Professional Documents
Culture Documents
Visión general
Overview ofde HDM-4
HDM -4
Volumen
Volume 1
Guía de aplicaciones
Applications Guide Guía del usuario
Software UserdelGuide
software
Volumen
Volume 2 Volumen
Volume 3
Marco analítico y
Analytical Framework
descripciones and
de modelos
Model Descriptions
Volumen
Volume 4
El paquete comprende:
n Visión general de HDM-4 (Volumen 1)
Un corto resumen que describe el sistema de HDM-4. Se recomienda su uso a todos los
lectores nuevos de HDM-4, particularmente a los relacionados con los altos niveles
gerenciales dentro de una administración de carreteras.
n Guía de aplicaciones (Volumen 2)
Es una guía orientativa, que describe ejemplos típicos de análisis. De gran utilidad para
los usuarios frecuentes que deseen saber como realizar una tarea o desarrollar un estudio.
n Guía del usuario del software (Volumen 3)
Contenidos
2 Conceptos de calibración 4
2.1 Necesidad de calibración 4
2.1.1 Consideraciones del desarrollo del modelo 5
2.1.2 Ejemplos 5
2.2 Datos de entrada 7
2.3 Calibración 7
2.3.1 Introducción 7
2.3.2 Nivel 1 - Aplicación 9
2.3.3 Nivel 2 - Calibración 11
2.3.4 Nivel 3 - Adaptación 11
2.4 Alcance 11
3 Conceptos de fiabilidad 13
3.1 Introducción 13
4 Sensibilidad de HDM 24
4.1 Introducción 24
Aternativa n
Aternativa 3
Process
Aternativa 2
Process
Aternativa 1 Comparación
económica
Process
Costes de Costes totales
Condición del firme a
conservación a lo Valor neto añadido (VAN)
lo largo del tiempo
largo del tiempo
Tasa interna de retorno (IRR)
Como se ilustra en la Figura 1.2, HDM consta de una serie de submodelos que se ajustan a
los diferentes aspectos del análisis. Cada uno de estos submodelos, requiere ciertos datos de
entrada y cada uno produce sus propios datos de salida. Con la intención de aplicar el modelo
correctamente, es necesario asegurar que HDM obtiene los datos de entrada apropiados y que
los mismos han sido, convenientemente, calibrados.
Esta guía presenta directrices para asegurar la calidad de las aplicaciones de HDM a través
del control de la calidad de los datos y la calibración del modelo HDM. Se describe la escala
de opciones para la obtención de datos y la entrada a HDM, así como las consideraciones de
precisión. La sensibilidad de HDM a los datos de entrada se usa para establecer qué datos
serán los más críticos en el análisis. De igual forma la guía explica como calibrar HDM a
través de sus diferentes factores de calibración y la sensibilidad del modelo a esos factores. Se
presentan tres niveles de esfuerzo para alcanzar la calibración basados en el tiempo disponible
y en los recursos.
La guía está diseñada específicamente para HDM-4, aunque muchos de sus principios
generales se pueden aplicar a las versiones anteriores HDM-III y HDM-95.
2 Conceptos de calibración
2.1 Necesidad de calibración
Como parte del Estudio internacional de las herramientas para el desarrollo y conservación de
carreteras (ISOHDM, por sus siglas en inglés) se compiló un compendio de países en los que
HDM se ha aplicado. HDM o sus relaciones se han aplicado, aproximadamente, sobre 100
países desarrollados o en vías de desarrollo con marcadas diferencias tecnológicas, climáticas
y económicas.
Puesto que el modelo simula los cambios futuros del sistema de carreteras a partir de las
condiciones actuales, la confiabilidad de los resultados depende de dos consideraciones
primarias:
n La fiabilidad de la representación de las condiciones actuales y los factores que las
influencian en los datos provistos del modelo, y
n La veracidad de las predicciones de los comportamientos y las interacciones entre los
diferentes factores de la variedad de condiciones del modelo.
La aplicación del modelo conlleva dos importantes pasos:
n Entrada de datos – una correcta interpretación de los requisitos de la entrada de datos y
alcanzar una calidad de los mismos que sea apropiada a la fiabilidad deseada de los
resultados.
n Calibración de los datos de salida – ajustando los parámetros del modelo para que los
pronósticos y los datos de salida, representen fielmente, los cambios y las influencias a lo
largo del tiempo y bajo diferentes intervenciones.
Los pasos en la modelización, a partir de los datos de los pronósticos resultantes del modelo, se
ilustran en la Figura 2.1. En este contexto, los datos de entrada y los requisitos de la
calibración de los modelos predichos, están explicados en esta guía.
Datos de Modelos de
Análisis Resultados
entrada predicción
Esta guía
La calibración del modelo HDM se enfoca en dos componentes primarios que determinan las
cantidades físicas y los costes y beneficios definidos para el análisis, que se denominan:
n Efectos de los usuarios de la carretera (RUE) – incluye los costes de circulación del
vehículo (VOC), el tiempo del trayecto, la seguridad y las emisiones, y
n Deterioro de la carretera y efectos de los trabajos (RDWE) – incluye los deterioros del
firme y el impacto de las actividades de conservación sobre la condición del firme y la
tasa futura de deterioro del firme.
los costes observados de los camiones en Canadá y los pronosticados en el modelo de HDM-
III con valores predefinidos no ajustados (Lea, 1988). No se observaron, solamente,
diferencias significativas en los casos en los que el VOC total estaba pronosticado por HDM-
III sino que, también, las contribuciones relativas de los diferentes componentes de los costes
totales de la circulación mostraron grandes diferencias que podrían surgir cuando HDM-4 no
esté debidamente calibrado. Por esto, una inadecuada aplicación o calibración local puede
distorsionar los costes y sus destinos pudiendo distorsionar, también, los destinos indicados de
los gastos de la carretera.
180
2-Axle Truck 5-Axle Truck 7-Axle Truck
160
140
120
Crew
Cost in cents/km
100 Interest
Depreciation
80 Maintenance
Tires
40
20
0
Observed HDM Observed HDM Observed HDM
datos locales. Un tercer paso podría ser el reemplazo de las relaciones observadas por otras
desarrolladas a partir de la investigación local.
Caja 2.1 Datos versus calibración
Una analogía del mar es muy útil para ilustrar el papel de los datos y la calibración.
Los datos determinan el orden y la magnitud de los costes y los efectos, por lo que,
podrían ser una información básica, como la profundidad del mar y otros atributos
como su densidad. La calibración asegura que la altura de las olas sea la correcta
bajo la influencia de los vientos, de las corrientes y de las profundidades del agua.
Calibración
Esta guía está relacionada con ambas cosas. En el contexto de HDM-4 los datos
son los requeridos, cuando se instala el modelo. Esto incluye los costes unitarios, los
atributos de la carretera, las alternativas de conservación, etc. Cuando los valores
predefinidos se han suministrado, estos son los parámetros del modelo o los
coeficientes que se pueden calibrar.
La información principal de la guía tiene que ver con la calibración de los
parámetros y los coeficientes del modelo; del Apéndice C al Apéndice G se
establece como funciona la entrada de datos de HDM-4.
2.3 Calibración
2.3.1 Introducción
La calibración es diferente a la entrada de datos puesto que, la primera está dirigida a ajustar
los pronósticos del modelo. Como se muestra en el Apéndice A, los submodelos RUE y
RDWE de HDM contienen una gran cantidad de parámetros que pueden ser ajustados. Como
se muestra en el Apéndice A HDM-4 presenta más factores de calibración que HDM-III.
Esto es debido a que muchos valores que fueron codificados permanentes en el código
fuente de HDM-III pueden ser ahora alterados en HDM-4.
El grado de la calibración local apropiada en HDM es una elección que depende mucho del
tipo de aplicación y de los recursos disponibles del usuario. Por ejemplo, en la planificación de
aplicaciones de magnitud absoluta del RUE y de los costes de construcción de la carretera se
necesita ajustar al máximo los costes locales ya que, las alternativas de proyectos con
diferentes capacidades de tráfico o longitudes se evalúan por la comparación de los costes
totales del transporte en la carretera. Por otro lado, en la programación de conservaciones, la
sensibilidad del RUE a las condiciones de la carretera, particularmente a la regularidad, y
todas las proyecciones de deterioro de la carretera y mantenimientos son los aspectos más
importantes.
Hay tres niveles de calibración en HDM que incluyen niveles de esfuerzo y recursos bajo,
moderado y alto, de la siguiente forma:
n Nivel 1 – Aplicación básica (ver sección 2.3.2)
Determina los valores de los parámetros básicos requeridos, adoptando muchos de los
valores predefinidos y calibrando los parámetros más sensitivos con los mejores
estimados, con los estudios teóricos o con las encuestas mínimas de campo.
n Nivel 2 - Calibración (ver sección 2.3.3)
Utiliza las encuestas de campo mayores y los experimentos controlados para mejorar las
relaciones de pronóstico existentes o para desarrollar nuevas y específicas relaciones
locales que sustituyen al código fuente del modelo.
En términos de esfuerzo estos tres niveles se pueden ver como semanas , meses y años. Un
analista debería poder realizar una calibración de nivel 1 en, aproximadamente, una semana.
Para la calibración de nivel 2 se requiere una cantidad mayor de esfuerzo y debería de tomar,
aproximadamente, un mes. Las calibraciones de nivel 3 requieren un largo período de recogida
de datos básicos por lo que su realización podría durar un año o más.
Cada análisis HDM requiere, al menos, una calibración de nivel 1.
La Figura 2.3 ilustra este concepto de aumento de esfuerzo y recursos. Se observa que, existe
una relación directa entre el tiempo y el esfuerzo empleado en ajustar HDM y la fiabilidad y la
precisión de sus resultados.
Tiempo requerido
Sondeos
Años
experimentales
e investigación
Meses Estudios de
campo
Semanas Estudios de
despacho
Recursos
Límite Moderado Significativo requeridos
Investigación
Planificación general Evaluación del proyecto
y
Priorización rápida Viabilidad detallada
desarrollo
Escrutinio preliminar
Como se muestra en la Tabla 2.1, Curtayne et al. (1987) sugirió un concepto relacionado con
la jerarquía de calibración con niveles de aumento de actividad, en consideración al VOC.
Observaron que las actividades de la calibración podían estar basadas en las fuentes primarias
y secundarias de los datos. Las fuentes primarias están basadas en las comparaciones directas
entre los costes y las características de la carretera mientras que las secundarias proveen
información sobre las condiciones económicas o de circulación de una región. La calibración
de los resultados del VOC varía entre una selección de relaciones disponibles en una base de
pocos datos de la estimación de relaciones locales usando datos especialmente recogidos.
Las siguientes secciones perfilan los componentes de las calibraciones de nivel 1 y nivel 2..
El Apéndice A ofrece los datos y los parámetros del modelo que deberían ser investigados en
la calibración. No es necesario considerar todos los datos, el capítulo 4 presenta los resultados
de un análisis sensitivo de HDM que muestra los datos y los parámetros más importantes en
términos de su influencia en las proyecciones del modelo. El uso de los menos sensitivos se
debe tener en cuenta, solamente, si aportan cambios en tiempos y recursos.
El grueso de los parámetros predefinidos para los modelos de HDM son apropiado a las
condiciones locales ya que, solamente, es necesario añadir los más específicos.
Tabla 2.1
Fuentes de datos de calibración y jerarquía de los recursos de RUE
Fuentes o
Tipo de datos Aumento de recursos requerido
necesidades
Informes de
consultores
Organizaciones de
operadores
Inventarios de
estados de
carreteras
Calibración por Investigación a Confirmar e Estimar los costes Estimar las nuevas
sondeo pequeña escala, identificar los de los neumáticos y relaciones locales,
recogida de datos de valores y evaluar de la depreciación especialmente para
costes de las magnitudes de los costes de
Confirmar los
compañías que las caídas conservación
valores de caída del
operen carreteras
Determinar el uso coste total Comparar los RUE
con diferentes
de los vehículos por pronosticados con
características
edad y condición de las tasas
Personal con la carretera
conocimiento en la
industria
Encuestas de tasas
Clasificación de
rutas
Capacidades
analíticas
n Investigación fundamental
Algunos datos se pueden estimar con cierta precisión usando períodos cortos, por ejemplo, la
distribución horaria del volumen del tráfico, pero se obtiene una mayor precisión recogiendo
datos de diferentes lugares en períodos largos.
La investigación fundamental considera las relaciones usadas en HDM. Consiste en encuestas
estructuradas de campo y estudios experimentales realizados bajo condiciones locales. Por
ejemplo, las funciones de la alternativa se pueden desarrollar pronosticando el consumo de
combustible o el deterioro del nuevo firme y las funciones de los efectos de la conservación en
los diferentes tipos de firme. Estos trabajos requieren un compromiso mayor de calidad, de
investigación de campo bien estructurada y de análisis estadístico en períodos de varios años.
La investigación del deterioro del firme requiere un esfuerzo de varios años, generalmente, de
cinco como mínimo.
2.4 Alcance
Esta guía se ha preparado como un manual para aquellos responsables de la preparación de
los análisis con el modelo de HDM. Principalmente, está relacionado con dos niveles, que son
Aplicación y Calibración de aquí en adelante definidas como calibraciones de nivel 1 y nivel
2, respectivamente, y que son las mayoritariamente usadas.
Los usuarios interesados en la calibración de nivel 3 se deberán referir a las referencias de los
antecedentes de HDM-III (Watanatada et al., (1987a); (1987b); (1987c); Paterson, 1987;
y Chesher y Harrison, 1987) que definen la investigación original. Estos contienen material
del diseño experimental, de la teoría, de las formas de los modelos, de los métodos analíticos y
de las limitaciones empíricas.
3 Conceptos de fiabilidad
3.1 Introducción
El objetivo de un análisis de HDM es modelizar carreteras. Esto supone la predicción del
deterioro del firme por efectos del tiempo y del tráfico, de los usuarios de la carretera y de los
efectos de la conservación sobre la condición y la tasa de deterioro del firme. Como en
cualquier modelo, HDM es una representación de la realidad. Las predicciones del modelo
reflejarán la realidad, dependiendo de una combinación de lo siguiente:
n Validez del perfil de las relaciones de HDM
Debido a que las relaciones de los perfiles de HDM han demostrado ser consistentes y
utilizables en varios países, la fiabilidad de la mayoría de los análisis de HDM depende de los
datos de entrada y de los factores de calibración.
Este capítulo analiza los asuntos relacionados con la fiabilidad dentro del contexto de HDM. Se
ofrece una visión general de los problemas más comúnmente encontrados y describen los
métodos estadísticos para aumentar la fiabilidad.
Una diferencia sistemática que surge entre los valores observados y los pronosticados.
Por ejemplo, si las predicciones son, siempre, del 10% menor que los datos observados.
La definición formal de la línea de convergencia es la diferencia entre los valores medios
pronosticados y los observados.
n Precisión
Una medida de cercanía entre los datos observados y predichos 1. Se representa por la
reciprocidad de las variaciones (σobs2/σpre2); es decir, se refleja por la dispersión cuando
se plotean datos observados contra datos predichos. La precisión está influenciada por las
variaciones inherentes de los procesos más naturales, por los errores de observación y
medida y por los factores inexplicables omitidos en las relaciones del modelo.
La Figura 3.1 ilustra ambos conceptos en cuatro situaciones:
1
La precisión no debe ser confundida aquí con la precisión de una medida que hace referencia a la cercanía de
las medidas repetidas, por ejemplo el peso es 10 kg + 0,1 kg.
En la Figura 3.1 la elipse sombreada representa los datos observados que se han ploteado
contra los datos predichos. La línea a 45º es la línea de igualdad en la que los datos
observados y los predichos son iguales.
Datos
Pronosticada
Pronosticada
Datos
Observada Observada
Pronosticada
Datos
Datos
Observada Observada
Cuando hay una línea de convergencia baja los datos descenderán o se acercarán a la línea de
igualdad. Como se ilustra en la Figura 3.1-A (baja línea de convergencia y alta precisión)
cuando existe una alta precisión hay poca dispersión en los datos. No obstante, una reducción
en la precisión se verá como un aumento en la dispersión y, por lo tanto, en la desviación
estándar (Figura 3.1-B baja línea de convergencia y alta precisión).
Cuando existe una alta precisión, el cambio de baja a alta línea de convergencia refleja el
distanciamie nto sistemático de los datos observados de la línea de igualdad. Esto se ilustra en
la Figura 3.1-C (alta línea de convergencia y alta precisión). Esta figura muestra, también, lo
que ocurre cuando ésta adicción es una diferencia sistemática; la línea de observados versus
predichos no pasa a través de su origen.
La más difícil situación es la ilustrada en la Figura 3.1-D (alta línea de convergencia y baja
precisión). En este caso es difícil verificar la razonabilidad del modelo ya que las diferencias
podrían ser iguales debido a la pobre precisión y a la baja línea de convergencia.
Caja 3.1 Consideraciones importantes
Media observada
CFrot = …(3.1)
Media pronosticada
Esto está relacionado con el factor de corrección de rotación, porque, como se ilustra en la
Figura 3.2-A, los pronósticos rotan hacia abajo hasta corresponderse con los datos
observados.
El factor de traslación se usa cuando existe una diferencia constante entre los valores
observados y los pronosticados a través de todas las condiciones (ver Figura 3.2-B). Un
ejemplo de esto es cuando los costes de la circulación de los vehículos están sobreestimados
debido a la inadecuada inclusión de los costes generales. En este caso el factor de corrección
es:
La Figura 3.2-C muestra también, la tercera y común situación donde hay una combinación de
rotación y traslación.
Media de la muestra
Bias = …(3.3)
Media general
A Rotación B Traslación
Traslación
Pronosticada
Datos Datos
Observada Observada
Traslación
Rotación y
C traslación
Rotación
Observada = pronosticada
Pronosticada
Datos
Observada
Como se ilustra en la Figura 3.3, cuando la media de la muestra es diferente a la media general
la muestra converge. Si tiene la misma media pero con diferentes variaciones, entonces se
presenta un problema de precisión (ver Figura 3.4).
Al cuantificar los datos de entrada se persigue asegurar que la distribución de los datos de la
muestra sea similar a los generales. Esto se consigue usando técnicas estándar de muestreo
estadístico que aseguran que el tamaño de la muestra es suficientemente amplio para cubrir
los posibles errores.
El Apéndice H describe el método para establecer los tamaños requeridos de las muestras
para los diferentes niveles de confianza.
Líneas de
frecuencia convergencia
General Muestra
valor
frecuencia Precisión
Muestra
General
valor
pronósticos del modelo a niveles aceptables. El nivel 2, siendo un alto estándar, producirá
menor línea de convergencia residual en las predicciones de los modelos que la calibración del
nivel 1.
Una calibración de nivel 3 tiene como objetivo mejorar la precisión y la línea de convergencia
reconfigurando una o más de las relaciones del modelo. Por lo tanto, esto requiere un alcance
y una base de datos comprensiva con la intención de detectar y determinar adecuadamente,
los diferentes factores, efectos e interacciones.
n Las edades de los firmes eran difíciles de precisar con fidelidad, por lo que la carga del
tráfico era insegura.
n Era difícil estimar la regularidad después de la construcción.
n La resistencia del firme se estimó a partir de informes de la construcción. No obstante,
las variaciones en la regularidad a lo largo de un tramo de la carretera indicado, que
tenían variaciones locales en la resistencia, no se reflejaron en los informes de la
construcción.
n Las variaciones en el crecimiento del tráfico, sobre la vida de la carretera, no se
recogieron con fidelidad.
Los lugares seleccionados para el estudio, deberían cubrir el total de los tipos y resistencias de
firmes dentro del país. En cada tipo de firme se debería cubrir la escala completa de
resistencias de los mismos. Debido a que existen diferencias climáticas en la mayoría de los
países, el experimento se debería diseñar para incluir todos los existentes.
Los datos que se recogerán dependerán de los objetivos del estudio. Para una adecuada
calibración se necesitan recoger como mínimo los siguientes datos:
n Regularidad
n Fisuración
n Profundidad de la rodera
Al seleccionar los tramos en los que se debería apreciar si los firmes han sido diseñados
apropiadamente para el nivel del tráfico sería difícil observar los efectos de la carga del tráfico
que se han asignado en el diseño. Se deberían, por lo tanto, tratar y usar firmes diseñados de
acuerdo a sus niveles de tráfico.
Es importante que los tramos evaluados sean continuamente monitorizados y que todos sus
datos se recojan a la misma vez. En varios estudios, en los que no se hizo esto, se originaron
problemas con los análisis subsecuentes.
Se recomienda que no se utilice un medidor de regularidad montado en un vehículo
(RTRRMS) para medir la regularidad, ya que los errores de medida que originan estos
instrumentos son de la misma o mayor magnitud que los cambios incrementales de la
1
El mayor problema es establecer, con precisión, la cantidad de desgaste del neumático, ya que es una
pequeña cantidad. No obstante, como se describe en Transit (1997), aún cuando se usen las más controladas
condiciones se pueden producir errores significativos.
(1987), la variación en los costes entre compañías es, a menudo, mayor que las
variaciones debidas a las condiciones de la operación.
n Los datos se deberían estandarizar de forma que sus efectos sobre los niveles de la carga
sean tenidos en cuenta.
n Los pronósticos de HDM se deberían hacer usando costes financieros en lugar de
económicos.
n Los costes pronosticados deberían ser menores que las tarifas, debido a la necesidad de
que el propietario obtenga beneficios en el trayecto.
Hine y Chilver (1991) ofrecen un buen ejemplo de la utilización de las tarifas del transporte
para la calibración del modelo del VOC. Usando datos comprehensivos recogidos en Pakistán,
se hizo una comparación entre los costes observados y los pronósticos del VOC de RTIM2,
HDM-III en Brasil y HDM-III en India con modelos VOC con costes observados.
Hay dos componentes que se reflejan en la tarifa:
n El coste no productivo (por ejemplo, carga/descarga, reparaciones y esperas por trabajo)
donde:
a1
RATE = a0 + …(3.5)
DIST
donde:
NDLI (1997) utilizó tarifas de camiones medianos para verificar los pronósticos del VOC en
la India. Los datos se recogieron de nueve operadores en forma de tarifas cargadas por una
carga estándar en diferentes distancias. Los datos fueron poco variables, reflejando los
diferentes cargos por operador para trayectos de la misma longitud. Un análisis de regresión
de los datos ofreció las siguientes ecuaciones:
COST = 6.62 DIST + 562 …(3.6)
562
RATE = 6.62 + …(3.7)
DIST
El análisis indicó que el coste financiero marginal por viaje de camión fue de 6,6 Rupias/km.
El modelo fue ejecutado usando los costes unitarios financieros en lugar de los económicos. El
coste total pronosticado fue de 6,2 Rupias/km, una diferencia del 6%. Para evaluar los costes
pronosticados contra los datos de la tarifa básica, el total de los costes del trayecto se calculó
usando el mismo coste constante de 562 Rupias/trayecto como datos de la tarifa. Los
resultados se plotearon en la Figura 3.5 contra los datos de la tarifa original (NDLI, 1997). De
lo anterior se dedujo que el modelo ofrecía una representación razonable de los costes
observados.
En los vehículos de pasajeros, las tasas de los taxis son, generalmente, una fuente de datos
para la evaluación de los pronósticos del modelo. Estas tasas necesitan ser ajustadas por el
valor del tiempo del conductor.
7000
5000
4000
Tarifa en Rupias/trayecto
2000
1000
0
0 100 200 300 400 500 600 700 800
Longitud del trayecto en kms
du Plessis y Schutte (1991) contiene un número de informes que describe varios estudios
conducidos por el CSIR en Sudáfrica, que conllevan sondeos de parque. Estos estudios
proveen una buena guía de cómo acceder al estudio del parque y al análisis de los datos.
du Plessis et al. (1991) estudió una compañía de autobuses pequeña, ya que esto eliminaba
cualquier efecto entre compañías, si bien esto hizo notar que los siete depósitos de vehículos
locales tenían alguna relación con las prácticas de conservación que reflejaban las condiciones
locales. La compañía operaba en una zona de terreno y tipo de carretera. Los datos se
agruparon en depósitos de terreno llano, irregular y montañoso y los atributos promedio se
establecieron para cada depósito (por ejemplo, regularidad y circulación en diferentes tipos de
carreteras).
Se observó que “cualquier intento directo de relacionar los costes con la regularidad podría
producir resultados erróneos porque los otros factores como la edad de los autobuses y las
políticas de conservación jugaban también un papel importante”. El estudio fue, por lo tanto,
iniciado en cada depósito en los cuales se investigaban las políticas actuales. Esto también
permitió entrevistas con los gerentes locales de conservación que proveyeron valiosas
aportaciones de las condiciones locales que influían en los costes. Por ejemplo, se encontró
que el consumo de neumáticos estaba influenciado por la angularidad de la grava que producía
incrustaciones en su revestimiento.
Los datos se usaron para desarrollar relaciones que se pudieran comparar con las de HDM.
Los resultados confirmaron, ampliamente, la validez de los pronósticos de HDM.
Findlayson y du Plessis (1991) condujeron un estudio similar con camiones, que desarrolló
relaciones de conservación, neumáticos y depreciación. El estudio mostró las mismas
tendencias que en HDM.
4 Sensibilidad de HDM
4.1 Introducción
Es importante que los usuarios tengan en cuenta que el nivel general de sensibilidad del modelo
de cada parámetro1, ya que se puede ofrecer una importancia mayor a los parámetros
importantes y una menor a los de segundo o tercer orden. Las influencias de los parámetros
individuales son diferentes según las particularidades del parámetro, el resultado particular que
se considera y los valores asignados a los otros en el análisis particular. La sensibilidad de los
resultados a las variaciones, en un parámetro, por lo tanto, es diferente en distintas
circunstancias.
Los análisis de sensibilidad se realizaron con los submodelos RUE2 y RDWE de HDM por lo
que determinaron los niveles de sensibilidad y los clasificaron3. La sensibilidad se cuantificó
por el impacto de la elasticidad, que es, simplemente, la relación del cambio de porcentaje
de un resultado específico con el porcentaje del cambio de un parámetro entrado, manteniendo
a todos los demás parámetros a un valor medio constante.
Por ejemplo, si un aumento del 10 por ciento en la carga del tráfico causa un 2,9 % de
aumento en la regularidad desarrollada, después de 15 años, el término del impacto de
elasticidad en la carga del tráfico para esa regularidad es 0,29. Si, por el contrario, disminuye a
2,9 el valor deberá ser –0,29.
Como se describe por Mrawira et al. (1998), existen diferentes formulas que se pueden usar
para llevar a cabo análisis de sensibilidad. La fórmula usada aquí es el método tradicional
ceteris paribus : cambiando un factor sencillo mientras se mantienen constantes todos los
demás. La fórmula alternativa, usando experimentos factoriales que combinan todos los
niveles de un factor con todos los niveles de todos los otros factores no se usará debido al gran
número de combinaciones a tener en cuenta. Por lo tanto, el análisis aquí no considera las
interacciones del factor. Mrawira et al. (1998) describe los resultados del uso de una fórmula
del factor en un análisis de sensibilidad de HDM.
Como una base de los análisis, se han establecido cuatro clases de sensibilidad del modelo
como una función del impacto de elasticidad. Cuanto mayor sea la elasticidad más sensitivos
serán los pronósticos del modelo. Estas clases se detallan en la Tabla 4.1. A lo largo de esta
guía los términos S-I al S-IV se usan para referirse a las diferentes clases de sensibilidad.
1
Con la intención de ejecutar HDM es necesario suministrar los datos de entrada básicos y los valores para
los coeficientes del modelo; para hacerlo más sencillo ambos se denominan parámetros.
2
Como se describe en Bennett (1999), los análisis se hicieron usando una versión autónoma del modelo RUE
de HDM-4 desarrollado con este propósito.
3
Los autores agradecen la asistencia de Rodrigo Archondo-Callao del Banco Mundial, quien realizó el análisis
de sensibilidad el RUE para HDM-III.
Tabla 4.1
Clases de sensibilidad de HDM
El usuario debería usar los resultados de estos análisis sensitivos como una guía de cómo
enfocar sus esfuerzos. Estos datos o coeficientes del modelo con impactos que van desde
moderado a alto (S-I y S-II) deberían ser tenidos muy en cuenta. El impacto bajo y el
intangible (S-III y S-IV) se deberán tener en cuenta, solamente, si se permiten tiempos o
recursos. Usualmente, se asumen los valores predefinidos de HDM para S-III y S-IV ya que,
generalmente, ofrecen resultados adecuados.
Lo anterior es muy importante en situaciones en las que existen diferentes longitudes de ruta.
Los efectos de las condiciones de la circulación sobre RUE son importantes cuando se
comparan cambios de la condición de la carretera.
Tiempo de pasajero
Regularidad
(h/1000 km)
Tiempo de chófer/
conductor
(h/1000 km)
Tiempo de carga
(h/1000 km)
Consumo de
Requisitos de fuerza
combustible
(kW)
(l/1000 km)
Consumo de
neumáticos
(neumático/1000 km)
Consumo de
lubricantes
(l/1000 km)
Consumo de
repuestos
(%VAN/1000 km)
Horas de trabajo de
mantenimiento
(h/1000 km)
Conductor y perfilado
de la carretera
Transporte no
motorizado
Ancho de la
carretera, geometría, Tiempo de pasajero
textura del firme, (h/1000 km)
velocidad límite
Tiempo de chófer
Regularidad
(h/1000 km)
Tiempo de carga
Ruido de aceleración
(h/1000 km)
Consumo de Consumo de
Requisitos de fuerza
combustible lubricante
(kW)
(L/1000 km) (l/1000 km)
Consumo de
neumáticos
(Neumaticos/1000
km)
Consumo de
Horas de trabajo
repuestos
(h/1000 km)
(%VAN/1000 km)
Valor residual
Depende
Uso anual Interés de la
(km/años) (%VAN/1000 km)
opción
elegida
Tabla 4.2
Clases de sensibilidad para el modelo1 RUE de HDM-4
Notas:
1 Las variables mostradas aquí están definidas en Bennett y Greenwood (1999).
2 Estas son todas las clases encontradas a través de todas las aplicaciones más comunes.
Tabla 4.3
Clases de sensibilidad del modelo1 RUE de HDM-III
Variables o datos
Impacto de Variables o datos importantes
Clases2 importantes de los ahorros4
elasticidad del VOC3 total
del VOC
Notas:
1 Las variables mostradas aquí están definidas en Watanatada et al. (1987a).
2 Estas son todas las clases encontradas en todas las aplicaciones comunes.
3 Estas son las variables importantes en la determinación del VOC total.
4 Estas son las variables importantes en la determinación del efecto de la regularidad en el
VOC.
Progreso de la Deformación
Inicio de la fisuración Rutina
fisuración estructural
Bacheo Regularidad
100%
100 Inicio Progreso
80
40
20
0
0 5 10 15 20 25
Edad en años
Impacto
Clases de la Parámetros Resultados más impactados
elasticidad
Tratamiento Retorno
Rendimiento superficial y económico de
del firme deterioros la
de la capa conservación
Número estructural 1/ • • •
Número estructural • • •
modificado1/
Regularidad • •
Carga anual • • •
Edad • •
Profundidad media de la •
rodera
S-III 0.05-0.20
Desviación estándar de la •
profundidad de la rodera
Factor de progreso de la •
profundidad de la rodera
Factor general de la • •
regularidad
Compactación de la • •
explanada
Area de desprendimiento •
Impacto
Clases de la Parámetros Resultados más impactados
elasticidad
Tratamiento Retorno
Rendimiento superficial y económico de
del firme deterioros la
de la capa conservación
Factor de •
desprendimiento
Notas:
1 Solamente se requiere uno de los parámetros estructurales, los otros dos son opcionales.
Cuando la capacidad estructural es alta con relación a la carga del tráfico, estos
parámetros están en la clase S-II.
Condición
Intervalo fiable
Condición
actual Criterios de
1 intervención
Condición Condición
2 1 2
Intervalo Intervalo
programado programado
Tiempo
Puesto que la información puede ser imprecisa o muy precisa, el modelo de HDM puede
operar con información muy simple o con mucha información detallada. No obstante, por la
propia naturaleza de los modelos de simulación y del software, los parámetros de entrada del
modelo son fijos y detallados. Por lo tanto, este capítulo describe como el usuario adaptará los
diferentes niveles de datos locales disponibles, sean estos sencillos o complejos, a los
parámetros de entrada requeridos y cómo, posteriormente, reconvertirá los resultados en
formatos locales.
Finalmente, se describe como el usuario maneja la precisión y la aproximación de los datos
relacionados. Esto, a veces, conlleva implicaciones de costes significativos de operación para
la administración de sistemas de carreteras y produce un impacto, también, en la viabilidad de
las decisiones y los resultados.
Monitoría del
IQL-5 Rendimiento
rendimiento del sistema
Evaluación del
IQL-4 Estructura Condición rendimiento y la
planificación
Planificación detallada
IQL-3
o análisis de programa
Rodada Deterioro Fricción
Nivel de proyecto o
IQL-2 programación detallada
Detalle del
IQL-1 proyecto o
investigación
En la gestión de carreteras hay cinco nivele s identificados para uso general, como se definen
en la Tabla 5.1:
n IQL-1
ο Laboratorio
ο Teoría
ο Electrónica
n IQL-2
Un nivel sencillo de detalles (más sencillo que IQL-1 o IQL-2), generalmente, con dos o
tres atributos, que se podría usar en producciones largas, como sondeos a nivel de red de
carreteras o cuando son apropiados métodos de recogida sencilla de datos.
n IQL-4
Representa el nivel más alto en el que los indicadores clave del rendimiento podrían
combinar atributos clave de diferentes piezas de la información. Aún los altos niveles se
pueden definir cuando sea necesario.
Nivel Detalle
1 Nivel de detalle más comprensivo, como el que se debería usar como un banco de prueba de
referencia para otros métodos de medida y en la investigación fundamental. Se podría usar también
en las investigaciones detalladas de campo para un diagnóstico de problemas, en profundidad, y
para el diseño de un proyecto de alta envergadura. Normalmente, se usa en niveles de proyecto de
casos especiales y es poco probable que se use en la monitorización de la red. Requiere un alto
nivel de preparación del personal y de los recursos institucionales en la preparación y utilización
de los métodos de recogida de datos.
2 Nivel de detalle suficiente para los modelos comprensivos de programación y para los métodos
estándar de diseño. En la planificación se utilizará solamente para cubrir la muestra. Suficiente para
distinguir el rendimiento y los retornos económicos de las opciones técnicas con diferencias
prácticas en dimensiones o materiales. Métodos de adquisición estándar para la recogida de datos
del nivel de proyecto. Generalmente requiere métodos automáticos de adquisición en los sondeos
de red y se usa en la programación a nivel de red. Requiere apoyo institucional y recursos
confiables.
3 Detalle suficiente para la planificación de modelos y programación de estándares para toda la red.
En el diseño de proyecto se podrían ajustar métodos elementales como un tipo de catálogo con
escasas necesidades de datos y métodos de diseño de bajo volumen. Posibilidad de recoger datos
en sondeos de red por métodos semiautomáticos de combinación automática y manual.
La Tabla 5.3 sirve para introducir el concepto. En el IQL-1, la condición del firme se describe
por veinte o más tributos. En el IQL-2, estos atributos se podrían reducir entre 6 y 10, uno o
dos por cada tipo de deterioro. En el IQL-3, se reduce de 2 a 3, llamados regularidad, deterioro
de la capa y textura o coeficiente de resistencia. En el IQL-4, se reduce un atributo, condición
del firme (o estado de calidad) que se puede medir por valores de clase como (bueno,
regular o pobre ) o por un índice (por ejemplo de 0 a 10). En el IQL-5 el indicador podría
combinar la calidad del firme con otras medidas como la idoneidad estructural, los aspectos de
la seguridad y la congestión del tráfico; es decir, representando una mayor información de la
condición de la carretera.
De estas definiciones surgen tres observaciones:
n Se observa que, cuando el nivel de decisión asciende, el IQL apropiado también asciende.
La información el IQL-4 o en el IQL-5 es la indicada para los indicadores de rendimiento
y las estadísticas de la carretera que tienen interés para la gestión de alto nivel y para el
público porque tienden a ser, o deberían ser, fácilmente entendibles sin demasiados
antecedentes técnicos. En el nivel de proyecto, no obstante, el IQL apropiado depende,
mucho más, del estándar del proyecto y de los recursos de la administración:
ο En una carretera rural o en una administración local pequeña, IQL-3 es,
generalmente, suficiente, siendo simple pero efectivo para el propósito
ο Para la mayoría de las administraciones y de las carreteras principales, es suficiente
el IQL-2
ο Para autopistas o administraciones con gran cantidad de recursos, se podría usar, en
ciertos casos, el IQL-1
El criterio de utilización del IQL apropiado depende de si la decisión podría ser alterada
teniendo una información más detallada.
n La segunda observación es que la recogida de datos primarios, al nivel bajo o detallado de
IQL, generalmente es más costosa y conlleva un equipo más complejo o sofisticado que la
recogida de datos del IQL más alto. Por lo tanto, el IQL para la recogida de datos
primarios, que es la apropiada para una administración y una situación específica,
depende de:
ο Recursos financieros y físicos
ο Destrezas
ο Coste
ο Velocidad o productividad
ο Grado de automatización
ο Complejidad
La suma de lo anterior ofrecerá la necesidad del método que será elegido para el
propósito escogido, como puede ser una operación regular o la gestión de un sistema de
carreteras..
n Una tercera observación es que un nivel alto de IQL representa una adicción o
transformación del nivel bajo de IQL. Cuando esto se convierte en una regla específica o
en una regla de conversión, es decir, utilizar IQL-2 en lugar de IQL-3, entonces la
información se puede reproducir y es confiable. Por lo tanto, cuando se elige el IQL
apropiado los datos se pueden rehusar empleando el IQL alto como decisivo en el
desarrollo del ciclo del proyecto, evitando con esto la necesidad de repetir sondeos y de
ahorrar en los costes.
6 En los datos locales de IQL-4, la información es todavía menos detallada que en HDM y
la aproximación es todavía más grande, pero los procedimientos para la adaptación son
similares a los de IQL-3. Esto no es de gran importancia si los datos están en la clase de
sensibilidad S-III o S-IV, pero debe ser revisado si los datos están en S-I o S-II, en ese
caso, la consideración debería ser cambiar la recogida de datos a una con un IQL más
detallado.
7 En la adaptación y la terminología de los datos de salida a los datos locales, puede ser
necesario aplicar el proceso a la inversa. Se debería usar la misma fórmula de conversión
(a la inversa) para asegurar que los resultados del modelo estarán reflejados en una
terminología local correcta. La adaptación es, generalmente, un problema menor de los
datos de salida, ya que existen pocas variaciones entre las definiciones de IQL-3 e IQL-4.
IQL - 1
A
IQL - 2
Entrada
Análisis Standard
IQL - 2 detallada de
HDM Reports
datos HDM
IQL - 3
B
IQL - 3 lases de
opciones de Transformaciones internas
datos HDM
IQL - 4
IQL - 4
registraron los valores de los parámetros HDM apropiados y de las condiciones locales. La
tasa de los deterioros de la capa (Enduit) incluyó desprendimiento, áreas con baches y
desangrado. Esto se comparó con las áreas representativas de desprendimiento de áreas con
baches mostrados en la Tabla 5.2. La tasa de fisuración (Fissuration) se hizo desde un
vehículo en movimiento y, solamente, incluyó las fisuras anchas ya que las estrechas no se
pueden observar de esta forma. El índice de deformación local incluyó depresiones, promedio
de profundidad de la rodera y la tasa subjetiva de regularidad que se dividió en sus
componentes individuales.
120
100
Area de desprendimiento (%)
80
E-0
E-1
E-2
60 E-3
E-4
E-5
Means
40
20
0
0 1 2 3 4 5 6
Escala "Enduit" E
Tabla 5.2
Conversiones entre unidades locales y parámetros de HDM-III
Ejemplo de la administración de carretera de Nigeria
Deterioro de la capa E 0 1 2 3 4 5
(Enduit)
Fisuración (Fissuration) F 0 1 2 3
Deformación (deformación) D 0 1 2 3
Notas:
1 La incidencia de baches se registra solamente como 4 o 5
2 Solamente las fisuras anchas son visibles desde los vehículos en movimiento. Si las fisuras
están muy espaciadas, estos valores se deberían reducir aplicando un factor de 0,4
3 Las profundidades de la rodera son, generalmente, imperceptibles (< 5 mm), aún en las
grandes deformaciones
n Medioambiente
n IQL-3 – información de tipo/clase de los atributos clave dentro de cada grupo de datos
El nivel más detallado, IQL-1, para cada parámetro no se muestra por razones de claridad,
pero comprende los parámetros fundamentales que describen los atributos detallados de un
parámetro de dato IQL-2.
La Tabla 5.3 muestra las agrupaciones y adiciones de datos recomendadas. Los detalles de las
definiciones, las escalas de clasificación y las relaciones de conversión se ofrecen en el
Apéndice F .
Tabla 5.3
Ejemplos de IQL para datos de la carretera
5.5.4 Medioambiente
Hay 13 parámetros que definen los aspectos del medioambiente de los diferentes tipos de
firme en IQL-2. Se pueden aproximar y estimar por tres tipos de parámetros en IQL-2B:
n Clase de caída de lluvia
n Clase de clima
En IQL-3 y IQL-4, están resumidos en una clasificación climática con diferentes clases.
Volumen del Volumen – veh. Porcentaje veh. clase 5 Clase de tráfico (clase)
tráfico Clases 5 (veh/día)
Tráfico pesado (%
Volumen – veh. Porcentaje veh. clase n IMD)
Clases n (veh/día)
Crecimiento del
volumen (%/año) –
Crecimiento del Crecimiento del
Clase 1
volumen (%/año.) volumen (%
Crecimiento del (todas las clases) IMD/año)
volumen (%/año) –
Clase n
Periodos de
frecuencia de flujo
(nº)
Duración de F-F
periodo 1 (h) Tipo de flujo (3
clases)
Duración de F-F Tipo de flujo (3
periodo n (h) clases)
Porcentaje de IMD
en F-F periodo 1
Porcentaje de IMD
en F-F periodo n
Seguridad Se completará
Emisiones Se completará
Determina los valores de los parámetros básicos de entrada, adoptando muchos valores
predefinidos y calibrando los parámetros más sensitivos con los mejores estimados, con
los estudios disponibles o con los sondeos de campo mínimos.
n Nivel 2 - Calibración (ver sección 6.4)
Asumir
Requisito Prioridad 1 Prioridad 2
predefinidos
Masa Fuerza
Capacidad Parámetros de los
Nivel 1 Costes unitarios Velocidad neumáticos Todos los demás
Vida útil Depreciación
Uso Parámetros
Combustible
Velocidad
Fuerza
Nivel 2 Capacidad
Vida útil
Todos los demás
PCSE
Uso
Las prioridades
dependen de los
Nivel 3 recursos y los
objetivos
Este capítulo comienza con una explicación de la selección de los vehículos representativos, y
a continuación se ofrecen los procedimientos de calibración de los parámetros del modelo para
cada uno de los tres niveles.
Si se dispone de los datos adecuados, los camiones medianos y pesados deberían ser
eliminados, ya que estos vehículos tienden a tener las mayores variaciones en el RUE y el
mayor impacto en el rendimiento del firme.
Masa
La masa del vehículo influye en la velocidad del mismo, en el consumo de combustible y
neumáticos y, por su asociación con el factor de deterioro del vehículo, tiene un impacto mayor
en la tasa de deterioro del firme.
La influencia de la masa en el RUE no es un asunto importante en los firmes de los terrenos
llanos. No obstante, la presencia de pendientes provocará un aumento en el consumo de
combustible y este aumento es proporcional a la masa del vehículo.
Sudáfrica • • • • •
Fuente: Bennett y Greenwood (1999)
Es imposible obtener un estimado fidedigno de la masa de los vehículos sin llevar a cabo un
sondeo de campo, con una actividad de calibración de nivel 2. Esto, particularmente, en países
con pocas regulaciones de cumplimiento de la carga por eje: en estos países, frecuentemente,
los vehículos se sobrecargan por encima de las especificaciones del fabricante, fijadas en
GVW.
Como es imposible medir los pesos, se debería estimar una calibración de nivel 1 de la masa
promedio a partir de la tara y la carga definida por el fabricante. El análisis deberá estimar el
porcentaje de vehículos que transitan vacíos, medio cargados, cargados y sobrecargados. La
masa promedio se calcula, entonces:
donde:
∑
4
AX i
VDFVEHk = …(6.2)
SX i
i =1
∑ VDFVEH
k =1
k
VDF = …(6.3)
z
donde:
Es usual dividir la oleada en clases similares de vehículos, por ejemplo, camiones medianos,
pesados y articularos, y calcular un VDF para cada clase.
Las cargas estándar por eje (SXi) para las diferentes configuraciones (Watanatada et al.,
1987c) son:
6,60 toneladas rueda sencilla, eje sencillo
8,16 toneladas doble rueda, doble eje
9,00 toneladas doble rueda, por tándem de ejes
15,1 toneladas doble rueda, por tándem de grupo de ejes
10,0 toneladas doble rueda, por triple eje
22,9 toneladas doble rueda, por triple grupo de ejes
Hay varios puntos a tener en cuenta relacionados con el VDF:
n Debido a la 4ª potencia del exponente en la ecuación VDFVEH (ver ecuación 6.2 más
atrás), el VDF se debe calcular como un porcentaje de VDF por vehículo a diferencia del
VDF por vehículo con un promedio de masa. El VDF promedio es siempre mayor que el
VDF del promedio de carga.
n El VDF es la suma de todos los factores de carga por eje de todos los grupos de ejes de
un vehículo, no el factor de deterioro del promedio de carga por eje.
n El VDF debe representar el VDF promedio de todos los vehículos de la misma clase en el
tráfico, incluyendo los vehículos vacíos, parcial, total o sobre cargados.
Puesto que los cálculos utilizan la regla de la 4ª potencia, algunos vehículos, con cargas por eje
grandes, pueden tener valores muy altos de VDFVEH. Estos valores se deben incluir al
realizar sondeos, especialmente con muestras pequeñas, ya que pueden distorsionar los
resultados. Los valores altos de VDF se pueden invalidar si existen cambios en las políticas,
por ejemplo, cumplimiento de la carga por eje.
En una calibración de nivel 1 el VDF se estima utilizando los porcentajes asumidos de
vehículos vacío, medio cargados, cargados y sobre cargados. Se debe realizar un análisis de
sensibilidad con HDM para probar la sensibilidad de los resultados de los valores estimados.
Es muy importante tener en cuenta que la fórmula de estimado de la masa del vehículo y del
VDF de nivel 1, producirá, solamente, los valores generales. Solamente se obtendrán
estimados precisos de esos parámetros realizando sondeos de campo. Estos sondeos se
explican en el Apéndice E .
Introducción
HDM-4 y HDM-95 utilizan el modelo de relación capacidad-velocidad propuesto por Hoban
(1987) que se muestra en la Figura 6.2. Este modelo requiere que el usuario provea cinco
parámetros clave:
n Qnom – capacidad nominal cuando todos los vehículos transitan a la misma velocidad
La Tabla 6.2 ofrece los valores de los parámetros predefinidos en HDM. En la explicación
siguiente el término capacidad indica capacidad máxima, en caso contrario se especifica.
S1
S2
Velocidad en km/h
S3
Snom
Sult
Qo Qnom Qult
Flujo en pcse/h
Tabla 6.2
Parámetros predefinidos del modelo de relación capacidad-velocidad en HDM
Estimado de la capacidad
La capacidad de una carretera se define como la tasa horaria de flujo máximo en la que se
espera que los vehículos atraviesen un punto o tramo uniforme de carretera en unas
condiciones predominantes de tráfico y control. Aunque siempre se considera como un valor
sencillo fijo, existen siempre variaciones inherentes debidas a factores como el comportamiento
del conductor, el rendimiento del vehículo y las condiciones predominantes. Se debería calcular
una capacidad promedio que adopte estas variaciones.
Aunque a través de este informe se detallan los temas de la capacidad, el usuario se debería
referir a informes como el Manual de capacidad de carreteras (HCM) para un entendimiento
mayor (TRB, 1997). McLean (1989) ofrece una explicación de los temas relacionados a la
capacidad y muestra los antecedentes de los valores adoptados en HCM para las carreteras
de dos carriles.
En una calibración de nivel 1 los valores de la Tabla 6.2 se deberían adoptar como
predefinidos. No obstante, estas capacidades ideales y sus umbrales se deben ajustar para
reflejar las condiciones típicas de la circulación. Por ejemplo, el HCM reduce la capacidad
ideal por la intervención de las porciones direccionales, diferentes, (por ejemplo 60/40 en lugar
de la ideal 50/50) y por la presencia de zonas prohibidas al tránsito.
Los factores de la reducción de la capacidad del Manual de capacidad de carreteras (TRB,
1997) para las carreteras de dos carriles se muestran desde la Tabla 6.3 a la Tabla 6.5. Estos
factores se deberían aplicar en una calibración de nivel 1, aunque con precaución ya que
pueden no ser totalmente apropiados para condiciones distintas a las que los originaron. La
capacidad ideal se multiplica por estos factores para reducirla a un valor que refleje las
condiciones actuales de la circulación. Los factores para varios carriles se ofrecen en TRB
(1997).
Tabla 6.3
Factores de reducción de la capacidad por zonas prohibidas al tránsito
en las carreteras de dos carriles
Tabla 6.4
Factores de reducción de la capacidad por porciones direccionales
en las carreteras de dos carriles
Tabla 6.5
Factores de reducción de la capacidad por anchura del carril y el arcén
en las carreteras de dos carriles
Nota: Cuando el ancho del arcén es diferente en cada lado, se usa uno promedio.
Es el número de horas por año (8760) menos el tiempo permitido para el descanso del
chófer/conductor, el tiempo perdido en la carga, en la descarga, en el reabastecimiento de
combustible, en la búsqueda de la carga, en las reparaciones, etc.
n HRD – número de horas transitadas
Horas en las que el vehículo está circulando Se puede calcular por el kilometraje anual
dividido por la velocidad promedio anual.
n HWK – número de horas trabajadas
Es similar a las horas transitadas (HRD) excepto por que se incluye el tiempo empleado
en la carga, en la descarga y en el reabastecimiento del combustible.
El modelo de utilización ajustado de HDM-III está basado en las horas transitadas. El de
HDM-4 en una fórmula de horas-trabajo.
Usando una semana de trabajo estándar, un vehículo está, generalmente, disponible
aproximadamente 1800 horas al año. No obstante, puesto que hay períodos sustanciales de
tiempo en los que el vehículo no está en uso, por ejemplo en los períodos de carga y descarga,
el tiempo de trayecto podría, frecuentemente, ser menor del 50% de este valor. En el estudio
de Brasil, por ejemplo, los vehículos estuvieron disponibles entre 839 y 2414 horas, pero
solamente transitaron entre 652 y 1863 horas (Watanatada et al., 1987c). Los camiones y los
autobuses tienen la mayor utilización y los vehículos comerciales ligeros la menor.
Como se explica en Bennett (1995), es importante que el valor adoptado para las horas
transitadas sea consistente con la utilización anual y con el promedio de velocidad, ya que si
no, los costes proyectados, podrían distorsionarse. Para evitar esto, se recomienda que, en
ausencia de datos detallados, las horas transitadas se calculen usando la siguiente ecuación:
AKM
HRD = …(6.4)
S0
donde:
AKM promedio de utilización anual en km
S0 promedio de la velocidad de la circulación en km
Para calcular las horas trabajadas es necesario tener suficientes datos para identificar los
tiempos empleados “en realizar las operaciones necesarias requeridas por un trayecto
completo, en circunstancias normales. No se debe incluir el tiempo emple ado por los
choferes/conductores en el consumo de alimentos, en el descanso o en otras actividades no
relacionadas con el trabajo.
El tiempo empleado en las reparaciones del vehículo, por lo general, debería excluirse también,
ya que no se considera parte del trayecto regular. Por el contrario, si se deberá incluir el
tiempo empleado en la conducción, en la carga y descarga, y en el reabastecimiento de
combustible” (Hine, 1996).
Se podría, también, incluir el tiempo administrativo que el chófer/conductor ha empleado en
encontrar la carga o el que puede emplear haciendo fila con su vehículo. En ciertas
circunstancias no todo el tiempo de carga es tiempo de trabajo, por ejemplo, si el
chófer/conductor para el vehículo para descansar mientras que su vehículo es cargado.
El tiempo trabajado se establece realizando pequeños sondeos que incluyan las actividades del
vehículo en varios días. El trabajo realizado por Hine (1996) en Pakistán, ofrece valiosos
detalles de los temas surgidos de esos sondeos y consideraciones especiales relacionadas.
Porcentaje de uso privado
El porcentaje del uso privado del vehículo se puede establecer, solamente, realizando pequeños
sondeos a los usuarios. Estos sondeos definirán los trayectos de trabajo y los privados. Los
valores resultantes se usaran para calcular el valor del tiempo del trayecto.
6.3.5 Parámetros del modelo de predicción de velocidad : S-II/S-III
El modelo de predicción de la velocidad en HDM-4 es mecánico y se basa en principios físicos
y kinemáticos, y está restringido por el comportamiento. Por lo tanto el modelo físico básico es,
fácilmente, transferible y el objetivo de la calibración de nivel 1 debería ser las restricciones de
comportamiento, definido por:
n VDESIR – velocidad deseada en el trayecto
Será considerablemente diferente entre distintos países, e incluso entre regiones del
mismo país. VDESIR representa la velocidad máxima de trayecto adoptada por el
chófer/conductor de un vehículo cuando no existen otras restricciones físicas como
pendientes, curvas, regularidad o congestión. El valor de VDESIR está influenciado por
factores como límites de cumplimiento de la velocidad, seguridad en la carretera y
actitudes y comportamientos culturales.
n β - el “límite”
Indica que tan lejos de la limitación de la velocidad está la velocidad pronosticada. β es el
Parámetro de forma Weibull. Como se describe en Watanatada et al. (1987c), está
funcionalmente relacionado a la dispersión del perfil de distribución de las velocidades
restringidas.
Se asume que el rendimiento físico del vehículo ha sido adecuadamente calibrado,
identificando los valores representativos válidos de las demás características importantes del
vehículo, que son:
n Masa del vehículo
n Fuerza de la conducción usada
n Fuerza de frenado
Como se muestra en la Figura 6.3 (Bennett y Greenwood, 1999), cuando β se acerca a cero,
la velocidad media de un tramo seleccionado debería ser igual al mínimo de las cinco
velocidades restringidas. Para un mayor valor de β, se producirá un distanciamiento de la
velocidad media pronosticada de las velocidades restringidas. Por esto, si la velocidad deseada
es de 100 km/h, con un valor de β = 0, la velocidad pronosticada debería ser de 100 km/h. No
obstante, si se utiliza para β un valor que no sea cero, la velocidad pronosticada podría ser
menor de 100 km/h.
Al calibrar el modelo en Brasil, Watanatada et al. (1987c) encontró un valor de β=0,24-0,31.
Una calibración similar en la India encontró que β=0,59-0,68. Watanatada et al. (1987c)
consideró que los valores altos de β reflejaban en la India las condiciones de mayor congestión
del tráfico. Por esto recomendó que “en condiciones ambientales como las de las de la India
con carreteras rurales congestionadas y disciplinas de bajo nivel de tráfico se pueden usar
valores más altos para el parámetro β (que en Brasil)”. La cuantificación de β podría requerir
un estudio de campo más profundo, es decir, una calibración a nivel 2 como se explica en la
sección 6.4.1.
30
β = 0.01
25 β = 0.2
β = 0.4
20
Velocidad en m/s
β = 0.6
15
10
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
Porcentaje de la pendiente
Al realizar una calibración de VDESIR, se sugiere que se considere en conjunto con el valor
de β. Si los valores predefinidos de β se convierten en valores de VDESIR que son
marcadamente mayores que las velocidades pronosticadas, aunque haya un tráfico
heterogéneo, como en la India, el valor de β se debería aumentar del predefinido.
En una calibración de nivel 1 cuando no se requiere el valor de ahorro de tiempo de viaje, se
pueden usar los estimados subjetivos de las velocidades libres promedio de cada clase de
vehículo. Aunque, generalmente, esto afecta solo a una, lo ideal sería que afectara a varios
tramos de la carretera con diferentes condiciones.
El modelo HDM debería de ejecutarse en un tramo de la carretera con unas características
promedio que reflejaran las condiciones de los estimados promedio de las velocidades. Las
velocidades libres pronosticadas se deberían comparar con el estimado promedio de la
velocidad y con el valor de VDESIR usado en la modelización y ajustado por la relación de las
velocidades pronosticadas con las velocidades estimadas. Después de varias ejecuciones del
modelo las velocidades pronosticada y estimada. Si se utilizan varios tramos de la carretera en
el análisis el VDESIR debería ser establecido, alternativamente, usando este método para cada
tramo y posteriormente esos valores deberán ser promediados 1. Como se describió
anteriormente, puede ser también necesario, ajustar el valor de β para asegurar un valor
razonable de VDESIR.
donde:
HPDRIVE potencia de conducción usada (kW2)
HPRATED escala SAE de potencia máxima del motor (kW)
Esta ecuación se origina en Watanatada et al. (1987c) y se aplica a vehículos de tecnología
antigua (es decir, anterior a 1985). Bennett (1994) indicó que en vehículos modernos el factor
debería ser 0,75. Sus datos mostraron que los vehículos grandes tendían a usar más potencia y
la siguiente ecuación alternativa se desarrolló relacionando la potencia con la masa:
Vehículos de gasolina
1
Si existen grandes diferencias entre los valores de VDESIR puede ser recomendable eliminar el perfil mayor y
revisar las velocidades estimadas.
2
Conversiones de la fuerza del motor: 1 BHP = 0,746 kW; 1 MPH = 0,736 kW; 1 BHP = 0,987 MPH
pronosticada usando las ecuaciones anteriores para los vehículos que circulan en condiciones
montañosas.
10.00 R 20 14 (G)
Escala de carga
Relación de capas
Construcción radial
Relación de capas
Construcción radial
Relación de aspecto
xxx/yyRzz …(6.7)
donde:
1
El radio de aspecto es la sección del alto del neumático, que es la distancia desde el borde hasta el centro del
trenzado del ancho de la sección. Un radio de aspecto de 65 significa que la sección del neumático es el 65%
del ancho de la sección del neumático.
2
Una nomenclatura menos común, utiliza el ancho nominal en pulgadas y el radio de aspecto separados por
una barra inclinada, por ejemplo 14/80R20. Puesto que es fácilmente visible que la menor magnitud es el
ancho nominal, en estos casos los datos se deberían convertir a mm.
yy
DIAM = 25.4 zz + 2 xxx …(6.8)
100
El número de ruedas se puede estimar por las especificaciones del fabricante o por un
pequeño estudio.
Cubierta del
neumático
Longitud del trapecio
superior
Base (LU)
Mínimo legal
Surcos
de la
profundidad
del trenzado
Profundidad
máxima de los
Longitud del trapecio inferior
surcos
Base (LL)
LL + LU
AREA = (DE − DEmin ) ARUB …(6.9)
2
donde:
AREA área del corte transversal de la banda de rodadura (mm2)
El volumen de desgaste de la goma se calcula del área de la banda de rodadura, como sigue:
PI DIAM AREA
VOL = …(6.10)
1,000,000
donde:
Para calcular el volumen del neumático es necesario, por lo tanto, conocer el diámetro, la
profundidad y el ancho de la banda de rodadura y el área de goma versus los surcos.
El ancho de la banda de rodadura es una función de la sección nominal como se define en
(Bennett, 1998):
LL = a0 xxx - a1 …(6.11)
donde:
Se encontró que los coeficientes de la ecuación 6.11 más atrás variaron por clase de vehículo,
por lo que se desarrollaron ecuaciones separadas para los vehículos ligeros y pesados. Estos
coeficientes se ofrecen en la Tabla 6.6.
El ancho de la banda de rodadura (LL) corresponde a la longitud de la base inferior del
trapecio en la Figura 6.5. Para el ancho superior (UL) Bennett (1998) recomienda un
aumento de 10 mm para los vehículos pesados, 6 mm para los vehículos ligeros y 4 mm para
las bicicletas. La Tabla 6.6 ofrece los valores recomendados por clase de vehículo.
En una calibración de nivel 2 se puede asumir que los valores predefinidos de HDM son
adecuados, pero si el análisis incluye velocidad de pendientes puede ser aconsejable calcular
nuevos valores. Esto se puede hacer usando las siguientes ecuaciones:
donde:
HPBRAKE Fuerza de frenado en Kw
La ecuación de HDM-III es la de Watanatada et al. (1987c); la de HDM-4 es la de un
análisis de los valores del parámetro predefinido de NDLI (1995a). Si se va a usar en HDM-
III los valores tendrán que ser divididos por el factor 0,736 para convertir los kW a MPH.
1
El valor residual se assume que sera el 1% del precio de reemplazo del vehículo
tamaño de la muestra. Con medidas indirectas, el tamaño de la muestra debería ser suficiente
para asegurar un 90% de fiabilidad de que el estimado es + 2,5 km/h. Con velocidades, se
puede asumir que el coefic iente de variación es, aproximadamente, del 0,12 para estimar el
tamaño de la muestra.
Habiendo establecido la velocidad media de la circulación, se puede utilizar en conjunto con
HDM-4 para determinar el valor apropiado de la VDESIR. HDM-4 se ejecuta,
alternativamente, usando los mismos parámetros del tramo de la carretera que prevalecían en
el sondeo de velocidad, variando VDESIR hasta que la velocidad pronosticada y observada
converjan.
La velocidad deseada es una función de las curvas de la carretera. Este efecto se observó en
varios estudios en los que los vehículos transitaban en carreteras con perfilados tortuosos,
teniendo velocidades deseadas menores (McLean, 1991). NDLI (1995a) propuso un modelo
exponencial negativo que debería ser usado para reducir la velocidad deseada como una
función de las curvas de la carretera en HDM-4. No obstante, en las pruebas se encontró que
este modelo ofrecía predicciones irracionales a niveles extremos de curvas, por lo que no se
incluyeron en HDM-4.
Si se utiliza HDM con diferentes niveles de curvas, sería prudente establecer valores
separados de VDESIR para aplicarlos a los diferentes modelos.
Ancho
El modelo de velocidad deseada-ancho de HDM-4 se ilustra en la Figura 6.6. Está basado en
el trabajo de Hoban et al. (1994) y Yuli (1996). La suposición básica es que existe un ancho
crítico por debajo del cual las velocidades no se verán afectadas por el mismo (CW1). Entre
esta velocidad mínima (VDESMIN) y la deseada en las carreteras de dos carriles, existe un
aumento lineal en la velocidad. En las carreteras más anchas de dos carriles existe un aumento
continuo en la velocidad pero a una tasa mucho menor.
La velocidad mínima deseada, en HDM-4, es del 75% de la deseada en una carretera de dos
carriles. Realizando estudios de velocidad libre en carreteras de dos carriles y más estrechas,
se puede verificar este valor. Es importante que las carreteras estudiadas tengan niveles
similares de regularidad y, si es posible, sean tramos llanos tangentes. Manteniendo todos los
demás factores constantes, las diferencias en las velocidades serán causadas por el ancho.
Una fórmula similar se utiliza cuando las carreteras son más anchas de dos carriles para
obtener la tabla de aumento de la velocidad.
VDESIR' en m/s
a3
1m
a2
1m
a1
a0
Regularidad
El modelo de velocidad-regularidad se calibra a través de la velocidad rectificada máxima.
Los datos para esta calibración se obtienen más fácilmente por un estudio de antes y después
en un firme seleccionado para conservación en el cual se reducirá la regularidad. Si no hay
cambios en el ancho o en el perfilado, cualquier aumento en la velocidad, después de la
conservación es atribuible a la reducción de la regularidad. La sección 7.5 describe las
consideraciones especiales de este proceso tales como un estudio, o la necesidad particular de
controlar los tramos para verificar la calibración métrica de la regularidad
La Tabla 6.7 muestra el cambio en las velocidades antes y después del refuerzo a partir de un
estudio realizado en la India (NDLI, 1997). En todos los casos hubo un aumento en la
velocidad acompañado de un descenso en la regularidad.
La calibración del modelo se hace ejecutando HDM-4 en cada una de las regularidades en el
estudio de antes y después y guardando las velocidades pronosticadas. Los otros parámetros
del modelo de velocidad deberían reflejar las condiciones de los lugares del sondeo de
velocidad.
La escala de velocidad-regularidad (km/h/IRI) debería calcularse y compararse con la de los
estudios. La media se usa para modificar el promedio de la velocidad rectificada máxima
usada como datos de entrada en HDM-4. Puesto que el modelo de velocidad-regularidad no es
lineal, el proceso se deberá repetir al menos dos veces para asegurar que se obtienen
resultados consistentes.
Tabla 6.7
Estudio de los datos de la velocidad-regularidad
Escala de
Regularidad en IRI velocidad/
Velocidad en km/h
m/km regularidad
Vehículo Lugar Dir.
(km/h/IRI)
Por
Antes Desp Cambio Antes Desp Cambio Media
lugar
1 1 61,1 65,4 4,3 5,7 4,0 1,7 2,5
Velocidad en la curva
Para calibrar el modelo de velocidad en la curva, es necesario realizar una serie de medidas en
las carreteras con un diferente radio de curvatura. HTC (1999) y Bennett (1994) describen
en detalle como realizar estos estudios. Se recogen los datos de las velocidades en los puntos
medios de las curvas, en una escala de radios de curva y se analiza para desarrollar un modelo
no lineal relacionando la velocidad de la curva con el radio de la misma. La Figura 6.7 es un
ejemplo del dato de los coches de pasajeros en Tailandia (HTC, 1999).
90
80
70
50
40
30
20
10
0
0 100 200 300 400 500 600
VCURVE = a0 × R a1 …(6.14)
donde:
VCURVE velocidad límite debida a la curva (m/s)
R radio de la curva (m)
a0, a1 parámetros del modelo
HTC (1999) explica en detalle los requisitos analíticos para desarrollar un modelo.
Capacidad
Como se explicó anteriormente, en la Figura 6.2, HDM requiere las capacidades nominal y
máxima y una calibración de nivel 6 realiza pruebas de campo para establecer estas
capacidades.
Como se muestra en la Figura 6.8, existen diferentes métodos para estimar la capacidad
(Minderhoud et al., 1997). Estos autores hacen una importante observación: “Intentar
determinar la capacidad de una carretera con los métodos existentes resulta, generalmente, en
un valor de capacidad estimado, pero la validez de este valor debe ser profundamente
investigado porque la ausencia de un valor de referencia de la capacidad, hace que esta
suposición sea absolutamente válida. En este momento, parece no haber un método claro y
confiable disponible.
Estimado de
capacidad
Volúmenes,
Volúmenes y
Avances Volúmenes densidades y Guíados Modelos de
velocidades
observados observados velocidades (por ej HCM) simulación
observados
observados
3500
Indonesia (Sweroad,
3000
HDM-95
HDM-95 Dos carriles anchos
Dos carriles
2500
Australia
Capacidad en pcse/h
(McLean, 1989)
2000
1500
HDM-95
Dos carriles estrechos
1000
500
HDM-95
Carril sencillo
0
0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0
Ancho de la carretera en m
Desde una perspectiva práctica, es importante enfocar los anchos del firme que son más
importantes. Muchas aplicaciones consideran un ensanchado incremental en la escala de 6-8
m y en esta banda los cambios menores al ancho pueden tener un marcado impacto a la
capacidad. Si los firmes son menores de 6 m de ancho estas aplicaciones buscan un
ensanchado mayor de varios metros para obtener un aumento sustancial en la capacidad,
similar a las funciones del paso de HDM. Generalmente, los cambios menores en el ancho
inferior a 6 m, tienen poco impacto en la capacidad. Se deberían, por lo tanto, establecer
estimados reales de la capacidad que reflejen los impactos operacionales esperados.
En el contexto de la modelización de la velocidad de HDM ambas capacidades, la nominal y la
máxima deben ser tenidas en cuenta. Como se describe en HTC (1999), la capacidad máxima
prevalece en los periodos cortos de tiempo, por lo que representa el flujo máximo observado en
una carretera. La capacidad nominal es la tasa máxima de flujo que se puede, razonablemente,
esperar mantener y debería estar basada en un período largo. En Tailandia HTC (1999) usó
intervalos de 5 minutos para la capacidad máxima y de 10 a 15 minutos para la nominal.
Teniendo limitaciones de disponibilidad de datos en la mayoría de las calibraciones de nivel 2,
hay dos técnicas que se deberían tener en cuenta para estimar la capacidad:
n Avances
n Flujos observados
Los avances son el tiempo de diferencia, en segundos, entre los sucesivos vehículos
(generalmente se mide entre los parachoques traseros o usando detectores entre los ejes
delanteros). La capacidad de la carretera se define por:
3600
Qult = …(6.15)
hc
donde:
n No restringidos (líderes)
La distribución de los siguientes avances se espera que sea la misma para todos los
conductores restringidos en cualquier oleada temporal de tráfico.
Aunque es relativamente fácil recogerla, se considera que éste método tiende a sobreestimar
la capacidad, debido a la suposición de que la distribución de los conductores restringidos se
puede comparar con la capacidad que está por debajo.
En los flujos observados, los datos se recogen en carreteras que alcanzarán capacidad en
algún punto durante el período del estudio. La capacidad de la carretera se toma para ser el
flujo máximo o el promedio de varios flujos muy altos observados durante el período el análisis.
Esto se ilustra en la Figura 6.10.
Tasa del flujo
Flujo máximo
Intervalo promedio
Ciclo (hora)
(15 min)
120
Lugar19A - 6MW
100
80
Velocidad en km/h
60
40
20
0
0 500 1000 1500 2000 2500 3000
Flujo en pcse/h
1
Existe una variedad de métodos para evaluar la validez de una ecuación de regresión. El más sencillo es
asegurar que la estadística “t” de los coeficientes de regresión son significativos en una confiabilidad del 95%.
HTC (1999) encontró que esto producía los mejores resultados.
Valores recomendados
(incluye los efectos del
carril adyacente más el
“básico”)
Prom. Tiempo Espacio Espacio
Clases de PCSE 2-carril 2-carril 1-
long. avance avance total
vehículo básico 4-carril estrecho carril
(m) (s) (m) (m)
Coches 4,0 1,6 32 36,0 1,0 1,0 1,0 1,0
Notas :
1 Datos básicos de Hoban et al. (1994)
2 Tiempo de avance calculado del espacio de avance usando una velocidad de 72 km/h
3 Promedio de longitud del camión más el trailer aumentado de 15 a 11 en Hoban et al.
(1994) basado en la diferencia entre el espacio total y el del avance
1
El PCSE es análogo a las equivalencias del camión calculadas usando el método de avances. Esto define la
equivalencia de un camión como la relación del promedio de los avances de los camiones con el promedio de
avance de los coches en la oleada. Ver McLean (1989) para una explicación mas detallada de los factores de
equivalencia y su determinación.
Visión general
Los modelos de consumo de combustible de HDM-III y HDM-4 están basados en principios
mecánicos. HDM-III se desarrolló utilizando una fórmula basada en la regresión mientras que,
HDM-4 es más una formulación mecánica pura que refleja más efectivamente los diferentes
componentes que afectan al consumo de combustible. Para calibrar los parámetros del modelo
de consumo de combustible es necesario tener una serie de medidas genéricas de consumo de
combustible o, alternativamente, disponer de modelos de consumo de combustible como los
desarrollados usando técnicas de regresión lineal múltiple. Cada uno de estos se explica
individualmente. Esta explicación se enfoca en el modelo de combustible de HDM-4 con
algunas referencias al de HDM-III.
donde:
IFC consumo de combustible instantáneo (ml/s)
α consumo de combustible al ralentí (ml/s)
Ftr = Fa + Fg + Fr …(6.18)
Fa = R1 v 2 …(6.19)
Fg = R2 GR …(6.20)
Fr = R3 + R4 v 2 …(6.21)
R2 = M g …(6.23)
v
Ptr = Ftr …(6.27)
1000
Ptr =
[(R3 + R2 GR ) v + (R1 + R4 ) v 3 ] …(6.28)
1000
donde:
n ξ b)
Eficiencia básica del motor (ξ
Ptr
Ptot = + Pengaccs …(6.29)
edt
6 Dividir el combustible por la potencia total (Ptot). Esto ofrece el factor de conversión de
potencia -combustible ξ para esa potencia.
7 Realizar un análisis de regresión y ajustar los parámetros del modelo ξb y ehp en el
modelo:
ξ = ξ b 1 + ehp
Ptot
…(6.30)
Pmax
donde:
Produciendo datos
1 Usar los modelos existentes para generar una serie de predicciones de consumo de
combustible que cubran la totalidad de las condiciones de circulación que se podrían
encontrar, por ejemplo, velocidades, regularidades, pendientes, etc.
2 Hacer una evaluación de las condiciones, generalmente, encontradas, evaluar los datos y
clasificarlos. Por ejemplo:
70% circula sobre terreno llano, entre 50 y 80 km/h;
20% sobre terreno irregular, entre 40 y 70 km/h;
10% en terreno montañoso, entre 20 y 50 km/h.
3 Crear un grupo de datos que contenga los que reflejen las evaluaciones del punto (2). Esto
asegurará que los resultados tengan sus ponderaciones apropiadas.
4 Desde este grupo de datos, seguir las instrucciones ofrecidas anteriormente para la
calibración con datos genéricos de combustible.
donde:
Regresión HDM-4
A0 + A3 IRI (ξ/edt) R3
A1 3600 ξ Pengaccs
A4 (ξ/edt) R2
Visión general
El ruido de la aceleración se usa en HDM-4 para predecir los efectos de las variaciones de la
velocidad debidas a la congestión o a las condiciones de la carretera en los costes de la
circulación del vehículo. Este es un parámetro relativamente fácil de medir y se puede hacer a
través de un experimento pequeño controlado. Una vez obtenido el equipo apropiado, el
trabajo debería tomar, solamente, unos pocos días.
La Figura 6.12 es un ejemplo del perfil de aceleración de un vehículo en una autopista (NDLI,
1995a). Se pudo observar que las aceleraciones antes de entrar a la autopista fueron mayores
que una vez ella. Si un vehículo tiene las mismas velocidades de arranque y parada en un
tramo, la aceleración media será cero. Por lo tanto, HDM-4 utiliza la desviación estándar de la
aceleración llamada ruido de la aceleración para representar la magnitud de las mismas;
cuanto mayor sea el ruido de la aceleración mayor será la magnitud de la misma.
3
Entrando en la autopista Una vez en la autopista
1
Aceleración en m/s/s
-1
-2
-3
0 50 100 150 200 250 300 350 400 450 500
Tiempo en s
n Conductor (σadr)
n Regularidad (σairi)
n Fricción (σasf)
σ a = σ at 2 +σan 2 …(6.32)
donde:
HDM-4 utiliza una función sigmoidal para las interacciones del tráfico y una lineal para las
demás. Los ruidos de la aceleración se combinan para obtener el ruido de la aceleración total
para un tramo específico de la carretera.
Una calibración de nivel 2, de cualquiera de los modelos, consiste en hacer medidas en los dos
extremos y asumir a que modelos existentes se aplican. La calibración de nivel 3 recuantifica
las formulaciones del modelo.
No es necesario calibrar todos los componentes del modelo. Si se está trabajando, solamente,
con los efectos de las mejoras a la capacidad, el modelo de interacción del tráfico y,
posiblemente, el modelo de fricción del TNM se deberían calibrar. Si son importantes las
mejoras a la regularidad, entonces, es necesario calibrar solamente el modelo de regularidad.
Uno de estos aparatos especia les, ROMDAS, mide la velocidad de los vehículos y contiene
rutinas de procesamiento de datos diseñadas para calibrar el modelo de ruido de la aceleración
de HDM-4. Más información sobre esto se puede obtener en el web site de HTC
Infrastructure Management que se ofrece en la sección Acerca de este manual de este
documento.
Independientemente, de los componentes del ruido de la aceleración que se estén investigando,
la fórmula básica es la misma:
n Equipar un vehículo con los equipos de medición. El vehículo debería ser representativo
de las clases de vehículos. Lo ideal sería hacer las mediciones con varios vehículos y
conductores, pero NDLI (1995a) encontró que los resultados eran muy similares y, por lo
tanto, esto no es imprescindible.
n Se debería establecer una ruta de prueba que permitiese monitorizar los dos puntos
críticos:
ο bajo impacto
ο alto impacto
Por ejemplo, si la regularidad es importante, las mediciones se deberían hacer en una
carretera con regularidad alta y baja, para impactos del tráfico en carreteras con mucha o
ninguna congestión. Es vital que, todos los otros atributos de la carretera, por ejemplo,
ancho, perfilado, composición del tráfico, etc, sean similares. De esta forma todas las
diferencias en el ruido de la aceleración se podrán atribuir al parámetro investigado.
n Es importante que la carretera sea lo suficientemente larga para estabilizar el proceso. Se
asume que las aceleraciones estarán desordenadas si se utiliza una carretera demasiado
corta que no permita estabilizar el proceso. La Figura 6.13 muestra el efecto del intervalo
muestreado de los datos basados en el análisis NDLI (1995a) de las medidas
(Greenwood, 1998). En este supuesto se recomienda recoger una muestra mínima de 5
minutos en un trayecto sencillo para cada atributo de interés.
1.0
0.9
0.8
Resultados del ruido de la aceleración (m/s²)
0.7
0.6
0.5
Max
0.4
Min
Media
0.3
0.2
0.1
0.0
0 30 60 90 120 150 180 210 240 270 300 330 360 390 420 450 480 510 540
El valor de σatmax se usa junto a la relación sigmoidal para predecir el ruido del tráfico en
relaciones intermedias de volumen-capacidad.
Opus (1999) presentó los resultados de un estudio usando acelerómetros para investigar los
efectos de la regularidad en el consumo de repuestos. Este trabajo ofreció una amplia escala
para un método relativamente rápido de bajo coste que verifica la curva del modelo de
regularidad (es decir, lineal) y la regularidad por debajo de la cual el consumo de repuestos no
se ve influenciado.
Los acelerómetros (medidor de esfuerzo 10 g con frecuencia de respuesta entre 0-120 Hz y
baja señal con la relación del ruido) se instalaron en los vehículos. En los automóviles se
instaló un acelerómetro en el eje trasero, lo más cercano posible de la rueda. Otro se instaló
firmemente en la boot floor lo más cercano posible de la parte superior del acelerómetro del
eje. En los camiones se fijó un acelerómetro en el eje trasero y otro directamente encima de la
bandeja de carga. Al montar los acelerómetros del eje y de la caja cerca, se podría determinar
el grado de regularidad en el que las vibraciones inducidas del eje se transmiten al cuerpo del
vehículo.
Los vehículos se condujeron a diferentes velocidades sobre lugares con diferentes
regularidades y se registraron las aceleraciones. La Figura 6.14 es un ejemplo de las
aceleraciones del cuerpo versus la regularidad en los camiones medianos 1. Se observó que las
aceleraciones del cuerpo aumentan al aumentar la regularidad y esto se puede utilizar para
calibrar los efectos de la regularidad en el modelo del consumo de repuestos de HDM. Así
mismo, se observó que a bajas regularidades las aceleraciones no sufren mucho impacto. Esto
se puede usar para confirmar el nivel de regularidad bajo el cual el consumo de repuestos no
sufre impactos.
3.0
mcbdv.grf
MCV – Aceleración del cuerpo
2.8 Leyenda
50km/h
2.6 70km/h
Aceleración RMS (m/ )
2
Fit: 50km/h
2.4 Fit: 70km/h
2.2
2.0
1.8
1.6
1.4
1.2
1.0
20 40 60 80 100 120 140 160
NAASRA (100m promedio)
1
Las unidades de la regularidad en esta figura son NAASRA counts/km. Una conversion a IRI es 1 IRI = 26,4
NAASRA counts/km.
donde:
Pu fuerza usada (W)
v velocidad del vehículo (m/s)
M’ masa efectiva (km)
RHO densidad de la masa del aire (km/m3)
CD coeficiente de fuerza aerodinámica
CDmult coeficiente multiplicador de la fuerza aerodinámica
AF área frontal proyectada
R3 y R4 componentes de la resistencia a la rodada (ecuaciones 6.24 más atrás y 6.25
más atrás)
GR pendiente (%)
g aceleración debida a la gravedad(m/s2)
Diferencias en la velocidad
Cuando las pendientes son insuficientes para que los vehículos alcancen la velocidad de paso
de tortuga, se puede usar la reducción de la velocidad entre dos puntos para establecer la
fuerza de la conducción. Esto se conoce como diferencia en la velocidad o método espacial y
utiliza la siguiente ecuación para establecer la fuerza usada:
__
Pu v 12 − v o2 0.5 RHO CD CDmult AF + R3 SL 3 R4 SL M g HC
= + + + …(6.36)
M' 2T M' T M' T M' T
donde:
Este método ofrece la fuerza promedio usada en el tramo a diferencia del método de velocidad
a paso de tortuga que ofrece el poder máximo usado.
Bennett (1994) comparó estos dos métodos y concluyó que ambos ofrecían resultados
similares, aunque el método espacial ofrecía los mejores resultados cuando las mediciones se
hacen lo más a lo largo de la pendiente posible. Cuando se usa el método espacial hay casi una
relación lineal entre la fuerza usada pronosticada y la distancia medida. Así, cualquier error en
la medida de la distancia generará una correspondencia, por encima o por debajo, del estimado
de la fuerza usada.
La fuerza usada probablemente será proporcional a la pendiente, con vehículos usando más
fuerza en las pendientes fuertes (Bennett, 1994). No obstante, HDM solamente permite la
entrada de un valor sencillo ya que el promedio o el valor basado en la pendiente más general
se podría adoptar.
6.4.10 Utilización
En una calibración de nivel 2 se requiere un sondeo de campo. Esto se realiza registrando las
lecturas de los odómetros de una muestra de vehículos o, si son vehículos comerciales,
registrando los datos de los libros de bitácora de sus conductores. En algunos países los datos
están disponibles de las compañías que gestionan el parque. Los datos se deberían agrupar por
edad con el kilometraje promedio anual de todos los vehículos en el año que se va a calcular.
Si está disponible una curva de supervivencia, el kilometraje promedio de vida se puede
calcular multiplicando el kilometraje promedio anual de cada año por la relación de
supervivencia. El total de este producto representa el kilometraje promedio de vida. El
Apéndice I ilustra esta técnica usando datos de Bennett (1985). El kilometraje anual
promedio se calcula, entonces, como el kilometraje de vida promedio dividido por la vida útil
promedio.
Si no está disponible una curva de supervivencia, se puede obtener un estimado razonable del
kilometraje anual promedio calculando el kilometraje promedio de todos los datos del sondeo. Si
la muestra no tiene línea de convergencia, produciría un valor similar al de la técnica de la
curva de supervivencia. Bennett (1985) usó esta fórmula y produjo un promedio de 10.800
km/año comparado con los 9.850 km/año usando la fórmula de curva de supervivencia con los
mismos datos. Las diferencias son, probablemente, mayores debido a las diferencias en la línea
de convergencia de los datos de Bennett (1985) respecto a los vehículos nuevos que tienen
una utilización promedio mayor.
OILCAP
OILCONT = …(6.37)
DISTCHG
donde:
La pérdida de aceite debido a la circulación es más difícil de medir y como tiene impactos
limitados en los costes totales, podría no ser calibrada generalmente. Si se desea la calibración
se podría hacer de la siguiente forma para una muestra de vehículos.
1 Cambiar el aceite y reemplazarlo por una cantidad estipulada del mismo.
2 Circular los vehículos por al menos 5-10.000 km, manteniendo registros exactos de la
cantidad de combustible utilizado y, si es necesario, del aceite adicional añadido.
3 Al final del período, vaciar completamente el aceite y medir el restante. La diferencia
entre este volumen y el inicial es la pérdida de aceite debida a la circulación. Dividiendo
esto por el consumo total de combustible se obtiene la tasa de pérdida por la circulación.
Visión general
A diferencia con la calibración del nivel 2, una calibración de nivel 3 del ruido de aceleración
puede ofrecer:
n Parámetros cuantificados para clases de vehículo adicionales o tipos de carretera, o,
n Desarrollar relaciones alternativas.
Extendiendo los datos a las clases adicionales de vehículos se podrían observar experimentos
hechos de una forma similar a los del nivel 2, pero con una matriz mayor de vehículos,
conductores y condiciones de la carretera. Para desarrollar relaciones alternativas se deberían
asumir las presunciones clave del ruido del tráfico y las relaciones regularidad / perfilado /
TNM / fricción.
1.04
σat = σatmax …(6.38)
(a0 + a1 VCR)
1+ e
suposición. Es importante que todos los demás factores se mantengan constantes para que el
único factor que influencie los resultados sea el elegido.
6.5.2 Velocidad β
La cuantificación de la velocidad β requiere un estudio de campo mayor. Se requieren una
serie de datos de la velocidad que cubran la escala total de condiciones bajo la cual los
modelos de velocidad restringida se aplicarán.
Este grupo de datos debería, entonces, ser analizado usando los mismos métodos estadísticos
que los descritos en Watanatada et al. (1987c). El análisis debería considerar los mismos
temas, como las transformaciones logarítmicas y la recuantificación del modelo a partir de sus
principios originales.
7 Calibración de RDWE
7.1 Deterioro del firme bituminoso de la carretera
El deterioro del firme flexible y el modelo de los efectos de los trabajos (RDWE) en HDM
(como se implantó en HDM-III) tiene seis factores de ajuste del deterioro. La Tabla 7.1
muestra la clase de impacto de elasticidad para varias aplicaciones combinada con la escala
típica de valores de los factores para ofrecer un potencial impacto neto. Se usaron, en el
análisis, seis criterios representando diferentes aplicaciones que se ofrecen al final de la Tabla
7.1.
Im- Clase
Impac- Valores
pacto de
Clases de impacto de los to de típicos
Factor de deterioro neto sensi -
criterios definidos1 elasti- del
bili-
cidad factor (%) dad
1 2 3 4 5 6
Regularidad-edad- D D B C B B 0,20 0,2 - 5,0 10
medioambiente
Nota:
1 Criterio 1 = Cantidad de fisuración
2 = Profundidad de la rodera
3 = Regularidad
4 = EIRR para bacheo
5 = EIRR para resellado
6 = EIRR para refuerzo
Impacto de sensibilidad A = S-I
B = S-II
C = S-III
D = S-IV
n Bajo impacto
La siguiente sección describe la calibración de estos factores para los tres niveles de
calibración.
En HDM-4, el deterioro de los firmes flexibles y los modelos de los efectos de los trabajos, han
sido generalizados para permitir adaptaciones más específicas a los materiales locales y
permitir algunas relaciones mejoradas. Los cambios incluyen un aumento en el número de
factores de calibración disponibles, para ajustar el modelo bituminoso RDWE de 6 a 20.
Consecuentemente, aunque este capítulo explica principalmente la determinación de los ajustes
de calibración del modelo RDWE de HDM-III, existen solamente referencias breves e
incompletas de los factores de calibración específicos de HDM-4. Se ofrecen referencias
relacionadas con las descripciones del modelo de HDM-4 en el volumen 4 de esta serie de
documentos que es el Marco analítico y descripciones del modelo.
En la mayoría de los casos las líneas generales provistas se podrían aplicar directamente al
modelo de HDM-4, aunque su utilización requiere un buen conocimiento de las relaciones
específicas. Los aspectos de esta aplicación se publicarán en una actualización futura de esta
guía.
∆ R te = K ge 0.023 R t …(7.1)
donde:
Método 1
En una calibración de nivel 1, los valores se establecen basados en las condiciones
medioambientales generales, en la construcción de la carretera y en los estándares del drenaje.
Esto se hace de la siguiente manera:
Tabla 7.3
Valores recomendados del coeficiente de medioambiente, m
Medioambiente Medioambiente
Construcción y drenaje
sin heladas con heladas
Calidad del material normal, drenaje y construcción adecuada para 1,0 1,0
las condiciones de humedad locales y conservación moderada.
Método 2
Los valores para Kge estimados usando esta fórmula podrían ser mejorados con datos de
campo limitados, como sigue:
Se deberían seleccionar, en un medioambiente del que estuvieran disponibles datos de
regularidad precisa, carga del tráfico y edad, una pequeña cantidad de firmes resistentes viejos
(2 a 5), y para los cuales:
n Idoneidad estructural del firme: PSA > 1; y,
n Edad de la superficie del firme > 10 años.
Los estimados observados de m se calculan, entonces, para los firmes seleccionados (siguiendo
el método de la sección 7.3.1), promediados y comparados con los valores seleccionados de
las tablas. Si los valores son similares, no se deberían hacer cambios a los valores originales
elegidos. Si las diferencias son consistentes, como una humedad mayor o menor, se podría
hacer una corrección parcial (algo parecido a la mitad de la diferencia de su media). Pero se
debe tener mucho cuidado de no añadir más significado a estos pocos resultados hasta que se
realice una aplicación más detallada, a través de una calibración del nivel 2.
donde:
TYcra tiempo de la primera fisura visible en años
Las relaciones predecibles para cada tipo de perfilado están relacionadas con los efectos de la
fatiga de la resistencia del firme y de la carga del tráfico y con los efectos de la edad en la
durabilidad. Al no poderse definir las relaciones, sin datos significativos más complejos, hubo
que definir la calidad del diseño del material, la calidad de la manufactura y la construcción o
el poder de oxidación del medio ambiente. El ajuste de calibración, por lo tanto, compensó
estas situaciones específicas. El comportamiento de la fisuración de los materiales bituminosos
tiende a ser variable, aun en situaciones idénticas, por lo que puede ser peligroso hacer ajustes
generales basados solamente en uno o dos casos.
La calibración de nivel 2 intenta estimar las propiedades de durabilidad considerando el
comportamiento aproximado de los firmes resistentes o con poco tráfico. Se asume que los
efectos estructurales pronosticados son los correctos. Por esto, es necesario estimar la calidad
de cada tipo de perfilado bituminoso y es probable, que se requiera también un ajuste.
Mucha protección de las nubes, bajas altitudes, clima poco húmedo frío o
con mucha lluvia.
Paso 3 Evaluar la calidad de la construcción:
n Alta (HC)
Tabla 7.5
Factor de ajuste de nivel 1 para el inicio de la fisuración
1
K cp = …(7.5)
K ci
y si el perfilado es un:
n Refuerzo(-)
Si la profundidad pronosticada es baja cuando el firme es joven (< 5 años) pero la observada
es mucho mayor, entonces, los ajustes se deberían hacer primero disminuyendo el valor de la
compactación relativa.
El modelo de predicción de HDM-III es una buena representación de los efectos de la
deformación estructural y de la densificación del firme y la explanada. En los firmes con
mucha fisuración, en los climas húmedos, el modelo puede subestimar la tasa de progresión. El
modelo no representa la:
n Deformación plástica – que puede ocurrir en perfilados bituminosos finos, a altas
temperaturas y carga pesada
n Abrasión – que ocurre por el uso de neumáticos con cadenas en algunos climas helados
Los efectos son visibles por el ondulado de la capa de rodadura en las actualizaciones o
en las intersecciones o por el acanalado a lo largo de la rodada, formado por
desplazamiento lateral.
ο Firmes usados:
Krp = 1,5 – 4; o,
ο Nuevos firmes:
Krp = 1,2 – 3.
2 Desgaste abrasivo – por el uso de cadenas
Los efectos son visibles como marcas de desgaste en la capa de rodadura en una rodada
sin bordes laterales.
ο Todos los firmes:
Krp = 1,2 – 2
3 Firme fisurado – materiales de la base arcillosos o de sedimento, y caída de lluvia
moderada o intensa:
ο Todos los firmes:
Krp = 1,5 (1,1 – 2)
Como el ajuste disponible es aproximado para el deterioro relacionado con el volumen del
tráfico (casos (1) y (2)), se ofrece gran cantidad de grados de latitud y ajustes reiterativos
pueden ser necesarios hasta que los resultados alcancen una prueba de razonabilidad (si el
usuario tiene algunos datos para la verificación). Si la calibración de este tipo de deterioro es
importante para el usuario, se recomienda una calibración de nivel 2 ó 3.
que las alternativas de bacheo sean de importancia y si hay evidencia, por ejecuciones
anteriores del modelo, de que el área pronosticada de áreas de baches es muy diferente a la
observada, el usuario podría hacer ajustes.
El progreso de las áreas con baches es muy variable e impredecible. Depende, no solamente,
de factores como la cantidad de área de baches y fisuración que existe en el modelo, sino
también de factores difíciles de cuantificar como la sensibilidad del material de la base a la
desintegración y a la humedad no contemplados en el modelo. El área de baches es,
generalmente, pequeña (desde <0,01 a 1,0 %) (1 % es alrededor de 50-100 baches por cada
100 m) y tiene una influencia bastante fuerte en la regularidad dentro del modelo, por lo que se
recomienda al usuario ser cuidadoso y no exagerar los efectos.
El factor de ajuste multiplica directamente el área de aumento de baches del año analizado.
Los ajustes pueden variar considerablemente, por ejemplo Kph = 0,3 – 3,0.
Muestreo de campo
Se seleccionan, aproximadamente, cinco tramos de firme en cada dos a cuatro zonas
climáticas, de la siguiente manera:
1 Seleccionar de dos a cuatro zonas climáticas del área del estudio, en las que cada una (o,
posiblemente, dos zonas adyacentes) es representativa de las zonas de humedad y/o
temperatura definidas en la Tabla 7.2, por ejemplo, semi árida/subtropical o húmeda-poco
húmeda/tropical.
2 Seleccionar, aproximadamente, 5 (entre 3 y 10) tramos de firme en cada zona, de la
siguiente forma:
(a) Tramo
Seleccionar tramos de, aproximadamente, 5 km (mínimo 3, máximo 10 km) que
pueden incluir tramos no contiguos de un mínimo de 1 km de la misma carretera y
con unos datos básicos razonablemente homogéneos (tipo 1) de las Mediciones de
campo ¡Error! No se encuentra el origen de la referencia..
(b) Firme
Seleccionar la edad (rehabilitación) del firme, preferiblemente > 10 años (mínimo 6
años)
Nota: EDAD3 es la edad desde el último refuerzo, reconstrucción o construcción, lo
que sea más reciente excluyendo los tratamientos superficiales.
Mediciones de campo
Para las relaciones del modelo de la regularidad de HDM-4, ver el capítulo C2, sección 11 del
Marco analítico y descripciones del modelo.
La edad del firme (EDAD3), la carga acumulativa del tráfico (NE ESA), la regularidad
(m/km IRI), el número estructural del firme (SNP), el tipo de firme, y el tipo de drenaje.
2 Si el deterioro de la capa del firme excede el promedio PSD 2,0 – recoger también:
RDS, ACRX, APAT, APOT.
3 Determinar los valores promedio de cada parámetro – para la calibración de cada
tramo.
Evaluación
El parámetro m se estima, directamente, del modelo resumido del progreso de la regularidad
(Paterson y Attoh-Okine, 1992), asumiendo que el resto del modelo de pronóstico resumido
sea correcto, de la siguiente forma:
1 Estimar la regularidad original, RI0 (m/km IRI) para cada tipo de firme en de cada zona
climática o zona estudiada, lo que se considere más práctico. Este será el mejor estimado
de los tipos de firme ofrecidos menores de 3 años con un PSD medio < 1,0, pero también
se pueden hacer otros estimados (éste no necesita ser limitado a los tipos de firme
seleccionados para la calibración de m).
2 Estimar m a partir del modelo redefinido de la siguiente forma, dependiendo de los datos
disponibles y usando la hoja de cálculo u hoja de trabajo provista en las Herramientas de
HDM:
m=
{ ln[RI ] − ln[RI
t 0 + 263 NE (1 + SNP )
-5
]} …(7.6)
AGE3
m=
{ln[1.02 RI t [
- ( 0.143 RDS + 0.0068 ACRX + 0.056 APAT )] − ln RI 0 + 263 NE (1 + SNP )
-5
]}
AGE3
…(7.7)
Factor de ajuste Kge de (HDM-III) o Kgm de (HDM-4)
Una vez los valores observados de m hayan sido determinados para las zonas climáticas
representativas, los factores Kge o Kgm se ajustan, generalmente, a 1,0 para el factor de la
Calidad de la construcción y el drenaje de la carretera, km, según la Tabla 7.4. Para calibrar
estos valores del factor kmasí como el de m, el muestreo del estudio de calibración debería
incluir el tipo de construcción y de drenaje (según la Tabla 7.4) como un parámetro de
selección adicional a la zona climática en el Muestreo de campo (1) siguiente.
Si los valores observados de m difieren de los valores estándar (Tabla 7.3) por más de la mitad
de la diferencia entre los valores m en las zonas medioambientales adyacentes, las
presunciones y el trabajo del estudio de calibración se deberían revisar cuidadosamente para
identificar los posibles errores antes de adoptar los valores observados.
significativamente diferentes. Por ejemplo, para distinguir hormigón asfáltico y asfalto “gap-
grade” o mezcla bituminosa en caliente de Mezcla bituminosa, o sellado doble, sellado de la
capa y macadán de Tratamiento superficial. Los parámetros Explícitos incluyen los de la
estructura del firme (número estructural, desvío, espesor del perfilado, etc) y los de la carga
del tráfico (por ejemplo, la carga anual (YE4), etc), medidos de la muestra de firmes.
Muestreo de campo
Primeramente, estratificar la muestra por:
1 Tipo y subtipo de perfilado (tipo de material); y
2 Clima – basado en el potencial de oxidación (ver sección 7.2.2).
Esta estratificación es necesario hacerla lo más real posible en el número mínimo de grupos
perfilado-clima que se considere necesario (generalmente, entre 1 y 4). Los perfilados
originales se clasificarán como grupos separados de los segundos y subsecuentes (por ejemplo,
refuerzos y resellados).
A continuación, en cada grupo de perfilado-clima, identificar un mínimo de 15 tramos (de 300
m de longitud) con bajo deterioro de la capa de rodadura (menos del 5% del área fisurada),
seleccionados de una escala de carga anual del tráfico (ESA/carril/año) que representen la
escala encontrada en la red. El requisito de bajo deterioro de la capa de rodadura, es ideal (ya
que define el estado del inicio). No se deberían incluir tramos sin fisuración, a no ser que:
menos del 20% de la muestra incluya perfilados con edad Media (6-15 años) o Vieja (> 15
años); y los tramos con deterioro Medio (del 5 al 30% de fisuración) se pueden incluir cuando
sean necesario, pero con ajuste de la edad observada del perfilado (por ejemplo, reduciendo 1
año por cada 10% del área fisurada).
En cada calibración de alta precisión (S-I) aplicada cuando la fisuración se considera el
parámetro de intervención principal o cuando se requiere una alta precisión, el tamaño de la
muestra debería aumentarse a un mínimo de 30 tramos del firme en cada grupo de perfilado-
clima.
Mediciones de campo
En cada calibración de fisuración identificada del tramo del firme, se deberían determinar y
registrar los siguientes datos:
1 Edad del perfilado (años)
2 Porcentaje de fisuración total del área (más de 1 mm de ancho)
3 Porcentaje de fisuración ancha del área (más de 3 mm de ancho o fisuras estrechas
desconchadas)
4 Parámetros explícitos independientes referentes a cada relación de tipo de capa
de rodadura
Evaluación
Para las relaciones del modelo de fisuración, ver capítulo C2, sección 5.1 del Marco analítico
y descripciones del modelo.
Por cada dato del tramo del firme registrado, se debería calcular el pronóstico del inicio de la
fisuración total por relación de modelo usando una hoja de cálculo o el software Herramientas
de HDM (ver Apéndice K). Los factores de ajuste de la calibración y la predicción de errores
mean OTCI
Kci = …(7.8)
mean PTCI
{ [
RMSE = SQRT mean (OTCI j - PTCI j ) 2 ] j=1,n
} …(7.9)
Muestreo de campo
Primeramente, se estratifica la muestra por tipo de perfilado. En la mayoría de los casos, es
conveniente para añadir diferencias más fiables, una estratificación más detallada por
subgrupos de materiales del perfilado y tipo de clima (como de inicio de fisuración), aunque
esto es opcional.
Después, por cada grupo de perfilado, se identifica un mínimo de 15 tramos de firme (de 300
m de largo), con deterioro medio del perfilado (5-30 % del área fisurada) o con deterioro alto
del perfilado (>30 % del área fisurada).
Mediciones de campo
En cada calibración de fisuración identificada de tramo del firme, se deberían determinar y
registrar los siguiente datos:
1 Edad del perfilado (años)
2 Porcentaje de fisuración total del área (más de 1 mm de ancho)
3 Porcentaje de fisuración ancha del área (más de 3 mm de ancho o fisuras estrechas
desconchadas)
4 Valores de los parámetros explícitos independientes requeridos para la predicción
del inicio y el progreso de la fisuración
Evaluación
Para las relaciones del modelo de fisuración, ver el capítulo C2, sección 5.1 del Marco
analítico y descripciones del modelo.
Para cada tramo del firme registrado, determinar:
Muestreo de campo
Identificar un mínimo de:
n 20 tramos del firme - (200 m de longitud) si los firmes flexibles son predominantemente
de tipo de perfilado fino (menos de 50 mm de material bituminoso), o
n 30 tramos - (la mitad finos y la mitad gruesos) si predominan los firmes de asfalto grueso
(más de 50 mm de espesor de las capas asfálticas).
Por lo menos el 50% de la muestra debería incluir una media de profundidad de la rodera
mediana o alta (mayor de 6 mm) y la escala debería incluir el nivel más alto de rodera que
prevalece en la red de carreteras. En las redes de carretera de alto estándar este
requerimiento del muestreo podría ser difícil de cumplir, en cuyo caso la calibración del
pronóstico de la profundidad de la rodera, es poco importante.
Mediciones de campo
En cada tramo identificado, se deberían medir o determinar los siguientes datos:
1 Desviación media y estándar de los valores de la profundidad de la rodera –
medidos en cada rodada a intervalos de 10 m y a 2 m de distancia del borde (o calculados
a partir de los datos de un sondeo automático simulado a 2 m de distancia del borde); y
2 Los parámetros explicativos del IQL-2 – requeridos por las relaciones de pronóstico de
HDM-4, por ejemplo, SNP, YE4, COMP, ACX, HS etc.
Evaluación
Para las relaciones del modelo de profundidad de la rodera, ver el capítulo C2, sección 10 del
Marco analítico y descripciones del modelo.
Paso 1 Seleccionar 20 ó más tramos del firme (mínimo 10 por tipo de firme), de 1 km de
longitud, uniformemente distribuidos en una matriz de grupo de edad (joven,
mediano, viejo) y la carga anual del tráfico (ligera, mediana, pesada) para cada
tipo de firme (AMGB, STGB, etc).
Paso 2 Usando los datos de IQL-2 de por lo menos los tres últimos sondeos consecutivos
aplicables, cubriendo 4 ó 5 años, procesar los datos para determinar:
Los valores medio e incremental de cada parámetro de condición durante el período
observado (ACRX, ARAV, APOT, APAT, RDM, RDS, RI) y los valores medios de
los parámetros del firme y del tráfico.
Los valores incrementales se deberían determinar, preferiblemente, por una regresión
entre el primer y el último sondeo aplicable (o simplificado por la diferencia entre los
promedios del primero y último para de valores, ajustado por extrapolación al período
total aplicable) y los valores medios por promedio aritmético, por ejemplo:
∆ ORI t = (EORI tn - EORI t1 ) …(7.13)
donde:
EORItn es el estimado de regresión de la regularidad observada RI en el momento n,
y tn es el último momento aplicable y t1 es el momento del primer sondeo aplicable; o
donde:
ORI4 es la regularidad observada RI a t=4ª (o última) observación, y
OT4 es el tiempo correspondiente en años de t=4 observación.
SUM (ORI1 : ORIn )
MORI = …(7.15)
n
donde:
la descripción es similar a la anterior para RI.
Los valores medio e incremental de los demás parámetros se podrían determinar de
forma similar.
Muestreo de campo
El muestreo debería incluir alrededor de 15 firmes en cada estrato, de la siguiente manera:
n Las muestras deberían estar estratificadas por:
ο Tipo de capa de rodadura y material; y
ο Areas con problemas definidas como se describió anteriormente, a las que se han
asignado valores CQ mayores de 0 ó a las que se van a determinar factores de
ajuste separados para cada una.
n En cada grupo se seleccionan un mínimo de 15 tramos de calibración del firme, de 300 m
de longitud, con
ο baja incidencia positiva de desprendimiento (0 < área < 10 %), o
ο ninguna incidencia de desprendimiento si la edad del perfilado es de 6 años o más
(teniendo en cuenta que este grupo no exceda del 20% de la muestra total).
Mediciones de campo
En cada tramo calibrado, los siguientes datos se deberían medir o registrar de acuerdo a las
relaciones de HDM-4:
n Tipo de capa
n Tipo de material
Evaluación
Para las relaciones del modelo de inicio del desprendimiento, ver el capítulo C2, sección 6.1 del
Marco analítico y descripciones del modelo.
En cada tramo calibrado, el tiempo observado del inicio del desprendimiento (OTRVj) de los
diferentes grupos, se debería ajustar de la siguiente manera:
Debería ajustarse al 10% menos que la edad del perfilado, es decir, 0,9 EDAD.
n Ningún desprendimiento (OTRV)
Debería ajustarse al 20% más que la edad del perfilado, es decir, 1,20 EDADj.
El momento pronosticado para el desprendimiento (PTRVj) se debería determinar, para cada
tramo, aplicando los coeficientes y relaciones de HDM-4 apropiados, usando una hoja de
cálculo o la hoja de trabajo de las Herramientas de HDM. El factor de calibración del inicio del
desprendimiento se determina para cada grupo (g) como sigue:
mean [OTRVj (g )]
K v i (g) = …(7.19)
mean [PTRVPj ( g)]
Muestreo de campo
Se seleccionan, aproximadamente, 10 tramos del firme con un área de 100 m que tengan una
incidencia de áreas con baches oscilando entre 10 y 500 baches (volumen de 10 litros, aprox.
0,1 m2 área), es decir, de 1 m2 ó 0,3 %, hasta aprox. 50 m2 ó 15 % del área de la calzada.
Mediciones de campo
En cada tramo de la calibración, se miden o se estiman los parámetros IQL-2 usados en la
relación de predicción de HDM-III, es decir, el espesor de la capa del firme, el promedio anual
de ejes pesados, la edad del perfilado (EDADES) el área de baches abiertos y el estimado de
número de baches.
Evaluación
En cada tramo, se estima el tiempo del inicio de fisuración (PTCI), el tiempo de inicio del área
con baches (PTPI) y el tiempo del progreso de las áreas con baches en unidades X (PTPX)
por encima de 500 unidades de baches. Se calculan los tiempos de las áreas con baches
observados y pronosticados:
Se determina el factor de ajuste de las áreas con baches, por regresión lineal de OTPXj contra
PTPXj, o de la siguiente manera:
mean (OTPXj )
K ph =
mean (PTPXj )
n Diseño factorial
La principal matriz factorial debería incluir las variables explicativas principales y cubrir
una escala de valores lo más cerca posible a la escala sobre la que se va a utilizar. Las
relaciones de HDM-III y HDM-4 y sus clases de sensibilidad, asignadas en el capítulo 4,
son el punto de comienzo para identificar qué parámetros son primarios o secundarios.
Cuando se van a determinar interacciones importantes, especialmente entre parámetros
que pueden mostrar convergencia, debe haber una escala, suficientemente extensa, para
poder estimar los efectos cruzados. Pero para estimar el efecto estadísticamente, es
necesario tener los datos de la carga del tráfico, alta, normal y baja, de un SNP definido
y del firme fuerte, normal y débil, de una carga YE4 definida. No es necesario rellenar
las casillas factoriales de todos los parámetros principales; un factor parcial se puede usar
para reducir el número de tramos buscados. Un resumen de los diseños factoriales de los
estudios de deterioro de la carretera se ofrece en Paterson (1987) y GEIPOT (1982), y
los principios del diseño se pueden encontrar en los libros de texto relacionados.
n Análisis longitudinales y transversales
Un análisis transversal o de corte a través de los firmes en diferentes momentos del ciclo
de vida y de valores de factor diferente, será válido solamente cuando todos los factores
relevantes se combinen en la forma correcta del modelo. La experiencia del estudio de
HDM muestra que las complejas interacciones e incluso los modelos de resistencia básica
del firme se pueden solo alcanzar a través de una combinación de análisis longitudinal o
serie , de datos de firmes continuamente monitorizados en un período de 4 ó más años y
en un análisis transversal. El impacto se ilustra en la Figura 7.1, y los ejemplos
relacionados se encuentran en la explicación de los modelos de progreso de la regularidad
y la profundidad de la rodera en Paterson (1987) - (Capítulos 7 y 8).
n Acontecimientos menores y análisis de datos censurados
El análisis de errores residuales de un modelo estadístico, podría ser usado siempre para
determinar si están relacionados con cualquiera de las posibles variables explicativas y
para revelar cualquier tendencia en la línea de convergencia que pueda quedar en el
modelo. Esto se puede alcanzar probando las formulaciones detalladas del modelo y
mejorando su poder explicativo.
n Forma del modelo
1 El modelo estructural definido para HDM (es decir, el modelo de deterioro de la carretera
para firmes bituminosos de HDM-4 descrito en el capítulo C2 del Marco analítico y
descripciones del modelo), especificando los mismos parámetros del modelo y estimando
los coeficientes de los datos locales; y
2 Variaciones del modelo estructurado, incluyendo, por ejemplo, las relaciones mecánicas
probadas en (Paterson, 1987 - capítulos 5 y 6) y otros.
Algunos consejos surgidos de investigaciones anteriores son:
1 Las variables estructurales y de la carga del tráfico deberían, siempre, ser agrupadas
interactivamente y no por añadidura.
2 En relaciones que usen un logaritmo de transformación para representar una interacción
de una función añadida, se debe tener mucho cuidado de que la tasa de tráfico (por
ejemplo, ESA por año), conserve la consistencia dimensional en ambas partes,
dependiente e independiente, de la relación.
4
HDM-III
Tailandia
Indonesia
3 Suecia
0
0 2 4 6 8 10 12
IRI antes del refuerzo (m/km)
7.5.1 Nivel 1
Una calibración de nivel 1 aplica un valor constante a la regularidad, después de que un
refuerzo se haya aplicado a todos los firmes que estén recibiendo un tratamiento particular. Se
pueden usar los valores predefinidos en HDM-4. No obstante, puesto que esto tiene una
sensibilidad S-II o S-I, es recomendable utilizar algunas mediciones de campo sencillas. Se
deberían identificar un número de firmes que hayan sido recientemente reforzados y para los
cuales esté disponible la regularidad actual. Se establece una regularidad promedio después del
refuerzo a partir de sus niveles de regularidad. Si se utiliza un diferente espesor del refuerzo la
muestra se puede estratificar por este espesor y por los diferentes valores determinados como
una función del mismo.
7.5.2 Nivel 2
Una calibración de nivel 2 realiza un pequeño estudio de los efectos del refuerzo en la
regularidad y desarrolla una relación local de los efectos del refuerzo en la regularidad. Se
debería seleccionar una serie de tramos programados, que debería ser de al menor 5 tramos
con una longitud mínima de 500 m cada uno. La regularidad de cada tramo debería ser
medida. Si se utiliza un método manual (por ejemplo, Dipstick, Walking Profilometer) solo se
requiere una pasada sencilla en cada rodada, si se usa un vehículo se recomienda un mínimo
de 5 pasadas.
Además de medir la regularidad de los tramos seleccionados para conservación, se deberían
hacer también medidas en los tramos no tratados de la misma carretera cerca de los tramos
conservados. Esto provee control a los tramos: puesto que no existen conservaciones
programadas para ellos, y el tiempo entre sondeos es corto, se podría esperar que habría
pocos, sí alguno, cambios en la regularidad. Se pueden usar por lo tanto, para corregir los datos
de cualquier medición de la regularidad hecha por instrumentos a través del tiempo.
Los datos de antes y después de la regularidad se pueden analizar para establecer una relación
general entre esas regularidades. Esta relación debe considerar la disponibilidad de diferentes
espesores del refuerzo.
Si fuera posible, se deberían hacer las mediciones de la velocidad al mismo tiempo, lo que
permitiría establecer, fielmente, los efectos de la regularidad en la velocidad.
8 Resumen y conclusiones
Será incluida en una próxima edición de este documento
9 Referencias
Arup (1992). Maintenance Strategy for Songea-Makambako Road Tanzania 1993-1997.
Report to ODA, Arup Aikins, London.
Bennett, C.R. (1985). A Highway Economic Evaluación Model for Nueva Zelandia.
School of Engineering Report 368, Department of Civil Engineering, University of
Auckland, Auckland, Nueva Zelandia.
Bennett, C.R. (1989). The Depreciation of Motor Vehicles in Nueva Zelandia. Road
Research Unit Occasional Paper, Transit Nueva Zelandia, Wellington, Nueva
Zelandia.
Bennett, C.R. (1994). A Speed Prediction Model for Nueva Zelandia. School of
Engineering Report 368, Department of Civil Engineering, University of Auckland.
Bennett, C.R. (1995). Modelling Depreciation, Interest, Utilisation, Crew y Overhead
Costs in HDM-4. Report to the International Study of Highway Development y
Management Tools, University of Birmingham.
Bennett, C.R. (1998). Modelling Efectos de los usuarios de la carretera in HDM-4.
International Study of Highway Development y Management Tools, University of
Birmingham.
Bennett (1999). Generating RUE Elasticities for the HDM-4 Calibración Referencia
Manual. Internal Report, HTC Infrastructure Management Ltd., Auckland.
Bennett, C.R. y Dunn, R.C.M. (1992). Error Considerations in Speed Surveys. Proc.
ARRB Conference.
Bennett, C.R. y Greenwood, I.D. (1999). Modelling Road User y Environmental Effects in
HDM-4. Final Report Asian Development Bank Technical Assistance Project 5819-
REG. To be published as Volumen 7, the Highway Development y Management
Series, the World Road Association (PIARC) y the World Bank, Paris.
Biggs, D. C. (1987). Estimating the Fuel Consumption of Light to Heavy Vehicles.
Australian Road Research Board Internal Report AIR 454-1, Nunawading, Australia.
Button, K. y Ngoe, N. (1991). Vehicle Ownership y Use Forecasting in Low Income
Countries. TRL Contractors Report 278. Transport Research Laboratory,
Crowthorne.
CES (1989). Vehicle Fleet Modernisation y Road Use Charges Study. Report to
MOST.Consulting Engineering Services (India) Private Limited, New Delhi, India.
CES (1991). Development of Long Term Plan for Expressways in India. Report to the
Ministry of Surface Transport, New Delhi.
Cenek, P. D. y Patrick, J. E. (1991). Prediction of Road Regularidad Prediction. Central
Laboratories Report 91-29301. Mworks Consultancy Services, Nueva Zelandia.
CESTRIN (1994). Vehicle Operating Costs: Derivation of Vehicle Fleet Characteristics y
Unit Costs. Report to Centre for Road Engineering Studies, Bucharest.
Chamala, R. (1993). Economic Maintenance Intervention Standards. Report to the Firmes
y Asset Strategy Branch, Queensland Transport, Brisbane.
Chesher, A., y R. Harrison (1987). Vehicle Operating Costs: Evidence from Developing
Countries. World Bank Publications, Washington, D.C.
CID. (1993) Projet Routier Complement du Programme oes Routes A Elargir, Rapport de
Presentation. Direction des Routes et de la Circulation Routiere. Ministere des
Travaux Publics de la Formation Profressionnelle et de la Formation de Cadres.
Royaume du Maroc.
Cox, B.E. (1983). The Value of Travel Time. RRU Occasional Paper. Transit Nueva
Zelandia, Wellington.
Curtayne, P.C., Visser, A.T., du Plessis, H.W. y Harrison, R. (1987). Calibrating The
Relationships Between Operating Costs of Buses y Road Regularidad on Low-
Volumen Roads. Transportation Research Record 1106, Transportation Research
Board, Washington, D.C.
Daniels, C. (1974). Vehicle Operating Costs in Transport Studies. EIU Technical Series
No. 1, The Economist Intelligence Unit, London.
du Plessis, H.W. y Meadows, J.F. (1990). A Pilot Study to Determine the Operating Costs
of Passenger Cars as Affected by Road Regularidad. In Report PR 88/070/3,
Roads y Transport Technology, CSIR, Pretoria, Sudáfrica.
du Plessis, H.W., Visser, A.T. y Harrison, R. (1991). The Effects of Road Condition on the
Operating Costs of Buses. In Report PR 88/070/3, Roads y Transport Technology,
CSIR, Pretoria, Sudáfrica.
du Plessis, H.W. y Schutte, I.G. (1991). Road Regularidad Effects on Vehicle Operating
Costs: Southern Africa Relations for use in Economic Analyses y in Road
Management Systems. Report PR 88/070/3, Roads y Transport Technology, CSIR,
Pretoria, Sudáfrica.
Estudio (1993). Estudio de Implantacion de los Modelos HDM-III y EBM para la
Preparacion de Programas de Mantenimiento y Mejora de la red de Carreteras
de la Generalitat de Catalunya. Report to Department de Politica Territorial I Obres
Publiques Direccio General de Carreteres, Generalitat de Catalunya. Estudio HC, SA.,
Barcelona.
Findlayson, A.M. y du Plessis, H.W. (1991). Operating Costs of Medium to Heavy Trucks
as Affected by Road Regularidad. In Report PR 88/070/3, Roads y Transport
Technology, CSIR, Pretoria, Sudáfrica.
Fonseca, V. M. R., Queroz, C. y dos Santos A. B. (1991). Economic Analysis of Guinea-
Bissau Roads Program Using HDM-III y EBM Models. 5th International
Conference on Low Volumen Roads, North Carolina State University, Raleigh, North
Carolina, USA.
Gaete, R., Echeverria, G., Videla, C. y Gutierrez, P. (1991). Sistema de Autocalibracion de
los Modelos de Deterioro del HDM-III. Proc. Sexto Congreso Ibero - Latino-
Americano del Asfalto, Santiago, Chile.
GEIPOT (1982). Research on the Interrelationships Between Costs of Highway
Construction, Maintenance y Utilization. Final Report on the Brasil-UNDP
Highway Research Project. (12 Volumens). Brasilia, Brasil.
GITEC (1992). Estudio de Factibilidad Para El Programa De Mantenimiento Vial.
Report to the Ministry of Communications, Republic of Guatemala.
Greenwood, I.D. (1997). Calculating Tyre Diameter. Memo to the ISOHDM Study,
University of Birmingham.
Greenwood, I.D. (1998). Correspondence with the International Study of Highway
Development y Management Tools. University of Birmingham.
Hamilton, L.C. (1990). Modern Data Analysis - A First Course in Applied Statistics.
Brooks/Cole Publishing Company, Pacific Grove, California.
Hine, J.L. (1991). Pakistan Road Freight Industry: The Productivity y Time Use of
Commercial Vehicles. TRL Report 333, Transport Research Laboratory,
Crowthorne.
Hine, J.L. (1996). Brtiefing Paper on Vehicle Utilisation y Service Life for the December
1996 Workshop on HDM-4. Report to the International Study of Highway
Development y Management Tools, University of Birmingham.
Hoban, C.J. (1987). Evaluating Traffic Capacity y Improvements to Road Geometry.
World Bank Technical Paper 74, The World Bank, Washington, D.C.
Hoban, C.J., Reilly, W. y Archondo-Callao, R. (1994). Economic Analysis of Road Projects
with Congested Traffic. World Bank Technical Paper, Transport Division, The World
Bank, Washington, D.C.
Hodges, J.W., Rolt, J. y Jones, T.E. (1975). The Kenya Road Transport Cost Study:
Research on Road Deterioration. Department of the Environment, Transport y Road
Research Laboratory Report LR673, Crowthorne, REINO UNIDO
Hoff & Overgaard (1992). Road User Cost Model. Report to the Directorate General of
Highways, Jakarta.
Hoff & Overgaard (1994). Vehicle Operating Costs. Report to the Directorate General of
Highways, Jakarta.
Houcine, L. (1982). Experience Tunisienne du Modele H.D.M. Report to Direction
Generale des Ponts et Chausvers, Ministere de L’Equipement et de L’Habitat.
HTC (1999). Calibración of HDM Speed Prediction Model to Tailandia. Report to
Dessau-Sophrin. HTC Infrastructure Management Ltd., Auckland.
IBRD (1990). Application du Model HDM a la RN8. Report to the World Bank,
Washington, D.C.
INDEC & Assoc. y Kampsax International (1988). Five Year Development Plan for the
National y Provincial Road Network. Report to Republic of Indonesia Ministry of
Public Works Directorate General of Highways, Jakarta.
ISOHDM (1997). Specifications for the HDM-4 Road Deterioration Model for
Bituminous Firmes – Fourth Draft. Report to the International Study of Highway
Development y Management Tools, University of Birmingham.
JBP (1990). Firme Management Project ADB/TA 1058 - IND : Report on Economic
Studies. Report to ADB. John Burrows & Partners, Surrey.
JKR (1991). Axle Load Study Phase 2 (Peninsular Malasia) - Final Report. Public
Works Department, Kuala Lumpur.
Kadiyali (1991). Updating of Road User Cost Study. Report to the Ministry of Surface
Transport, L.R. Kadiyali y Associates Ltd., Delhi.
NDLI (1993). Nepal Road Maintenance Programme: Final Feasibility Report. N.D. Lea
International Ltd., Vancouver, B.C. Canada.
NDLI (1994a). Road Network Rationalisation Study - Draft Final Report. Report to
Public Works Division, Barbados, N.D. Lea International, Vancouver.
NDLI (1994b). Comprehensive Highway Maintenance Study - Phase I Final Report.
Report to Ministry of Works y Transport, Trinidad y Tobago, N.D. Lea International,
Vancouver.
NDLI (1994c). Four States Firme Management Project - Draft Interim Report. Report to
Ministry of Surface Transport (MOST), New Delhi, India. N.D. Lea International,
Vancouver, Canada.
NDLI (1995a). Modelling Efectos de los usuarios de la carretera in HDM-4. Report to
the Asian Development Bank, N.D. Lea International Ltd., Vancouver, B.C., Canada.
NDLI (1995b). Modelling Road Deterioration y Maintenance Effects in HDM-4. Report
to the Asian Development Bank, N.D. Lea International Ltd., Vancouver, B.C.,
Canada.
NDLI (1997). Gujarat Project Co-ordinating Consultancy: Calibración of Efectos de los
usuarios de la carretera. N.D. Lea International, Vancouver, B.C., Canada.
Opus (1999). Review of VOC Firme Regularidad Relationships Contained in Transfund’s
Project Evaluación Manual. Central Laboratories Report 529277.00. Opus
International Consultants Ltd., Wellington.
Paterson, W.D.O. (1986). Data Collection for HDM-III. Internal Report. Transportation
Department, The World Bank.
Paterson, W.D.O. (1987). Road Deterioration y Maintenance Effects: Models for
Planning y Management. World Bank Publications, Washington, D.C.
Paterson, W.D.O. y Scullion, T. (1990). Información Systems for Road Management:
Draft Guidelines on System Design y Data Issues. World Bank Technical Paper
INU 77, Infrastructure y Urban Development Department, The World Bank,
Washington, D.C.
Riley, M.J. (1998). Correspondence with authors. Rile y Partnership, Launceston, REINO
UNIDO
Riley, M.J., Petersen, H.H. y Miller, L.H. (1987). Optimizing Firme Rehabilitation y
Maintenance Policies for Rural Roads. Asia -Pacific Conference on Roads,
Highways y Bridges, Jakarta, Indonesia.
RITES (1992). Feasibility Study for Rehabilitation y/or Upgrading of Quelimane-
Namacurra Road. Report to DNEP, Maputo, Mozambique. RITES, New Delhi,
India.
RITES (1994). Gujarat Firme Management System. New Delhi.
RPT (1990). Transport Policy y Planning Project UGA/90/018 Vehicle Operating Costs
Report. Report to Ministry of Works, Transport & Communications, Republic of
Uganda, Rendel Palmer & Tritton, London.
RPT (1993). Internal Report National Highway PMS Project. Rendel Palmer & Tritton,
London.
TSA (1995). Presentation of Input Data for HDM-III Run in 1994. Report to the Ministry
of Transport, Communication y Water Management Road Department. Transport
Science Association. Budapest.
TSPC (1992). Sri Lanka Road User Charges Study. Transport Studies y Planning Centre,
Colombo.
Watanatada, T., Harral, C.G., Paterson, W.D.O., Dhareshwar, A.M., Bhandari, A., y K.
Tsunokawa (1987a). The Highway Design y Maintenance Standards Model:
Volumen 1 - Descripción of the HDM-III Model. World Bank Publications,
Washington, D.C.
Watanatada, T., Harral, C.G., Paterson, W.D.O., Dhareshwar, A.M., Bhandari, A., y K.
Tsunokawa (1987b). The Highway Design y Maintenance Standards Model:
Volumen 2 - User's Manual for the HDM-III Model. World Bank Publications,
Washington, D.C.
Watanatada, T., Dhareshwar, A.M., y P.R.S. Rezende-Lima (1987c). Vehicle Speeds y
Operating Costs: Models for Road Planning y Management. World Bank
Publications, Washington, D.C.
Winfrey, R. (1969). Economic Analysis for Highways. International Textbook Co., Scranton,
Pennsylvania.
World Bank (1995). Hashemite Kingdom of Jordan Third Transport Project Staff
Appraisal Report. The World Bank, Washington, D.C.
Wyley, W. J., Petts, R. C. y Brooks, J. (1986). Evaluación of the World Bank’s Highway
Design y Maintenance Standards Model on United Kingdom Highways.
Contractor Report 27, Transport y Road Research Laboratory, Crowthorne, Berkshire,
U.K.
Yuli, P. (1996). Development of Speed y Fuel Consumption Models for Chinese Vehicles.
Ph.D. Dissertation, Department of Civil Engineering, University of Birmingham.
Zaniewski, J.P., Butler, B.C., Cunningham, G., Elkins, G.E., Paggi, M.S., y Machemal, R.
(1982). Vehicle Operating Costs, Fuel Consumption, y Tipo de firme y Conditions
Factors. FHWA Report FHWA-PL-82-001. Federal Highways Administration,
Washington, D.C.
Zucang, Y., Zhongren, W. y Xinghua, L. (1992). Calibración of Vehicle Operating Cost
Model for Firme Management System. Selected Papers of Tongji University, 1992.
Tongji University Press, China.
Tabla A.1 Datos y parámetros del modelo y sus niveles de calibración en HDM
Tara t 6.3.1 •
...Continúa
... Continúa
... Continúa
Resistencia a la rodada - a1 •
Resistencia a la rodada - a2 •
Curva de velocidad - a0 •
Curva de velocidad - a1 •
... Continúa
Altitud m •
... Continúa
... Continúa
... Continúa
Tabla B.1
Peso de la tara de los vehículos
Tabla B.3
Area frontal proyectada
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 1,80 2,00 2,20 2,72 4,00 5,00 6,50 8,00 6,50
Transroute (1992) Bangladesh 1,80 2,72 5,20 5,80
NDLI (1994a) Barbados 1,80 2,20 2,72 3,25 5,20 5,20 3,25 3,25 6,30
IBRD (1990) Burundi 1,80 2,72 1,80 5,20 5,75 5,75 2,72
GITEC (1992) Guatemala 2,08 2,72 5,20 5,75 3,25 6,30
TSA (1995) Hungría 1,80 2,72 3,25 5,20 5,20 5,75 6,30
JBP (1990) India 1,90 2,00 2,72 4,42 5,20 5,20 7,22 6,30
INDEC (1988) Indonesia 1,80 2,72 3,25 5,20 5,20 3,25 6,30
Banco Mundial (1995) Jordán 2,20 3,25 5,20 5,75 6,30
NDLI (1991) Myanmar 2,05 2,75 2,75 4,70 6,60 5,20
NDLI (1993) Nepal 2,05 2,75 8,00 5,37
Louis Berger (1990) Nigeria 2,08 2,72 5,20 5,75 6,30
Bennett (1989) NZ 2,72 2,72 2,72 2,72 3,25 5,75 5,75 2,08 6,30 6,30
Zukang et al. (1992) R.P. China 1,86 3,42 2,76 6,06 5,81 5,62 3,30 7,68
CESTRIN (1994) Rumanía 1,80 3,25 5,20 5,20 5,75 6,30
TSPC (1992) Sri Lanka 1,80 2,70 4,00 5,20 5,20 5,75 4,50 6,00
NDLI (1991) Tailandia 2,05 2,75 4,70 6,60 3,25 7,25 8,50
NDLI (1994b) Trinidad 1,80 2,72 2,72 3,25 5,20 5,20
TRDF (1982) USA 1,92 2,05 2,05 2,62 2,87 3,60 5,32 8,90
Tabla B.4
Coeficiente de resistencia aerodinámica
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 0,42 0,44 0,46 0,52 0,60 0,64 0,64 0,72 0,64
Transroute (1992) Bangladesh 0,45 0,55 0,85 0,70
NDLI (1994a) Barbados 0,45 0,46 0,45 0,46 0,70 0,85 0,85 0,70
0,65
IBRD (1990) Burundi 0,45 0,46 0,45 0,85 0,63 0,63 0,46
GITEC (1992) Guatemala 0,50 0,46 0,85 0,63 0,70 0,65
TSA (1995) Hungría 0,35 0,46 0,70 0,85 0,85 0,63 0,65
JBP (1990) India 0,45 0,45 0,46 0,52 0,58 0,85 0,85 0,58 0,65
INDEC (1988) Indonesia 0,40 0,46 0,70 0,85 0,85 0,70 0,80
Banco Mundial (1995) Jordán 0,45 0,70 0,85 0,63 0,65
NDLI (1991) Myanmar 0,35 0,40 0,40 0,70 0,85 0,70
NDLI (1993) Nepal 0,35 0,40 0,85 0,65
Louis Berger (1990) Nigeria 0,50 0,46 0,85 0,63 0,65
Bennett (1989) NZ
Zukang et al. (1992) R.P. China 0,35 0,60 0,60 0,75 0,80 0,85 0,45 0,55
CESTRIN (1994) Rumanía 0,45 0,70 0,85 0,85 0,63 0,65
TSPC (1992) Sri Lanka 0,45 0,55 0,65 0,85 0,85 0,85 0,60 0,70
NDLI (1991) Tailandia 0,35 0,40 0,70 0,70 0,70 0,70 0,70
NDLI (1994b) Trinidad 0,45 0,46 0,46 0,70 0,85
Tabla B.5
Flexibilidad de la utilización del vehículo
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 0,25 0,24 0,24 0,27 0,25 0,32 0,34 0,46 0,30
NDLI (1994c) Barbados 0,60 0,80 0,85 0,80 0,85 0,85 0,85 0,85 0,75
SWK (1993a) Botswana 0,10 0,15 0,20 0,35 0,40 0,50 0,35 0,40
IBRD (1990) Burundi 0,00 0,80 0,00 0,85 0,85 0,85 0,80
SWK (1993b) Etiopia 0,10 0,20 0,20 0,20 0,30 0,40 0,20 0,30
JBP (1990) India 0,60 0,60 0,90 0,80 0,90 0,90 0,90 0,90
INDEC (1988) Indonesia 0,50 0,75 0,45 0,45 0,45 0,65 0,65 Sumatra
TSPC (1992) Sri Lanka 0,50 0,50 0,50 0,50 0,50 0,50 0,60 0,60
NDLI (1991) Tailandia 0,10 0,17 0,21 0,36 0,15 0,17 0,23
Tabla B.6
Número de horas conducidas por año
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 400 500 500 600 600 700 800 1500 700
Transroute (1992) Bangladesh 500 1100 1250 1750
NDLI (1994a) Barbados 500 3000 1400 1600 1200 1200 1200 3500 3400
SWK (1993a) Botswana 188 279 390 695 833 1040 732 805
IBRD (1990) Burundi 0 900 0 800 800 1800 1800
GITEC (1992) Guatemala 730 1095 1460 1825 1825 1825
SWK (1993b) Etiopia 250 450 450 450 650 850 450 650
TSA (1995) Hungría 285 285 875 875 875 1500 1750
JBP (1990) India 417 417 500 1250 1429 1429 1700 1900 2286
INDEC (1988) Indonesia 450 1555 1820 1820 1830 3150 3150 Sumatra
Sammour (1992) Jordán 4000 4000 4000
Banco Mundial (1995) Jordán 2000 3000 3000 3000 2000
NDLI (1991) Myanmar 800 800 1440 1680 2400
Louis Berger (1990) Nigeria 500 1500 800 1500 2033
Kampsax - Beca (1990) Papua Nueva Guinea 500 1200 2200 2200 2400 2400
CESTRIN (1994) Rumanía 400 740 1030 1140 1550 1580
Banco Mundial (1995) Rusia 230 825 825 825 1300 2400 2400
TSPC (1992) Sri Lanka 270 500 950 1100 800 700 950 1250
NDLI (1991) Tailandia 354 462 615 1308 523 615 1077
NDLI (1994b) Trinidad 380 875 1250 875 875 980
RPT (1990) Uganda 579 824 1000 1200 1200 1450 1333 1765
SWK (1993c) Uganda 2000 2000 2000 2000 2000
Tabla B.7
Vida útil de los vehículos
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 14 12 15 13 14 16 14 10 14
Transroute (1992) Bangladesh 10 8 10 8
NDLI (1994a) Barbados 6 6 5 6 4 10 12 7 12 12
SWK (1993a) Botswana 8 8 8 7.5 7.5 6 4 8
IBRD (1990) Burundi 8 5 10 10 10 10 3
GITEC (1992) Guatemala 10 10 10 10 10 10
TSA (1995) Hungría 13 13 10 10 10 13 10
SWK (1993b) Etiopía 12 8 8 15 12 10 12 14
JBP (1990) India 15 15 12.5 8 15 8 8 10
RPT (1993) India 12 12 12 12 12 12
INDEC (1988) Indonesia 8 4 10 13 13 6 6 Sumatra
Sammour (1992) Jordán 12 12 10
Banco Mundial (1995) Jordán 12 12 12 12 10
NDLI (1993) Nepal 15 10 12 12
Louis Berger (1990) Nigeria 4 5 9 9 7
CESTRIN (1994) Rumanía 15 15 15 15 15 15
Kampsax - Beca (1990) Papua Nueva Guinea 6 4 4 4 4 4
Banco Mundial (1995) Rusia 8 6 6 6 6 6 6
Estudio (1993) España 10 12 12 12 10
TSPC (1992) Sri Lanka 16 16 14 20 20 22 14 20
NDLI (1991) Tailandia 10 8 12 12 8 12
NDLI (1994b) Trinidad 10 10 10 10 10 10
RPT (1990) Uganda 6 5 6 5 7 7 7 6
SWK (1993c) Uganda 6 6 5 7 6
Tabla B.8
Utilización anual
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 15 17 17 20 21 23 31 116 50
Transroute (1992) Bangladesh 20 44 50 70
NDLI (1994a) Barbados 15 60 15 40 30 30 40 100 85
SWK (1993a) Botswana 18 24 30 50 60 75 60 66
IBRD (1990) Burundi 15 40 20 30 30 45 100
NDLI (1994a) Etiopía 20 35 35 30 40 50 30 50
GITEC (1992) Guatemala 20 25 60 80 120 120
TSA (1995) Hungría 11,4 11,4 35 35 35 50 70
RPT (1993) India 20 16 40,2 50 80 80
INDEC (1988) Indonesia 23,7 70 80 80 75 125 150 Sumatra
Sammour (1992) Jordán 50 50 50
Banco Mundial (1995) Jordán 30 80 80 80 60
NDLI (1991) Myanmar 20 20 20 36 42 77
NDLI (1993) Nepal 20 37,5 60 43,5
Louis Berger (1990) Nigeria 50 54 50 77,6 122
Kampsax - Beca (1990) Papua Nueva Guinea 15 30 40 50 70 85
CESTRIN (1994) Rumanía 15 42 55 58 66 70
Banco Mundial (1995) Rusia 7 18 24 24 40 70 80
Estudio (1993) España 15 30 50 80 60
TSPC (1992) Sri Lanka 15 26 40 45 35 30 45 65
NDLI (1991) Tailandia 23 30 40 85 34 70
NDLI (1994b) Trinidad 17,3 35 35 35 35 35
SWK (1993c) Uganda 14 20 31 44 37,5
Tabla B.9
Valor del factor de ajuste - α 1 del modelo de consumo de combustible
Tabla B.10
Valor del factor de ajuste - α 2 del modelo de consumo de combustible
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Transroute (1992) Bangladesh 1,16 1,16 1,15 1,15
NDLI (1994a) Barbados 1,16 1,16 1,16 1,15 1,15 1,15 1,15 1,15 1,15
IBRD (1990) Burundi 1,16 1,16 1,16 1,15 1,15 1,15 1,16
GITEC (1992) Guatemala 1,16 1,16 1,15 1,21 1,15 1,15
JBP (1990) India 1,15 1,20 1,20 1,15 1,15 1,15 1,15 1,15 1,15
Banco Mundial (1995) Jordán 1,16 1,15 1,15 1,15 1,15
MRCU (1992) Nepal 1,50 1,50 1,5 1,5 1,5
CESTRIN (1994) Rumanía 1,16 1,15 1,15 1,15 1,15 1,15
TSPC (1992) Sri Lanka 1,16 1,16 1,15 1,15 1,15 1,15 1,15 1,15
Arup (1992) Tanzania 1,26 1,00 1,00 1,00
NDLI (1991) Tailandia 1,15 1,15 1,15 1,15 1,15 1,15
NDLI (1994b) Trinidad 1,16 1,16 1,16 1,15 1,15 1,15
Tabla B.11
Potencia usada en la conducción
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 45 55 70 67 75 110 170 290 210
Transroute (1992) Bangladesh 32 39 90 98
NDLI (1994a) Barbados 60 40 85 40 72 160 350 90 120 180
SWK (1993a) Botswana 51 47 51 90 130 220 51 90
IBRD (1990) Burundi 30 40 30 100 210 210 40
SWK (1993b) Etiopía 30 60 50 80 80 210 80 150
GITEC (1992) Guatemala 70 85 130 230 100 170
TSA (1995) Hungría 60 100 210 100
JBP (1990) India 26 28,5 30 62 121 102 75
RPT (1993) India 43 39 92,5 69 135 65
Sammour (1992) Jordán 85 280 240
Banco Mundial (1995) Jordán 85 60 100 210 100
INDEC (1988) Indonesia 50 50 75 115 120 50 75
NDLI (1991) Myanmar 49 45 45 57 184 199
NDLI (1993) Nepal 48 63 78 78
Louis Berger (1990) Nigeria 70 40 100 210 100
Yuli (1996) R.P. China 58 67,5 98,8 135,3 86.5
Kampsax - Beca (1990) Papua Nueva Guinea 55 51 76 137 221 248
CESTRIN (1994) Rumanía 33 62 95 151 179 134
Estudio (1993) España 43 56 120 210 170
TSPC (1992) Sri Lanka 30 40 54 78 140 160 66 88
Arup (1992) Tanzania 30 60 120 250 180
NDLI (1991) Tailandia 48 63 88 133 63 225
NDLI (1994b) Trinidad 54,6 64,2 48,3 77,4 90,0 205
Tabla B.12
Valores de la fuerza del frenado
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Chamala (1993) Australia 18 21 24 35 63 168 294 375 280
Transroute (1992) Bangladesh 23 35 180 160
NDLI (1994a) Barbados 17 30 27 30 100 250 250 100 100 160
IBRD (1990) Burundi 17 30 17 250 500 500 40
GITEC (1992) Guatemala 21 30 250 500 100 160
TSA (1995) Hungría 17 250 500 160
JBP (1990) India 13 19 15 84 177 236 336 145
INDEC (1988) Indonesia 25 35 110 250 270 110 180
Banco Mundial (1995) Jordán 27 100 250 500 160
NDLI (1991) Myanmar 35 42 42 70 195 111
NDLI (1993) Nepal 36 43 171 129
Louis Berger (1990) Nigeria 17 30 160 300 160
Yuli (1996) R.P. China 32,5 96,6 237,3 355 175,3
Kampsax - Beca (1990) Papua Nueva Guinea 27 46 80 198 311 558
CESTRIN (1994) Rumanía 20 90 150 260 260 170
TSPC (1992) Sri Lanka 22 39 62 180 350 500 82 165
Arup (1992) Tanzania 50 100 160 310 220
NDLI (1991) Tailandia 36 43 112 294 36 175
NDLI (1994b) Trinidad 17 30 30 100 250 250
Tabla B.13
Parámetro del modelo del consumo de repuestos - C0SP
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Transroute (1992) Bangladesh 20,00 20,00 4,30 0,76
GITEC (1992) Guatemala 32,49 32,49 1,49 13,94 1,49 1,77
TSA (1995) Hungría 42,50 0,60 1,50 0,60
JBP (1990) India 15,20 2,20 2,20 0,70 0,70 0,70 5,90 8,50 1,00
INDEC (1988) Indonesia 25,04 25,04 1,08 1,08 4,71 1,08 1,34
Banco Mundial (1995) Jordán 32,49 1,49 1,49 13,94 1,77
Kampsax - Beca (1990) Papua Nueva Guinea 40,61 40,61 1,86 1,86 10,76
Zucang et al. (1992) R.P. China 12,95 1,87 1,87 1,87 5,52 5,52 12,95 1,87
CESTRIN (1994) Rumanía 32,49 1,49 1,49 8,61 13,94 1,77
TSPC (1992) Sri Lanka 25,00 6,30 5,50 4,50 6,00 6,50 1,50 0,90
Arup (1992) Tanzania 17,60 15,00 0,50 2,40 1,20
Tabla B.14
Parámetros del modelo de consumo de repuestos en HDM-III - CSPQI
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
GITEC (1992) Guatemala 13,70 13,70 251,8 15,65 251,8 1,77
TSA (1995) Hungría 13,70 13,70 251,8 251,8 251,8 15,65 3,55
JBP (1990) India 13,70 30,00 30,00 251,8 35,31 15,65 3,56
INDEC (1988) Indonesia 13,70 13,70 251,8 251,8 35,31 251,8 3,56
Banco Mundial (1995) Jordán 13,70 251,8 251,8 15,65 3,56
Zucang et al. (1992) R.P. China 17,80 327,3 327,3 327,3 45,9 20,35 17,81 4,63
CESTRIN (1994) Rumanía 13,70 251,8 251,8 35,31 15,65 3,56
TSPC (1992) Sri Lanka 10,50 30,00 30,00 30,00 30,00 30,00 20,00 15,00
Tabla B.15
Parámetro del modelo de horas de mano de obra - C0LH
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Predefinido 77,14 77,14 242,0 242,0 301,0 242,0 293,0
Chamala (1993) Australia 14,91 17,99 21,22 23,27 25,2 50,46 68,24 120,1 84,08
Transroute (1992) Bangladesh 77,14 77,14 300,0 200,0
GITEC (1992) Guatemala 77,14 77,14 242,0 652,5 242,0 293,4
TSA (1995) Hungría 77,14 77,17 242,0 242,0 242,0 652,5 193,4
JBP (1990) India 898,0 746,5 746,5 950,0 258,4 1000 1000 252,2
INDEC (1988) Indonesia 77,14 77,14 242,0 242,0 301,0 242,0 293,0
Banco Mundial (1995) Jordán 77,14 242,0 242,0 652,5 293,4
Kampsax - Beca (1990) Papua Nueva Guinea 68,65 68,65 215,4 215,4 301 242,0
CESTRIN (1994) Rumanía 77,14 242,0 242,0 301,5 652,5 293,4
NDLI (1991) Tailandia 274,0 166,0 276,0 440,0 151,0 786,0
TSPC (1992) Sri Lanka 100,0 150,0 150,0 300,0 350,0 400,0 120,0 200,0
Tabla B.16
Parámetro del modelo de horas de mano de obra - CLHPC
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Transroute (1992) Bangladesh 0,400 0,450 0,519 0,470
GITEC (1992) Guatemala 0,550 0,550 0,520 0,520 0,520 0,520
TSA (1995) Hungría 0,550 0,550 0,519 0,519 0,519 0,519 0,517
JBP (1990) India 0,547 0,700 0,700 0,520 0,520 0,439 0,397 0,820
Banco Mundial (1995) Jordán 0,550 0,520 0,520 0,520 0,520
CESTRIN (1994) Rumanía 0,547 0,519 0,519 0,519 0,519 0,517
TSPC (1992) Sri Lanka 0,500 0,519 0,519 0,519 0,519 0,519 0,470 0,470
Tabla B.17
Parámetro del modelo de consumo de neumáticos - C0TC
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
Transroute (1992) Bangladesh 0,090 0,090
NDLI (1994a) Barbados 0,160 0,160 0,160 0,160 0,160 0,160
TSA (1995) Hungría 0,164 0,050 0,164 0,164 0,050
GITEC (1992) Guatemala 0,160 0,160 0,160 0,160
JBP (1990) India 0,160 0,160 0,190 0,080 0,160
INDEC (1988) Indonesia 0,164 0,164 0,164 0,164 0,164
Banco Mundial (1995) Jordán 0,160 0,160 0,160 0,160
Zucang et al. (1992) R.P. China 0,068 0,068 0,134 0,134 0,068
CESTRIN (1994) Rumanía 0,164 0,164 0,164 0,164 0,164
TSPC (1992) Sri Lanka 0,164 0,164 0,164 0,164 0,164 0,164 0,164
NDLI (1991) Tailandia ,1008 ,0849 0,072
NDLI (1994b) Trinidad 0,160 0,160 0,160
Tabla B.18
Parámetro del modelo de consumo de neumáticos - CTCTE (x 10-3)
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
NDLI (1994a) Barbados 12,78 12,78 12,78 12,78 12,78
GITEC (1992) Guatemala 12,78 12,78 12,78 12,78
TSA (1995) Hungría 12,78 7,00 12,78 12,78 7,00
JBP (1990) India 12,78 12,78 9,00 9,00 12,78
INDEC (1988) Indonesia 12,78 12,78 12,78 12,78 12,78
Banco Mundial (1995) Jordán 12,78 12,78 12,78 12,78
Zucang et al. (1992) R.P. China 5,30 5,30 10,40 10,40 5,30
CESTRIN (1994) Rumanía 12,78 12,78 12,78 12,78 12,78
TSPC (1992) Sri Lanka 12,78 12,78 12,78 12,78 12,78 12,78 12,78
NDLI (1991) Tailandia 7,85 6,61 5,61
NDLI (1994b) Trinidad 12,78 12,78 12,78
Tabla B.19
Volumen desgastable de la goma
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
NDLI (1994a) Barbados 4,30 7,60 7,30 4,30 6,85
GITEC (1992) Guatemala 7,60 8,39 4,30 6,85
TSA (1995) Hungría 4,30 15,00 7,60 15,0 15,0
JBP (1990) India 7,60 7,60 8,99 8,99 6,85
INDEC (1988) Indonesia 4,30 7,60 7,30 4,30 6,85
Banco Mundial (1995) Jordán 4,30 7,60 8,39 6,85
Zucang et al. (1992) R.P. China 5,88 5,88 7,69 7,69 5,88
CESTRIN (1994) Rumanía 4,30 7,60 7,30 8,39 6,85
TSPC (1992) Sri Lanka 3,00 4,00 5,34 7,30 7,30 4,00 6,34
NDLI (1991) Tailandia 12,16 14,30 13,80
NDLI (1994b) Trinidad 4,30 7,60 7,30
Botswana Firme existente ST + Base, Piedra N 0,67 1,00 0,67 1,00 0,82-1,72 0,51 1,00 1,3- 10-80 117-2438 NA 1786-3266 NA NA SWK (1993a)
molida/grava 1,6 mm/km BI
estabilizada/grava
natural
Brasil Firme existente Datos de la red de S 1,00 1,00 1,00 1,00 1,00 1,00 1,00 NA NA NA NA NA NA NA Liautaud y
carreteras Archondo-Callao
(1994)
Chile Firme nuevo ST30 + base N 0,50 NA 1,00 1,95 0,70 NA NA 13 Bajo Media NA NA NA NA Gaete et al,
granulada 240 (1991)
Base 290
Refuerzo en Capa densa 35-45 + N 0,67 0,67 NA NA 0,80-1,06 0,43 3,00 NA 3-10 Media Seca NA NA NA
firme Base abierta de
bituminoso bitumen 40-60+
Capa antigua 60+
Granulada155-170
Refuerzo en Capa de bitumen N 0,58- NA NA NA 0,74-0,99 0,70 2,20 NA 4-13 Media Media NA NA NA
firme denso 55-70+ 0,67
bituminoso cuajado 70-100 +
Base densa de
bitumen120-130 +
Capa antigua130 +
Base granulada 130
…continúa
Refuerzo en el Mezcla fría granulada N 1,20 NA 1,20 NA 0,81 0,70 NA NA 6 Media Media NA NA NA Gaete et al,
firme existente abierta 55+Capa (1991);
vieja 90+ Base Solminihac et al,
granulada 145 (1989),
Guinea F irme existente Datos de la red de Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 Todos Todos NA NA NA NA NA Fonseca et al,
Bissau carretera (1991)
India Resellado y Perfilado de bitumen N 1,00 1,25 0,70 1,25 1,25 1,00 1,00 NA NA NA Poca, media, NA Bacheo+rutina NA CES (1989)
refuerzo + base granulada mucha
1,00 1,50 0,60 1,50 1,50 1,50 1,15
Resellado y Perfilado de bitumen N 1,00 1,50 0,60 1,50 1,50 1,15 1,15 NA NA NA NA NA NA NA JBP (1990)
refuerzo + base granulada
Resellado y Perfilado de bitumen N 1,50 1,50 1,00 1,50 1,50 1,00 1,50 2 5 1-8 msa/año Media 2500 mm/km Bacheo+rutina 15 RITES (1994)
refuerzo + base granulada BI
Resellado y Perfilado de bitumen Y 1,00 1,00 1,00 1,00 1,00 0,70 1,00 2,0 , NA 2 msa/año Media 2500 mm/km Bacheo+rutina 20 NDLI (1994a)
refuerzo + base granulada 3,0 BI
Jordán Existente AC sobre base N 2,50 1,00 1,50 3,00 1,00 1,00 0,50 NA 13 NA 0,025 m/mes NA NA 12 Sammour (1992)
granulada
Nuevo AC sobre base N 0,50 1,00 2,00 1,00 1,00 2,00 1,00 NA 15 2,5msa/año NA NA NA
granulada
…Continúa
Malasia Resellado y Firmes existentes y N 0,70- 1,20- 1,00 1,00 1,00 1,00- 1,00 Todos Todos NA NA NA Rutina+bacheo NA JKR (1991)
refuerzo nuevos 0,80 1,40 1,30 +
resellado/refuerz
o
Marruecos Firme existente Datos de la red de Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 NA NA NA NA NA NA NA CID (1993)
carreteras
Mozambique Firme existente ST20 + hormigón N 1,00 1,50 1,00 1,50 1,50 1,50 1,50 2,0- 5 Baja Media 4000 mm/km Rutina/NIL 20 RITES (1992)
base estabilizada 150 3,0 BI
+ terreno
seleccionado 150
Nepal Firme existente ST y AC sobre base Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 SNC= NA Baja y media Media/ Mucha 10m/km Rutina + NA NDLI (1993)
granulada 3 bacheo
IRI
Nueva Firme existente Refuerzos y NA NA NA NA NA 0,76 1,00 2-4 NA 500-6700, NA NA NA 7 años Cenek y Patrick
Zelanda resellados (1991)
0,01-0,09
msa/carril/año
Nigeria Firme existente Datos de la red de Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 NA NA NA NA NA NA NA Louis Berger
carreteras (1990)
Pakistán Firme existente Datos de la red de Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 NA NA NA NA NA NA NA Riley et al,
carreteras (1987)
Perú Firme existente Datos de la red de Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 NA NA NA NA NA NA NA Liautaud y
carreteras Archondo-Callao
Sudáfrica Firme nuevo Tratamiento N 1,00- 0,10- NA NA 1,50-1,75 0,392(1) 0,8-1,2(4) NA NA NA NA NA Resellado/Refue 20 Kannemeyer y
superficial 1,50 0,30 rzo @ 8 años Visser (1994)
(pro, (pro, 1,57) 0,607(2) 0,6-1,4(5) (1975-1995)
(pro, 021)
1,21) 0,886(3) 0,8-1,2(6)
…Continúa
España Firme existente AC y ST sobre base Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 3,1- NA NA 0,045 m/ 2253-3352 NA 15 años Estudio (1993)
granulada 4,7 mm/km BI
mes
Tanzania Firme existente SSD/DSD + Limo / N 0.50- 0.50- 1.00 1.00 1.50-2.10 0.20- 0.60-1.30 SNC= NA ADT (1991)= 0.09 m/ 2253-3352 Resellados Año de Arup (1993)
base estabilizada de 1.30 1.65 0.30 mm/km BI como los terminación
hormigón 2.3- 85-266 mes actualmente de la
3.0 aplicados construcción.-
1992
Túnez Firme existente Datos de la red de Y 1,00 1,00 1,00 1,00 1,00 1,00 1,00 NA NA NA NA NA NA NA Houcine (1982)
carreteras
Reino Unido Firme existente AC60+capa antigua 1,00 1,00 NA NA NA NA NA 80 5535-7057 0,03 m/mes 1500 mm/km Bacheo+rutina 10 Wyley et al,
50+ base BI (1986)
estabilizada de (1974-1984)
hormigón 120
Tratamiento ST30 +capa antigua NA NA NA NA 2,70 NA NA 1,5 8 2892-3659 0,03 m/mes 1500 mm/km AC30@ 15/ 10
superficial 20+base granulada BI 7años
205 +bacheo+rutina (1974-1984)
D.1 Introducción
Los datos del firme y de la carretera requeridos por HDM incluyen los datos generales de la
carretera, los de las características y la condición del firme y los de las alternativas de
conservación. Cada uno de ellos se explica en las siguientes secciones después de una
descripción de la clasificación de los firmes.
n Hormigón bituminoso
En HDM-4 el sistema de clasificación de los firmes es mucho más extenso para poder reflejar
toda la escala de tipos de firme modelizados.
La Tabla D.1 resume el sistema de clasificación de firmes bituminosos de HDM-4 y la Tabla
D.2 define los códigos de los mismos (ISOHDM, 1997). Además de los anteriores, se incluyen
también en HDM-4 los de hormigón, adoquín y los firmes sin sellar.
Tabla D.1
Sistema de clasificación de los firmes bituminosos en HDM-4
Material de la Material de la
Tipo de capa Tipo de base Tipo de firme
capa base
AC CRS
GB AMGB
HRA GM
PMA AB AB AMAB
AM RAC CS
SB AMSB
CM LS
PA TNA
xx
CAPE CS
GB STGB
DBSD GM
SBSD AB AB STAB
ST SL CS
SB STSB
PM LS
TNA
AP STAP
FDA
Fuente: ISOHDM (1997)
Nota:
1 Los perfilados AM y ST de los firmes de hormigón, es decir, AMCP y STCP, están
modelizados en HDM-4 como tipos de firme de hormigón en el submodelo de firmes
rígidos.
Tabla D.2
Definiciones de los códigos de los firmes en HDM-4
SL Lechada bituminosa
PM Penetración de macadán
Los modelos disponibles en HDM-4 están basados en diferentes factores. Muchos de ellos en
el tipo de la base y de la capa de rodadura y otros en el material de la capa. Según esto, la
modelización se hace inicialmente a partir del tipo de la base y del material de la capa, aun
cuando los mismos puedan ser especificados. HDM-4 ofrece coeficientes predefinidos para
los tipos de firme bituminoso en la Tabla D.3.
Tabla D.3
Tipos genéricos de firmes bituminosos en HDM-4
Tipo de Tipo de
Tipo de base Descripción
firme capa
Estos datos son, generalmente, fáciles de obtener. Los primeros dos están disponibles en los
mapas topográficos, en las hojas de información de las carreteras o en los sondeos. En el caso
de la calzada y el arcén se debería usar una muestra de datos para estimar los valores
promedios. Estos datos son, frecuentemente, una función del volumen del tráfico que puede
ser muy útil para estratificar los datos como una función del volumen. La súper elevación
puede estar definida o se puede calcular en HDM-III como una función del arqueamiento
usando la siguiente ecuación desarrollada a partir de los datos de Brasil (Watanatada et al.,
1987a):
e = a0 C …(D.1)
donde:
Otro valor denominado número efectivo de carriles se usa en HDM-III. Se emplea para
reflejar la práctica del tráfico en carreteras estrechas circulando en la mitad del firme, lo que
aumenta el deterioro del mismo. Watanatada et al. (1987a) ofrece los siguientes valores
recomendados:
En lugares donde no se circula dentro de los carriles definidos, como la India, puede estar
indicado aumentar el número de carriles efectivos más allá de los valores recomendados para
reducir los niveles de la carga efectiva del tráfico.
Watanatada et al. (1987a) provee situaciones similares para calcular el desvío de SNC.
Paterson (1987) usó una regresión octogonal para asegurar que las ecuaciones ofrezcan
pronósticos consistentes al desarrollar los atributos de las mismas. El Apéndice J explica las
regresiones octogonales.
NDLI (1995b) describe varias técnicas para estimar el SNC a partir del desvío FWD y las
mismas han sido adoptadas por HDM-4.
Si los firmes existentes son fuertes, con un SNC 5,0 o mayor, no hay necesidad de especificar
este parámetro con precisión. Esto se debe a que existen algunas diferencias entre los
pronósticos del modelo de deterioro del firme de HDM-III y estos firmes. Es por eso, que
solamente en los firmes débiles, el SNC es un parámetro crítico.
D.5.1 Regularidad
La regularidad del firme se un parámetro muy importante. No solamente mide la condición del
firme, sino que también, tiene un gran impacto en el RUE.
Al medir los tramos de la carretera, la regularidad, generalmente, se mide usando un sistema
de medida de regularidad de la carretera de tipo de respuesta (RTRRMS) o con un
profilómetro de no contacto (acelerómetro/láser). En los tramos cortos o en los métodos
manuales de estudio, como un sondeo de nivel, se puede usar una varilla de nivel o un
profilómetro de pie.
El RTRRMS consiste en un instrumento montado en el suelo de un vehículo que está
conectado al eje trasero. El instrumento registra el desplazamiento del vehículo relacionado
con el eje y, generalmente, lo expresa en términos de un desplazamiento vertical por unidad de
distancia transitada, como por ejemplo mm/km. El TRRL Bump Integrator es el RTRRMS
más utilizado.
Los profilómetros, generalmente, emplean sensores para medir la elevación del vehículo sobre
el firme. Los acelerómetros están doblemente integrados para obtener el movimiento del
vehículo a través del espacio. La diferencia entre estos valores ofrece la elevación del perfil
de la carretera. Estos datos se procesan para obtener la regularidad.
El vehículo se debería calibrar y circular con cargas estándar. Además la presión de los
neumáticos debería ser también estándar.
D.5.3 Rodera
Será incluida en una próxima edición de este documento
D.5.4 Baches
Será incluida en una próxima edición de este documento
n Se adoptó una escala de tratamientos desde refuerzos hasta reconstrucción. Esto permitió
al análisis establecer la mezcla de tratamientos permitidos dentro del presupuesto.
n Al mantener los estándares del diseño del firme, los tratamientos son una función del
aumento de la carga del tráfico.
n En una nueva construcción, hay un SNC constante para el nivel ofrecido del tráfico. Esto
refleja los estándares de diseño del firme que tienen una resistencia definida requerida
para cada nivel de carga del tráfico. Si las resistencias no son constantes, habría
diferentes rendimientos entre los firmes probados lo que podría distorsionar los resultados.
n Fija
n Dinámica
Los tramos fijos se definen en intervalos regulares, por ejemplo, entre indicadores de
kilómetro. Los tramos dinámicos se definen a partir de los datos de atributos..
Cuando se clasifica la condición de la carretera cada medida tiene su propio intervalo de
muestreo:
n Regularidad – se puede medir en intervalos de 100 m,
n Desvío – a intervalos de 50 m,
Cuando se usan itinerarios fijos es necesario agregar los datos sobre la longitud arbitraria del
itinerario, aún si el intervalo no es el mejor para obtener los datos que se quieren medir.
Los itinerarios dinámicos evitan esto creando itinerarios basados en la condición (o cualquier
otro parámetro como por ejemplo el tráfico) del firme. Esto permite una representación mucho
más realista de la red de carreteras ya que los tratamientos aplicados se basarán en esta
condición. El proceso por el cual se crean estos itinerarios se denomina automático o
seccionado dinámico.
El seccionado dinámico surge definiendo la variación permitible en un atributo, por ejemplo
regularidad + 1,0 IRI m/km; ancho + 0,5 m. Los datos de la condición se analizan entonces, y
cuando la condición se desvía de esas variaciones se crea un nuevo tramo. Esto se ilustra en
la Figura D. para un hipotético tramo de la carretera.
Medicciones regularidad
Tramos de regulaidad
Medidas de rodera
Tramos derodera
Tramos analizados
Si el análisis es de tramos
fijos
Es frecuente que los sistemas de tramo fijo sugieran tratamientos inapropiados debido al
promedio de las características en tramos relativamente cortos o con características
deficientes. Esto se ilustra en la Figura D.1 donde los tramos fijos podrían resultar en
tratamientos fundamentalmente diferentes que se aplicarían a los tramos dinámicos del
análisis.
El usuario puede establecer tramos homogéneos basados en una escala de atributos. Los
atributos más comúnmente usados para establecer los tramos homogéneos incluyen:
n Regularidad
n Resistencia
n Ancho
n Medioambiente
n Ancho – cambia más de z m del ancho medio del tramo en ese punto
500 m 300 m
Sección 1 Sección 2
Segmetación dinámica
800 m
Tramo nalizado
E.1 Introducción
El volumen del tráfico es vital en la entrada de datos en todos los análisis de HDM, puesto que
los costes totales del transporte están definidos por los costes del usuario de la carretera, que
son proporcionales al volumen del tráfico. Además, el volumen de los vehículos comerciales
influye en la tasa de deterioro del firme. Este apéndice describe los volúmenes del tráfico, las
tasas de crecimiento y otros temas relacionados.
n
q= …(E.1)
t
donde:
q intensidad del tráfico en vehículos durante el momento t
n número de vehículos
t intervalo del tiempo t
Los números del tráfico anual se expresan en vehículo/día. Hay dos importantes medidas
dependiendo de cómo se muestrean los datos:
n Intensidad media diaria (IMD)
Annual Traffic
IMD = …(E.2)
365
Esto solamente se puede calcular en lugares donde hay conteo de tráfico continuo.
Como lo más común es realizar conteos de tráfico en períodos cortos, la mayoría de los datos
se identifican como intensidad diaria (ADT). Esto depende de la cantidad de tráfico contado y
es importante especificarlo, por ejemplo:
n 5 - días ADT – se usó en calles urbanas
Los datos del tráfico básicos suplidos por HDM deben ser IMD. Los datos ADT se convierten
en IMD usando los factores de corrección. Esto se basa frecuentemente, en el tiempo del año
en el que el tráfico se cuenta. Si, por ejemplo, el conteo se hace en invierno o en la estación
del monzón el factor, generalmente, aumenta la ADT para convertirla en IMD. Generalmente,
los conteos en los veranos o estaciones secas son, frecuentemente, reducidos para convertirlos
en IMD. La Tabla E.1 muestra los factores de corrección de la estación de la India (NDLI,
1997). Los datos de esta tabla indican, por ejemplo, que un ADT de un conteo hecho en la
Localidad 1 en agosto se podría multiplicar por 1,13 para convertirlo en una IMD.
La intensidad horaria del tráfico se expresa en vehículos/hora. Esta es la medida más común
en las evaluaciones del tráfico. HDM utiliza intensidades horarias en sus análisis de
congestión.
Las oleadas del tráfico incluyen diferentes tipos de vehículo, por lo tanto, es común
convertirlos en medidas más homogéneas.
Tabla E.1
Ejemplo de factores de corrección de la estación en la India
Las unidades de pasajero por automóvil (PCU) es una medida que convierte todos los
vehículos en pasajeros equivalentes por automóvil. Esto se utiliza, generalmente, en
evaluaciones de carreteras rurales en las que los vehículos grandes tienen un impacto negativo
significativo en la intensidad del tráfico. Los valores de las conversiones de PCU varían entre
los países y dependen de factores, como el tamaño del vehículo y la relación fuerza/peso.
Recientemente, se ha propuesto la medida equivalente de espacio por bicicleta (BSE) como
una medida para ser usada en países como China e India que tienen grandes niveles de tráfico
no motorizado (Yuli, 1996).
En HDM, el tráfico se expresa en términos de Equivalentes de espacio de pasajero por
automóvil (PCSE). Este se diferencia del PCU en que se basa en el área ocupada por
vehículo 1. Una explicación del PCSE y cómo se calcula se ofrece en la sección 6.4.3.
1
Los PCSE se basan, principalmente, en la longitud. No obstante, como se describe en la sección 6.4.3,
Hoban et al. (1994) recomienda aumentar los valores de PCSE para las carreteras más estrechas para reflejar
los grandes efectos de los vehículos en el total de la carretera bajo esas circunstancias.
Es importante considerar la composición del tráfico así como, el volumen total, puesto que las
diferentes clases de vehículos tienen diferentes costes de circulación e impactos en los firmes.
La oleada del tráfico se modeliza en HDM utilizando vehículos representativos por lo que los
vehículos representativos definidos en HDM se deberían usar como una guía cuando se
consideran clases de sondeo de tráfico. Todos los temas relacionados con las diferencias de
los costes de circulación entre clases de vehículos, ocupaciones, niveles de carga, etc.,
deberían ser también evaluadas. Las siguientes son las clases de vehículos recomendadas,
como mínimo, en los análisis de HDM:
n Tráfico no motorizado
n Motocicletas
n Automóviles de pasajeros
n Camiones ligeros
n Camiones medianos/pesados
n Mini-buses
n Autobuses pesados
20
18
16
USA - Ocasional
14
Flujo horario como % IIMD
12
10
USA - Frecuente
8
6 India
USA – Inter-estatal
4
2 Nueva Zelanda
En HDM es necesario establecer el número de horas por año de tráfico a diferentes niveles
de intensidad. Es frecuente adoptar, por lo menos, cinco niveles. Esto debería consistir en un
nivel de intensidad bajo y aloto, así como, de un número apropiado de niveles intermedios.
Cuando no existe tráfico no motorizado (TNM), es necesario representar esto en las bandas de
intensidad. Esto se hace analizando el tráfico no motorizado (TNM) asociado a las mismas
bandas de intensidad que el tráfico motorizado.
La Tabla E.2 muestra un ejemplo de cómo se establece la distribución horaria (NDLI, 1997).
Los conteos de tráfico de períodos cortos se expandieron para cubrir el año entero (8760
h/año) y se expandieron a las cinco bandas de intensidad. Después de revisar la distribución
se seleccionaron cinco bandas de intensidad y el número de horas en cada banda se estableció
con una intensidad media.
Tabla E.2 Ejemplo de distribuciones horarias en la India
Tráfico no
Tráfico motorizado
motorizado
Intensidad
Intensidad horaria como Período del año de la
horaria
Banda de un porcentaje de IMD intensidad horaria
media como
intensidad
Porcentaje
Escala Media Horas Días
de NMT IMD
1 0 - 2,5 1,59 2575 107,3 0,79
donde:
HRYRi número de horas por año por banda de intensidad I
HRVOLi volumen horario en veh/h
f número de bandas de intensidad
Los valores de HRVOLi se deberían ajustar para asegurar que se hace la verificación.
monzón. Se observa que las intensidades después del monzón son siempre menores que las de
antes. Esto se debe a una gran reducción de las actividades agrícolas después del monzón.
Cuando hay un crecimiento continuo, los datos de octubre de 1992 y 1994 están fuera de
contexto con el resto del historial de los datos. Esto de podría deber a algunos acontecimientos
inusuales en el lugar, por ejemplo, la clausura temporal de una carretera o una catástrofe local.
Si estos acontecimientos no se registraron, podrían, probablemente, ser ignorados.
30000
Datos del conteo del tráfico de la carretera Surat-Dhulia, Gujarat, India
25000
20000
7 Días IMD en PCU.
15000
10000
5000
Mayo '87
April '88
Abril '89
Abril '90
Abril '91
Abril '92
Abril '94
April '95
Abril '96
0
Abril '93
Oct '87
Oct '88
Oct '89
Oct '90
Oct '91
Oct '92
Oct '93
Oct '94
Oct '95
Figura E.2 Ejemplo de variación del tráfico en el tiempo
Las dos formas más usuales de expresar el crecimiento son las tasas de crecimiento
geométrica o aritmética. Se calculan de la siguiente forma:
n Geométrica
(YEAR −1)
AADTyear = AADTbase 1+
GROWTH
…(E.4)
100
n Aritmética
GROWTH
AADTyear = AADTbase 1+ (YEAR − 1) …(E.5)
100
donde:
donde:
dGNP pronóstico del cambio en el GNP (%)
dPOP pronóstico del cambio en la población (%)
EGNP flexibilidad del GNP
EPOP flexibilidad en la población
EFUEL flexibilidad en el uso del combustible
En ocasiones se prefiere utilizar el uso del combustible ya que ofrece una buena visión general
del historial del crecimiento del tráfico. Comparando los cambios en el uso de combustible con
los cambios en el GDP se puede calcular el efecto de los cambios del GDP en el uso del
combustible. Acoplando esto al GDP pronosticado se obtiene el pronóstico total de la
intensidad del tráfico. Este método tiene grandes ventajas ya que considera, implícitamente, el
crecimiento de la población.
Como un ejemplo de las flexibilidades, en la India CES (1991) se obtuvieron valores para la
flexibilidad del GNP de:
n 1,75 y 1,0 para vehículos de carga
en los períodos de 1994 a 2005 y después del 2005 respectivamente. Los valores de 1,43 y
2,71 se usaron como flexibilidad de la población para carga y pasajeros, respectivamente. En
Nepal (NDLI, 1993) se adoptó un valor de 1,5 para la flexibilidad del combustible. La
utilización de flexibilidades descendentes, por el tiempo, es común puesto que reduce los
impactos de las incertidumbres de las proyecciones futuras.
Algo muy importante, en el crecimiento del tráfico, es sus diferencias debidas al nivel de
desarrollo del país. Los países desarrollados, con altos niveles de densidad vehicular, tienen
marcadas diferencias en la titularidad del automóvil en sus tasas de crecimiento, mientras que
en los países en desarrollo estas diferencias están siendo definidas actualmente. El modelo que
mejor refleja esto es un modelo sigmoidal (forma de “S”). Esto se explica en Button y Ngoe
(1991) quien presenta un modelo generalizado con datos que incluyen un número de países en
desarrollo en el que se usó el mismo.
ATENCION
Cuando se pronostica tráfico, se debe considerar siempre si las predicciones
son o no razonables. Es fácil adoptar lo que parece ser una tasa de
crecimiento relativamente baja, como un 5%, pero esto puede significar que,
después de un período de tiempo, la carretera esté en su nivel máximo de
capacidad. Por esta razón es prudente adoptar varias diferentes tasas de
crecimiento basadas en consideraciones de corto, medio y largo plazo con las
tasas descendentes en los años futuros.
Tráfico futuro que se espera que se mantendrá igual, asumiendo las tendencias existentes
(por ejemplo, los patrones históricos).
n Tráfico inducido
Tráfico que podría no existir pero que se espera debido a las reducciones en los tiempos
del trayecto o a otras formas de inducción.
n Tráfico desarrollado
Tráfico esperado debido a un nuevo desarrollo creado por un mejor acceso (por ejemplo,
la construcción de una carretera en un área nueva abrirá la misma a nuevos desarrollos).
x +y
q= …(E.8)
t
donde:
q Intensidad total en ambas direcciones en el tiempo t
x Número de vehículos circulando en dirección opuesta
y Número de vehículos sobrepasados menos el número de vehículos que le
sobrepasan
Esta expresión asume que las intensidades en cada dirección están equilibradas. Para aplicar
esta ecuación se deben convertir, primero, las intensidades de veh/h a veh/h/día. Usando los
datos de la variación de intensidad veh/h/día, la intensidad de una hora se convierte en ADT.
Esto se puede, entonces, convertir en un factor de una IMD usando el procedimiento descrito
anteriormente.
En el Tamil Nadu Project Co-ordinating Consultancy Study, Riley (1998) ajustó la intensidad
horaria del sondeo móvil usando factores en conteos de 7 días que fueron hechos usando
métodos manuales. La Figura E.3 muestra la excelente similitud entre los datos contados en el
sondeo móvil de 7 días y los obtenidos del conteo estacionario.
8,000
2
IMD derivada del conteo de movimiento observado
R = 0,97
6,000
5,000
4,000
3,000
2,000
1,000
0
0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000
Cuando una rueda pasa por encima del tubo de goma impulsa aire que circula a lo largo
del tubo hasta activar un interruptor neumático. Estos son muy frecuentes y,
relativamente, fiables y sencillos de utilizar en varios días. Sus desventajas son que el tubo
con el tiempo se desgasta y se puede romper y puede ser poco útil en lugares donde se
producen muchas frenadas o giros. Se utilizan, generalmente, en conteos estacionarios de
corto tiempo.
n Bucles inductivos
El detector se activa por el peso del vehículo por dos finas láminas de metal que al
contacto cierran el circuito eléctrico. Ofrece una excelente señal pero tiene una corta
vida lo que limita su utilización en conteo e investigación.
n Vídeo
Analiza una cinta de vídeo grabada para estimar los conteos y las velocidades.
n Otros tipos:
ο Fotoeléctrico
Consiste en un cable doble que crea un cambio cuando entra en contacto con una
rueda.
ο Película piezo-eléctrica
Como un ejemplo de cómo se hace esto, considerando un vehículo de dos ejes que ha sido
detectado por dos detectores a una distancia de “D” metros entre ellos, las velocidades y la
distancia entre ejes se calcularían por la siguiente fórmulas:
D
v1 = …(E.9)
t 21 − t11
D
v2 = …(E.10)
t 22 − t 12
SPACING 2 = v 2 ( t 22 - t 21 ) …(E.12)
donde:
D distancia entre los detectores (m)
tij momento de la detección, en segundos, en el detector i y el eje j
vi velocidad del eje i
SPACINGi espacio en metros del eje i
Los valores de v1 y v2 representan la velocidad del eje 1 y del eje 2 (en m/s). Los espacios
son las diferencias entre los ejes 1 y 2 (en m), basado en esas velocidades. Estos valores son,
generalmente, muy similares y sus diferencias se deben a errores de los detectores. Es usual
promediar los valores o adoptar, solamente, uno de ellos.
Hay errores asociados a la medición de todos los contadores automáticos del tráfico, aunque
estén perfectamente instalados, debido al redondeo de los datos del tiempo. Por ejemplo, si el
grabador precisa hasta milisegundos, el tiempo oscilará la escala de 0,001 + 0,0005 segundos.
Aunque esto pueda parecer insignificante, si los detectores están colocados cerca, el uno del
otro, (D en las ecuaciones anteriores), esto puede originar un error considerable en la medición
de las velocidades. Como se describe en Bennett y Dunn (1992), en el caso anterior se
recomienda que los detectores estén espaciados en intervalos de 5 m.
Los datos del espacio entre ejes, permiten clasificar al vehículo en un número diferente de
clases. Es necesario que se tenga en cuenta que todos los clasificadores automáticos cumplen
cierta lógica al asignar los vehículos a las clases específicas. Están, generalmente, basados en
los tipos de vehículos comunes en el país y pueden no ser apropiados para todos los países.
Desafortunadamente, los fabricantes de contadores del tráfico se muestran reticentes a
modificar sus sistemas a las condiciones locales por lo que los datos obtenidos necesitan ser
cuidadosamente escrutados.
Existen un numero de consideraciones a la hora de utilizar los contadores automáticos:
n Los contadores no deberían estar localizados en lugares en los que puedan sufrir muchas
interferencias (por ejemplo cerca de escuelas).
n El lugar de la carretera debería ser llano y nivelado.
n El detector debería estar en el lado derecho de la intensidad del tráfico, y si se usan dos
detectores deberían estar paralelos.
n El detector debería estar firmemente fijado a la capa de rodadura.
n El detector o sus conexiones no deberían cruzar las aceras.
n El contador debería estar fijado a un objeto fijo, como un poste de teléfono.
Si, solamente, se utiliza un detector sencillo, el contador registrará únicamente el número total
de ejes, por lo que se asume que dos ejes es igual a un vehículo. Esto sobreestima el volumen
total, por lo que se necesitaría aplicar un factor de corrección, calculado de los conteos
manuales, de la siguiente forma:
Number of Vehicles
Correction Factor = …(E.13)
0.5 Number of Axles on Vehicles
conlleva la detención y peso estadístico de los camiones, así como comparar las cargas
estáticas con las dinámicas, se consideran los dos errores, el sistemático y el aleatorio. Pero
esto es, frecuentemente, incierto debido a la cantidad de vehículos que se necesitaría pesar
para alcanzar una cierta fiabilidad en los datos de una balanza WIM. Slavik (1998) define que
el tamaño de la muestra es mucho más pequeño cuando se estima la carga promedio en lugar
del número de ejes equivalentes. La Figura ofrece los intervalos de fiabilidad del 90% para los
dos basados en una muestra de 218 ejes (Slavik, 1998).
La fórmula de Slavik (1998) considera las propiedades del equipo WIM utilizado, la
condición de la capa de rodadura, la composición y la carga del tráfico de camiones, lo que
hace que el procedimiento sea muy específico. El bruto de la carga por ejes se multiplica por
un factor de corrección para convertirlo en carga por eje ajustada:
ai = k ri …(E.14)
donde:
ai carga por eje ajustada I
ri carga por eje bruta I
k factor de corrección
80
70
ESA
Intervalos fiables del 90% - %de la media
60
50
40
30
20
Carga
10
0
50 100 150 200
Número de ejes usados en la calibración
Esto elimina el error sistemático pero afecta a la distribución de las cargas por eje. La
distribución se corrige por lo tanto, convirtiendo las cargas por eje ajustadas en cargas por eje
correctas, usando la ecuación:
(
c i = a i + f ai − a i ) …(E.15)
donde:
f factor de corrección
Los valores de k y f se establecen con los datos de calibración in situ, utilizando la siguientes
ecuaciones. Sus desvíos se describen en Slavik (1998).
s i − σ si s i + σ si
n n
k = 0.5 + …(E.16)
ai ai
f = 1 − Ve i / Vai …(E.17)
donde:
F.1 Introducción
El modelo de carretera de HDM-4 opera pronosticando la cantidad de recursos consumidos y
multiplicándolos por sus costes unitarios. Por lo tanto, es necesario aportar los datos de los
costes unitarios del RUE y de los efectos de los trabajos (WE). Estos costes pueden ser
financieros y económicos, como se define a continuación.
Los costes unitarios del RUE se pueden establecer de las diferentes fuentes detalladas en la
Tabla F.1. Al establecer estos costes unitarios, podrían reflejar el coste a través de la vida del
proyecto, normalmente entre 10 - 20 años. En la mayoría de los casos los precios actuales se
pueden utilizar como una base, ya que la inflación puede influenciar los diferentes
componentes al igual que puede mantener el mismo coste en relación unos con otros. Una
excepció n a esto es, frecuentemente, el combustible y los lubricantes, que se ven altamente
influenciados, por la oferta y la demanda mundial. Como se describió anteriormente, es por
esto mejor, estimar los mismos por un promedio a largo plazo de los precios 1 futuros del
petróleo.
Sindicatos Salarios
En los efectos de los trabajos los costes unitarios se pueden establecer mejor de las tendencias
de los precios actuales o contratos.
1
Por ejemplo, Hoff & Overgaard (1994) indican que a principios de 1994 el precio prevaleciente del barril de
aceite (158,6 l) fue de $USD 15 mientras que el precio esperado era de $USD 20.
2
HDM -III también incluye costes de cambio de moneda extranjera.
Petróleo Camión
6.2% Vendedor
6.3%
Impuesto
8.9% Carrocería
Impuesto
Impuesto
Impuesto 56.2%
17.9% Montaje
Coste financiero
8.9% Aranceles
Detallista 6.7%
5.6%
Coste económico
Transporte
Refinería 4.5%
Chasis CKD
51.8%
Transporte marítimo 4.5%
Crudo 22.5%
Figura F.1 Desglose de los precios del petróleo y del camión en Tailandia
en 1992
Cuando se deducen los impuestos del coste del mercado, es importante considerar, no
solamente, los directos sino también los indirectos. Para ilustar esto revisar el coste del
petróleo de Tailandia de la Figura F.1.
El componente del impuesto indirecto de este precio fue de 56,2%. El coste de producción y
suministro fue de 43,8%, no obstante, es necesario deducir el componente directo del impuesto
de este coste remanente. Esto debería sugerir la evaluación de los márgenes de beneficio y de
los impuestos directos del mismo. El componente de cambio de moneda extranjera podría
consistir en el coste del refinado menos los costes de producción y los márgenes junto a un
componente de los costes de distribución. Para simplificar esto, la mayoría de los análisis
podrían ignorar los impuestos directos y usar, solamente, el total de los indirectos.
Hoff & Overgaard (1992) así como Hoff & Overgaard (1994), Kampsax (1992), NDLI
(1997), Kinhill (1998) usaron una fórmula alternativa a lo expresado anteriormente. En lugar
de comenzar con el coste financiero del combustible y deducir los impuestos, éste método
comenzó con el coste de un barril de petróleo y se le aumentaron los costes para reflejar los
costes del refinado, del transporte y del mercadeo. Esto tiene la ventaja de que identificará
cualquier impuesto escondido que puede ser ignorado utilizando la fórmula anterior. Estos
impuestos escondidos pueden surgir en situaciones como en Nepal donde el gobierno indio
grava con impuestos las exportaciones de combustible a Nepal y estos impuestos son,
posteriormente, reembolsados como un crédito al gobierno de Nepal. Puesto que estos
impuestos son externos a Nepal muchos proyectos los obviaron eliminándolos del cálculo del
coste económico del combustible. Un ejemplo de esta fórmula deHoff & Overgaard (1994)
se ofrece en la Tabla F.2.
Tabla F.2 Ejemplo del cálculo del coste económico del combustible
Componente Petróleo ($) Gasoil ($)
Precio del crudo 20,00 20,00
Margen de la refinería 6,20 4,80
Transporte y distribución 3,00 3,00
Coste por barril 29,00 27,80
Coste por litro 0,184 0,175
Otro argumento a favor del uso del precio del barril de petróleo para calcular los precios del
combustible es que los países exportadores de petróleo, marcan, frecuentemente, estos precios
por debajo del precio prevaleciente mundial. En Hoff & Overgaard (1994), los cambios en el
consumo de combustible debidos a los proyectos de la carretera que afectan la cantidad de
combustible disponible para exportar y la potencial exportación como opuestos al precio del
mercado, son un valor apropiado para el uso del combustible.
1
En HDM-III, esto podría generar una desestimación de los costes de los intereses.
se obtendrá el coste ponderado promedio. Puesto que la mayoría de los vehículos comerciales
se venden en una configuración de cabina y chasis, es necesario aumentar este coste para
reflejar el adicional de la caja. Este mismo se aplica también a los autobuses pesados.
Como se explicó anteriormente, es necesario convertir los precios del vehículo de costes
financieros a económicos. Si existen diferentes impuestos y derechos de aduana de los
vehículos individuales, por ejemplo, por la capacidad de su motor o país de origen, es
necesario convertir los precios de financieros a económicos antes de calcular el promedio
ponderado. Si los impuestos son iguales para todos los vehículos de una clase, el promedio
ponderado del coste financiero se puede convertir, directamente, al económico con un factor
sencillo.
En muchos países los vehículos son totalmente reconstruidos después de un cierto kilometraje.
Esto representa que la mayoría de los componentes son reemplazados o reconstruidos. Si el
coste de la reconstrucción se incluye en el precio del vehículo nuevo, los costes de
depreciación serán mayores a lo largo de la vida del vehículo. Es preferible tener dos
vehículos diferentes, uno que represente los que no van a ser reconstruidos y otro para los que
si. Esto reflejará los costes de los diferentes repuestos y no inclinará los costes de
depreciación.
En HDM-III no existe un mecanismo para incluir un valor residual para el vehículo en el coste
de depreciació n. Esto puede ser muy importante, particularmente, en países donde los
vehículos viejos se asignan a diferentes actividades, como trabajos portuarios. Para resolver
este problema, Transroute (1992) asumió que los vehículos tienen un 30% de valor residual.
Este valor se descontó y se asumió contabilizando la tasa de interés y deduciéndola del precio
de reemplazo del vehículo. Esto se hizo para reflejar “la cascada descendiente de ambos tipos
de vehículos en sus últimos años en las distancias cortas, en el descenso de millaje anual, en el
menor mantenimiento y en el trabajo de subida”. Puesto que este procedimiento sirvió para
reducir los costes de mantenimiento y reparación, esto último se ajustó a través de los
parámetros de calibración. HDM-4 ofrece un valor residual en el análisis.
F.3.2 Costes de combustible y lubricantes: S-III/S-IV
En HDM-4 el tipo de combustible se define para cada vehículo representativo. Si los vehículos
dentro de la clase representativa usan gasolina o gasoil, se recomienda que se modelicen como
dos tipos diferentes de vehículos que muestren la diferencia de las tasas de consumo de
combustibles de sus tipos de motores.
Cuando hay diferentes tipos con el mismo combustible, por ejemplo regular, súper y sin
plomo, el coste de cada uno de estos tipos se debería ponderar por la proporción de cada tipo
de combustible vendido o por un estimado de estas proporciones, para obtener un coste
promedio ponderado.
En algunos países existen fluctuaciones, por regiones, en los precios del combustible , debidas a
los costes de transporte y distribución. Otro problema surge cuando estas distorsiones están
originadas por tasas de cambio artificiales. Esto puede permitir que algunos vehículos,
generalmente los del gobierno, consigan el combustible a un coste mucho menor que los de los
vehículos privados. En estas circunstancias, es necesario, en los análisis financieros, definir
clases de vehículo separadas a causa de los impuestos y usar diferentes costes financieros del
combustible para las clases de vehículos.
HDM requiere el coste por litro del aceite de motor, esto se podría establecer de la misma
forma que el del petróleo. Puesto que esto es un componente menor del coste, no requiere un
gran esfuerzo.
1
Esto está relacionado con la conveniencia de convertir los pequeños ahorros de tiempo en uno solo mayor,
de la misma magnitud. Existen diferentes teorías en favor de esto, pero la más comun es que los pequeños
ahorros no se pueden percibir al contrario de uno mayor, de ahí la no linealidad del valor. Symonds (1997)
revisó el tema y concluyó “… no existen razones empíricas o teóricas para adoptar las presunciones no
lineales de los valores de los ahorros del tiempo y hay razones practicas consistentes en favor de una
constante [valor]”. Afirma que la excepción a esto es el tiempo libre cuando hay diferentes niveles de no
utilización pero que por razones prácticas los valores lineales no se deberían usar.
Existe evidencia de que los valores del tiempo del trayecto son mayores en tráfico bajo
condiciones de congestión que en condiciones de flujo libre. MVA et al. (1987) sugirió un
factor de 1,4 en las situaciones estudiadas por ellos y un factor aún mayor bajo condiciones de
congestión.
Al establecer el valor del tiempo, particularmente, para camiones y autobuses es importante
incluir el ingreso extra que se podría obtener por encima del salario base, por ejemplo:
n Dietas – para cubrir comida y descanso,
Tabla F.3 Ejemplo del cálculo de los costes de tiempo del pasajero y del chófer
Notas:
(3) = (2) x 0,20. se asumió el 20% para el valor del tiempo del trabajo.
(4) = (3) x 0,20. se asumió el 20% del valor del tiempo de no trabajo..
(19) se calculó de los ingresos extra (aquí 7.000 Rupias/mes) y el porcentaje de la carga extra (aquí
aproximadamente el 20%).
Si el tiempo empleado en el tránsito de las mercancías es menor al que éstas van a estar en el
inventario, este tiempo se puede reducir. Algunas mercancías no obtienen beneficios de los
ahorros en el tiempo, por ejemplo, si llegan antes de que el negocio abra y, por lo tanto, no se
pueden descargar. Por esto, solamente una parte de las mercancías en tránsito se deberían
incluir en los cálculos. El valor dependerá de la naturaleza de las operaciones en el país, o en el
área del mismo, aunque generalmente se aceptan valores del 50 al 75%.
El valor del tiempo de la carga se calcula usando el coste de oportunidad y la siguiente
ecuación:
donde:
1
Algunos analistas aceptan la formula de calcular una tasa horaria promedio basada en un porcentaje del
tiempo (experto/semi experto/no experto) empleado en el trabajo en un vehículo. Este método no es,
generalmente, apropiado ya que en muchos países la práctica es tener más de una persona trabajando a la vez
en un vehículo. Por esto, los costes se deberían promedia y ponderar.
G.1 Introducción
s
E= …(H.1)
n
donde:
s
e=K …(H.2)
n
donde:
e Error límite
K estadística t (n < 30) o el número de desviaciones estándar de la media de la
distribución normal (n > 30)
K 2 s2
n= …(H.3)
e2
Hamilton (1990) ofrece los valores en la Tabla H.1 para intervalos de fiabilidad del 90 y 95%
usando la distribución t (n < 30). La Tabla H.2 ofrece los valores de K en la distribución
normal (n > 30).
Para poder usar las ecuaciones anteriores al determinar el tamaño de la muestra requerido es
necesario conocer la desviación estándar de la muestra. Puesto que esto no está disponible
hasta después de que el estudio se haya completado, parece imposible estimar estos tamaños
antes del estudio. No obstante, las distribuciones de muchos datos son, relativamente, estables
entre los lugares y países y tienen un valor consistente en el coeficiente de variación. Esto se
define como:
σ
COV = …(H.4)
µ
donde:
µ media
Tabla H.1
Valores críticos de “t” (n < 30)
Tabla H.2
Valores críticos de K (n > 30)
Nivel de fiabilidad K
68,3 1,00
90,0 1,65
95,0 1,96
95,5 2,00
99,0 2,58
99,7 3,00
1
En aquellos años anteriores el factor de muestreo de la fracción de supervivencia se ajusta a 1,0.
Tabla I.1
Ejemplo del establecimiento de la curva de supervivencia y
del uso a lo largo de la vida
Fracción de
Fracción Promedio
Número de Muestra/ supervivencia
Edad del Registros de anual de
la muestra original x promedio de
vehículo originales supervi- utilización
expandida [(3)/(2)] utilización
vencia (km/año)
anual [(5)*(6)]
(1) (2) (3) (4) (5) (6) (7)
0- 1 65131 67149 0,97 1,00 11500 11500
1- 2 59261 61824 0,96 1,00 11500 11500
2- 3 71789 73527 0,98 1,00 11500 11500
3- 4 81653 83612 0,98 1,00 11500 11500
4- 5 91854 99213 0,93 1,00 11250 11250
5- 6 99569 102626 0,97 1,00 11000 11000
6- 7 89524 90302 0,99 1,00 10750 10750
7- 8 65413 74626 0,88 0,88 10500 9284
8- 9 68118 70426 0,97 0,98 10250 10000
9-10 53328 56438 0,94 0,95 10000 9531
10-11 46308 48808 0,95 0,96 9750 9331
11-12 50636 56484 0,90 0,90 9500 8590
12-13 53721 63768 0,84 0,85 9250 7860
13-14 54516 67189 0,81 0,82 9000 7366
14-15 52632 65742 0,80 0,81 8750 7066
15-16 44482 58347 0,76 0,77 8500 6536
16-17 27301 42680 0,64 0,65 8250 5323
17-18 24714 37663 0,66 0,66 8000 5295
18-19 18188 33859 0,54 0,54 7750 4199
19-20 13388 27214 0,49 0,50 7500 3722
20-21 13190 30985 0,43 0,43 7250 3113
21-22 15208 41323 0,37 0,37 7000 2599
22-23 11130 38980 0,29 0,29 6750 1944
23-24 12516 46237 0,27 0,27 6700 1829
24-25 8812 36610 0,24 0,24 6500 1578
25-26 2958 25724 0,12 0,12 6500 754
26-27 5645 37095 0,15 0,15 6500 998
27-28 2884 26595 0,11 0,11 6500 711
28-29 1378 20575 0,07 0,07 6500 439
> 29 8087 393744 0,02 0,02 6500 135
Notas:
y =a x+b +ε …(J.1)
donde:
y variable dependiente
x variable independiente
ε término del error
ayb coeficientes de regresión
y =a x+b +ε …(J.2)
x =c y+d+ε …(J.3)
Tabla J.1
Datos de la regresión octogonal
9.6 2.5
9.5
9.3 2
R = 0,92 R 2 = 0.92
9.2 1.5
9.1
Y X
9.0 1.0
8.9
8.8 0.5
8.7
8.6 0.0
8.6 8.7 8.8 8.9 9.0 9.1 9.2 9.3 9.4 9.5 9.6
0.0 0.5 1.0 1.5 2.0 2.5
X Y
y =a x+b …(J.6)
x =c y+ d …(J.7)
ya que:
(x − d )
y=
c
a+ 1
c
( ) (
b−d
c
)
y= x+ …(J.8)
2 2
y:
1 (
b− d
c
)
x= y−
( ) ( )
…(J.9)
a+ 1 a+ 1
c c
2
Usando esta fórmula con las ecuaciones anteriores J.4 y J.5 se obtienen las siguientes:
K.1 Introducción
Las herramientas de HDM son un grupo de aplicaciones de software diseñadas para asistir en
la calibración de HDM-4. Este software está disponible en Internet, en:
n http://www.opus.co.nz
n http://www.htc.co.nz
Las aplicaciones de las herramientas de HDM han sido diseñadas para ser ejecutadas
independientemente del software de HDM-4, aunque los datos se pueden usar para actualizar
los archivos de datos de HDM-4.
Las aplicaciones se dividen en tres grupos:
n RUE
n RDWE
Estas aplicaciones se ejecutan pulsando un sencillo botón de lanzamiento y de los datos que se
pueden importar del parque de vehículos de HDM.
Si se utilizan los parámetros predefinidos de los vehículos en HDM-4 no es necesario ejecutar
las aplicaciones de las herramientas de HDM. No obstante, si los valores predefinidos se
cambian, entonces se deberían usar las instrucciones de la Tabla K.1 para establecer, si es
necesario ejecutar, las aplicaciones de las herramientas de HDM.
Tabla K.1
Criterios para ejecutar las herramientas de HDM en el RUE
Nivel de calibración en el
Programa Cuándo se deberían ejecutar que se deben ejecutar
Nivel 1 Nivel 2 Nivel 3
ACCFUEL Si hay un cambio de más del 5% en la masa del
vehículo; del 10% en el área frontal y/o en el coeficiente • • •
de fuerza aerodinámica
1
Los comentarios y sugerencias del software se pueden enviar a: ian.greenwood@opus.co.nz.
matriz. Esta matriz es leída por HDM-4 y el combustible adicional, debido a las aceleraciones,
se aplica en los análisis.
La segunda opción permite, por comparación de los datos del consumo del combustible
simulado contra los observados, que los parámetros de entrada del vehículo se puedan ajustar
para producir los que mejor se acoplen. Aquí, el usuario define un ciclo de velocidad y el
software pronostica el consumo del combustible asociado al trayecto del ciclo. Comparando
esto con el consumo de combustible conocido se pueden calibrar los parámetros clave.
Para ejecutar ACCFUEL el usuario aporta el número de vehículos para simular y la longitud
mínima de la carretera que cada uno deberá transitar. Se recomienda un mínimo de 250
vehículos transitando entre 5 y 10 kilómetros. En cada velocidad inicial media, se simulan los
vehículos transitando con unos ruidos de la aceleración de entre 0,05 y 1,00 en incrementos de
0,05 m/s2. Estos resultados en una matriz, se ilustran en la Figura K.3 y en la Figura K.4 para
el combustible y los neumáticos, respectivamente. Los datos del combustible se presentan
también en la Tabla K.2.
Aunque los valores muestran tendencias consistentes, los resultados del combustible muestran
las variaciones inherentes debidas a la forma en que se calcula el consumo de neumáticos
(Bennett y Greenwood, 1999). Se deben observar los siguientes puntos:
Cuando se genera una matriz surgen dos archivos de salida por vehículo, uno del consumo de
combustible y otro para el de neumáticos. Cada archivo tiene el formato de la velocidad,
fluyendo entre las filas y el del ruido de la aceleración entre las columnas. El nombre de los
archivos es dfuel.xx y dtyre.xx, donde xx es el número de vehículos de la base de datos.
Si se ejecuta la opción Combinar archivos del menú Archivo, entonces el programa,
combinará todos los diferentes archivos en dos listos para incluirse en HDM-4. Estos archivos
se llaman dfuel.out y dtyre.out.
Para simular un perfil de velocidades establecido, el usuario debe suministrar un archivo de
texto con el número de vehículos, para ser simulados, seguidos de filas conteniendo tiempo
(segundos), velocidad (m/s), velocidades (km/h), aceleración (m/s/s) y distancia (m). Un
ejemplo de esto es:
Esta tabla se usa en el análisis y después de su uso se crea un archivo sencillo de salida con el
mismo nombre del archivo de entrada pero con la extensión .OUT. Este contiene todos los
datos de entrada más dos columnas extra, la primera con el consumo de combustible
instantáneo (ml/s) y la segunda con el consumo acumulativo (ml).
Tabla K.2
Combustible adicional debido a las aceleraciones – camión mediano
Velo- Combustible adicional debido a la aceleración (dFUEL) por ruido de la aceleración total
cidad 0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1,00
(km/h)
10 0,007 0,009 0,020 0,042 0,065 0,098 0,134 0,171 0,212 0,252 0,289 0,328 0,373 0,413 0,452 0,493 0,535 0,582 0,620 0,662 0,689
15 0,011 0,012 0,020 0,030 0,046 0,069 0,102 0,138 0,183 0,220 0,266 0,303 0,339 0,388 0,437 0,480 0,510 0,562 0,602 0,640 0,684
20 0,012 0,013 0,019 0,028 0,045 0,069 0,097 0,122 0,156 0,195 0,245 0,281 0,339 0,371 0,422 0,464 0,517 0,538 0,603 0,624 0,682
25 0,016 0,017 0,025 0,037 0,055 0,082 0,115 0,144 0,182 0,228 0,262 0,315 0,364 0,401 0,455 0,486 0,532 0,593 0,625 0,665 0,726
30 0,023 0,022 0,025 0,041 0,063 0,098 0,127 0,179 0,205 0,263 0,307 0,359 0,410 0,453 0,520 0,559 0,600 0,651 0,717 0,752 0,809
35 0,026 0,029 0,029 0,052 0,074 0,113 0,147 0,191 0,229 0,274 0,342 0,415 0,454 0,532 0,562 0,621 0,678 0,722 0,790 0,842 0,892
40 0,032 0,035 0,040 0,045 0,084 0,118 0,154 0,227 0,263 0,315 0,378 0,435 0,484 0,556 0,614 0,687 0,740 0,794 0,846 0,896 0,978
45 0,039 0,041 0,041 0,063 0,083 0,109 0,170 0,220 0,272 0,332 0,403 0,465 0,529 0,578 0,651 0,704 0,777 0,832 0,897 0,969 1,017
50 0,045 0,048 0,054 0,065 0,086 0,127 0,172 0,232 0,273 0,349 0,383 0,468 0,535 0,605 0,659 0,717 0,809 0,851 0,909 0,972 1,035
55 0,052 0,058 0,062 0,076 0,100 0,128 0,162 0,228 0,293 0,338 0,410 0,463 0,535 0,599 0,660 0,720 0,799 0,840 0,929 0,960 1,031
60 0,061 0,067 0,085 0,074 0,094 0,132 0,179 0,242 0,280 0,344 0,411 0,459 0,527 0,583 0,671 0,694 0,761 0,832 0,872 0,974 1,008
65 0,069 0,066 0,067 0,082 0,103 0,145 0,175 0,227 0,270 0,324 0,393 0,456 0,521 0,574 0,618 0,707 0,769 0,808 0,871 0,913 0,979
70 0,093 0,084 0,082 0,089 0,112 0,130 0,164 0,211 0,261 0,320 0,380 0,421 0,459 0,548 0,608 0,663 0,722 0,754 0,833 0,877 0,923
75 0,090 0,096 0,099 0,101 0,100 0,137 0,161 0,206 0,237 0,311 0,352 0,398 0,458 0,520 0,587 0,614 0,673 0,728 0,781 0,837 0,881
80 0,095 0,086 0,090 0,102 0,121 0,121 0,158 0,185 0,236 0,268 0,327 0,373 0,433 0,464 0,532 0,565 0,624 0,677 0,722 0,778 0,822
85 0,102 0,103 0,100 0,101 0,132 0,126 0,145 0,183 0,216 0,259 0,306 0,344 0,399 0,453 0,501 0,511 0,614 0,629 0,676 0,749 0,765
90 0,107 0,120 0,124 0,111 0,132 0,123 0,153 0,178 0,210 0,254 0,298 0,335 0,365 0,408 0,445 0,500 0,537 0,600 0,629 0,669 0,710
95 0,124 0,108 0,131 0,125 0,118 0,144 0,159 0,166 0,199 0,250 0,273 0,312 0,338 0,382 0,404 0,472 0,504 0,547 0,596 0,625 0,682
100 0,138 0,137 0,120 0,121 0,129 0,131 0,159 0,163 0,198 0,217 0,256 0,289 0,326 0,341 0,391 0,430 0,497 0,508 0,539 0,549 0,617
100
LIFEKMPCT = MIN 100, …(K.1)
( )
a1
1 + EXP a0 RI
donde:
La Figura K.5 muestra la pantalla de entrada del programa. El programa utiliza los siguientes
datos de los archivos de datos VEHICLES:
n Valor de reemplazo del vehículo
El usuario selecciona los vehículos que van a ser analizados y se genera la vida óptima a
diferente regularidad. Esto hace que varíe el coeficiente de consumo de repuestos Kp basado
en los valores definidos por el usuario y en la regularidad. Una vez obtenido el valor de Kp que
se ajusta a la información de la vida óptima, se calcula la vida a una regularidad de 3 IRI m/km
(su la regularidad básica es tres veces igual a la utilización de vida útil). Entonces, se calcula el
porcentaje de vida a diferentes niveles de regularidad, relativos a la vida, a una regularidad de
3 IRI m/km (es decir, no a la utilización de la vida útil suministrada).
La Tabla K.3 es un ejemplo de la salida del programa.
Tabla K.3
Salida del análisis de vida óptima
1 3,0 97,1
1 3,5 89,6
1 4,0 83,3
1 4,5 77,9
1 5,0 73,3
1 5,5 69,6
1 6,0 65,8
1 6,5 62,9
1 7,0 60,0
1 7,5 57,5
1 8,0 55,4
1 8,5 53,3
1 9,0 51,3
1 9,5 49,6
1 10,0 47,9
Los datos de OPTIMAL necesitan ser analizados para cuantificar los coeficientes a0 y a1.
Esto se hace con el programa de regresión no lineal incluido en las herramientas de HDM a
través del archivo de escritura ilustrado en la Figura K.6.
RPM = a0 + a1 SP + a2 SP 2 + a3 SP 3 …(K.2)
donde:
RPM velocidad del motor (revoluciones por minuto)
SPEED velocidad de la carretera (km/h)
La Figura K.7 muestra la pantalla de entrada del programa. El usuario define los datos de las
fracciones del engranaje que están, regularmente, disponibles de las especificaciones del
fabricante, junto a otros atributos clave. Bennett y Greenwood (1999) explican estos valores
en detalle . Al seleccionar calibrar el programa aplica la lógica de la simulación descrita en
Bennett y Greenwood (1999) para generar una tabla de la velocidad media del motor y de la
fracción de la masa efectiva media como una función de la velocidad de la carretera.
1
NDLI (1995a) propone una formualción diferente basada en tres zonas, pero como se muestra en Bennett y
Greenwood (1999), la formulación polinómica anterior ofrece resultados más adecuados.
1
La ponderación del producto en un ángulo plano de 0 y 180 fue dividida para ser tenida en cuenta en la
posibilidad de ángulos 360.
Tabla K.4
Resultados de la simulación de la velocidad del motor
Velocidad
Relación de Velocidad de
de la Velocidad de Velocidad de Relación de
masa la carretera
carretera motor (RPM) motor (RPM) masa efectiva
efectiva (km/h)
(km/h)
70 2230 1,117
Se recomienda que ψc se asuma como un valor constante de 30o para todas las clases de
vehículos. Las velocidades del vehículo y el viento variarán dependiendo de las aplicaciones.
Como se muestra en la Tabla K.5, el valor de h varía entre las clases de vehículos.
Tabla K.5
Parámetros predefinidos de la resistencia aerodinámica
Número de AF
Tipo h CDmult1 CD
vehículo
(m 2)
Notas:
1 Velocidad del viento asumida calculada de 14,4 km/h y velocidad del vehículo de 75 km/h
La pantalla de inicio del software se ilustra en la Figura K.9. La primera pestaña se usa para
ejecutar el análisis, mientras que las otras se utilizan para los datos.
La Figura K.10 muestra los datos de la intensidad del tráfico. En lugar de definir el número de
vehículos individuales de cada clase, el programa trabaja en términos de un número añadido de
vehículos. Según esto, es necesario proveer el PCSE promedio de cada vehículo. Esto se
debería basar en los valores PCSE de los vehículos individuales, en una base ponderada de sus
frecuencias en la oleada del tráfico.
Una vez se hallan definido todos los datos de entrada, el programa se utiliza para calcular las
demoras. La salida del programa está en un formato indicado para realizar un análisis de
regresión que determine los diferentes coeficientes del modelo para entrarlos en el modelo de
efectos del usuario de la carretera de HDM-4 o para aplicarlos como un coste externo.
K.5 Análisis
El programa de regresión no lineal es NLREG. Este es un programa gratuito que se puede
obtener a través del autor consiguiendo su permiso para utilizarlo. Los detalles de registro se
suministran con el software.
7 Calibración de RDWE 92
7.1 Deterioro del firme bituminoso de la carretera 92
7.8 Deterioro y efectos de los trabajos sobre las carreteras sin sellar 113
9 Referencias 115
Describe el marco analítico y las relaciones técnicas entre los objetos dentro del modelo
HDM-4. Contiene un material de referencia comprensivo que describe en detalle las
características de la modelización y de la estrategia incorporadas en HDM-4. Será de
mucho uso para los expertos que tengan como objetivo llevar a cabo un detallado estudio
para la organización y gestión de una carretera.
n Guía de calibración y adaptación (Volumen 5)
Describe los requisitos de calibración del modelo, los diferentes niveles de calibración
basados en el tiempo y en los recursos disponibles.
n Capítulo 3 – Conceptos de fiabilidad
Presenta los resultados de los análisis realizados con HDM para identificar la sensibilidad
de la salida de datos de HDM para cambiar los datos de entrada o los parámetros del
modelo.
n Capítulo 5 – Adaptación de datos al modelo
Una explicación de cómo se adaptan los datos locales al modelo HDM. Los apéndices A
al H muestran las especificaciones de la recogida de datos para su uso en HDM.
n Capítulo 6 – Calibración del modelo RUE
Ofrece los detalles para la calibración del modelo de los efectos del usuario de la
carretera en HDM.
Ofrece los detalles de la calibración del modelo de los efectos del deterioro y la
conservación de la carretera en HDM.
n Capítulo 8 – Resumen y conclusiones
Ofrece una lista de datos de HDM, parámetros del modelo y niveles de calibración
n Apéndice B – Valores de los parámetros usados en los estudios de HDM
Ofrece una lista de los valores de los parámetros usados en los diferentes estudios de
HDM-III.
n Apéndice C – Datos del usuario de la carretera
Describe los volúmenes del tráfico, las tasas del crecimiento y otros temas asociados.
n Apéndice F – Datos de los costes unitarios
Defines los datos de los costes unitarios de RUE y de los efectos de los trabajos (WE).
n Apéndice G – Datos económicos
Describe las dos fórmulas (la distribución t y la distribución normal que se pueden usar).
La fórmula depende del numero de muestras.
n Apéndice I – Análisis de la curva de supervivencia
Describe las herramientas de HDM que son un grupo de aplicaciones diseñadas para
ayudar en la calibración de HDM-4.
La Figura 2 muestra el proceso que los lectores deberían seguir en el uso de este manual.
Seleccionar los
parámetros más críticos
Establecer la entrada de
basados en tiempo,
datos del modelo HDM
recursos y tipo de
(Apéndices C a G)
análisis
(Capítulo 4)
Establecer el apropiado
nivel de detalle de los
datos
(Capítulo 5)
Productos ISOHDM
Los productos del International Study of Highway Development and Management Tools
(ISOHDM) incluyen, en el paquete de software de HDM-4, la base de datos de ejemplos de
estudio de casos asociados y la colección de guías y manuales de referencia Highway
Development and Management Series. Este volumen es parte de esta colección de
documentos..
Servicio al cliente
Si encontrase cualquier dificultad con la información provista en este paquete, por favor, no
dude en informarnos los detalles del problema con el que se esté enfrentando. Envíe por e-
mail o por fax, una copia de la página del manual con sus anotaciones a los números provistos
más abajo.
La secretaría técnica de ISOHDM recibirá con mucho agrado cualquier comentario o
sugerencia de los usuarios de HDM-4. Los comentarios sobre la Guía de calibración y
adaptación deberán ser enviados a las siguientes direcciones:
E-mail: isohdm@bham.ac.uk
Tel: +44 - 121 - 414 6717 (o 5049)
Fax: +44 - 121 - 414 3675 (o 5060)
Versión
Esta es la primera edición formal (Versión 1.0) de la documentación de HDM-4..
Documentación relacionada
Documentos HDM-4:
La Highway Development and Management Series Collection es ISBN: 2-84060-058-7, y
comprende:
Volumen 1 – Visión general de HDM-4, ISBN: 2-84060-059-5
Volumen 2 – Guía de aplicaciones, ISBN: 2-84060-060-9
Volumen 3 – Guía del usuario del software, ISBN: 2-84060-061-7
Volumen 4 – Marco analítico y descripciones de modelos, ISBN: 2-84060-062-5
Volumen 5 - Guía de calibración y adaptación, ISBN: 2-84060-063-3
Documentación futura
Los siguientes documentos se añadirán en una próxima versión::
Volumen 6 – Modelización de los efectos del deterioro y de los trabajos, ISBN: 2-84060-102-8
Volumen 7 – Modelización de los efectos sobre los usuarios de la carretera y sobre el medio
ambiente, ISBN: 2-84060-103-6
Manuales de terminología
PIARC Lexicon of Road and Traffic Engineering - First edition. Permanent International
Association of Road Congresses (PIARC), Paris 1991. ISBN: 2-84060-000-5
Technical Dictionary of Road Terms - Seventh edition, English - French. PIARC Commission
on Terminology, Paris 1997. ISBN: 2-84060-053-6
Información general
Puede obtener más detalles de HDM-4 en::
n ISOHDM Technical Secretariat
School of Civil Engineering
The University of Birmingham
Edgbaston
Birmingham
B15 2TT
England
Tel: +44 - 121 - 414 6717 (o 5049)
Fax: +44 - 121 - 414 3675 (o 5060)
E-mail: ISOHDM@bham.ac.uk
Web: http://www.bham.ac.uk/isohdm
n ISOHDM Project Co-ordinator
The World Road Association (PIARC)
La Grande Arche
Paroi Nord, niveau 8
92055 La Defénse Cedex
France
Tel: +33 1 41 02 05 84
Fax: +33 1 49 00 02 02
E-mail: piarc.hdm4@attglobal.net
Web: http://hdm4.piarc.org
Muchas de las herramientas, de los informes de antecedentes y del material adicional para
calibración están disponibles a través del sitio web de HDM:
n HTC Infrastructure Management Ltd.
Web: http://www.htc.co.nz
Agradecimientos
El trabajo de esta guía de calibración y adaptación patrocinado inicialmente por N.D. Lea
International Ltd, de Canadá. El trabajo adicional fue patrocinado por el Asian Development
Bank, HTC Infrastructure Management Ltd y finalmente, por el estudio ISOHDM por
PIARC.
Los autores desean expresar su agradecimiento a todos los que colaboraron en el desarrollo de
este manual:
n Ian Greenwood de Opus International Consultants Ltd. (N.Z.)
Escribió las aplicaciones de calibración de las herramientas de HDM.
n Rodrigo Archondo-Callao del Banco Mundial.
Colaboró desarrollando las flexibilidades del modelo de HDM-III
n Asesoría técnica se recibió de un gran número de revisores, entre otros:
ο Rodrigo Archondo-Callao
ο Clive Daniels
ο Chris Hoban
ο Michael J. Riley
ο Robert Thurlow
El desarrollo de HDM-4 ha sido patrocinado por varias organizaciones, entre ellas:
n Asian Development Bank (ADB)
Derechos de registro
Estos productos HDM-4 han sido producidos por el International Study of Highway
Development and Management Tools (ISOHDM), patrocinados por The World Bank, el
Asian Development Bank, el Departamento de Desarrollo Internacional (UK), la Swedish
National Road Administration, entre otros. Los productos HDM-4 se publican conjuntamente
por The World Road Association (PIARC) en Paris y por The World Bank en Washington,
DC.
Copyright © 2000 The World Road Association (PIARC) en favor de los patrocinadores de
ISOHDM. Todos los derechos reservados.
Este copyright cubre a todos los documentos y a sus componentes, al software y a los datos
que se consideran parte del producto HDM-4, en cualquiera de sus formas física o electrónica.