ∊ ℝn → Vector de estado
{ } ∊ ℝl → Vector de observación (salidas). Es la suma de todas las
excitaciones de entrada
{ } ∊ ℝm → Vector de entrada. Son varias excitaciones escalares.
[ ] ∊ ℝn → Matriz de estado discreta
Se trabaja con los siguientes supuestos:
El sistema es observable (recuperar { } a partir de { } ).
El sistema es controlable.
Considerando un estado inicial { } se tiene lo siguiente:
{ } = [ ]{ } + [ ]{ }
{ } = [ ]{ } + [ ]{ } = [ ] { } + [ ][ ]{ } + [ ]{ }
{ } = [ ]{ } + [ ]{ } = [ ] { } + [ ] [ ]{ } + [ ][ ]{ } + [ ]{ }
⋮
{ }= [ ] { }+ [ ] [ ]{ }
Análogamente, para { } se tiene:
{ }=[ ][ ] { } + [ ] [ ] [ ]{ } + [ ]{ }
Así, podemos establecer la siguiente relación:

{ } [ ] [ ] 0 ⋯ 0 0 { }
{ } [ ][ ] [ ][ ] [ ] ⋯ 0 0 { }
= { }+ ⋱
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
{ } [ ][ ] [ ][ ] [ ] [ ][ ] [ ] ⋯ [ ][ ] [ ] { }
[ ]
[ ][ ]
Llamamos matriz de observabilidad [ ]=
⋮
[ ][ ]
Como el sistema es invariante en el tiempo, podemos escribir lo anterior para un intervalo
de tiempo:

{ } { }
{ } { }
=[ ]{ } + [ ]
⋮ ⋮
{ } { }
Donde [ ] es la matriz de observabilidad extendida de orden “s” y [ ] es una
matriz de Toeplitz.
____________________________________________________________________
Matriz Toeplitz (Otto Toeplitz) es una matriz que todas las diagonales son descendientes
de izquierda a derecha
 a0 a1 a2 a 3 
a a0 a1 a2 
 1 
 a2 a1 a0 a1 
 
 a3 a2 a1 a0 
____________________________________________________________________
Utilizando matrices de Hankel, el sistema puede ser representado de la siguiente manera:
{ } { } ⋯ { } { } { } ⋯ { }
{ } { } ⋯ { } { } { } ⋯ { }
=[ ] , +[ ]
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
{ } { } ⋯ { } { } { } ⋯ { }
Donde , = [{ } { } ⋯ { }]
Como notación de matriz de Hankel, para este caso se tiene:
{ } { } ⋯ { }
{ } { } ⋯ { }
, , =
⋮ ⋮ ⋱ ⋮
{ } { } ⋯ { }
{ } { } ⋯ { }
{ } { } ⋯ { }
, , =
⋮ ⋮ ⋱ ⋮
{ } { } ⋯ { }
Con todas estas consideraciones, se puede escribir una ecuación de datos de la siguiente
manera:
, , =[ ] , +[ ] , , (3)
Ahora bien, se construye una matriz [H] que contiene a las matrices , , , , .
La transformación QR permite descomponer cualquier matriz cuadrada real en una matriz

Q de vectores unitarios ortogonales y una matriz R que es triangular superior.
Q T Q    I 

La transformación LQ es similar y L es triangular inferior.
____________________________________________________________________
Aplicando la factorización QR, se obtiene la siguiente descomposición LQ de la matriz [H]:
, , [ ] [0] [ ]
[ ]= = =⋯
, ,
[ ] [ ] [ ]
, , = [ ][ ]
[ ]= (4)
, , =[ ][ ] + [ ][ ]
Donde:
[ ] =
[ ] =
[0] ≠
Considerando las ecuaciones (3) y la primera línea de (4) se tiene la siguiente ecuación:
, , =[ ] , + [ ][ ][ ] =[ ][ ] +[ ][ ] (5)
Postmultiplicando la ecuación (5) por [ ] y considerando la de ortogonalidad queda lo
siguiente:
, , [ ]=[ ] , [ ]=[ ] (6)
Notar que  L22  tiene dimensión del número de sensores de observación por el
número de líneas s a considerar. Esto define el número de valores singulares y debe
ser mayor que el GDL reales. Las entradas no controlan este valor. Entre mayor s
mejor la precisión, pero tiene un límite. Además requiere que N sea mayor que ls+ms
para la selección correcta dado que QR(A) donde A es de ms x N produce una matriz
L de N x ms y debemos seleccionar la submatriz  L22  que se ubica en ms+1 hasta
ms+ls.
En general utilizar s como indicador de los valores propios existentes en la señal y l
como un número mínimo de datos en el ajuste. Lo conveniente es l sean todos los
datos. A no ser que existan nolinealidades en el sistema.
Con esto se ha eliminado el efecto de la excitación de entrada y, así, el procedimiento es
equivalente a lo hecho en el algoritmo ERA. Siguiendo el procedimiento, se realiza una
descomposición de valores singulares (SVD) de la matriz [ ]:
[∑ ] [0] ( ) [ ]
[ ] = [[ ] [ ] ( )]
[0]( ) [∑ ]( ) ( ) [ ] ( )
≈[ ][∑ ][ ]
[∑ ] = ( ⋯ ); [∑ ] = ( ⋯ )
Se selecciona el valor de “n” buscando un salto importante de valores singulares ( ≫
), para distinguir el subespacio de la señal con el subespacio del ruido. También se

puede desarrollar un diagrama de estabilización y en función de esta información
seleccionar el valor apropiado de valores singulares reales.
Luego de la selección la matriz [ ] se puede aproximar por:
[ ]=[ ][∑ ] /
Una vez obtenida la matriz [ ], las matrices [ ] [ ] se calculan como sigue:

[ ]=[ (1: , : )]
[ (1: ( − 1) , : )][ ] = [ (( + 1): , : )]
⇒ [ ] = [ (1: ( − 1) , : )] [ (( + 1): , : )]
Donde [∗] representa la pseudo-inversa de una matriz.
De un análisis de valores y vectores propios de la matriz [ ] se obtienen los polos ( ) y los
vectores propios ( ) del sistema discreto, los cuales se relacionan con el estado continuo
de la siguiente manera:
= exp( ); ∊ {1,2, … … , }
ln( )
= = ln( ) ∙
=− + 1−
⇒ =| |
( )
⇒ =−
| |
[ ]=[ ][ ]
Ejemplo (dinamoesp)
El caso del edificio utilizado en ERA caso sismo amortiguamiento no clásico. Solo salidas 1
3 y 5.

Figura 168 Entrada y Salida de Edificio 6 GDL aceleración basal.

Figura 169 Asumo 3 modos reales (6 valores singulares)

Figura 170 Asumo 3 modos reales (6 valores singulares)

Figura 171 Asumo 10 modos reales (20 valores singulares). Se observa que los
valores más allá de los reales presentan parámetros que no son reales. Pero esto
lo sabemos porque conocemos la respuesta.
La clave es encontrar una dimensión de líneas de observación s que permita la

identificación confiable de los valores singulares. Además de la selección de número de
valores singulares apropiados. Esto se realiza con el diagrama de estabilización y
definiendo un numero deseado de GDL y luego estimando un valor mínimo de s para
lograrlo.

Figura 172 Período comparación de distintas líneas y columnas
Figura 173 Amortiguamiento comparación de distintas líneas y columnas

Figura 174 Modos comparación de distintas líneas y columnas
29. METODOS DE IDENTIFICACION DE SISTEMAS NO LINEALES

Los métodos como MOESP permiten realizar estimaciones de la nolienalidad de los
sistemas si se realizan análisis por venteanas. La precisión dependerá la velocidad de
cambio del sistema y el grado de nolinealidad del mismo. El espectrograma y otros
métodos tiempo frecuencia permiten observar el nivel de nolinealidad.
Ejemplo

Un procedimiento adiconal que permite realizar una descomposición primero en el tiempo
y luego en la frecuencia es la Transformada de Hilbert-Huang [Ref]

ANEXO
1. CONCEPTOS BÁSICOS
1.1. MATRIZ DE HANKEL

Una matriz de Hankel, denominada así en honor a Hermann Hankel, es una matriz cuadrada
con todas sus antidiagonales paralelas numéricamente. Una matriz de Hankel presenta la
siguiente estructura:
a b c d
b c d e
H    
c d e f
 
d e f g
O también
a i , j H  a i , j  a i 1, j 1
Una matriz de Hankel por bloque está dada por:
 [Yk ] [Yk 1 ]  [Yk  j ] 
[Y ] [Y ]  [Yk  j 1 ]
 k 1 k 2  r
 H k 1        
 
 [Yk i  j ]
( prxqs )
[Yk i ] [Yk i 1 ]
s
Donde i=0,…r-1 y j=0,…s-1, con r y s enteros.
Ejemplo
Forma una matriz bloque Hankel tres H=hankelrb(y,3,2,1)

columnas y dos filas bloques
(dinahankel.m)
y= H=
1 2 3 4 5 1 2 3
6 7 8 9 10 6 7 8
11 12 13 14 15 11 12 13
2 3 4
7 8 9
12 13 14

2. MATRICES CONSISTENTES
(Tarea M. Bravo S. Varela. Modificado levemente por RB)
La teoría, experiencia y costumbre podrían desencadenar rápidamente la solución del

problema a través de la distinción de los grados de libertad y cuáles de ellos se pudiesen
condensar, de manera que así, se pueda construir la Matriz de Rigidez a través del Método
de Rigidez directo y así también la Matriz de Masa a través del método de “Masas
Concentradas por cada GDL”
La siguiente presentación tiene por objetivo mostrar que existe un método distinto para
obtener la Matriz de Masas, conocido como “Método de Masas Consistentes”. Se ha de
explicar la metodología, el alcance y un pequeño proceso comparativo que contrasta los
resultados obtenidos con el método clásico de Masas Agrupadas para distintas
discretizaciones y grados de libertad.
2.1. MATRIZ DE RIGIDEZ CONSISTENTE

Se asume la estructura como un “Sistema Discreto de Elementos “conectado en un número
finito de nodos. Las propiedades de la estructura completa se obtienen evaluando las
propiedades de cada elemento y superponiéndolos apropiadamente.
El problema de definir la rigidez de una estructura, es entonces reducido básicamente a la
evaluación de rigideces de elementos típicos.
Ψ ( )=1−3 +2 Ψ ( )=3 −2
Ψ ( )= 1− Ψ ( )= −1

A partir de estas cuatro interpolaciones, la deformada del elemento se expresa como:
( ) = Ψ (x) ∗ V + Ψ (x) ∗ V + Ψ (x) ∗ V + Ψ (x) ∗ V
Donde los GDL numerados son los mostrados en la figura inicial y de forma simétrica para
el lado derecho de la viga. Ordenándose entonces de la siguiente forma:
Es necesario notar que ambas rotaciones y traslaciones se representan como un GDL: Vi

Por definición, los Kij son las fuerzas debido a desplazamientos unitarios. Las fuerzas
nodales asociadas a cualquier desplazamiento se pueden determinar por desplazamientos
virtuales. Considerar por ejemplo que K13 para la viga estudiada es la fuerza vertical en A
desarrollada debido a una rotación unitaria en A.
La fuerza se puede evaluar introduciendo un desplazamiento virtual en el extremo A.
Mientras la rotación unitaria es aplicada como se muestra a continuación igualando el
trabajo interno con el externo W E = W I. En este caso, el trabajo externo sólo es hecho por
la fuerza vertical en A porque los otros desplazamientos desaparecen así:
= ∗ = ∗
El trabajo interno virtual viene dado por los momentos asociados con θa=1 actuando en las
curvaturas virtuales, que son:

[ ( )] = ( )
En el cual se están despreciando los efectos de corte, sin embargo los momentos debidos
a θa=1 puede ser expresado:
( ) = ∗ ( ) ∗ ( )
Así el trabajo interno viene dado por:
= ( ) ( ) ( )
Igualando las ecuaciones recién presentadas, la expresión para este coeficiente de rigidez
queda de la siguiente forma:
= ( ) ( ) ( )
Generalizando:
= ( ) ( ) ( )
Desde la forma de estas ecuaciones la simetría de [k] es evidente; esto es kij= kji .
Para el caso especial de una viga uniforme ( )= , la matriz de rigidez resultante a
partir de la ecuación generalizada y usando las interpolaciones hermíticas, queda
expresada de la siguiente forma:
6 −6 3 3
2 −6 6 −3 −3
=
3 −3 2
3 −3 2
Donde los desplazamientos nodales obedecen al mismo ordenamiento de nodos
presentados anteriormente y {fs} es el vector de fuerzas nodales correspondiente. Estos
coeficientes de rigidez son los valores exactos para una viga sin distorsión por corte. Esto
porque las interpolaciones usadas son las reales para este caso. Si la rigidez de la viga no
es uniforme, la aplicación de estas funciones proveerá solo una aproximación de la rigidez
real, pero el resultado final para la viga completa será cada vez mejor en función de la
cantidad de elementos finitos en que se divida el elemento.
Cuando los coeficientes de rigidez de todos los elementos finitos de una estructura han sido
evaluados, la rigidez de la estructura completa se obtiene simplemente sumando los
coeficientes de los elementos apropiadamente. Esto es llamado “Método de Rigidez
Directa”. En efecto, cualquier coeficiente kij de la estructura completa se puede obtener

“sumando juntos” los coeficientes de rigidez correspondientes a los elementos asociados a
ese nodo.
Ejemplo
EI=1, L=1 y =1
[ ] [ ]= 648
0
-324
0
0
648
-324
0
-324
-324
648
0
0
0
0
324
-2E-14
0
0
-162
-324
0
0
0
0
0
0
0
0
0
54
0
54
-54
0
0
54
0
-54
-54
0
0
0
0
0
0
0
54
54
0
0
0
54
0
0
0
0
0
0
0
=
-2E-14 0 0 -162 324 2E-14 0 0 0 0 -54 0 54 -3E-15 0
-324 0 0 0 2E-14 648 -324 0 0 0 0 0 -54 0 54
0 0 0 0 0 -324 648 0 0 0 0 0 0 -54 0
0 0 54 0 0 0 0 24 6 0 0 0 0 0 0
54 -54 0 0 0 0 0 6 24 6 0 0 0 0 0
24 6 6 54
0
0
0
-54
0
-54
0
0
-54
0
0
0
0
0
0
6
0
36
12
12
48
0
12
0
0
0
0
0
0
0 0 0 54 0 0 0 0 0 0 12 48 12 0 0
6 12 4 54
54
0
0
0
0
0
0
54
-3E-15
-54
0
0
-54
0
0
0
0
0
0
0
0
12
0
36
6
6
24
0
6
6 4 12 0 0 0 0 0 54 0 0 0 0 0 0 0 6 24
[ ] [ ]=
2,33333333 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0,33333333 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0,33333333 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0,66666667 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0,66666667 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0,33333333 0 0 0 0 0 0 0 0 0
3 0 0 2,5
0
0
0,5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0,33333333
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
=
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
= 2,465 = 2,342 = 2,334
2.2. MATRIZ DE MASA CONSISTENTE.

Al igual que en la obtención de la matriz de rigidez, es posible obtener los COEFICIENTES
DE INFLUENCIA DE MASA mediante el concepto de elementos finitos.
Considere, por ejemplo, el segmento de viga mostrado en la figura. Los grados de libertad
son la traslación y rotación en cada extremo del segmento , , . Quedando descrito

cualesquiera de los desplazamientos intermedios por las funciones de interpolación de
Hermite nombradas anteriormente.
Si la viga fuese sujeta a una aceleración angular unitaria ̈ = ̈ = 1, las aceleraciones se
desarrollan a través de su largo como sigue:
̈( ) =Ψ ( )
∙ ̈
Las fuerzas inerciales desarrolladas debido a estas aceleraciones ocupando el principio de

D’Alambert son:
( )
= ( ) ∙ ̈( ) = ( ) ∙Ψ ( )
∙ ̈
Se define los coeficientes de influencia de masa como las fuerzas inerciales nodales que
aparecen debido a aceleraciones unitarias aplicadas en los grados de libertad, éstos
coeficientes pueden ser evaluados ocupando el teorema de trabajos virtuales, entonces el
coeficiente se obtiene aplicando un desplazamiento virtual en el extremo A:
El trabajo externo de las cargas reales por los desplazamientos virtuales corresponde a:
= ∗
El trabajo de las fuerzas inerciales sobre los desplazamientos virtuales corresponde a:
= ( )∗ ∗Ψ ( ) = ( )∙Ψ ( )∗ ∗Ψ ( )
Igualando estos trabajos se llega a la siguiente expresión para el coeficiente de influencia

de masa es:
= ( ) ∙Ψ ( ) ∗Ψ ( )
Generalizando la ecuación se llega a la siguiente expresión para el coeficiente de influencia

de masa:
= ( ) ∙Ψ( )
∗Ψ ( )
Se observa que estos valores corresponden a las reacciones inerciales en el GDL i debido
a aceleraciones unitarias en el GDL j.
La forma de la ecuación anterior muestra que la matriz [m] es simétrica.
Para una viga con masa distribuida uniforme , se obtiene la siguiente expresión para las
fuerzas inerciales resultantes debido a aceleraciones en sus extremos:

156 54 22 −13 ̈
54 156 13 −22 ̈
= ∗ ∗
420 22 13 4 −3 ̈
−13 −22 −3 4 ̈
La matriz de masa de una estructura completa se puede desarrollar con exactamente el
mismo tipo de superposición que se deduce en la obtención de la matriz de rigidez, es decir
mediante la superposición de los coeficientes de influencia de masas de cada elemento.
A modo de ejemplo se explica la obtención de la matriz de masa consistente del marco
bidimensional de la motivación:
156
= 2 +2∗ = 2.73 ∙
420
= = 22 = 0.052 ∙
(2 )
= ∗4 + ∗ 4(2 ) = 0.028 ∙
420 420
= 22 ∗ = 0.052 ∙
420
(2 )
= ∗ −3(2 ) = 0.057 ∙
420
Finalmente considerando la matriz de rigidez para los
3 grados de libertad, la ecuación de movimiento de la estructura es:
̈1 ̇1 1( )
2.73 0.052 0.057 24 6 6 1
0.052 0.028 0.057 ̈2 + [ ] ̇2 + 3 6 12 4 2 = 2( )
0.057 0.057 0.028 ̈3 ̇3 6 4 12 3 3( )
Resolviendo esta estructura para vibraciones libres, se llega a que su período fundamental
es:
= 2,326
Convergencia

Convergencia de Tn
(Método Masas Discretas)
2.48
2.46
2.44
2.42
Tn [segundos]
2.4
Masas Concentradas
2.38 Masa Consistente
2.36
2.34
2.32
2.3
0 0.5 1 1.5 2 2.5 3 3.5
Elementos
3. SEÑAL ANALÍTICA
Figura 175: Espectro a) Señal Original, b) Señal Analítica.

1 s(t ')
A s(t )  z(t )  s(t )  j   t ' (0.1)

  π  t  t '
 
HilbertTransform

1 s(t ')
H [s(t )]    t ' (0.2)
π  t  t '
A s(t )  z(t )  s (t )  i  H s (t )  Aa (t )  e i φa ( t ) (0.3)

Aa (t )  Amplitud.
Donde:
φa (t )  Phase
1
 imag ( z(t )) 
Aa (t )  [real ( z(t ))]2  [imag ( z(t ))]2  2 φa (t )  arctan   (0.4)
 real ( z(t )) 
 H s(t ) 
1
Aa (t )  s 2 (t )  H s(t )  2
2
φa (t )  arctan   (0.5)
 
 s (t ) 
Frecuencia Instantánea

Boroschek-Dinamica de Estructuras Avanzada

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Boroschek-Dinamica de Estructuras Avanzada

Transféré par

Droits d'auteur :

Formats disponibles

Apuntes de Clase

Modelo y Determinación Experimental Torre Titanium la

Alfonso Larraín y Asoc. Ltda. - RBA

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 1

Algunos temas con apoyo especial de alumnos:

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 2

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 3

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 4

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 5

12.1.3. Relación de Valores Propios Continuos y Discretos ....................................... 162

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 6

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 7

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 8

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 9

Clough, R. y Penzien, J. “Dynamics of Structures”. McGraw – Hill.

Chopra, A. “Dynamics of Structures”. Prentice Hall. Tercera Edición,

E.L. Wilson (2002). “Three-Dimensional Static and Dynamic Analysis

E. Oran Brigham. “The Fast Fourier Transform”, Prentice Hall, 1974.

Heylen, W., Lammens, S. and Sas, P. “Modal Analysis Theory and

Peeters, B y De Roeck, G (2000). “Reference Based Stochastic

Van Overschee P., De Moor B. Subspace Identification for Linear

Brincker, R.; Ventura, C.; Andersen, P. (2001) Damping Estimation

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 10

 v  v    Obtenemos los parámetros modales

   k  i ( t ) yi (t )  2i  i y i (t )  i2 yi (t )  Pi (t ) / M i

 f E (t )   i2  M i  yi (t )   M   i2 i  yi (t )

Decremento Logarítmico:   ln  vi vi  N  Respuesta Sísmica:

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 11

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 12

Figura 1 Condiciones Iniciales: Desplazamiento y Velocidad

Figura 2 Ensayo de Impacto (salto grupal) sobre pasarela

Demanda Armónica: Demanda armónicas con período característico, T, f t   f t  T  . La

Figura 3. Excitación Periódica. Maquinarias y otros.

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 13

Figura 4Excitación Periódica

Impacto: Acción relativamente corta sobre la estructura

Figure 5. Impacto. Acción de corta duración

Excitación Arbitraria: Sin un patrón definido (i.e. terremoto)

Figure 6. Demanda Sísmica

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 14

4.1.1. ¿Cómo Modelar Estructuras?

2. Mediante ecuaciones diferenciales como la siguiente:

3. Por medio de elementos finitos.

4. Usando coordenadas generalizadas, donde se establece una función de desplazamiento

 Suma de Fuerzas:  Fxt  ,  Fyt  ,  Fzt 

5. SISTEMAS LINEALES DE UN GRADO DE LIBERTAD

5.1. SISTEMAS DE UN GDL SIN AMORTIGUAMIENTO

Figura 7 Ejemplos de sistema de 1GDL

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 15

5.2. ANÁLISIS DE SISTEMAS EN OSCILACIÓN LIBRE

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 16

Luego el desplazamiento se puede escribir como:

Figura 10 Desfase asociado a condiciones iniciales

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 17

Figura 11 Comparación en el tiempo de fase para

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 18

5.3. CONSIDERACIÓN DEL PESO EN LA ECUACIÓN DE MOVIMIENTO

Figura 13 Ejemplo de sistema de 1GDL

Al realizar el equilibrio el sistema mostrado en la figura:

x(t )  v(t )  est

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 19

Existe una gran incertidumbre por tanto en la identificación y definición de

DINAMICA AVANZADA DE ESTRUCTURAS – RUBÉN BOROSCHEK K 20