Volumen 5

Part A
Acerca de este manual

Esta edición de la versión 1.0 de la Guía de calibración y adaptación ofrece detalles de la
calibración del modelo de HDM. Es uno de los cinco manuales que incluyen el paquete de
documentos de HDM-4 (ver Figura 1). Se recomienda su uso a los especialistas interesados en
asuntos técnicos o responsables del ajuste del modelo de HDM.
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
Guía de calibración y adaptación

A Guide to Calibration and Adaptation
Volumen
Volume 55
Figura 1 Paquete de documentación de HDM-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)
Describe el software de HDM-4. Es un documento de propósito general que provee una

guía para el mejor entendimiento del software.
Guía de calibración y adaptación i

Versión 1.0
Part A A
Contenidos
Volumen 5 – Guía de calibración y adaptación

1 Introducción 1
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
3.2 Diagonal y precisión 13
3.3 Factores de corrección 15
3.4 Precisión de los datos de entrada 15
3.5 Límites de la línea de convergencia 17
3.6 Evaluación de la fiabilidad de las predicciones de HDM 18

3.6.1 Rendimiento del firme: simulación de condiciones anteriores 18
3.6.2 Rendimiento del firme: estudios controlados 19
3.6.3 Efectos de los usuarios de la carretera: sondeo controlado 20
3.6.4 Efectos de los usuarios de la carretera: sondeo de tarifa 20
3.6.5 Efectos de los usuarios de la carretera: sondeo del parque 22
4 Sensibilidad de HDM 24
4.2 Efectos sobre los usuarios de la carretera 25
4.3 Clases de sensibilidad 30

4.3.1 Impactos grandes, Clase S-I (> 0.5) 30
4.3.2 Impactos moderados, Clase S-II (0.2 - 0.5) 30
4.3.3 Impactos bajos, Clase S-III (0.05-0.2) 31
Guía de calibración y adaptación i

Versión 1.0
Guía de calibración y adaptación
1 Introducción
El Modelo para el desarrollo y conservación de carreteras (HDM, por sus siglas en inglés) fue
desarrollado, originalmente, por el Banco Mundial, y es mundialmente usado como una
herramienta de planificación y programación de gastos y estándares de mantenimiento de
carretera. HDM es un modelo informático que simula las condiciones físicas y económicas a
través del período de un análisis, generalmente un ciclo de vida, de unas series de alternativas
y situaciones especificados por el usuario.
HDM está diseñado para hacer estimados de costos comparativos y evaluaciones económicas
de diferentes opciones de construcción y conservación, incluyendo diferentes alternativas de
tiempos, bien sea para proyectos de carretera en un perfilado específico o para grupos de
itinerarios en una red completa. HDM pronostica los costes totales de un proyecto con un gran
número de alternativas de diseño y de conservación, año por año; descuenta los costes futuros
en una escala prorrateada, para que el usuario pueda elegir la alternativa con el menor coste
total descontado.
Los tres grupos de costes interrelacionados (relacionados con la construcción, la conservación
y el uso de la carretera) se añaden juntos a través del tiempo, en valores presentes de
descuento. Los costes se determinan, primero, prediciendo las cantidades físicas de consumo
de recurso y multiplicándolas por los costes unitarios o precios.
El concepto general de HDM se ilustra en la Figura 1.1. El usuario define una serie de
alternativas que describen las diferentes opciones de inversión y conservación para la
carretera. Las inversiones influencian la condición del firme a lo largo del tiempo y los costes
de la conservación de la carretera. Las condiciones del firme y del tráfico tienen una influencia
sobre los efectos de los usuarios de la carretera (RUE). El modelo pronostica las velocidades
del tráfico y los consumos de los componentes del RUE, como combustible, neumáticos, etc.
Multiplicando éstos por los costes unitarios de los componentes individuales, se obtiene el RUE
a lo largo del tiempo. Comparando los costes obtenidos de las diferentes alternativas de
inversión se obtiene una evaluación de sus méritos relativos, que son los ahorros en los costes
y en los beneficios de las diferentes alternativas usando principios económicos.
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)
Coste del consumod

e los componentes de Coste de la
la circulación de circulación de los
vehículos como una vehículos a lo largo
función de condición del tiempo
de la carretera
Guía de calibración y adaptación 1

Versión 1.0
Introducción
Figura 1.1 Visión general de HDM
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.
Caja 1.1 Algunas definiciones
• Los costes de la circulación de los vehículos (VOC) son los costes de

circulación de los vehículos. Incluyen el combustible, los neumáticos, el
mantenimiento, las horas de trabajo, la depreciación, los intereses, los
lubricantes, los chóferes y el tiempo de carga y viaje.
• Efectos de los usuarios de la carretera (RUE), son el VOC junto con la
seguridad, las emisiones de los vehículos, el ruido y el balance de energía.
• El deterioro de la carretera y los efectos de los trabajos (RDWE) abarcan el
deterioro del firme y los efectos de los trabajos de mejora. Los últimos incluyen
la conservación y las mejoras, como el ensanchado.

Versión 1.0
Introducción
DATOS DE ENTRADA MODELO DATOS DE SALIDA
Tipo de vehículo, volumen,

crecimiento, carga, parámetros físicos,
terreno, precipitación, geometría, Comienzo del bucle del análisis
características del firme, costes
unitarios.
Tipo de firme, resistencia, edad, Fisuración, desprendimiento,

condición y ESAL áreas con baches, profundidad de
Deterioro de la carretera la rodera, resaltos (pavimentada),
espesor de la grava (sin sellar),
regularidad.
Geometría y regularidad de la carretera, Combustible, lubricante,

velocidad y tipo de vehículo, neumáticos, mantenimiento,
Efectos de los usuarios de la
parámetros de congestión, costes costes fijos, velocidad, tiempo de
carretera
unitarios. trayecto, costes de los usuarios
de la carretera
Estrategias y estándares de los trabajos Reajuste de fisuración,

de la carretera desprendimiento, áreas con
baches, profundidad de la rodera
Efectos de los trabajos (pavimentada), espesor de la
grava (sin sellar), regularidad,
cantidades de los trabajos y
costes de la administración.
Geometría de la carretera y textura Efectos sociales y Niveles de emisión y energía

superficial, características del vehículo medioambientales usados y número de accidentes
Desarrollo, accidentes, medioambiente Costes y beneficios incluyendo

Análisis económico
y otros costes y beneficios externos los beneficios externos.
Costes totales por componente;

Regreso al inicio del bucle valores actuales netos y tasas de
del análisis retorno por tramo

Versión 1.0
Introducción
Figura 1.2 Estructura del modelo de HDM-4

Versión 1.0
Conceptos de calibración
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
Figura 2.1 Proceso de modelización de HDM
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:

Versión 1.0
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.
2.1.1 Consideraciones del desarrollo del modelo

Las versiones anteriores de HDM (HCM y HDM-II) se basaban en unos modelos sencillos
empíricos de regresión que fueron construidos a partir de datos recogidos en diferentes lugares
donde se realizaron estudios específicos. No obstante, estos sencillos modelos carecían de
transferabilidad ya que no podían mostrar como los resultados podrían cambiar cuando se
producían modificaciones en las condiciones asumidas. En el desarrollo de HDM-III y HDM-4
existe un alto grado de transferabilidad a través de las diferentes condiciones climáticas y
tecnológicas construidas en el modelo. Esto se logró a través del uso de un acercamiento
empírico de estructura mecánica que desemboca en un perfil de relaciones predichas. Este
poderoso acercamiento combina varias interioridades provistas por las teorías de movimiento y
tecnología vehicular y del material del firme y el comportamiento estructural bajo carga del
tráfico con un riguroso y avanzado análisis estadístico de datos reales que reúne un amplio
espectro de tipos de vehículos y condiciones de la carretera. La validez de los modelos de
velocidad del vehículo y costes de circulación está construida a partir de los cuatro mayores
estudios de campo realizados en Kenia, el Caribe, Brasil y la India (Chesher y Harrison,
1987; y Watanatada et al., 1987a). La validez de los diferentes modelos de deterioro de la
carretera se basa en datos de campo independientes, de ocho diferentes países y estados con
climas que oscilan desde áridos y cálidos a húmedos y fríos (Paterson, 1987).
Este acercamiento a la construcción del modelo tiene dos implicaciones principales para el
usuario de HDM:
n Tamaño
El número y la variedad de datos requeridos para alimentar los modelos estructurados son,
potencialmente, extensos y complejos. La modelización de HDM sigue una trayectoria
intermedia, evitando los parámetros que requieren pruebas de investigación de alto nivel y,
para los efectos de los usuarios de la carretera, ajusta algunos parámetros para obtener
valores predefinidos que el usuario pueda cambiar cuando los recursos analíticos lo
permitan.
n Efectos no modelizados
A pesar de que los experimentos de campo cubren un amplio espectro de condiciones y
de la teoría punta aplicada en el desarrollo del modelo, hay algunos factores que no se
incluyen porque:
ο no están calculados, o
ο harían la entrada de datos del modelo demasiado compleja, o
ο sus efectos podrían no ser determinados dentro de los parámetros observados
También se han desarrollado grandes avances en la tecnología de los vehículos durante el
período en el que los estudios se realizaron, obteniendo menores consumos y costes de
circulación. Por estas razones, se recomienda la calibración del modelo HDM a las
condiciones locales.
2.1.2 Ejemplos de casos
La necesidad de una cuidadosa aplicación y de cierta calibración local se explica en Curtayne
et al. (1987). Como un ejemplo de ello, la Figura 2.2 ilustra las diferencias que surgen entre

Versión 1.0
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
60 Fuel & Oil
40
20
0
Observed HDM Observed HDM Observed HDM
Figura 2.2 Comparación entre los pronósticos observados y los

no calibrados en HDM-III
Chesher y Harrison (1987) apuntaron, también, la necesidad de la calibración local a través

de sus comparaciones de los pronósticos de los modelos desarrollados en los diferentes
estudios de costes de los usuarios de la carretera. Las relaciones no solamente muestran
diferencias significativas en las cantidades de los diferentes costes, sino que, también, en las
condiciones de la sensibilidad del firme y de la circulación. Finlayson y du Plessis (1991), en
un comprensivo informe que contiene una cantidad de diferentes estudios sobre VOC, ilustran
la importancia de la calibración de las ecuaciones VOC a las condiciones locales y muestran
como lo hicieron en Africa del Sur.
En el caso del deterioro de la carretera, las condiciones medioambientales tienen una fuerte
influencia afectando a las tasas de deterioro con factores por encima de 2 o 3 entre los
extremos de los climas árido-cálido y húmedo-frío. Los materiales locales de la construcción,
las prácticas y la calidad afectan, también, a las tasas de deterioro y a la efectividad de la
conservación. Ambas influencias se pueden controlar a través de los factores de calibración
en las entradas de datos de HDM en adicción a los parámetros de entrada del tráfico principal
y del firme.
Esta guía presenta los niveles de confianza que alcanzan los pronósticos de HDM a través de
diferentes niveles de esfuerzo que se pueden asignar a los niveles de aplicación. Las ventajas
de un modelo universal como el de HDM, son que se pueden usar rápidamente con relativa,
poca o ninguna inversión en una extensa investigación empírica y estadística, lo que ofrece un
comprensivo marco tecno-económico. Mejorar la fiabilidad ofrece, en primer lugar, asegurar la
validez de los datos de entrada y de los valores primarios de los parámetros y, en segundo
lugar, afinar sin tener que reconstruir las relaciones de proyección para conformarlas a los

Versión 1.0
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
La profundidad del mar y la

Datos
altura de las olas
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.
2.2 Datos de entrada

Son los datos básicos requeridos para ejecutar HDM. Consisten en los parámetros que
describen las características físicas de los firmes y de las redes de carretera, de los datos del
usuario de la carretera, de los del tráfico y los datos de los costes unitarios y económicos.
El Apéndice A resume los datos de entrada que requieren las aplicaciones de HDM.
El Apéndice B ofrece algunos ejemplos de los valores del parámetro adoptado en diferentes
estudios de HDM. Del Apéndice C al Apéndice G se ofrece una descripción de cómo se
cuantifican los datos.
Al establecer la entrada de datos, la precisión requerida está marcada por los objetivos del
análisis. Si se está haciendo un análisis muy aproximado, no es necesario que la cuantificación
de los datos de entrada tenga un alto grado de exactitud. Por el contrario, si se está realizando
un análisis detallado, es importante cuantificar los datos tan precisamente como los recursos
disponibles lo permitan. Esto se explica en el capítulo 5.

Versión 1.0
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)
Requiere la medida de los parámetros adicionales y de las encuestas de campo

moderadas para calibrar las relaciones pronosticadas clave de las condiciones locales.
Este nivel puede acarrear ligeras modificaciones en el código fuente del modelo.
n Nivel 3 - Adaptación (ver sección 2.3.4)
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.

Versión 1.0
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
Estimados generales Estimados reales
Figura 2.3 Recursos y tiempos requeridos en la calibración
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.
2.3.2 Nivel 1 - Aplicación

Para la ejecución de HDM, es necesario realizar, al menos, una calibración de nivel 1; esto se
puede entender como ajuste de mejora del modelo. Una vez realizado, generalmente, no es
necesario repetirlo durante futuras aplicaciones en el mismo país ya que la mayoría de los
datos y de los parámetros del modelo son relativamente estables a lo largo del tiempo.
Una calibración de nivel 1 está, mayormente, basada en las fuentes secundarias; es decir, en
un estudio teórico. Por ejemplo, los parámetros de RUE se pueden evaluar usando los datos
de fuentes como publicaciones del gobierno y la industria, organizaciones administrativas o
diferentes informes de RUE de estudios anteriores. En el deterioro de la carretera, las fuentes
podrían incluir estadísticas climáticas, de estado y tráfico de la carretera, de estándares
geométricos, de programas de conservación y de presupuestos.

Versión 1.0
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
Secundaria Publicaciones Elegir los informes Elegir grupos de Examinar,

disponible gubernamentales de estudios datos y de identificar y definir
primarios que vehículos los tipos de
Informes técnicos correspondan a vehículos con los
industriales Calibrar los
condiciones locales datos disponibles
modelos mecánicos de costes y
Informes de para adaptarlos a
investigación sobre condición de la
los cambios
RUE carretera
tecnológicos
Literatura de
fabricantes
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
Calibraciones Investigación a Calibración de la Calibración del Estimar las nuevas

experimentales pequeña escala del velocidad consumo de relaciones, por
rendimiento del combustibles ejemplo para la
vehículo y de las resistencia a la
características de la rodada y la
carretera regularidad de la
carretera.
Personal entrenado
Capacidades
analíticas

Versión 1.0
Fuente: Curtayne et al. (1987)
Como se muestra en el Apéndice A, los siguientes datos se deberían obtener de una

calibración de nivel 1:
n Costes unitarios (RUE y RDWE)
n Algunas características de los vehículos representativos
n Datos del análisis económico (tasas descontadas y períodos del análisis)
n Características del firme (estudios del RDWE)
n Composición y tasas de crecimiento del tráfico
n Tipo de clima en la región
Aunque HDM, en ocasiones, requiere un amplio espectro de datos y parámetros de

calibración, en las calibraciones de nivel 1 es necesario establecer, solamente, los más
importantes, por lo que se utilizan, frecuentemente los valores predefinidos.
2.3.3 Nivel 2 - Calibración

Una calibración de nivel 2 usa, directamente, las medidas de las condiciones locales para
verificar y ajustar la capacidad de pronóstico del modelo. Esto requiere un mayor grado de
precisión en la recogida de datos que en la de nivel 1 ya que es más abarcadora. Para RUE,
por ejemplo, se concentra en la velocidad, en el consumo de combustible, neumáticos y
repuestos y en los costes fijos relacionados con la utilización y la vida útil del vehículo. Para
RDWE, se concentra en el inicio de los modos de deterioro de la capa de rodadura, en el
progreso de la rodera y en los efectos de la conservación y mejora el estimado de los impactos
medioambientales. El análisis económico, define los datos de los costes más allá de los
observados y de los niveles de precios de las encuestas de recogida de datos.
En las calibraciones del nivel 2, se recogen más datos detallados de entrada que en la de nivel
1.
2.3.4 Nivel 3 - Adaptación

La calibración de nivel 3 incluye, generalmente, dos componentes:
n Recogida de datos mejorada
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.

Versión 1.0
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.

Versión 1.0
Conceptos de fiabilidad
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
n Precisión e idoneidad de los datos entrados
n Factores de calibración usados en el análisis
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.
3.2 Líneas de convergencia y precisión

La única forma de evaluar la idoneidad de los pronósticos de HDM es compararla con los
datos conocidos. Por ejemplo, se pueden tener datos de la regularidad actual de un número de
firmes de edades conocidas. Usando HDM para predecir la condición de los firmes de la
misma edad con los mismos atributos de cuando eran nuevos, se podría evaluar si HDM
ofreció los pronósticos apropiados.
Hay dos consideraciones cuando se comparan datos pronosticados y observados:
n Línea de convergencia
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.

Versión 1.0
n Bajo línea de convergencia – alta precisión (ver Figura 3.1A)
n Baja línea de convergencia – baja precisión (ver Figura 3.1B)
n Alta línea de convergencia – alta precisión (ver Figura 3.1C)
n Alta línea de convergencia – baja precisión (ver Figura 3.1D)
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.
Baja línea de Baja línea de

A convergencia B convergencia
Alta precisión Baja precisión
Datos
Pronosticada
Pronosticada
Datos
Observada = pronosticada Observada = pronosticada
Observada Observada
Alta línea de Alta línea de

C convergencia D convergencia
Alta precisión Baja precisión
Observada = pronosticada Observada = pronosticada

Pronosticada
Pronosticada
Datos
Datos
Observada Observada
Figura 3.1 Ejemplo de línea de convergencia y precisión
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.

Versión 1.0
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
• La calibración debe ser extendida sobre toda la escala de valores encontrados

• El tamaño de la muestra debe ser suficiente para detectar la naturaleza de la
línea de convergencia y del nivel de precisión
• Una alta r2 (correlación) no significa, siempre, una alta precisión ya que puede
aún tener una línea de convergencia significativa
3.3 Factores de corrección

La línea de convergencia surge de las diferencias sistemáticas de los valores observados y los
pronosticados. Los factores de corrección se usan para corregir la línea de convergencia.
Como se muestra en la Figura 3.2, existen dos tipos de factores de calibración: rotación y
traslación. Pueden estar presentes uno o ambos.
En el caso más sencillo, la línea de convergencia se establece como el cociente de la media
observada entre la media pronosticada. Por lo tanto, el factor de corrección es:
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:
CFtrans = Media observada - Media pronosticada …(3.2)
La Figura 3.2-C muestra también, la tercera y común situación donde hay una combinación de
rotación y traslación.
3.4 Precisión de los datos de entrada

La línea de convergencia y la precisión juegan también un papel importante en el
establecimiento de los datos de entrada de HDM. Esto es debido a que cuando se cuantifican
los datos de entrada, se obtiene una muestra de medidas cuyas propiedades, se asume que
serán las mismas que las de perfil general. La línea de convergencia se expresa
frecuentemente como:

Versión 1.0
Media de la muestra
Bias = …(3.3)
Media general
Esto es análogo al factor de corrección de rotación presentada en la sección 3.3.
A Rotación B Traslación
Traslación
Observada = pronosticada Rotación

Observed = Predicted
Pronosticada
Pronosticada
Datos Datos
Observada Observada
Traslación
Rotación y
C traslación
Rotación
Observada = pronosticada
Pronosticada
Datos
Observada
Figura 3.2 Factores de corrección
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.

Versión 1.0
Líneas de
frecuencia convergencia
General Muestra
valor
Figura 3.3 Línea de convergencia de los datos muestreados
frecuencia Precisión
Muestra
General
valor
Figura 3.4 Precisión de los datos muestreados
Caja 3.2 Línea de convergencia y precisión

El principal objetivo es maximizar la línea de convergencia.
Existe siempre un intercambio de costes/recursos cuando se trata de
alcanzar la precisión. Una alta precisión redunda en costes y recursos
mayores. Mientras que una baja precisión conlleva menos costes y
recursos.
Si la línea de convergencia es baja se obtiene, generalmente, una baja
precisión en los datos ya que la media observada y la pronosticada son
similares (ver Figura 3.1-B). Si la línea de convergencia es alta, es
importante conseguir una alta precisión en los datos con la intención de
investigar la naturaleza de la línea (ver Figura 3.1-C). Una alta línea de
convergencia y una baja precisión en los datos (ver Figura 3.1-D) hace
imposible aplicar precisión al modelo.
3.5 Límites de la línea de convergencia

Es importante que la línea de convergencia en los pronósticos del modelo esté limitada para
asegurar que los resultados sean precisos. Ya que cada uno de los diferentes datos y
parámetros del modelo pueden tener sus propias líneas de convergencia, y que los procesos
que se modelizan en HDM son complejos, es extremadamente difícil determinar los efectos
netos de la línea de convergencia de los múltiples parámetros.
La meta de la calibración se define aquí con respecto al impacto de un parámetro individual,
pero muy cercano al impacto de todos los parámetros. Las metas de la calibración, excluyendo
la falta fundamental del ajuste del modelo, son reducir cualquier línea de convergencia de los

Versión 1.0
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.
3.6 Evaluación de la fiabilidad de las predicciones de HDM

Existe un número de técnicas que se pueden utilizar para evaluar la fiabilidad de los
pronósticos de HDM. El más apropiado depende de la disponibilidad de los datos y de su
objetivo. Las guías específicas para este proceso se ofrecen en capítulos posteriores.
3.6.1 Rendimiento del firme: simulación de condiciones anteriores

Uno de los más sencillos métodos de evaluación de la fiabilidad general de los pronósticos de
REDWE, es simular las condiciones anteriores de la carretera. Esto se puede hacer en las
calibraciones de nivel 1 y nivel 2 y es siempre una buena forma de verificación del modelo.
En Bangladesh, se simuló la evolución de la red de carreteras en los 15 años anteriores
(Transroute, 1992). Se asumió que la condición inicial de la red era equivalente a la actual y
que las tasas de crecimiento del tráfico, durante el período, fueron equivalentes al tráfico
pronosticado para los próximos 10 años. La simulación fue probada usando dos premisas:
n La distribución de la regularidad pronosticada para la red era similar a la actual.
n El promedio del gasto anual estaba cercano al observado.
Usando los criterios actuales y los estándares de conservación apropiados se observó que “la
simulación ofrecía un considerable reflejo de la realidad”.
En Nepal, NDLI (1993) analizó un tramo específico de carretera que se inauguró en 1970.
Los estimados se hicieron a partir del año de inicio de la circulación del tráfico y HDM se
ejecutó con una escala de suposiciones sobre la resistencia y la regularidad inicial del firme.
Las condiciones pronosticadas se compararon, entonces, con la regularidad medida y con los
deterioros de la capa asumiendo un mínimo de conservación.
La regularidad pronosticada dependía de la regularidad inicial asumida y de la resistencia del
firme. Negociaciones con los ingenieros locales indicaron que la carretera tenía una superficie
suave y que usaba 3,5 IRI m/km en la modelización lo que resultaba en una regularidad media
pronosticada, ligeramente mayor que la regularidad medida. HDM pronosticó bacheo menor a
pesar de que las prácticas locales incluían bacheo de áreas fisuradas y depresiones locales. En
general el modelo se consideró que ofrecía pronósticos razonables.
En términos del progreso de la regularidad, un método de probar los pronósticos del modelo ha
sido el análisis de “un trozo cada vez”. Esta técnica utiliza datos de la regularidad de la red de
carreteras para investigar la relación de resistencia regularidad-tiempo y/o regularidad firme.
Ofreciendo las variaciones presentes en los datos de la regularidad de la red es, como este
método, alcanza resultados útiles. NDLI (1992) aplicó esta técnica sin éxito en Tailandia.
Varios factores contribuyeron al fracaso del análisis:

Versión 1.0
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.
3.6.2 Rendimiento del firme: estudios controlados

La única forma de calibrar completamente el modelo de deterioro del firme de HDM-III es
realizando un estudio de la tasa de deterioro del firme. Para lo anterior se debería tener en
cuenta y consultar el material de Hodges et al. (1975), GEIPOT (1982) y Paterson (1987).
Es importante que el experimento este diseñado para acumular datos de lo siguiente:
n El efecto del tráfico en el deterioro del firme
n El efecto del medioambiente en el deterioro del firme
n Las tasas de deterioro por tipo de firme
n Los efectos en la resistencia del firme
n Los deterioros de la capa de rodadura
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 FWD/Desviación del rayo Benkelman
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

Versión 1.0
regularidad en el tiempo. Estos medidores son también propensos a problemas de calibración

que podrían originar errores adicionales. La regularidad debería ser medida, por lo tanto, por
una de las técnicas de perfil directas de las usadas para la calibración de los medidores de
regularidad (por ejemplo, Dipstick, Walking profilometer). Esto asegurará que los datos tendrán
la mayor precisión posible.
Es importante monitorizar la iniciación y el progreso de las fisuras. Debido a esto los tramos
probados deberían no tener ninguna conservación hecha a través del curso del estudio. Esto,
frecuentemente, es difícil de conseguir pero es muy importante, particularmente, cuando se
relaciona con la monitorización de la progresión de las fisuras.
3.6.3 Efectos de los usuarios de la carretera: sondeo controlado

Los sondeos controlados del RUE, frecuentemente, se concentran en el consumo de
combustible ya que éste es el componente de medida más sencillo. El desgaste de los
neumáticos se puede investigar pero es, generalmente, difícil de ejecutar como un estudio
efectivo1.
du Plessis y Meadows (1990) trataron de investigar los costes de conservación a través de
un sondeo controlado. Tres automóviles alquilados se condujeron sobre dos rutas
preseleccionadas, una pavimentada y una de grava, por un período de, aproximadamente, tres
meses en los cuales cubrieron 40.000 km. Se efectuaron minuciosas verificaciones de
conservación cada dos semanas y el consumo de combustible y de desgaste de neumáticos se
monitorizó bien de cerca. Los resultados obtenidos mostraron que la regularidad de la
carretera tenía una gran influencia en la conservación y en el desgaste de los neumáticos, pero
no en el consumo de combustible. Lo anterior se achacó a la no disponibilidad de datos de
velocidad y aceleración. Los resultados de la conservación y de los neumáticos se utilizaron
para verificar la validez de los pronósticos de HDM.
3.6.4 Efectos de los usuarios de la carretera: sondeo de tarifas

Una de las formas más fáciles de evaluar la precisión de las proyecciones de RUE en HDM
es compararlas con las tarifas del mercado. Esto se puede hacer en las calibraciones de nivel 1
y nivel 2.
El perfil de la hipótesis es que las tarifas reflejan el VOC total de un vehículo y, por lo tanto,
ofrecerán un estimado razonable, no solamente de la magnitud del VOC sino, también, de los
costes marginales en diferentes condiciones de circulación. Generalmente, las operaciones de
carga son más independientes que las de pasajeros, ya que las mismas tienen frecuentemente
subsidios/regulaciones de precios.
Para recoger los datos de las tarifas con estos propósitos, se debe de considerar lo siguiente:
n El uso de datos de tarifas del transporte para la calibración del modelo es más apropiada
cuando existe un mercado competitivo, es decir, donde hay un mínimo de control del
gobierno en la operación. Cuando las regulaciones o los monopolios afectan a los servicios
de transporte, los datos deberán ser cuidadosamente escrutados.
n Es mejor recoger datos de una compañía sencilla que opere sobre una escala de
condiciones que de muchas compañías. Como se describe en Chesher y Harrison
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.

Versión 1.0
(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)
n El coste de la distancia por km
Así, el coste se puede expresar como:
COST = a0 DIST + a1 …(3.4)
donde:
COST total del coste del trayecto

DIST distancia del trayecto
a0 coste marginal debido a la distancia viajada
a1 coste fijo
La tasa de la tarifa se puede expresar como:
a1
RATE = a0 + …(3.5)
DIST
donde:
RATE coste por km
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

Versión 1.0
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.
3.6.5 Efectos de los usuarios de la carretera: sondeo del parque

Los sondeos de parque son frecuentemente una buena fuente de datos, particularmente,
cuando operadores disponibles con buenos informes. Por ejemplo, Hine y Chilver (1991)
usaron cuadernos de bitácora de los conductores para investigar los costes de los camiones en
Pakistán, mientras que, du Plessis et al. (1991) usaron informes de compañías de autobuses
en Sudáfrica.
Transit (1995) ofrece una buena explicación de las fuentes potenciales de datos en un estudio
en Nueva Zelanda. Se encontró que existía un número de organizaciones públicas y privadas
en posesión de datos, que cubrían una amplia gama de vehículos y condiciones de circulación.
Había dos compañías comerciales que gestionaban y recogían datos de los costes de la
circulación de los vehículos, de sus clientes y una de ellas se usó para investigar los costes de
conservación. Se encontró, también, que muchos operadores privados tenían buenas bases de
datos con los costes recogidos en unos niveles muy distintos.
7000
Regresión de los datos de tarifa

6000
5000
4000
Tarifa en Rupias/trayecto
Modelo pronosticado para::

Regularidad: 6.75 m/km
3000
VCR: 0.21
Ancho: 7.0
2000
1000
0
0 100 200 300 400 500 600 700 800
Longitud del trayecto en kms
Figura 3.5 Comparación de los sondeos de costes de trayecto en Gujarat
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

Versión 1.0
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.

Versión 1.0
Sensibilidad de 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.

Versión 1.0
Sensibilidad de HDM
Tabla 4.1
Clases de sensibilidad de HDM
Impacto Clases de sensibilidad Impacto de elasticidad
Alto S-I > 0,50
Moderado S-II 0,20 - 0,50
Bajo S-III 0,05 - 0,20
Intangible S-IV < 0,05
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.
4.2 Efectos de los usuarios de la carretera

El RUE se compone de VOC, tiempo de trayecto, emisiones de los vehículos (gases nocivos y
ruido), seguridad y uso de energía junto a los efectos del desarrollo. Esta versión de esta Guía
solamente considera el VOC.
Como se describe en el capítulo 2, el submodelo RUE de HDM pronostica la cantidad de
recursos consumidos; por ejemplo la cantidad de combustible y neumáticos. Estos se
multiplican por los costes unitarios para obtener el coste total. Hay una cantidad de diferentes
componentes modelizados y como se muestra en la Figura 4.1 y en la Figura 4.2, están
influenciados por diferentes factores. Estas figuras destacan también la sofisticación de la
modelización de RUE en HDM-4 sobre la de HDM-III.
RUE están, principalmente, influenciados por la velocidad de los vehículos y la regularidad. La
influencia de estos factores varía dependiendo del componente de RUE. Por ejemplo, el
consumo de combustible es muy sensitivo a la velocidad pero, relativamente, sensitivo a la
regularidad. Por el contrario, el consumo de repuestos no es sensitivo a la velocidad pero está
muy influenciado por la regularidad.
Los analistas necesitan tener en cuenta estas diferencias ya que pueden tener una marcada
relación con los datos recogidos en un estudio. Si el estudio está, principalmente, relacionado
con las mejoras a la capacidad, que serán influenciadas por las velocidades, entonces, factores
como la regularidad serán de menos importancia. No obstante, los estudios de conservación de
la carretera que tengan que ver con cambios mayores de la regularidad, necesitarán tener
buenos datos de la misma.
Cuando se considera RUE hay dos situaciones que pueden ser de gran interés:
n Magnitud total de RUE
n Efecto de las condiciones de la circulación sobre RUE
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.

Versión 1.0
Sensibilidad de HDM
Como se describe en Bennett (1999), los análisis de sensibilidad se condujeron teniendo en

cuenta ambas situaciones. El primer grupo de análisis consideró la sensibilidad del VOC total
en un cambio por-km en la entrada de datos. El segundo consideró los efectos de los cambios
en la regularidad. En el último, se comprobó, en los datos de entrada, la sensibilidad de la
diferencia del VOC total entre los cambios de 3 y 5 IRI m/km.
Con la intención de cubrir la escala de condiciones encontrada en los diferentes estudios, los
análisis se hicieron con datos de costes unitarios adaptados de los estudios actuales, de HDM,
en Australia, India y Tailandia. Estos tres grupos representan países con marcados niveles de
diferencia en sus desarrollos económicos. Usando estos diferentes estudios se demostró que la
contribución relativa de cada componente VOC era diferente por las influencias en la
sensibilidad. Esto aseguró que los resultados son, ampliamente representativos para el espectro
total de condiciones en los que el modelo fue aplicado.
Los datos individuales variaron en una escala de condiciones de la circulación y sus impactos
de elasticidad (ver Tabla 4.1) que los determinan. Con una base establecida por los resultados
de estos análisis, las variables se asignaron a las diferentes clases de sensibilidad mostradas en
la Tabla 4.2 para HDM. A efectos de referencia, los resultados de análisis similares con
HDM-III se ofrecen en la Tabla 4.3.

Versión 1.0
Sensibilidad de HDM
El tráfico influenciado por

las velocidades es solo en
Tráfico influenciado HDM-95. HDM-III solo usa
por la velocidad velocidades libres. Esta
figura muestra las
interacciones de HDM-95.
Geometría de la Velocidad libre Tiempo de trayecto

carretera (km/h) (h/1000 km)
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)
Vida útil Depreciación

(km/veh) (%VAN/1000 km)
Uso anual Intereses

(km/yr) (%VAN/1000 km)
Figura 4.1 HDM-III/95 Componentes de RUE y sus interacciones

Versión 1.0
Sensibilidad de HDM
Conductor y perfilado
de la carretera
Velocidad del tráfico

Volumen y
influenciado
capacidad del tráfico
(km/h)
Transporte no
motorizado
Fricción de la Velocidad libre Tiempo de viaje

carretera (km/h) (h/1000 km)
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)
Coste general Emisiones

(coste/1000 km) (kg/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)

(km/veh) (%VAN/1000 km)
Valor residual
Depende
Uso anual Interés de la
(km/años) (%VAN/1000 km)
opción
elegida
Figura 4.2 HDM-4 Componentes de RUE y sus interacciones

Versión 1.0
Sensibilidad de HDM
Tabla 4.2
Clases de sensibilidad para el modelo1 RUE de HDM-4
Impacto de Variables o datos importantes Variables o datos importantes

Clases2
elasticidad del VOC3 total de los ahorros4 del VOC
Precio de reemplazo del vehículo Precio de reemplazo del vehículo

S-I > 0,50 Exponente kp del modelo de repuestos Exponente kp del modelo de repuestos
Regularidad en IRI Regularidad en IRI

S-II 0,20 - 0,50 Modelo a1de los repuestos Modelo a1de los repuestos
Coeficiente de fuerza aerodinámica Coeficiente de fuerza aerodinámica

Multiplicador Cdmult de fuerza Multiplicador Cdmult de fuerza
aerodinámica aerodinámica
Utilización anual Utilización anual
Factor básico de fuerza-combustible ξb Factor básico de fuerza-combustible ξb
Coste del combustible Coste del combustible
Coste de la mano de obra Coste de la mano de obra
Coste del tiempo de pasajero Coste del tiempo de pasajero
Velocidad deseada Coste de los neumáticos
Eficiencia de la conducción Eficiencia de la conducción
Fuerza de la conducción Fuerza de la conducción
Factor de fuerza de los accesorios del Factor de fuerza de los accesorios del
motor motor
Combustible ξ Velocidad de marcha en vacío
Tasa de interés Combustible ξ
S-III 0,05 - 0,20 Factor de calibración de mano de obra Tasa de interés
Densidad del aire Factor de calibración de mano de obra
Promedio máximo rectificado de la Densidad del aire
velocidad Promedio máximo rectificado de la
Factor de fricción XTNM del TNM velocidad
Número de pasajeros Número de pasajeros
Número de ruedas Número de ruedas
Modelo a0 de los repuestos Modelo a0 de los repuestos
Límite de velocidad marcado Límite de velocidad marcado
Area frontal proyectada Area frontal proyectada
Resistencia a la rodada CR1 Resistencia a la rodada CR1
Resistencia a la rodada CR2 a0 Resistencia a la rodada CR2 a0
Factor de resistencia a la rodada CR2 Factor de resistencia a la rodada CR2
Regularidad-velocidad a0 Regularidad-velocidad a0
Factor de fricción XFRI Velocidad β
Factor de corrección de la línea de Factor de cumplimiento del límite de
convergencia de la velocidad velocidad
Factor de cumplimiento del límite de Masa del vehículo
velocidad Vida útil del vehículo
Masa del vehículo volumen de desgaste de la goma
Vida útil del vehículo Diámetro de las ruedas
Diámetro de las ruedas
S-IV <0,05 Todos los demás Todos los demás
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.

Versión 1.0
Sensibilidad de HDM
3 Estas son las variables importantes en la determinación del RUE total.

4 Estas son las variables importantes en la determinación del efecto de la regularidad sobre
el RUE.
4.3 Clases de sensibilidad

4.3.1 Alto impacto, Clase S-I (> 0,5)
En ambos grupos de análisis los resultados indican que los parámetros de alto impacto son,
solamente, el precio de reemplazo del vehículo y el exponente kp del modelo de repuesto. Lo
anterior se utiliza para calcular los costes de los repuestos, de la depreciación y de los
intereses. Esto define la magnitud del consumo de repuestos y el impacto de la edad de los
vehículos en el mismo.

Versión 1.0
Sensibilidad de HDM
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
kp – exponente del modelo de los kp – exponente del modelo de los

repuestos repuestos
S-I > 0,50 Precio del vehículo nuevo Precio del vehículo nuevo
CSPQI – término de regularidad del
modelo de repuesto
C0SP – término constante del modelo
de repuesto
Regularidad E0 – corrección de la línea de

E0 – corrección de la línea de convergencia de la velocidad
S-II 0,20 - 0,50 convergencia de la velocidad ARVMAX – velocidad máxima
Promedio de vida útil rectificada
Promedio de uso anual CLPC – exponente del modelo de
Peso del vehículo mano de obra
Coeficiente de fuerza aerodinámica Beta – exponente de la velocidad

Beta – exponente de la velocidad Edad del vehículo en km
BW – efecto del ancho de la velocidad C0LH – término constante del modelo
Velocidad calibrada del motor de mano de obra
CLPC – exponente del modelo de mano Coste de la mano de obra
de obra Relación de utilización horaria
C0SP – término constante del modelo BW – efectos del ancho de la velocidad
S-III 0,05 - 0,20
de repuestos Número de neumáticos por vehículo
CSPQI – término de la regularidad del Coste del neumático nuevo
modelo de repuestos Coste de los lubricantes
Coste chófer/carga/pasajero Coste chófer/carga/pasajero
Velocidad deseada Peso del vehículo
Fuerza de la conducción Número de pasajeros
Factores de eficiencia de energía
Coste del combustible
Relación de utilización horaria
Tasa de interés
Area frontal proyectada
S-IV <0.05 Todos los otros Todos los otros
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.
4.3.2 Impacto moderado, Clase S-II (0,2 – 0,5)

Los parámetros de impacto moderado son, el de la regularidad y el del consumo de repuestos,
a1 y condicionan los efectos de la regularidad

Versión 1.0
Sensibilidad de HDM
4.3.3 Bajo impacto, Clase S-III (0,05 - 0,2)

Muchos parámetros componen la categoría de bajo impacto. Cubren una variedad de atributos
e incluyen la mayoría de los costes unitarios. La mayor diferencia entre los dos análisis, costes
totales versus efectos de la regularidad, está en la importancia del factor de fricción (XFRI) y
el factor no motorizado (XTNM) en el análisis del coste total. Esto se debe a la importancia de
las velocidades en los costes totales, a diferencia de los efectos de la regularidad-velocidad que
son importantes en los costes de la regularidad.
4.3.4 Impactos intangibles, Clase S-IV (< 0,05)

La mayoría de los datos de HDM-4 tienen un impacto intangible en los resultados, por lo que,
en la mayoría de los análisis de HDM-4, se adoptan los valores predefinidos.
4.4 Deterioro de la carretera y efectos de los trabajos

El submodelo RDWE pronostica el deterioro del firme a lo largo del tiempo y en ciertas
condiciones del tráfico. Si se aplica conservación, la condición del firme se mejora y los
volúmenes del material aplicado se multiplican por sus costes unitarios para establecer el coste
del tratamiento.
Al igual que en el submodelo de RUE, existe una serie de interdependencias en la
modelización de RDWE. Estas se ilustran en la Figura 4.3. Es importante notar que los
deterioros de la capa de rodadura tienen diferentes modelos de inicio y progreso, como se
ilustra en la Figura 4.4.
Progreso de la Deformación
Inicio de la fisuración Rutina
fisuración estructural
Bacheo Regularidad
Inicio del Progreso del Efectos

desprendimiento desprendimiento medioambientales
Figura 4.3 Interacciones de los deterioros de RDWE

Versión 1.0
Sensibilidad de HDM
100%
100 Inicio Progreso
80
Porcentaje del area fisurada

60
40
20
0
0 5 10 15 20 25
Edad en años
Figura 4.4 Inicio y progreso del deterioro de la capa de rodadura
La sensibilidad del deterioro de la capa y los pronósticos de conservación a las variaciones de

los parámetros individuales se resume en la columna de la derecha (ver Tabla 4.4). La escala
generalizada se hace en los mismos cuatro rangos de elasticidad que los usados para los
efectos del RUE. No obstante, en el RDWE están basados en los impactos sobre las
condiciones físicas, así como, en los costes y retornos económicos ya que influyen en el
rendimiento del firme, en el tiempo de la conservación y en los retornos económicos de los
diferentes tratamientos.
4.4.1 Alto impacto, clase S-I (> 0,5)

Los datos más sensitivos incluyen las variables estructurales del firme y el tráfico y la
regularidad con todos sus datos de medida. Las variaciones en las variables estructurales,
número estructural modificado o desviación y la carga anual del tráfico (en millones de ESA)
afectan a la mayoría de los resultados, incluyendo las alternativas de conservación periódica y
rehabilitación y a los retornos económicos. Son sensibles a este grado de impacto, solo cuando
la idoneidad estructural del firme (PSA – ver sección 4.2) es alta o moderada comparada con
la carga (en otras condiciones, cuando el PSA es entre alto y moderado, los impactos son
moderados, es decir, clase S-II). La variación en el volumen del tráfico que determina el
número de usuarios que obtienen beneficios, tiene una marcada influencia en los retornos
económicos pero una baja influencia (S-II o S-III) en los impactos físicos. La variación en la
regularidad del firme, que afecta a los ahorros obtenidos por cada usuario, tiene un alto
impacto sobre todos los resultados económicos y en las necesidades de rehabilitación, pero
poco en los deterioros de la capa de rodadura (S-III).
4.4.2 Impacto moderado, clase S-II (0,2 – 0,5)

Las variaciones en la edad del firme y la capa de rodadura tienen impacto moderado en las
necesidades de las conservaciones periódicas y un bajo impacto en los retornos económicos.
La variación en las cantidades de la fisuración total y ancha tienen impacto moderado en los
retornos económicos de la conservación, alto impacto en las necesidades de conservación y
bajo impacto en los retornos económicos de la rehabilitación. Los factores de calibración para
ajustar las predicciones del efecto de regularidad-medioambiente, progreso de la regularidad,

Versión 1.0
Sensibilidad de HDM
inicio de la fisuración y progreso de la fisuración tienen, principalmente, impactos moderados

(unos altos y otros bajos) en las necesidades de conservación y rehabilitación, así como en los
retornos económicos. Las variaciones en el espesor del refuerzo y en los costes unitarios de
todos los tipos de tratamiento tienen impactos moderados en los retornos económicos.
4.4.3 Bajo impacto, clase S-III (0,05 – 0,2)

Las variaciones en la cantidad de áreas con baches y el volumen de los vehículos pesados
(que es distinto al de la carga) tienen altos impactos directamente sobre la cantidad de áreas
con baches y las cantidades económicas del bacheo pero, generalmente, tienen bajo impacto
en las necesidades de conservación y rehabilitación. Por lo tanto, la presencia o no de áreas
con baches tiene impacto moderado en la ausencia de una alternativa de bacheo. Las
variaciones en la profundidad media de la rodera y en la desviación estándar, y en el factor de
ajuste del progreso de la profundidad de la rodera tienen cada uno impacto bajo o intangible en
la intervención de conservación de la fisuración, de la regularidad y en los retornos
económicos. El resellado tiene bajo impacto en el retorno económico de la conservación.
4.4.4 Impacto intangible, clase S-IV (< 0,05)

Las variaciones en la compactación de la explanada y en los parámetros de caída de lluvia,
tienen bajo impacto en el progreso de la profundidad de la rodera e intangible en las
intervenciones y en los retornos económicos. Otros efectos de la caída de lluvia están
implícitos en la resistencia del firme (número estructural o desviación) y no se vinculan al
parámetro de la caída de lluvia. Las variaciones en el área de desprendimiento y el factor de
progreso afectan a las áreas con baches pero por lo general tienen impacto intangible en la
intervención de fisuración o regularidad y en los retornos económicos. Las variaciones en las
desviaciones del firme tienen impacto intangible cuando se provee, también, el número
estructural modificado.

Versión 1.0
Sensibilidad de HDM
Tabla 4.4 Clases de sensibilidad para las variables de RDWE
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/
volumen del tráfico •

S-I > 0.50
Desviación3/ • • •
Regularidad • •
Carga anual • • •
Edad • •
Area de fisuración total • •
Area de fisuración ancha • •

S-II 0.20-0.50 Factor regularidad- • •
medioambiente
Factor inicio fisuración • • •
Factor progreso fisuración •
Explanada CBR (con SN) •
Espesor de capa (con SN) • •
volumen de ejes pesados • •
Area con baches • •
Profundidad media de la •
rodera
S-III 0.05-0.20
Desviación estándar de la •
profundidad de la rodera
Factor de progreso de la •
Factor general de la • •
regularidad
S-IV < 0.05 Desvío (con SNC) •
Compactación de la • •
explanada
Caída de lluvia (con Kge) •
Area de desprendimiento •

Versión 1.0
Sensibilidad de HDM
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

Versión 1.0
Sensibilidad de HDM
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.
4.5 Modelos económicos

Será incluida en una próxima edición de este documento

Versión 1.0
Sensibilidad de HDM
5 Adaptación de los datos al modelo

5.1 Introducción
Los datos representan la información particular que describe el caso que se está analizando y
son las entradas específicas al modelo que son requeridas al usuario. Los ejemplos incluyen el
volumen y la composición del tráfico, la geometría de la carretera, el tipo y condición del firme,
los costes unitarios, etc. Estos datos son, por lo tanto, fundamentalmente diferentes a los de los
parámetros y coeficientes internos del perfil del modelo simulado que necesita calibración; un
error en un dato significa que el modelo esta analizando un caso diferente al requerido.
Por ejemplo, la precisión en la entrada de datos puede tener un impacto sustancial en el
momento de las futuras intervenciones, en ocasiones más importantes que la tasa de deterioro.
Esto es debido a que HDM utiliza modelos incrementales y la condición existente es el punto
de comienzo de la modelización. Esto se ilustra en la Figura 5.1 que muestra, para el mismo
criterio de intervención, una diferencia en la condición inicial que marca diferentes momentos
para futuras intervenciones.
Condición
Intervalo fiable
Condición
actual Criterios de
1 intervención
Condición Condición
2 1 2
Intervalo Intervalo
programado programado
Tiempo
Figura 5.1 Efecto de la condición existente sobre las conservaciones

programadas
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.

Versión 1.0
Sensibilidad de HDM
5.2 Concepto de Nivel de calidad de la información (IQL)

Un dato de la información se puede presentar en términos simples o detallados. La imagen de
un objeto distante o a gran altura se verá, desde la perspectiva general, como un perfil. Al
enfocarlo, la cantidad de detalles aumenta y se pueden identificar otras características o
atributos del objeto. El objeto o la información es el mismo, pero la cantidad de información
ha aumentado. En algunos casos el perfil o la situación general están definidos por la calidad
de la información requerida; es decir, el alto nivel o el macro nivel de información, o el bajo
nivel o micro nivel.
El concepto de Nivel de calidad de la información (IQL) definido por Paterson y Scullion
(1990), permite estructurar la información de la gestión de la carretera de forma que cumpla
las necesidades de los diferentes niveles de decisión y de la variedad de esfuerzo y
sofisticación de los métodos para la recogida de datos del proceso. En el concepto de IQL, la
información muy detallada en el nivel bajo (datos del nivel bajo) se puede condensar o agregar
en referencias sucesivas de un nivel alto de IQL (datos de nivel alto) como se muestra en la
Figura 5.2.
DATOS DE ALTO NIVEL
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
DATOS DE BAJO NIVEL
Figura 5.2 Concepto de Nivel de calidad de la información
En la gestión de carreteras hay cinco nivele s identificados para uso general, como se definen
en la Tabla 5.1:
n IQL-1
Representa los siguientes tipos de datos fundamentales:

ο Investigación
ο Laboratorio
ο Teoría
ο Electrónica
Muchos de los atributos de los anteriores están medidos o identificados.

Versión 1.0
Sensibilidad de HDM
n IQL-2
Representa el nivel de detalle típico de la mayoría de los análisis de ingeniería para la

toma de una decisión a nivel de proyecto.
n IQL-3
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
Un resumen o atributos clave que se usa en la planificación, en los informes de gestión a

alto nivel o en recogida de datos con mínimo esfuerzo..
n IQL-5
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.
Tabla 5.1 Clasificación y detalle del Nivel de calidad de la información
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.
4 Resumen de estadísticas básicas de inventario, rendimiento y utilización o intereses de los

proveedores y usuarios. Util para la planificación o programación de modelos sencillos y para la
estandarización de diseños de proyectos de carreteras con muy poco volumen. Es el más simple y
el más básico método de recogida de datos, y puede ser totalmente manual o semiautomático,
proveyendo medidas directas, pero aproximadas, y puede ser usado por administraciones
pequeñas o con pocos recursos. Se pueden calcular, también, las estadísticas a partir de unos datos
más detallados.
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

Versión 1.0
Sensibilidad de HDM
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..

Versión 1.0
Sensibilidad de HDM
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.
5.3 Relación del IQL local con el modelo de HDM

El modelo de HDM, en sus diferentes versiones HDM-III y HDM-4, opera internamente al
nivel primario de IQL-2. Este nivel de modelización de suficiente detalle, se necesita para
hacer el modelo, universalmente aplicable, y podría ser solamente obtenido adoptando
formulaciones empíricas fundamentales, mecánicas y estructurales que se usan para definir los
principios fundamentales prácticos. La otra parte de este nivel de detalle es que muchos
usuarios de HDM-III, en la década pasada, sintieron la necesidad de recolectar todos los datos
en el mismo nivel IQL-2 o rechazar el modelo por su complejidad, si no era realmente
necesario.
En HDM-4, algunas de las simplificaciones de los datos más comunes se han provisto en
forma de botones para sus conversiones, lo que ofrece, por ejemplo, una aproximación a los
datos de entrada del IQL-3 al IQL-2, por lo que se pueden usar en ambos niveles.
Los datos locales se pueden adaptar para su uso en HDM, determinando una conversión para
la transformación de datos a parámetros de HDM y viceversa. La fórmula básica de la
adaptación de los datos locales a HDM es, en primer lugar, transformar los datos locales
(independientemente del IQL que puedan tener) a parámetros de entrada de IQL-2 y
transformarlos posteriormente a datos de salida de IQL-2 en la forma deseada por el usuario,
generalmente, IQL-3 o IQL-4. La recogida de datos adicional, podría ser requerida solamente,
cuando se hayan perdido datos de información indispensable. El proceso se realiza de la
siguiente forma y se ilustra en la Figura 5.3.
1 Los datos locales se reparten en grupos que se relacionan con los grupos de parámetros
de entrada de HDM (estos grupos se ubican en las siguientes cuatro secciones).
2 Identificar y guardar el IQL de cada grupo de datos locales (para propósitos de
información). Aunque parece que los datos de IQL están mezclados se debería
considerar una revisión separada para normalizarlos dentro del IQL más apropiado.
3 Si el dato local es IQL-1, entonces, los datos necesitaran ser combinados o añadidos en
las entradas de HDM, esto es generalmente, un proceso de selección más que de
conversión ya que, las entradas de HDM son parámetros, directamente, calculables.
Estas transformaciones son externas al modelo.
4 En los datos locales del IQL-2, puede haber la necesidad de convertir las unidades de
medida a las unidades internacionales utilizadas en HDM, esto es externo al modelo.
5 En los datos locales de IQL-3, la información es menos detallada que en las entradas de
HDM; es decir, un atributo necesita subdividirse en dos o más atributos. Por eso, es
solamente posible, estimar qué otros valores del atributo podrían no ser únicos. Las
aproximaciones se utilizan como un promedio o valor medio, y se asume que los valores
por encima y por debajo se compensarán unos a otros y el resultado final será
racionalmente preciso. La conversión se puede hacer fuera de HDM. No obstante en
aquellos datos que tienen una transformación interna dentro de HDM-4, la conversión
necesitará ser verificada contra los datos locales reales para asegurar que es razonable y
que se ajusta a la conversión necesitada.

Versión 1.0
Sensibilidad de HDM
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.
Selección de datos Transformaciones Selección de salida de

Modelo HDM
locales IQL externas resultados IQL
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
Transformación o entrada de datos locales directamente a las

Opción A entradas de HDM
Transformación o entrada de datos locales a las

Opción B transformaciones internas HDM (opciones de clases de
datos).
Figura 5.3 Proceso de la conversión de los datos
5.4 Adaptación de las unidades de los datos a las condiciones

locales
Cuando los datos locales se han recogido usando unidades diferentes a las de HDM es
necesario desarrollar una función de transferencia para convertirlos. Esta función puede ser
matemática o por medio de una tabla.
La función se desarrolla conduciendo sondeos paralelos con ambas medidas, la local y la de
HDM, con una muestra general de tramos de la carretera. Una muestra representativa, para la
mayoría de las conversiones, la compone un total de 15 a 20 tramos de carreteras
pavimentadas y de 10 a 15 de carreteras sin sellar. La longitud total de los tramos debería ser,
por lo menos, de 20 km para cada tipo de firme (bituminoso, pavimentado, rígido o sin
pavimentar).
Un ejemplo de la conversión de unidades de Nigeria se muestra en forma tabulada en
(Paterson, 1986) y en forma gráfica en la Figura 5.4. Los datos se basaron en un estudio de
varios tramos con una longitud total de 120 km de carretera pavimentada. En cada tramo, se

Versión 1.0
Sensibilidad de HDM
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.

Versión 1.0
Sensibilidad de HDM
Desprendimiento en la escala "Enduit"
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
Figura 5.4 Forma gráfica de la conversión de unidades-investigación en

Nigeria

Versión 1.0
Sensibilidad de HDM
Tabla 5.2
Conversiones entre unidades locales y parámetros de HDM-III
Ejemplo de la administración de carretera de Nigeria
Forma de deterioro Símbolo Conversión aproximada entre unidades
Deterioro de la capa E 0 1 2 3 4 5
(Enduit)
Area de desprendimiento ARAV 0 0 5 30 70 50

(%)
Area de baches (%)1 APOT 0 0 0 0 0,08 1,0
Fisuración (Fissuration) F 0 1 2 3
Area de fisuración ancha ACRW 0 5 25 50

(%)2
Deformación (deformación) D 0 1 2 3
Area de depresiones (%) ADEP 0 5 10 30
Regularidad (m/km) IRI 2 3 4 5
Profundidad de la rodera3 RDM - -1 3 5
Fuente: Paterson (1986)
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
5.5 Transformación de los datos de entrada de la carretera

En la Tabla 5.3 los cuatro grupos de datos de entrada de la infraestructura de la carretera son:
n Geometría de la carretera
n Condición del firme
n Estructura del firme
n Medioambiente
Están representados en los cuatro niveles de IQL:

n IQL-2 – nivel actual de los datos de entrada directos en HDM-III y HDM-4
n IQL-2B – nivel especial de datos de entrada simplificados para HDM-4
n IQL-3 – información de tipo/clase de los atributos clave dentro de cada grupo de datos
n IQL-4 – información de nivel/grupo

Versión 1.0
Sensibilidad de HDM
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 .
5.5.1 Geometría de la carretera

HDM-4 requiere cuatro parámetros principales que definen las oscilaciones de la curva
horizontal y cinco que definen el régimen de velocidad en la carretera. El IQL-2 se puede
medir con aparatos, pero para estimar el IQL-2B se utilizan métodos simples de apreciación
visual. Un método más aproximado en el IQL-3, es clasificar el alineamiento vertical en cuatro
clases (por ejemplo: llano, irregular, moderado y abrupto) y el alineamiento horizontal en otras
cuatro clases (por ejemplo: recto, poco recto, curvado y tortuoso). El IQL-4 combina los
anteriores en 6 ú 8 combinaciones, de alineamiento vertical y horizontal.
5.5.2 Condición del firme

Hay 12 datos de entrada para la condición del firme en el IQL-2 que tienen medidas
asignadas. Estos se pueden simplificar y aproximar razonablemente bien, por seis índices, uno
para cada forma clave de deterioro (regularidad, fisuración, deformación, desintegración,
textura y fricción) y están definidos por una escala o clase. Un método de alto nivel en IQL-3
simplifica a tres (clase de calidad de la rodada, índice de deterioro de la capa de rodadura y
clase de fricción) que se pueden estimar por un observador capacitado (o alternativamente, se
pueden generar de medidas más detallas). En IQL-4, para los indicadores de rendimiento, se
combinan en una escala de condición del firme que puede ser definida por valores (por
ejemplo, buena, regular y pobre ) o por un índice (por ejemplo, índice de calidad del firme).
5.5.3 Estructura del firme

Hay numerosos parámetros que se pueden especificar para HDM en IQL-2, por ejemplo, 15
para firmes bituminosos, 3 para firmes de hormigón y 14 para carreteras sin sellar. Los
anteriores se pueden simplificar a 8, 2 y 9 respectivamente, por un simple método de
estimación tipo/clase en IQL-2B. En IQL-3, se pueden reducir a 3 (idoneidad estructural,
calidad de la construcción e intervención anterior) para firmes bituminosos, a 1 (idoneidad
estructural) para firmes de hormigón y a 3 (estándar de la grava, transitabilidad de la tierra y
escala de carga) para carreteras sin sellar. Como indicadores de rendimiento en IQL-4, se
pueden resumir a 1 para firmes bituminosos y de hormigón y a otro para carreteras sin sellar.

Versión 1.0
Sensibilidad de HDM
Tabla 5.3
Ejemplos de IQL para datos de la carretera
Nivel de calidad de información

IQL-2 IQL-2B IQL-3 IQL-4
Rampa y pendiente Promedio absoluto
(m/km) de la pendiente (%) Clase de pendiente
Nº de rampas y Nº de cambios en la (4 clases) Clase de geometría
pendientes (nº./km) pendiente (nº./km) (6-8 clases)
Promedio de arqueamiento Nº de curvas por
horizontal (gr/km) clase de velocidad Clase de arqueamiento
Súper-elevación (Clases-frec/km) (4 clases)
Geometr
ía de la Límite de la velocidad
carretera (km/h) Velocidad deseada
Factor de cumplimiento (km/h)
del límite de velocidad Aspectos de la n/a
Rozamiento (factor) velocidad
Reducción de la velocidad (6 clases)
TNM (factor) Factores de
Reducción de la velocidad reducción de la
TM (factor) velocidad
Regularidad de los carriles Regularidad Calidad de la rodada

(m/km IRI) (6 rangos) (clases)
Area de fisuras totales (%
área) Fisuración (escala o
Area de fisuras anchas (% índice universal de
área) fisuración UCI)
Fisuras termales
transversales (nº./km)
Area desprendida (% área)
Condici Nº de baches (uds/carril- Indice de deterioro de Condición del firme
ón km) la capa de (clases)
Desintegración
del firme rodadura(SDI)
Area de rotura del borde (escala)
(m2/km)
Area bacheada (% área)
Profundidad media de la
rodera (mm) Deformación
Desviación estándar de la (escala)
(mm)
Profundidad de la macro Textura superficial
textura (mm) (clase) Fricción de la capa de
Coeficiente de resistencia Fricción (clase) rodadura (clase)
(SF50)
Estructu Tipo de firme (clase) Tipo de firme (clase) Tipo de firme (clase)
ra del
firme
… Continúa

Versión 1.0
Sensibilidad de HDM

Nº estructural del firme
(SNP ajustado)
Desvío(mm BB) Desvío (mm BB)
Espesor del perfilado Espesor de la capa
(mm) de rodadura (clase) Idoneidad estructural
Espesor de la base (mm) Profundidad del del firme (índice)
firme (clase)
Efecto del arcén (factor) Tipo de arcén
Defectos de construcción
del perfilado (índice)
Defectos de la Calidad de la
Bitumin construcción de la base construcción Calidad de la Vida útil restante
oso (índice) (índice) construcción (años)
Compactación relativa (clase)
(%)
Drenaje (índice)
Aspectos del firme Aspectos del firme
(índice) (índice)
Edad del firme (año)
Edad del perfilado (año) Edad del perfilado
(rango)
Area de fisuración total Intervención anterior
anterior (%) (clase)
Area de fisuración ancha Condición anterior
anterior (%) (clase)
Fisuración termal anterior
(nº)
Espesor de la losa (mm) Espesor de la losa
(clase) Idoneidad estructural
Hormigó Módulo de ruptura (MPa) del firme
n Refuerzo de acero (%) Resistencia del (índice)
material (clase)
… Continúa

Versión 1.0
Sensibilidad de HDM

Material del perfilado:
Tipo de material Tipo de material
(clase)
Tamaño máx. de la Tamaño del material
partícula (mm) (clase) Estándar de grava
Tamizado del material 2,0 (clase)
mm (%)
Tamizado del material Grado del material
0,425 mm (%) (clase)
Tamizado del material
Sin 0,075 mm (%) Estándar de
sellar Indice de plasticidad Plasticidad (clase) durabilidad
Material de la explanada: (clase)
Tipo de material Tipo de material

(clase)
Tamaño máximo de la Tamaño de material
partícula (mm) (clase) Transitabilidad de la
Tamizado del material 2,0 tierra (clase)
mm (%)
Tamizado del material Grado (clase)
0,425 mm (%)
Tamizado del material
0,075 mm (%)
Indice de plasticidad Plasticidad(clase)
Estructura:
Profundidad de la grava Escala de carga (clase)
(mm) Profundidad de la
Corte transversal (clase) capa (clase)
Media mensual de lluvia
(mm) Clase de caída de
Duración de la estación lluvia
seca (fracción)
Clasificación de humedad
(clase) Clima (clase)
Clasificación de
temperatura (clase)
Temperatura media anual
Medio- (grados C) Clasificación climática Clasificación climática
ambiente Escala de temperatura (clase) (clase)
(grados C)
Tiempo bajo 0 grados
(días) Clasificación de
Indice de congelación climas fríos (clase)
(grados C/días)
Uso de sal para el deshielo
(clase)
Uso de cadenas (%)
Tiempo de circulación con
nieve (%)

Versión 1.0
Sensibilidad de HDM

Tiempo de circulación con
lluvia (%)
Densidad del aire (kg/m2)
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
n Clasificación climática de frío
En IQL-3 y IQL-4, están resumidos en una clasificación climática con diferentes clases.
5.6 Transformación de los datos de entrada del tráfico

5.6.1 volumen del tráfico
Todos los datos de entrada de IQL-2 incluyen un volumen diario de IMD ajustada para cada
clase de vehículo de la clasificación del parque (ver Tabla 5.4). Este volumen se puede
aproximar en IQL-2B aplicando, apropiadamente, quizá estimando, porcentajes para cada
clase de IMD. Un método de IQL-3 proveería solo dos parámetros; por ejemplo, el volumen
de IMD y el porcentaje de vehículos pesados. En IQL-4, el volumen se podría agrupar por
clase; por ejemplo preferiblemente, colocándolos por factores de tres (por ejemplo, 30, 100,
300, 1000, 3000, 10000, etc.) ya que de esta forma se puede, también, aproximar el umbral de
decisión de la capacidad.
5.6.2 Intensidad del tráfico

Todos los datos de entrada de IQL-2 oscilan entre 14 y 20 parámetros medidos, dependiendo
de las bandas de flujo escogidas. Se podrían simplificar a 7 clases de parámetros, que se
podrían estimar en IQL-2B. En IQL-3 se podrían resumir a dos parámetros (relación
volumen-capacidad y clase de tipo de flujo). En IQL-4 la medida podría ser una clasificación
de la congestión o un indicador del rendimiento como el retraso vehículo/hora por día.

Versión 1.0
Sensibilidad de HDM
Tabla 5.4 Ejemplos de IQL de los datos del tráfico
Nivel de calidad de la información

Volumen (IMD Volumen (IMD
veh/día) veh/día)
Volumen – veh. Porcentaje veh. clase 1

Clases 1 (veh/día)
Volumen – veh. Porcentaje veh. clase n

Clases n (veh/día)
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
Capacidad máxima Capacidad máxima

(pcse/la/h) (Clase)
Capacidad de flujo Capacidad de flujo

libre (%) libre (clase)
Capacidad nominal Capacidad nominal

(fracción) (Clase) Relación volumen
capacidad
Velocidad de atasco Velocidad de atasco a
a máxima capacidad máxima capacidad
(km/h) (Clase)
Intensidad Clase de congestión
Ruido máximo de la Ruido máximo de la
del tráfico (Clase)
aceleración (m/s 2) aceleración. (Clase)
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
Tipo de intersección Tipo de intersección

(clase) (clase)

Versión 1.0
Sensibilidad de HDM
Seguridad Se completará
Emisiones Se completará
5.6.3 Seguridad del tráfico

Será incluida en una próxima edición de este documento.
5.6.4 Emisiones de los vehículos
Será incluida en una próxima edición de este documento.
5.7 Transformación de los datos de salida y producción de

indicadores de rendimiento
En los grupos de datos, que se usan también como datos de salida, los parámetros definidos
para IQL-4 son, generalmente, susceptibles de ser usados como indicadores de rendimiento,
tales como la condición física y la funcional; por ejemplo, condición del firme, congestión del
tráfico, etc. Otros indicadores que son relevantes son los relacionados con la efectividad de las
alternativas de trabajo que se están evaluando, por ejemplo el VAN por coste unitario.
5.8 Precisión de los datos

La precisión en la medida de cualquiera de los parámetros mencionados en este capítulo
podría ser una función del método de recogida de datos y del control de calidad aplicado. Por
lo general, en los diferentes análisis que se hacen, usualmente con HDM, para la gestión de
carreteras, el control de la línea de convergencia (es decir, la posibilidad de reproducir las
medidas por diferentes instrumentos y en diferentes tiempos) es más importante que la
precisión (la posibilidad de repetir las medidas entre ejecuciones sucesivas). Por esta razón, la
calibración de los equipos que se están usando y la verificación independiente de los métodos
no basados en equipos, es vital para controlar el potencial de la línea de convergencia en los
datos de entrada.
Usando la función de sensibilidad en HDM se puede probar el impacto de un error en la línea
de convergencia sobre los datos de entrada. Un estimado aproximado se puede obtener de la
clasificación de sensibilidad, ofrecido anteriormente en este manual.
Cuando se usa un método IQL-3 o IQL-4 para estimar los parámetros de entrada de HDM, es
necesario estimar los valores promedio para los diferentes parámetros que se han combinado
en los parámetros simplificados recogidos. Si todos los valores presentan grandes oscilaciones,
es probable que la línea de convergencia no sea muy grande. No obstante, es muy útil realizar
un ejercicio de verificación para comparar una muestra sustancial de las medidas simples con
las más detalladas, de los parámetros medidos en el mismo tramo o en el mismo flujo de
tráfico.
5.9 Lista de verificación para la adaptación de los datos

Los pasos a seguir para la selección del IQL apropiado de los datos locales y para establecer
una medida de adaptación de los mismos al modelo de entrada de HDM, incluyen lo siguiente:

Versión 1.0
Sensibilidad de HDM
n Seleccionar o verificar que el IQL local es el apropiado para el nivel de decisión y

recursos de recogida de datos disponibles
n Colocar los datos locales en un formato apropiado para la transformación de los datos de
entrada de HDM (IQL-2)
n Determinar una transformación apropiada entre los datos locales y los de entrada de
HDM, usando:
ο estimados disponibles, o
ο lugares de conversión de campo, o
ο relaciones que determinen la conversión
n Aplicar la transformación utilizando relaciones de conversión

Versión 1.0
Modelo de calibración de RUE
6 Modelo de calibración de RUE

6.1 Introducción
La calibración del modelo de RUE está enfocada en asegurar que los parámetros clave del
modelo y los factores de calibración sean los apropiados para las condiciones en las que el
modelo se aplica. Como se describe en el capítulo 2, hay tres niveles de calibración que
pueden producir diferentes niveles de tiempo y recursos. Estos son:
n Nivel 1 – Aplicación básica (ver sección 6.3)
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)
Requiere la medición de parámetros adicionales de entrada y sondeos de campo

intermedios para calibrar las relaciones clave de pronóstico a las condiciones locales. Este
nivel puede producir ligeras modificaciones del código fuente del modelo.
n Nivel 3 - Adaptación (ver sección 6.5)
Produce detallados sondeos de campo y experimentos controlados, para mejorar las

relaciones de pronóstico existentes o para desarrollar relaciones específicas nuevas o
locales, que serán sustituidos en el código fuente del modelo.
La Figura 6.1 muestra las prioridades recomendadas para la calibración de RUE. Se muestran,
en orden de prioridad, los datos que son requeridos y los que se asumirán predefinidos.
Asumir
Requisito Prioridad 1 Prioridad 2
predefinidos
Masa Fuerza
Capacidad Parámetros de los
Nivel 1 Costes unitarios Velocidad neumáticos Todos los demás
Uso Parámetros
Prioridad 1 Prioridad 2 Prioridad 3
Combustible
Velocidad
Fuerza
Nivel 2 Capacidad
Vida útil
Todos los demás
PCSE
Uso
Las prioridades
dependen de los
Nivel 3 recursos y los
objetivos
Figura 6.1 Prioridades de la calibración

Versión 1.0
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.
6.2 Selección de vehículos representativos

Como no es posible modelizar los costes de circulación de los vehículos individuales, el usuario
debe recurrir al uso de vehículos representativos. Existen vehículos cuyas características se
pueden considerar como representativas de todos dentro de ciertas clases. Dependiendo de la
naturaleza del estudio, se puede adoptar cualquier número de vehículos representativos. Este
número estará influenciado por factores como la composición del tráfico, las diferencias
funcionales entre los diferentes tipos, los objetivos del estudio y la disponibilidad y calidad de
los datos. La Tabla 6.1 clasifica los vehículos adoptados en los estudios de HDM-III en un
número de países diferentes Bennett y Greenwood (1999).
HDM-4 permite un número ilimitado de vehículos representativos y usa una gran cantidad de
vehículos representativos para describir el parque de vehículos, lo que puede ser muy
ventajoso. No obstante, las dificultades intrínsecas asociadas a la precisión en la descripción
de las características de los vehículos representativos y el continuo cambio en la composición
del parque, indica que siempre puede haber errores, independientemente del número de
vehículos seleccionado. Por lo tanto, se recomienda que se utilicen, para la mayoría de los
estudios, un mínimo de siete vehículos:
n Motocicletas (MC)
n Coches pequeños de pasajero (PC)
n Vehículos comerciales ligeros (LDV-LGV)
n Camiones ligeros (LT)
n Camiones medianos/pesados (MT-HT-AT))
n Mini bus (LB)
n Autobuses pesados (MB-HB)
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.
6.3 Nivel 1 – Aplicación básica

6.3.1 Masa y factor de deterioro del vehículo: S-II
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.

Versión 1.0
Tabla 6.1 Vehículos representativos adoptados en los diferentes estudios de HDM-III
País MC PC LDV LGV LT MT HT AT LB MB HB Comentarios

S M L
Barbados • • • • • • •
Botswana • • • • • • • •
Canadá • • • • • • • • •
Etiopía • • • • • • • • LGV = 4WD
India • • • • • • • •
India • • • • •
India • • • • • • • •
India • • • • • •
Indonesia • • • • • • •
Indonesia • • • • • • • •
Lesotho • • • • • • •
Malasia • • • • • •
Myanmar • • • • •
Myanmar • • • • • • • Privado/Gob HT
Nepal • • • •
Nepal • • • • Vacío/lleno TM
Nueva Zelanda • • • •
Nueva Zelanda • • • • • • • • •
Rumanía • • • • • •
Tanzania • • • • •
Tailandia • • • • • •
Trinidad • • • • • • •
Uganda • • • • • • • LDV = 4WD
Uganda • • • • •

Versión 1.0
Sudáfrica • • • • •
Fuente: Bennett y Greenwood (1999)

Versión 1.0
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:
[Pe TARE + Ph (0.5 TARE + 0.5 GVW ) + Pf (GVW ) + Po (zo GVW )]

M= …(6.1)
100
donde:
M promedio de la masa del vehículo (kg)

TARE tara del vehículo (vacío) (kg)
GVW peso y carga máxima del vehículo, definido por el fabricante (kg)
Pi porcentaje de vehículos vacíos, medio cargados, cargados y sobrecargados (%)
zo peso relativo de la sobrecarga de GVW (decimal)
Esta fórmula se aplica a camiones con contenedores de 2 y 4 toneladas.
Factor de deterioro del vehículo

Este factor (VDF) es una medida del deterioro causado al firme por un vehículo pesado. Es
una función de la configuración de los ejes y su masa. El VDF se calcula usando la ecuación
(Watanatada et al., 1987a):
n
∑
4
 AX i 
VDFVEHk =   …(6.2)
 SX i 
i =1
∑ VDFVEH
k =1
k
VDF = …(6.3)
z
donde:
VDFVEHk factor de deterioro del vehículo por vehículo k (ESA/vehículo)

VDF factor de deterioro del vehículo para un flujo de vehículos (ESA/vehículo)
AXi carga por eje i (toneladas)
SXi carga estándar por eje para el grupo de ejes j (toneladas)
n número de ejes por vehículo

Versión 1.0
z número de vehículos en la oleada de tráfico
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 .
6.3.2 Datos de la capacidad y de la relación capacidad-velocidad
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:

Versión 1.0
n Qult – capacidad máxima de la carretera
n Qnom – capacidad nominal cuando todos los vehículos transitan a la misma velocidad
n Qo - flujo cuando comienzan las interacciones
n Snom – velocidad en la capacidad nominal
n Sult – velocidad en la capacidad máxima
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
Figura 6.2 Modelo de la relación capacidad-velocidad en HDM
Tabla 6.2
Parámetros predefinidos del modelo de relación capacidad-velocidad en HDM
Ancho Qult Sult

Qnom/
Tipo de carretera Qo/Qult
Qult
(m) (PCSE/h) (km/h)
Carretera de carril sencillo <4 0,0 0,70 600 10
Carretera intermedia 4 a 5,5 0,0 0,70 1800 20
Carretera de dos carriles 5,5 a 9 0,1 0,90 2800 25
Carretera de dos carriles anchos 9 a 12 0,2 0,90 3200 30
Carretera de cuatro carriles >12 0,4 0,95 8000 40
Fuente: Hoban et al. (1994)

Versión 1.0
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
Factor de reducción por porcentaje de zonas prohibidas

Terreno
0 20 40 60 80 100
Llano 1,00 1,00 1,00 1,00 1,00 1,00
Irregular 0,97 0,94 0,92 0,91 0,90 0,90
Montañoso 0,91 0,87 0,84 0,82 0,80 0,78
Tabla 6.4
Factores de reducción de la capacidad por porciones direccionales
Factor de reducción por porciones direccionales

100/0 80/10 80/20 70/30 60/40 50/50
0,71 0,75 0,83 0,89 0,94 1,00

Versión 1.0
Tabla 6.5
Factores de reducción de la capacidad por anchura del carril y el arcén
Ancho utilizable Factor de reducción de la capacidad por ancho de carril (m)

del arcén
(m) 3,6 3,3 3,0 2,7
> 1,8 1,00 0,94 0,87 0,76
> 1,2 0,97 0,92 0,85 0,74
> 0,6 0,93 0,88 0,81 0,70
0 0,88 0,82 0,75 0,66
Nota: Cuando el ancho del arcén es diferente en cada lado, se usa uno promedio.
6.3.3 Promedio de vida útil: S-II

Un vehículo, o cualquier propiedad física, tiene tres medidas en su vida:
n Vida útil – es el período en el que se opera el vehículo
n Vida física – es el período en el que el vehículo existe (aunque no se utilice)
n Vida económica – es el período en el que el vehículo es económicamente rentable su

operación
En HDM-4 solo se considera la vida útil. Se usa para calcular los costes de depreciación de
los vehículos que pueden tener un impacto significativo en el RUE.
En HDM-4 el usuario tiene que definir la vida útil en km proyectada, de un vehículo circulando
en un firme suave. Este valor se usa, entonces, para determinar el efecto de la regularidad en
la vida útil, cuando se usa una técnica de Vida óptima. La vida útil proyectada es la distancia
a la cual es recomendable desechar el vehículo.
Existen diferentes técnicas para calcular la vida útil y estas se revisan en Winfrey (1969). En
una calibración de nivel 1 se deberían obtener las edades de una muestra de vehículos, bien
sea por un pequeño sondeo o por un muestreo de la promoción de venta de los mismos.
Daniels (1974) indica que la vida útil será el doble de la edad promedio. Esto también se
observa en el caso de Nueva Zelanda (Bennett, 1985) donde se utilizaron diferentes técnicas
para estimar la vida útil.
6.3.4 Uso del vehículo: S-II/S-III
Uso anual – número de kilómetros transitados

El kilometraje anual, es decir, los datos del número de kilómetros transitados por año, se utiliza
para calcular el consumo de repuestos y los costes de los intereses.
Con la intención de determinar el kilometraje anual, es necesario tener información detallada
de las edades de los vehículos y de las distancias que han recorrido. La utilización de un
vehículo, generalmente, varía con la edad. En varios estudios se encontró que los vehículos
viejos se utilizaban menos que los nuevos (Daniels, 1974; Bennett, 1985). Es, por lo tanto,
importante que cualquier recogida de datos no se incline a favor de vehículos de una u otra
edad.
Versión 1.0
En una calibración de nivel 1, s muy recomendable la utilización de una fuente de datos

originada de los anuncios publicitarios de los vehículos usados, a la venta. Los periódicos y
otras fuentes similares, ofrecen datos del año y del kilometraje total de una muestra de
vehículos usados. Dividiendo el kilometraje por la edad se obtiene el kilometraje promedio del
vehículo a través de su vida. Se pueden confrontar problemas con vehículos muy viejos ya que
su odómetro puede haber sobrepasado los 100.000 km (o millas) o sus edades pueden estar
erróneas. No obstante, si la muestra es suficientemente amplia estos problemas se minimizan.
Utilización horaria anual – número de horas por año

Existen tres definiciones de la utilización horaria:
n HAV – número de horas en el que el vehículo está disponible , por año
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.

Versión 1.0
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
A efectos de calibración, hay que entender el papel de β. El modelo de velocidad de HDM

pronostica un mínimo probable de cinco basadas en:
n Fuerza
n Frenado
n Alineamiento
n Regularidad
n Velocidad deseada

Versión 1.0
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
Figura 6.3 Efecto de β en la velocidad pronosticada
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

Versión 1.0
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.
6.3.6 Potencia del vehículo: S-III

Solo tiene un efecto significativo en las velocidades cuando la pendiente es positiva y mayor
del 4% para los vehículos ligeros y del 2 al 3% para los vehículos pesados. En una calibración
de nivel 1 la potencia usada se puede estimar a partir de los atributos del vehículo usando las
siguientes ecuaciones:
Vehículos de gasoil
HPDRIVE = 0.70 HPRATED …(6.5)
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:
HPDRIVE = (8.5 x 10 -6 M + 0.53 ) HPRATED …(6.6)
Vehículos de gasolina
HPDRIVE = 1.8 HPRATED -0.3 Pre-1985
HPDRIVE = 2.0 HPRATED -0.3 Post-1985
La ecuación de tecnología moderna de gasolina es una actualización de la tecnología antigua

de Watanatada et al. (1987c) usando datos de Bennett (1994). En su uso en HDM-III los
valores necesitaran ser divididos por el factor de 0,736 para convertirse en MPH.
La escala SAE de potencia del motor está, generalmente, disponible en publicaciones y
fabricantes de motores. Un promedio ponderado se debería calcular basado en la frecuencia
de los tipos diferentes de vehículos y, por lo tanto, en la potencia de los motores del parque de
vehículos.
Aplicando estas ecuaciones es evidente que hay una relación entre la pendiente y el uso de la
potencia, con vehículos que tienen mayor uso de potencia en pendientes mayores (Bennett,
1994). Por lo tanto puede ser necesario aumentar la potencia de conducción de la
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

Versión 1.0
pronosticada usando las ecuaciones anteriores para los vehículos que circulan en condiciones
montañosas.
6.3.7 Tipo de neumático, diámetro y número de ruedas: S-IV

El tipo de neumático y el número de ruedas se usan en HDM-4 para establecer la resistencia a
la rodada. Los neumáticos con cámara ofrecen mayor resistencia a la rodada que los radiales
y la resistencia aumenta al aumentar el diámetro y el número de ruedas.
El tamaño de los neumáticos tiene una nomenclatura estándar. Los dos tipos más comunes se
muestran en la Figura 6.4 junto a una descripción de lo que cada término significa. La
nomenclatura mayor es frecuente en los neumáticos de los camiones y está basada en la
sección nominal expresada en pulgadas. La segunda se usa para todos los vehículos y tiene el
ancho de la sección nominal en mm a lo largo del radio de aspecto1. Para hacer esto más
comprensible, el ancho de la sección se separa del radio de aspecto por una barra inclinada
(/)2. La explicación siguiente, se basa en la segunda definición, es decir, un ancho métrico de
sección nominal. El ancho de la sección de unidades imperiales se puede convertir de pulgadas
a milímetros usando el factor 1” = 25,4 mm.
10.00 R 20 14 (G)
Escala de carga
Relación de capas
Diámetro de Rim en pulgadas
Construcción radial
Ancho de la sección nominal en pulgadas
285/75 R 24.5 14 (G)

Escala de carga
Relación de capas
Diámetro de Rim en pulgadas
Construcción radial
Relación de aspecto
Ancho de la sección nominal en mm
Figura 6.4 Nomenclatura estándar de los neumáticos
La cantidad de bandas y la escala de carga, generalmente, solo se aplica a los neumáticos de

los vehículos pesados por lo que la nomenclatura estándar se reduce a:
xxx/yyRzz …(6.7)
donde:
xxx ancho nominal del neumático (mm)

yy radio de aspecto
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.

Versión 1.0
zz tamaño de la llanta (pulgadas)
En los vehículos ligeros el radio de aspecto de 82 se omite frecuentemente al especificar su

nomenclatura, por ejemplo, se utiliza 175/R13 en lugar de 175/82R13. El valor de 82 se puede
asumir para los vehículos pesados cuando está omitido.
El tipo de neumático puede ser establecido por las especificaciones del fabricante, ya que los
conductores suelen comprar los mismos neumáticos que los que traía el vehículo de fabrica. A
través de los fabricantes y vendedores se puede verific ar esta información. También se puede
realizar un pequeño estudio con informes de neumáticos en una muestra de vehículos, por
ejemplo, en un estacionamiento o en una tienda de camiones.
En una calibración de nivel 1, el diámetro de la rueda se puede estimar de la nomenclatura del
mismo usando la siguiente ecuación (Greenwood, 1997):
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.
6.3.8 Volumen de desgaste de la goma: S-III

El volumen de desgaste de la goma se usa en la modelización del consumo de neumáticos y
dicta la vida del mismo. Los costes son directamente proporcionales al volumen de desgaste de
la goma. En una calibración de nivel 1 se estima a partir del tamaño del neumático usando el
siguiente procedimiento (Bennett, 1998).
En relación a la Figura 6.5, el corte transversal de la banda de rodadura se considera como un
trapecio con las bases superior e inferior representando las mismas de la banda de rodadura (la
parte inferior es la que está en contacto con la carretera).
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)
Figura 6.5 Cálculo de los factores que influencian en el volumen de

desgaste de la goma
El área o zona de desgaste de la goma se calcula como:
LL + LU
AREA = (DE − DEmin ) ARUB …(6.9)
2
donde:
AREA área del corte transversal de la banda de rodadura (mm2)

Versión 1.0
LL longitud de la base inferior del trapecio, es decir, en contacto con la carretera

(mm)
LU longitud de la base superior del trapecio (mm)
DE profundidad de los surcos (mm)
DEmin profundidad mínima de los surcos (mm)
ARUB área de goma versus los surcos (decimal)
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:
VOL volumen de desgaste de la goma (dm3)

DIAM diámetro del neumático (mm)
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:
LL ancho de la banda de rodadura, correspondiente a la longitud de la base inferior

del trapecio
a0, a1 coeficientes de la ecuación (ver Tabla 6.6)
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.

Versión 1.0
Tabla 6.6 Parámetros del modelo de desgaste de goma
Parámetros del Profundidad Ancho de Area de

modelo del ancho de de la banda UL sobre goma
Clase de vehículo
la banda (DE) LL (ARUB)
a0 a1 (mm) (mm) (decimal)
Motocicletas 1,05 -52,5 5 4 0,90
Coches de pasajeros 1,05 -52,5 8 6 0,85
Furgonetas de reparto 1,05 -52,5 8 6 0,85
Tracción cuatro ruedas 1,05 -66,7 9 6 0,85
Camiones ligeros 1,05 -66,7 11 10 0,80
Camiones medianos 1,05 -66,7 15 10 0,70
Camiones pesados 1,05 -66,7 17 10 0,70
Camiones articulados 1,05 -66,7 17 10 0,70
Autobuses ligeros 1,05 -66,7 11 10 0,80
Autobuses medianos 1,05 -66,7 15 10 0,70
Autobuses pesados 1,05 -66,7 15 10 0,70
Camión pesado impulsado por 1,05 -66,7 26 10 0,70

ejes
Camión pesado no impulsado 1,05 -66,7 15 10 0,70

por ejes
Camión pesado con trailer 1,05 -66,7 12 10 0,70
Neumáticos súper sencillos 0,76 -3,8 16 10 0,70
Fuente: Bennett (1998)

La profundidad de la banda de rodadura se puede obtener de las especificaciones del
fabricante, se puede medir fácilmente de una muestra de neumáticos o se puede usar los
valores de la Tabla 6.6. Esta tabla contiene también los valores de ARUB: el área de la banda
de rodadura es un decimal (Bennett, 1998). Esto último puede ser fácilmente medible
observando la diferencia del ancho de los surcos del neumático a través del tiempo.
El volumen de la goma se calcula de la siguiente forma:
1 Establecer el tamaño del neumático para un vehículo representativo (por ejemplo,
175SR13).
2 Calcular el diámetro del neumático de la nomenclatura usando la ecuación 6.8 más atrás.
3 Calcular el ancho LL de la banda de rodadura de la nomenclatura del neumático usando la
ecuación 6.11 más atrás.
4 Establecer el valor del UL relativo al LL de la Tabla 6.6 (por ejemplo, para coches de
pasajeros UL = LL + 6).
5 Establecer el valor de ARUB de la Tabla 6.6 (por ejemplo, para coches de pasajeros
ARUB = 0,85).
6 Establecer la profundidad DE de la banda de rodadura de la Tabla 6.6.

Versión 1.0
7 Establecer el DEmin de la profundidad de la banda de rodadura mínima legal o si no hay

obligación de cumplimiento, se asume un valor de 0 mm.
8 Sustituir los valores de ARUB, DE, DEmin, LL y LU en la ecuación 6.9 más atrás para
establecer el área del neumático.
9 Sustituir el área y el diámetro del neumático en la ecuación 6.10 más atrás para
establecer el volumen de desgaste de la goma.
6.3.9 Parámetros de depreciación

HDM-4 contiene dos métodos para la proyección de la depreciación:
n Vida constante
n Vida óptima
En el método de vida constante se calcula la depreciación como el valor de reemplazo menos
el valor residual1 dividido por la vida del vehículo. Cuando menos del 50% de los viajes
realizados se hacen para uso privado esta vida se ajusta por el número de horas trabajadas. La
calibración de éste método se consigue, por lo tanto, usando los valores calibrados de la
utilización anual, de la vida útil y de las horas trabajadas.
En la calibración de vida óptima, el usuario necesita establecer el promedio de vida útil del
vehículo en una regularidad promedio. Usando el software de Herramientas HDM (ver
Apéndice K ), se pronostica la vida útil como una función de la regularidad. Una ecuación de
regresión se construye con esos datos y se usa en HDM-4. Los detalles de cómo se hace lo
anterior se ofrecen en el Apéndice K .
6.3.10 Coeficiente de fuerza aerodinámica y área frontal proyectada: S-III

Se consideran un conjunto ya que su producto se usa para calcular la resistencia aerodinámica.
Los coeficientes de fuerza aerodinámica son difíciles de obtener ya que los valores de la
literatura existente dependen, en gran medida, de las condiciones en que se probaron. Estos
coeficientes están influenciados, también, por las condiciones de la circulación; el valor cambia
como una función del ángulo del viento (Biggs, 1987). Los valores predefinidos, ofrecidos en
HDM-4, se deberían usar, por lo tanto, aunque se disponga de valores más apropiados.
El área frontal proyectada se obtiene restando el área debajo del vehículo del producto de su
altura por su anchura, máximas. Las especificaciones de los fabricantes de los vehículos
ligeros se pueden usar para determinar las medidas apropiadas. En los camiones y en los
autobuses, se recomienda que los datos se obtengan de un sondeo de campo pequeños, debido
a la gran variedad de configuraciones de las cajas y de las prácticas de carga.
En HDM-4 hay un valor adicional llamado Multiplicador CD (CDmult). Se usa para reflejar
el efecto del viento sobre el coeficiente de fuerza aerodinámica (CD). Bennett y Greenwood
(1999) explican sus cuantificaciones. Su cálculo se hace usando el software Herramientas
HDM como se describe en el Apéndice K . El Multiplicador CD no necesita ser
recuantificado a no ser que tenga un cambio significativo en el valor de CD.
6.3.11 Fuerza de frenado: S-IV

En HDM-III la fuerza de frenado se usaba para establecer la velocidad en las cuestas abajo.
Sin embargo, HDM-4 hace diferencias entre las velocidades en las pendientes cortas y largas
(NDLI, 1995a). En las pendientes cortas la inclinación no tiene efecto en la velocidad.
Cuando la pendiente excede de una longitud crítica la velocidad está definida por la fuerza de
la frenada, lo que reducirá la velocidad del vehículo para mantener el control.

Versión 1.0
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:
HPBRAKE = 10.3 GVW HDM-III …(6.12)
HPBRAKE = 9.3 GVW + 13 HDM-4 …(6.13)
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.
6.3.12 Velocidad del motor

Se usa en HDM-4 para predecir el combustible requerido para mantener la operación del
motor. Depende de la velocidad de la carretera, de la velocidad seleccionada y de la relación
diferencial.
Para calibrar la velocidad del motor se ha desarrollado un modelo de simulación. Bennett y
Greenwood (1999) ofrecen una descripción de sus principios y operación. El Apéndice K
describe la operación del modelo. Este modelo de simulación se debería usar para una
calibración de nivel 1 del modelo de velocidad del motor.
Usando las especificaciones del fabricante se debería establecer un grupo de velocidades y
relaciones diferenciales para una selección de vehículos representativos. Esto se usa como
datos de entrada del modelo de simulación que aplica a un grupo de reglas del comportamiento
del conductor para estimar la velocidad del motor en una escala de velocidades de la carretera.
Los datos de salida del modelo son un grupo de velocidades del motor versus velocidades de la
carretera para cada grupo de características del vehículo suministradas. Estos datos deberían
ser, entonces, analizados usando técnicas de regresión para desarrollar el grupo necesario de
parámetros del modelo para HDM-4. El Apéndice K ilustra el uso de este modelo.
6.4 Nivel 2 – Calibración de las relaciones primarias

6.4.1 Predicción de la velocidad
Medida de la velocidad deseada (VDESIR)

Una calibración de nivel 2 mide la VDESIR. Esto debería ser hecho en un número de tramos
de carreteras que sean llanos, nivelados, con una mínima pendiente y con poca regularidad. La
velocidad libre se debería medir por métodos automáticos o manuales.
Es importante que se observe un número suficiente de vehículos para reducir al máximo los
errores estadísticos. Para el mismo nivel de precisión el tamaño de la muestra es proporcional
a la desviación estándar de las velocidades. Por lo tanto, los países desarrollados con un
tráfico homogéneo, requerirán tamaños menores de las muestras que los países en vías de
desarrollo con un tráfico heterogéneo. El Apéndice I ofrece una técnica para estimar el
1
El valor residual se assume que sera el 1% del precio de reemplazo del vehículo

Versión 1.0
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
Hoban, et al. (1984) HDM- Q Pan (1995) PhD Thesis
CW1 CW2 Ancho de la carretera en m
Figura 6.6 HDM-4 Modelo de velocidad deseada-ancho de HDM-4

Versión 1.0
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.

Versión 1.0
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
1 2 61,0 66,5 5,5 7,9 4,3 3,6 1,5

PC
2 1 66,0 72,5 6,5 7,4 3,7 3,7 1,8
2 2 59,7 70,0 10,3 6,7 3,7 3,0 3,4 2,3
1 1 48,3 52,3 4,0 5,7 4,0 1,7 2,4
1 2 51,4 54,8 3,4 7,9 4,3 3,6 0,9

MCV
2 1 50,6 55,8 5,2 7,4 3,7 3,7 1,4
2 2 53,1 54,8 1,7 6,7 3,7 3,0 0,6 1,3
1 1 57,0 57,3 0,3 5,7 4,0 1,7 0,2
1 2 55,0 56,7 1,7 7,9 4,3 3,6 0,5

BUS
2 1 57,2 60,6 3,4 7,4 3,7 3,7 0,9
2 2 56,7 57,1 0,4 6,7 3,7 3,0 0,1 0,4
1 1 44,3 49,0 4,7 5,7 4,0 1,7 2,8
1 2 44,1 49,0 4,9 7,9 4,3 3,6 1,4

MC
2 1 44,0 50,1 6,1 7,4 3,7 3,7 1,6
2 2 43,1 48,9 5,8 6,7 3,7 3,0 1,9 1,9
Fuente: NDLI (1997)
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).

Versión 1.0
90
80
70
Curva de velocidad en km/h

60
50
40
30
20
10
0
0 100 200 300 400 500 600
Curva del radio en m
Figura 6.7 Efectos del radio de la curva sobre la velocidad, en Tailandia
El dato se completó de la siguiente manera:
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.
Factor de cumplimiento del límite de la velocidad

Este factor es la velocidad a la que el tráfico circula por encima del límite de velocidad
marcado bajo condiciones ideales. Se puede estimar realizando un sondeo de velocidad en una
carretera tangente y comparando las velocidades medias con los límites de velocidad
marcados. El valor predefinido es 1,1 e indica que tráfico transitará por encima del 10% del
límite de velocidad marcado.
6.4.2 Capacidad y relación velocidad-capacidad
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

Versión 1.0
suposición sea absolutamente válida. En este momento, parece no haber un método claro y
confiable disponible.
Estimado de
capacidad
Empírico directo Empírico indirecto
Volúmenes,
Volúmenes y
Avances Volúmenes densidades y Guíados Modelos de
velocidades
observados observados velocidades (por ej HCM) simulación
observados
observados
Figura 6.8 Métodos de estimación de la capacidad
Independientemente del método que se use, es necesario muestrear suficientes intervalos de

tiempo como para obtener un estimado confiable. Normalmente, se miden flujos en períodos de
15 minutos y se convierten posteriormente en flujo horario. En la mayoría de los casos la
capacidad es una condición difícil de calcular fielmente, pero se pueden generalmente
extrapolar los datos recogidos de los flujos más bajos para estimar la capacidad.
Los estimados de capacidad deben incluir la escala de factores que influencian la capacidad.
En la sección 6.3.2 se ofrecen una serie de factores de reducción de la capacidad,
predefinidos. Los análisis de capacidad deberían incluir estos para establecer los valores
locales.
El ancho de la carretera es un factor particularmente importante. La fórmula de HDM se
convierte en una función-paso de la capacidad versus el ancho. No obstante, como se muestra
en la Figura 6.9, otros estudios han considerado la capacidad como una función continua del
ancho. Esto tiene la ventaja de evitar inconsistencias que puedan surgir en las fronteras de las
funciones del paso. La Figura 6.9 muestra, también, las diferentes capacidades encontradas en
distintos países y resalta la importancia de la calibración local.

Versión 1.0
3500
Indonesia (Sweroad,
3000
HDM-95
HDM-95 Dos carriles anchos
Dos carriles
2500
Australia
Capacidad en pcse/h
(McLean, 1989)
2000
India (Kadiyali, 1991)
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
Fuente: Sweroad (1997) y Kadiyali (1991)
Figura 6.9 Efecto del ancho en la capacidad
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:

Versión 1.0
hc avance medio entre los vehículos (s)

El método se basa en la teoría de que en los flujos mayores existen, todavía, dos poblaciones
de vehículos:
n Restringidos (seguidores)
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)
Figura 6.10 Estimado de la capacidad de los flujos observados
La Figura 6.11 es un ejemplo de los resultados del estudio de relación capacidad-velocidad de

Tailandia (HTC, 1999). Esta figura muestra la capacidad de 2121 PCSE/h. Esto se basó en
flujos con un pico de 5 minutos usando registros de datos.
La desventaja de esta fórmula es que las carreteras pueden no siempre alcanzar capacidad.
Por lo tanto, si los lugares son cuidadosamente seleccionados, esta situación se puede
disminuir. Una forma de asegurar los flujos altos es planificar la recogida de datos en eventos
especiales como días de fiesta con flujos de tráfico altos esperados.
Velocidad a capacidad nominal

HTC (1999) estimó la velocidad a capacidad nominal completando una función de regresión
de los datos de velocidad-flujo para los flujos por debajo del punto de ruptura (Qo). Las
capacidades nominales se sustituyeron, entonces, por ecuaciones para establecer las
velocidades correspondientes. Los resultados fueron confiablemente consistentes entre las
diferentes clases de vehículos y sugirieron que la fórmula de HDM que asumía el 85% de la
velocidad libre era demasiado alta y que debería de ser entre el 77-82 %.

Versión 1.0
120
Lugar19A - 6MW
100
80
Velocidad en km/h
60
40
20
0
0 500 1000 1500 2000 2500 3000
Flujo en pcse/h
Figura 6.11 Resultados del estudio de relación capacidad-velocidad en las

carreteras de 6 carriles en Tailandia
Capacidad máxima
Como se explica en HTC (1999): “La velocidad a capacidad máxima es muy difícil de
estimar ya que los flujos se convierten en inestables en la región cuando la demanda excede la
capacidad y se produce un colapso en el flujo que afecta, marcadamente, a las velocidades
menores”. Las medidas de las velocidades en los flujos se deberían usar para determinar una
apropiada velocidad como se indica en la Figura 6.11.
Período de bajo flujo

Hay dos técnicas que se pueden utilizar para investigar el período de bajo flujo (HTC, 1999):
n Fórmula de regresión
Se pueden realizar regresiones lineales para un número de flujos:
<100; <200, <300, <400, <500, etc.
Si no hay interacciones en el tráfico la ecuación resultante no sería estadísticamente
válida1. El límite superior del último rango anterior a una ecuación estadística válida se
toma como punto de ruptura en el que el periodo de bajo flujo acaba.
n Fórmula de velocidad máxima
En cada lugar, se establecen velocidades en los diferentes flujos. El flujo en el que se
observa la mayor velocidad se toma como punto de ruptura. Para tener en cuenta la
variabilidad en los datos, es frecuente promediar los flujos en bandas, ósea 100 PCSE/h.
HTC (1999) encontró que el método de regresión no ofrecía resultados válidos en todos los
lugares, mientras que el método de velocidad máxima si lo hacía. No obstante, el método de
regresión demostró ofrecer resultados más confiables.
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.

Versión 1.0
6.4.3 Equivalencias de espacio de pasajero por coche: S-II/S-III

Las oleadas de tráfico incluyen una escala de vehículos desde coches de pasajeros hasta
camiones pesados. En relación con la capacidad es necesario convertirlas en oleadas
homogéneas de tráfico. Esto se hace en HDM-4 usando los equivalentes de espacio de
pasajero por coche (PCSE). El PCSE se diferencia de la unidad de equivalencia de pasajero
por coche (PCU/PCE) tradicional en que se basa en el área ocupada por el vehículo. El PCU
se basa en el área ocupada y en el rendimiento del vehículo. Puesto que HDM especifica el
rendimiento de los modelos, el uso de PCU/PCE duplicaría los resultados. Por esta razón los
valores de PCSE son siempre menores que los de PCU.
Hoban et al. (1994) describe los valores PCSE recomendados por HDM. Este trabajo se
realizó a partir del anterior Hoban (1987). El PCSE se estableció basado en la presunción de
que cada vehículo tiene una longitud específica así como un avance de líder y seguidor 1
típicos. Usando una velocidad asumida de 72 km/h, Hoban et al. (1994) calculó los valores
básicos del PCSE mostrados en la Tabla 6.8. Estos valores solamente se consideran en el
espacio longitudinal que ocupan los vehículos. Además, los vehículos largos tienden a impactar
los carriles adyacentes, con este efecto “carril adyacente” mayor para los vehículos largos y
en las carreteras más estrechas (Hoban et al., 1994). Esto indicó que los valores PCSE
varían con el ancho como se muestra en la Tabla 6.8.
Tabla 6.8 Valores PCSE por clase de vehículo
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
Rancheras 4,5 1,8 36 40,5 1,1 1,0 1,0 1,0
Autobús pesado 14,0 2,2 44 58,0 1,6 1,8 2,0 2,2
Camión ligero 5,0 2,0 40 45,0 1,3 1,3 1,4 1,5
Camión mediano 7,0 2,2 44 51,0 1,4 1,5 1,6 1,8
Camión pesado 9,0 2,4 48 57,0 1,6 1,8 2,0 2,4
Camión+trailer 15,0 2,5 50 65,0 1,8 2,2 2,6 3,0
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.

Versión 1.0
Los valores PCSE de la Tabla 6.8 se calcularon estableciendo, primeramente, el espacio

ocupado por los coches de pasajeros (predefinido = 36,0 m). Los valores del PCSE básico
para las demás clases de vehículo se determinaron, entonces, por la relación de su espacio
total con el espacio de pasajero por coche. Este valor básico fue, entonces, ajustado
subjetivamente por efectos del ancho para obtener los valores recomendados de las últimas
tres columnas.
La calibración local de los valores PCSE se puede hacer ajustando las presunciones básicas de
la Tabla 6.8 para que reflejen los vehículos locales. El dato más fácil de obtener es el de los
vehículos largos. Los estudios de campo se podrían enfocar en establecer los avances
promedio de los vehículos ofreciendo de ese modo el espacio total. Los detectores de ejes son
bastante útiles en este tipo de trabajo ya que el tiempo entre el primer eje de los vehículos
sucesivos dividido por la velocidad (en m/s) ofrece el total del espacio ocupado.
6.4.4 Consumo de combustible
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.
Modelo de consumo de combustible de HDM-4

Este modelo predice el consumo de combustible como una función de la potencia, de la
siguiente manera:
IFC = MAX (α, ξ Ptot) …(6.16)
que se puede expresar como:
IFC = MAX (α, ξ Ptr + ξPengaccs) …(6.17)
donde:
IFC consumo de combustible instantáneo (ml/s)
α consumo de combustible al ralentí (ml/s)
ξ factor de eficiencia combustible -fuerza (ml/kW.s)

Ptot requisitos totales de fuerza (kW)
Ptr requisitos totales de fuerza de tracción (kW)
Pengaccs fuerza total del motor y los accesorios (kW)
La calibración del modelo de combustible, por lo tanto, se enfoca en los parámetros α y ξ. Se

asume que los modelos usados para predecir la fuerza total han sido correctamente calibrados.
Las ecuaciones usadas para predecir la fuerza total son las siguientes:

Versión 1.0
Ftr = Fa + Fg + Fr …(6.18)
Fa = R1 v 2 …(6.19)
Fg = R2 GR …(6.20)
Fr = R3 + R4 v 2 …(6.21)
Las variables R1 a R4 son simplificaciones de las variables de las ecuaciones actuales de

HDM-4:
R1 = 0.5 RHO CD CDMULT AF …(6.22)
R2 = M g …(6.23)
R3 = FCLIM CR2 (b11 Nw + CR1 b12 M) …(6.24)
R4 = FCLIM CR2 CR1 b13 …(6.25)
Las fuerzas totales son:
Ftr = R3 + (R1 + R4 ) v 2 + R2 GR …(6.26)
v
Ptr = Ftr …(6.27)
1000
Ptr =
[(R3 + R2 GR ) v + (R1 + R4 ) v 3 ] …(6.28)
1000
donde:
v velocidad del vehículo (m/s)

RHO densidad de la masa del aire (km/m3)
CD coeficiente de la tracción aerodinámica
CDMULT multiplicador del coeficiente de la tracción aerodinámica
AF área frontal proyectada
CR1 y CR2 parámetros del modelo de resistencia a la rodada
b11 a b13 parámetros del modelo de resistencia a la rodada
GR pendiente (%)
FLCIM factor de ajuste climático
Calibración usando datos genéricos del consumo de energía

Esta es la mejor forma de calibrar el modelo, ya que los datos están disponibles. Se han hecho
numerosos estudios dirigidos al consumo del combustible y se obtienen fácilmente a través de
la literatura disponible. Yuli (1996) ofrece una buena descripción de la calibración del modelo
de combustible HDM-III, y la conversión de estos resultados al modelo de combustible de
HDM-4. Hay dos parámetros que se deben calibrar:

Versión 1.0
n ξ b)
Eficiencia básica del motor (ξ
n Cambio en la eficiencia del motor a alta potencia
El procedimiento de calibración es el siguiente:

1 Realizar observaciones con el motor al ralentí. De esto se obtiene la tasa de combustible
al ralentí.
2 Realizar una serie de medidas en la carretera, circulando a diferentes velocidades. De
esto se obtiene un grupo de datos comunes a la velocidad y al combustible. Asegurar que
el combustible se expresa en términos de ml/s. Si por ejemplo se midió en ml/km se
convierte a ml/s multiplicándolo por el factor v/1000.
3 Es necesario calcular la potencia requerida por el vehículo en cada velocidad. Usando la
formulación del modelo mecánico de HDM-4 calcular los requisitos de fuerza de tracción
total (Ptr) para las velocidades con medidas de combustible disponibles. Esto se hace
usando la ecuación ofrecida anteriormente para Ptr.
4 Usando los parámetros predefinidos de HDM-4, calcular la potencia del motor y de los
accesorios Pengaccs.
5 La potencia de tracción se corrige para dirigir la eficiencia usando los parámetros
predefinidos de HDM-4 para obtener la siguiente ecuación de potencia total:
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:
Pmax poder máximo especificado para el vehículo
8 Si el análisis no permite el estimado simultáneo de ξb y ehp, se asumen para ehp las

relaciones predefinidas en HDM-4.
Calibración con relaciones existentes

Hay dos formas por las que se pueden usar relaciones existentes para desarrollar los
parámetros calibrados de α y ξ:
n Produciendo datos
n A través de los coeficientes del modelo

Versión 1.0
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.
Coeficientes del modelo

Como se describen en NDLI (1997), un modelo comúnmente usado que ha sido ajustado a los
datos del consumo de combustible es:
+ (A2 S 2 ) + ( A3 IRI ) + (A4 RS ) + (A5 FL )

A1
SFC = A0 + …(6.31)
S
donde:
SFC consumo de combustible específico (1/10000 km)

A0 a A5 coeficiente de regresión
S velocidad (km/h)
RS rampa (m/km)
FL pendiente (m/km)
Como se observa el modelo es compatible con el de HDM-4. Ignorando el término pendiente,

los siguientes son términos que se corresponden entre los dos modelos:
Regresión HDM-4
A0 + A3 IRI (ξ/edt) R3
A1 3600 ξ Pengaccs
A2 (ξ/edt) (R1 + R4)/(3,62)
A4 (ξ/edt) R2
Los términos A0 y A3 están principalmente relacionados con la resistencia a la rodada; A1

con el combustible requerido para operar el motor; A2 con la resistencia aerodinámica y A4
con la resistencia a la pendiente.

Versión 1.0
La calibración se hace de la siguiente forma:

1 Calcular el SFC para un rango de condiciones similar a las descritas anteriormente dentro
de Produciendo datos.
2 El consumo de combustible al ralentí α se obtiene de A1/3600, o ξ Pengaccs.
3 Restar A1/S del SFC total para obtener el consumo de combustible debido a las fuerzas
opuestas al movimiento. Convertir esto al IFC en ml/s dividiendo SFC por la velocidad.
4 Calcular la potencia de tracción total usando las ecuaciones HDM con las características
del vehículo y dividirla por la eficiencia dirigida.
5 Calcular ξ dividiendo IFC por la potencia de tracción, corregida por la eficiencia dirigida.
Al aplicar este método en la India, NDLI (1997) se encontraron algunas inconsistencias entre
los resultados de las ecuaciones indias y los valores predefinidos en HDM-4. En algunos
vehículos los valores sobrepasaron el rango de valores considerado viable, mientras que otros
los igualaron. Este método debería, por lo tanto, aplicarse prudentemente.
6.4.5 Ruido de la aceleración
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
Figura 6.12 Ejemplo de datos de la aceleración en una autopista

Versión 1.0
En HDM-4 el ruido de la aceleración es una función de:

n Interacciones del tráfico (es decir, la relación volumen-capacidad)
n Conductor (σadr)
n Regularidad (σairi)
n Perfilado de la carretera (σaal)
n Tráfico no motorizado - TNM (σanmt)
n Fricción (σasf)
El ruido de la aceleración total se calcula:
σ a = σ at 2 +σan 2 …(6.32)
donde:
σa ruido de la aceleración (m/s2)
σat ruido del tráfico (m/s2)
σan ruido natural (m/s2)
El ruido natural se calcula:
σ an = MAX((σadr 2 + σ aal 2 ), σ asf 2 , σanmt 2 , σairi 2 ) …(6.33)
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.
Medida del ruido de la aceleración

Para medir el ruido de la aceleración es necesario disponer de un vehículo equipado con algún
tipo de registrador de datos. Este debe medir la velocidad o la aceleración en intervalos de 1.
Es preferible medir la velocidad directamente que con un acelerómetro ya que con éste es
necesario identificar los tramos llanos de la carretera para eliminar los efectos de la pendiente.
Existe una variedad de aparatos disponibles de diferentes precios. Un aparato conveniente
incorpora, generalmente, un registro de datos dedicado que monitoriza la velocidad o la
aceleración con una base instantánea. Los sistemas basados en la velocidad son más fáciles
de usar que los acelerómetros, ya que los datos, generalmente, pueden ser directamente
analizados para establecer el ruido de la aceleración.

Versión 1.0
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
Longitud del intervalo del ruido de la aceleración registrado (segundos)
Figura 6.13 Variación del ruido de la aceleración en una muestra de longitud

Versión 1.0
Calibración del ruido del conductor

Se debe calibrar siempre. El ruido del conductor es el que surge cuando un vehículo es
operado bajo condiciones normales de circulación sin efectos del tráfico, de la regularidad, del
perfilado, del TNM o de la fricción.
Las mediciones se deberían hacer en una carretera estándar, de las mejores disponibles, del
tipo de carretera deseado. HDM permite que estas mediciones sean entradas como datos para
las diferentes clases de carretera, por ejemplo, en carreteras de dos o varios carriles.
Si no se hacen otras mediciones (por ejemplo, perfilado) se asume que el ruido natural es
totalmente debido al conductor: σan = σadr.
Calibración del ruido del tráfico

Una calibración de nivel 2 del modelo del ruido del tráfico se diseña tomando las medidas bajo
condiciones de intensa congestión. Esto ofrece el ruido máximo (σamax). Puesto que las
medidas también incluyen el ruido natural, el ruido máximo del tráfico (σatmax) se calcula:
σatmax = σ amax 2 − σ an 2 …(6.34)
El valor de σatmax se usa junto a la relación sigmoidal para predecir el ruido del tráfico en
relaciones intermedias de volumen-capacidad.
Regularidad, perfilado, TNM y fricción

Todos ellos asumen una relación lineal entre la intensidad y el ruido de la aceleración. Las
mediciones se toman en condiciones extremas, por ejemplo con una regularidad de 20 IRI
m/km, y el ruido se interpola linealmente desde un valor de 0 al de la condición extrema. Las
mediciones se hacen de la siguiente manera. El ejemplo se aplica a la regularidad, pero se
puede hacer de la misma forma para los demás factores.
1 Identificar los tramos de la carretera que tienen baja y alta regularidad pero que son
idénticos (es decir, perfilado, tráfico, fricción de la carretera, etc).
2 Medir el ruido de la aceleración en los tramos de baja y alta regularidad en ausencia de
cualquier otra interacción del tráfico.
3 Establecer la diferencia entre estos valores. Esto representa el cambio máximo debido a
la regularidad.
6.4.6 Costes de mano de obra y repuestos

Una calibración de nivel 2 se puede enfocar en la magnitud de los costes así como en los
efectos de la regularidad.
La magnitud de los costes se hace sondeando una muestra de usuarios y estableciendo un
promedio de coste, y ajustando después las predicciones del modelo de mano de obra y
repuestos de HDM para que los costes pronosticados sean los mismos que los sondeados en
las condiciones promedio. Kampsax (1986) usó esta fórmula en Pakistán para HDM-III.
National Trucking Study estableció un coste total de reparación y mantenimiento de 0,35
Rupias/km para los camiones medianos. Usando un promedio de edad de 300.000 km y
promedio de regularidad estimado de 6 IRI m/km, el coste de los repuestos se calculó usando
los parámetros predefinidos de HDM-III y el factor de rotación se redujo al 32,5% del valor
predefinido para obtener los mismos costes.

Versión 1.0
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)
Figura 6.14 Efecto de la regularidad en la aceleración del cuerpo (Opus (1999))
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.

Versión 1.0
Se encontró que en esta investigación no se consideraba en HDM la dependencia velocidad-

regularidad. Los resultados mostraron claramente un mayor impacto de la regularidad en las
aceleraciones del cuerpo a altas velocidades.
6.4.7 Fuerza usada

En una calibración de nivel 2 la fuerza de conducción se establece midiendo las velocidades en
las pendientes. Como se describe en Bennett (1994), hay dos fórmulas que se pueden usar:
n Velocidades a paso tortuga
n Diferencias en la velocidad (o método espacial)
Velocidades a paso tortuga

En los trayectos largos, los vehículos preparados para pendientes, circularán a una velocidad
de paso de tortuga constante, en la que todas las fuerzas están balanceadas. Puesto que no
hay aceleración la velocidad observada se puede sustituir en la siguiente ecuación para
calcular la fuerza usada:
Pu 0.5 RHO CD CDmult AF + R3 3 R4 M g GR

=av+ v + v+ v …(6.35)
M' M' M' 100 M'
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:

Versión 1.0
__ fuerza media usada en un tramo

Pu
v1 velocidad a la salida de un tramo (m/s)

vo velocidad a la entrada de un tramo (m/s)
SL longitud del tramo (m)
T tiempo consumido en recorrer el tramo (s)
HC cambio mayor en el tramo (m)
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.
6.4.8 Fuerza de frenado

En una calibración de nivel 2 la fuerza usada se puede calcular de la velocidad de la misma
forma que la fuerza de circulación. Las fórmulas de la velocidad a paso de tortuga o de la
diferencia en la velocidad se pueden usar (Bennett, 1994). Esto se hace midiendo la
velocidad del vehículo y calculando, entonces, la fuerza de frenado usada (que se expresa
como -Pu).
6.4.9 Vida útil

El método de nivel 2 para estimar la vida útil se realiza a través del uso de la curva de
supervivencia. Esta es una curva que muestra la proporción del número original de vehículos
de un año que se mantienen en servicio. Las curvas para cada año original de registro son
únicas, si bien una representación razonable se puede obtener evaluando la estructura de
edades de los vehículos en uso en una fecha en particular. El Apéndice I muestra como la
curva de supervivencia se obtiene y como el promedio de vida útil se calcula a partir de la
misma.
Si se va a emplear una curva de supervivencia es necesario tener una distribución de la edad
del parque de vehículos existente y registros del número de vehículos originales. En ciertas
circunstancias los datos del origen pueden no estar disponibles o no ser aplicables. Una curva
de supervivencia se puede aún construir obteniendo dos distribuciones de edad de años
separados. Esto mostrará el número de vehículos retirados para cada grupo de edad de las que
se puede calcular una curva de supervivencia.
Estas técnicas ofrecen el promedio de vida útil para el parque como una unidad o una
subsección del parque que opere en cierta área. Es necesario estimar la regularidad ponderada
del tráfico para esa área así como ajustar el valor durante los cálculos de Vida óptima de la
Versión 1.0
regularidad en un firme suave. Esto se hace calculando el producto de la regularidad en la

mayoría de los itinerarios y el volumen del tráfico.
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.
6.4.11 Consumo de lubricante

Se divide en dos componentes:
n Pérdida de aceite debido a la contaminación, y
n Pérdida de aceite debido a la circulación.
La pérdida debida a la contaminación es una función de la distancia entre los cambios de
aceite. La pérdida debida a la circulación es una función del consumo de combustible.
Las pérdidas por la contaminación se pueden calibrar estableciendo las distancias típicas entre
cambios de aceite. Podrían estar basadas en las especificaciones del fabricante pero,
generalmente, son diferentes. Estas pérdidas se calculan como:
OILCAP
OILCONT = …(6.37)
DISTCHG
donde:
OILCONT pérdida por la contaminación (l/1000 km)

OILCAP capacidad de aceite del motor (l)
DISTCHG distancia entre cambios de aceite (km)

Versión 1.0
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.
6.5 Nivel 3 – Adaptación del modelo

6.5.1 Ruido de la aceleración
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.
Calibración del ruido del tráfico

El modelo del ruido del tráfico es una función sigmoidal que ofrece diferentes pronósticos
dependiendo de la relación volumen-capacidad (VCR) y del volumen al que las velocidades
comienzan a afectarse por las interacciones del tráfico (Qo). Esto integra el modelo de ruido
del tráfico con el modelo de relación capacidad-velocidad ya que cuando VCR < Qo
solamente existe ruido natural en lugar de la combinación del ruido natural y del tráfico. El
modelo en HDM-4 es:
1.04
σat = σatmax …(6.38)
(a0 + a1 VCR)
1+ e
Se debería enfocar la calibración de los parámetros a0 y a1 y, a continuación, desarrollar un

modelo nuevo basado en esos parámetros. Esto conlleva a hacer mediciones de σat a
diferentes niveles de VCR y, entonces, componer una curva con los datos. Puesto que es
difícil estimar el VCR, se recomienda que los sondeos se realicen a niveles 1, 0,5 y 0,3 de
VCR. Esto proveerá una indicación de la tendencia en los datos. Se pueden hacer, entonces,
mediciones adicionales para complementar los datos.
Regularidad, perfilado, TNM y fricción

Se asume que hay una relación lineal entre estos factores y el ruido de aceleración. La
recogida de datos de una escala de condiciones de la carretera, demostraría la validez de esta

Versión 1.0
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.
6.5.3 Resistencia a la rodada

6.5.4 Consumo de combustible al ralentí

6.5.5 Eficiencia del combustible

6.5.6 Longitud crítica de la pendiente

6.5.7 Rigidez de los neumáticos

6.5.8 Fuerza de los accesorios del motor

6.5.9 Fuerza de arrastre del motor

6.5.10 Eficiencia de la tracción

6.5.11 Parámetros del desgaste de neumáticos

6.5.12 Consumo de repuestos


Versión 1.0
6.5.13 Horas de mano de obra


Versión 1.0
Calibración de RDWE
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.
Tabla 7.1 Escala de impactos de los factores de deterioro de la carretera
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
Inicio de la fisuración A C B B C B 0,25 0,5 - 2,0 6 Alta
Progreso de la fisuración A C C C C C 0,22 0,5 - 2,0 6
Progreso de la D A B D C C 0,10 0,5 - 2,0 3

profundidad de la rodada
Progreso general de la D D B D C B 0,09 0,8 - 1,2 1 Baja

regularidad
Progreso de área con D D C B C D 0,03 0,3 - 3,0 2

baches
Inicio del D D D C D D 0,01 0,2 - 3,0 1

desprendimiento
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

Versión 1.0
El factor regularidad-medioambiente es claramente el más importante, debido a la extensa

escala de sus valores, seguido por el de inicio y progresión de la fisuración. El factor del
progreso de la regularidad tiene una baja prioridad a pesar de su moderada sensibilidad, ya que
su escala es pequeña como surge de los muchos estudios de validación realizados entre
países. Como se muestra en la tabla, estos ajustes se han agrupado en dos clases:
n Alto impacto
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.
7.2 Nivel 1 – Aplicación básica

Una calibración del nivel 1 ajusta los tres primeros factores de deterioro de la Tabla 7.1 y
mantiene los valores predefinidos de unidad para los restantes, en la mayoría de los casos.
7.2.1 Factor de ajuste regularidad-edad-medioambiente: S-I

Este factor que determina la cantidad de progreso de regularidad que ocurre anualmente en
una base no estructural dependiente del tiempo, esta relacionada con el medioambiente del
firme y es un parámetro de datos de entrada eficaz más que un ajuste de calibración. El factor
ajusta el coeficiente medioambiental m, que tiene un valor básico de 0,023 en el modelo,
representando un cambio anual del 2,3% independientemente del tráfico, es decir:
∆ R te = K ge 0.023 R t …(7.1)
donde:
Kge factor de calibración regularidad-edad-medioambiente (HDM-III)

∆Rte cambio en el componente de la regularidad debido al medioambiente en el incremento
de tiempo de un año de análisis
Rt regularidad al comienzo del año t
En HDM-4, el factor de calibración Kgm es equivalente al factor Kge de HDM-III. A

continuación se explica los usos del Kge.

Versión 1.0
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:
Paso 1 Identificar el medioambiente aplicable a la vecindad próxima al proyecto de la

carretera en términos de las clasificaciones provistas en la Tabla 7.2.
Paso 2 Seleccionar el valor apropiado de m de la Tabla 7.3 de acuerdo a la
clasificación del medioambiente.
Paso 3 Determinar el valor efectivo m, meff, multiplicando m por el factor km según la
construcción y el drenaje estándar de la carretera de la Tabla 7.4, como sigue:
meff = m k m …(7.2)
Paso 4 Calcular Kge de meff como sigue:

meff
K ge = …(7.3)
0.023

Versión 1.0
Tabla 7.2 Clasificación del medioambiente de la carretera
Clasificación por la Descripción Escala de temperatura típica (ºC)

temperatura
Tropical Temperaturas templadas 20 a35

en una pequeña escala
Subtropical - cálido Temperaturas altas en el -5 a 45

día y frías en la noche,
estaciones cálida-fría
Subtropical – fría Temperaturas moderadas -10 a 30

de día, invierno frío
Templada - fría Verano cálido, invierno -20 a 25

fríos
Templada - helada Verano frío, invierno con -40 a 20

heladas
Clasificación por la Indice de Precipitación anual

Descripción
humedad humedad típica típica (mm)
Arida Muy poca caída de lluvia, -100 a-61 < 300

alta evaporación
Semi-árida Poca caída de lluvia -60 a -21 300 a 800
Poco húmeda Caída de lluvia moderada -20 a 19 800 a 1600

o fuerte en estaciones
Húmeda Caída de lluvia moderada 20 a 100 1500 a 3000

en estación cálida
Súper húmeda Mucha caída de lluvia o > 100 > 2400

días de mucha agua
Tabla 7.3
Valores recomendados del coeficiente de medioambiente, m
Clasificación por la temperatura

Clasificación
por la Templada con
Subtropical sin Templada con
humedad Tropical grandes
heladas alguna helada
heladas
Arida 0,005 0,010 0,025 0,040
Semi-árida 0,010 0,016 0,035 0,060
Poco húmeda 0,020 0,025 0,060 0,100
Húmeda 0,025 0,030 0,100 0,200
Súper húmeda 0,030 0,040

Versión 1.0
Tabla 7.4 Modificación del factor del coeficiente de medioambiente de los

efectos del drenaje y la construcción de la carretera
Medioambiente Medioambiente
Construcción y drenaje
sin heladas con heladas
Alta calidad en los materiales y en el drenaje; por ejemplo, 0,6 0,5

autopistas, drenajes libres o materiales no susceptibles a la
congelación, facilidades especiales de drenaje.
Calidad del material normal, drenaje y construcción adecuada para 1,0 1,0
las condiciones de humedad locales y conservación moderada.
Material de diferentes calidades en el firme, incluyendo los 1,3 1,5

susceptibles a la humedad y a la congelación, drenaje inadecuado o
pobremente conservado.
Explanada de tierra sin tratamiento remediativo 1,3 - 2,0 1,2 - 1,6
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.
7.2.2 Factor de ajuste del inicio de la fisuración: S-I

El inicio de la fisuración se pronostica en términos del tiempo en que se hace visible la primera
fisura y cuando la edad del primer perfilado excede este tiempo, se considera que la fisuración
comienza. El factor de ajuste es un multiplicador simple del tiempo de la primera fisura, es
decir:
TY cra = K ci TY (Relación predecible del tipo de perfilado relevante) …(7.4)
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

Versión 1.0
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.
Paso 1 Evaluar la calidad del bitumen refinado disponible:

n Alta calidad (HB)
Refinado por compañías internacionales de petróleo, a partir de crudos con
el menor contenido de cera, para su uso específico en la industria de
autopistas.
n Baja calidad(LB)
Producido por refinerías locales o refinado a partir de crudo con gran
cantidad de cera y pobre resistencia a la oxidación.
Paso 2 Evaluar la posible oxidación por la atmósfera en capas de rodadura expuestas a
climas locales.
n Oxidación alta (HO)
Poca protección de las nubes, alta incidencia de la luz solar, grandes

altitudes, área de ozono.
n Oxidación moderada (MO)
Condiciones mixtas de horas de luz solar y protección de nubes, altitudes

bajas o medias.
n Oxidación baja (LO)
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)
Cuidadoso control de la temperatura y adecuado contenido del cuajado,

poca cantidad de burbujas de aire en la mezcla de asfalto (buena
compactación), alto estándar en la planta de mezclado y en el equipo de
compactación, uso de bitumen suave o mediano (por ejemplo, 80/100
penetración o mayor).
n Regular (FC)
Calidades parecidas, con algunas variaciones, a las anteriores.

n Baja (LC)
Recalentamiento frecuente del cuajado, pobre contenido del cuajado, gran

cantidad de burbujas de aire en la mezcla de asfalto (pobre compactación),
uso excesivo de bitúmenes duros (40/50 o 60/70 penetración).

Versión 1.0
Paso 4 Seleccionar un factor de ajuste basado en la calidad del cuajado, de la oxidación

del clima y de la calidad de la construcción de la Tabla 7.5.
Tabla 7.5
Factor de ajuste de nivel 1 para el inicio de la fisuración
Calidad de la Calidad del Oxidación del clima

construcción bitumen Alta Media Baja
Alta Alta 1,0 1,2 1,5
Baja 0,8 1,0 1,1
Alta 0,8 1,0 1,1

Media
Baja 0,6 0,8 0,9
Alta 0,6 0,8 0,9

Baja
Baja 0,4 0,6 0,7
7.2.3 Factor de ajuste del progreso de la fisuración: S-I

La tasa del progreso de la fisuración, en el año analizado, es una función del área de
fisuración, del tipo de perfilado y otros factores. El factor de ajuste multiplica la cantidad de
aumento en el área de fisuración, por lo que los valores del factor mayores de 1 aceleran el
progreso de la fisuración.
Para una calibración de nivel 1 se recomienda que el factor se tome como el inverso del factor
de inicio de la fisuración, es decir:
1
K cp = …(7.5)
K ci
7.2.4 Factor de ajuste del progreso de la profundidad de la rodera: S-I

En HDM-III, el aumento pronosticado de la profundidad de la rodera, en un año analizado, es
una función determinante de la existente:
n Profundidad de la rodera (-)
n Carga del tráfico (+)
n Resistencia del firme (-)
y ligeramente sensible a las cantidades de:

n Fisuración y caída de lluvia (+)
y si el perfilado es un:
n Refuerzo(-)
La progresión, en sus inicios, es una función positiva determinante de la compactación relativa,

que es la proporción promedio de la densidad de la capa en relación con los estándares de
compactación. A partir del primero al tercer año, la tasa de progresión disminuye y, solamente,
aumenta si existe fisuración y lluvia. El factor de ajuste es un multiplicador directo del aumento
pronosticado ya que un factor más alto acelera el progreso de la profundidad de la rodera.

Versión 1.0
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
En HDM-4, el modelo del progreso de la profundidad de la rodera se ha dividido para

representar, individualmente, los cuatro componentes de la rodera:
n Densi ficación inicial
n Deformación estructural
n Deformación plástica
n Desgaste de la capa de rodadura por el uso de cadenas
Cada componente se puede calibrar independientemente, usando factores de ajuste K
separados (ver capítulo C2, sección 10 del Marco analítico y descripciones del modelo).
Los procedimientos que se ofrecen en esta edición de esta guía, están relacionados
principalmente, con la calibración del pronóstico de las profundidades de la rodera de HDM-
III. Más detalles de la calibración de los modelos del componente de la profundidad en HDM-
4 se ofrecerán en una futura edición. Mientras tanto, los procedimientos que se ofrecen en
esta guía para la calibración de la progresión ayudarán en la planificación de un estudio de
calibración del modelo de la profundidad de la rodera en HDM-4.
En la mayoría de los casos en una calibración de nivel 1 de HDM-III o HDM-4, el ajuste no
se considera necesario. Los resultados económicos del modelo son poco sensibles a la
profundidad de la rodera y los pocos beneficios se derivan de la reducción de la variación de la
profundidad de la rodera asociada a la misma. No obstante, si una de las situaciones
excepcionales mencionadas más arriba, son significativas o dominantes, el usuario podría
considerar algunos ajustes, tales como:
1 Temperatura alta – deformación plástica en el asfalto
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:

Versión 1.0
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.
7.2.5 Factor de progreso de la regularidad general: S-III

Se ha probado que en muchos países y climas, la estructura y los valores del coeficiente del
pronóstico del progreso de la regularidad, son muy confiables, por lo que no se considera
necesario el ajuste en estos factores en una calibración de nivel 1.
7.2.6 Factor de inicio del desprendimiento: S-III

Puesto que el factor de ajuste del inicio del desprendimiento, tiene un bajo impacto en la
mayoría de las aplicaciones, es razonable, generalmente, mantener el valor predefinido de 1.
No obstante, si el desprendimiento y las áreas con baches son, en la práctica, excesivos, el
usuario puede realizar algún ajuste.
El factor de inicio del desprendimiento en HDM incide, solamente, en los tratamientos
superficiales. Su valor podría ser similar al del inicio de la fisuración cuando el desprendimiento
está causado por la oxidación y el endurecimiento del cuajado bituminoso. Una alta incidencia
de agregados minerales hidrofílicos o de minerales silíceos, como cuarcita, puede causar una
alta incidencia de descamación y, por lo tanto, comienzo de desprendimiento. La poca calidad
de la construcción, como piedra contaminada, pobre compactación o demasiada lluvia, tie nen
una fuerte influencia y son identificadas, separadamente, en la variable de entrada de datos de
la Calidad de la construcción (HDM-III) o en el Indicador de defectos de la construcción del
perfilado (CDS), en HDM-4. El factor Krv de HDM-III es equivale nte al factor Kvi en HDM-
4, para el inicio del desprendimiento.
Los valores típicos pueden variar considerablemente (aunque tienen poca importancia en el
modelo), por ejemplo:
1 Sensibilidad del cuajado a la oxidación o al clima
Krv = Kvi = Kci
2 Agregados silícicos y caída de lluvia alta - moderada
Krv = Kvi = 0,5 (0,1 – 0,8)
3 Cuajados modificados con agentes adhesivos o antioxidantes
Krv = Kvi = 1,3 (1,0 – 1,6)
7.2.7 Factor de ajuste de la progresión de las áreas con baches-IV

Puesto que el factor de ajuste del progreso de las áreas con baches tiene un bajo impacto en la
mayoría de las alternativas de conservación excepto en el bacheo y en la conservación
mínima, es razonable en la mayoría de los casos adoptar el valor predefinido de 1. No
obstante, si la desintegración de la capa de rodadura es dominante en la práctica, si se espera

Versión 1.0
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.
7.3 Nivel 2 - Calibración de las relaciones principales

7.3.1 Factor de deterioro medioambiente – edad - regularidad: S-I
Coeficiente de medioambiente del firme (m)
Este coeficiente, m, se puede estimar directamente, a partir de muestras de firmes
seleccionados en diferentes zonas medioambientales. Los tramos de calibración se podrían
seleccionar por el siguiente criterio:
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.
Recoger los siguientes datos:

1 Para todos los tramos

Versión 1.0
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.
7.3.2 Factor de ajuste del inicio de las fisuras: (S-II o S-I)

El inicio de la fisuración se pronostica como la edad del perfilado a la que la fisuración se hace
visible, en un área mínima del 0,5% del área de la calzada (o aproximadamente 1,8 m2 de cada
100 m de longitud). La calibración de nivel 2 toma en cuenta los dos parámetros predictivos
implícito y explícito a través de las observaciones de campo directas. Implicit parameters
incluyen el diseño del material y la edad relacionada con el clima que afectan al
comportamiento del desgaste, los pronósticos de fisuración se calibran, por lo tanto
específicamente, por el tipo de perfilado y de clima.
La mayoría de los tipos de perfilado se representan por ecuaciones separadas, pero en algunos
casos, el usuario puede también desear definir subtipos de los que se esperen comportamientos

Versión 1.0
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

Versión 1.0
se podrían determinar, individualmente, para cada grupo de perfilado-clima a partir de la edad

media pronosticada (PTCI media) y de la edad de inicio observada (OTCI media), de la
siguiente forma:
mean OTCI
Kci = …(7.8)
mean PTCI
{ [
RMSE = SQRT mean (OTCI j - PTCI j ) 2 ] j=1,n
} …(7.9)
7.3.3 Factor de progreso de la fisuración: S-III

El progreso de la fisuración se pronostica como una función del área fisurada y del tipo de
perfilado en una función sigmoidal. La variación de los datos de la progresión es,
generalmente, muy alta, por lo que se requiere que el tamaño de la muestra sea similar al de
inicio de la fisuración a través de la cual la sensibilidad es menor. En general una calibración
originada del factor de ajuste del inicio (similar al nivel 1) se considera adecuada sin recogida
de datos de campo más detallados, es decir:
1
K cp = …(7.10)
K ci
Alternativamente, se puede adoptar la siguiente fórmula basada en un muestreo de campo más

específico:
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:

Versión 1.0
1 La edad pronosticada de inicio de la fisuración, calculada por la relación del modelo

usando una hoja de cálculo el software Herramientas de HDM y ajustarlo por los factores
de ajuste de la calibración determinados en la sección 7.3.2
2 La edad estimada desde el inicio de la fisuración, calculada restando la edad pronosticada
del inicio de la fisuración de la edad observada del perfilado.
3 Componer una curva sigmoidal del área de la fisuración observada versus la estimada
desde los datos de inicio y determinar la edad estimada al 30% de fisuración del área
(ET30) por interpolación o extrapolación.
4 Calcular la edad pronosticada al 30% de área fisurada (PT30) usando la ecuación de
HDM-4 con coeficientes apropiados para el tipo de firme y capa de rodadura.
5 Calcular el factor de ajuste de los valores medios de ET30 y PT30 a través de la
calibración de todos los tramos separados por tipo de superficie .
mean PT30
K cp = …(7.11)
mean ET30
7.3.4 Factor de progreso de la profundidad de la rodera: S-II/S-III

El progreso de la media de la profundidad de la rodera, se pronostica por una relación sencilla
en todos los tipos de firmes flexibles. En HDM-III, la calibración se alcanza comparando las
profundidades de la rodera medias, observada y pronosticada, de una escala de firmes. En
HDM-4 se determina por los cuatro componentes que se pueden calibrar separadamente. La
calibración de nivel 2 se enfoca en el componente de la deformación plástica y se puede
aplicar a cualquier versión de HDM, de la siguiente manera:
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.

Versión 1.0
Evaluación
Para las relaciones del modelo de profundidad de la rodera, ver el capítulo C2, sección 10 del
En cada tramo de calibración j, calcular la media pronosticada de profundidad de la rodera

(PRDMj) y la desviación estándar pronosticada de la misma. Calcular el factor de ajuste de la
progresión media de la profundidad de la rodera por medias geométricas o por valores
logarítmicos (LORDMj y LPRDMj) como sigue:
K rp = Geometric Mean [ORDMj] / Geometric Mean [PRDMj] or

…(7.12)
K rp = [Sum (log ORDMj)] / [Sum(log PRDMj)]
Alternativamente, determinar Krp y el pronóstico de error por la regresión lineal de LORDMj

v. LPRDMj.
7.3.5 Factor de progreso de la regularidad general: S-III

Puesto que la relación del progreso de la regularidad pronostica el cambio de la regularidad por
la influencia de varios factores incluyendo el deterioro, una calibración del nivel 2 de Kgp
requiere una serie de tiempos de, por lo menos, cuatro años de datos confiables de regularidad
en una escala de tramos del firme. Si están disponibles datos históricos, la siguiente guía se
puede usar para determinar que ajustes se deberían hacer a Kgp. De nuevo se enfatiza que,
generalmente, no son necesarios ajustes a este factor general y que es más frecuente que uno
de los factores internos sea el que necesite corrección, por ejemplo, el coeficiente
medioambiental (m o kge), los parámetros estructurales (SNP o YE4) o los coeficientes de
bacheo y áreas con baches. Si se entiende que es necesario el ajuste, entonces, se debería
considerar la posibilidad de realizar análisis más rigurosos como los descritos para una
adaptación del nivel 3 (ver sección 7.4)
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

Versión 1.0
 [AVG( ORI3, ORI4 ) - AVG(ORI1, ORI2 ) ] (OT4 - OT1 ) 

∆ ORI t =   …(7.14)
 [AVG(OT3, OT4 ) - AVG(OT1, OT2 )] 
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.
Paso 3 El valor de pronóstico no ajustado de la regularidad incremental (∆PRIt ) se podría

calcular, para cada tramo calibrado, usando la relación de proyección primaria (ver el
capítulo C2, sección 11 del Marco analítico y descripciones del modelo) usando una
hoja de cálculo o el software Herramientas de HDM, por ejemplo:
∆ PRI t = f{MORI, SNP, YE4, ∆OCX t , ∆ORDS t ∆OPOT, m, MOT, etc.} …(7.16)
Paso 4 Calcular los errores residuales diferenciando los valores observados y pronosticados
de la regularidad incremental para cada tramo j calibrado, por ejemplo:
RESRIj = ∆(PRIj t - ∆ORIj t , ) …(7.17)
Determinar la correlación y la inclinación (b) sin interceptar entre RESRI y MORI.

Si la correlación y la determinación de ‘b’ son significativas, entonces, se determina
el factor de ajuste, Kgp, de la siguiente manera:
K gp = 1+ b …(7.18)
Verificar las otras influencias examinando las correlaciones de dos variables de

RESRIj con otras variables explicativas clave de la ecuación del paso 3; por ejemplo,
MOCX, SNP, MORD, etc.
7.3.6 Factor de inicio del desprendimiento: S-IV

El inicio del desprendimiento se pronostica como la edad del perfilado a la que la erosión del
material de la capa de rodadura comienza a ser evidente en, por lo menos, el 0,5% del área de
la calzada. Puesto que este factor tiene un relativo bajo impacto en los resultados excepto
cuando prevalece la desintegración y las áreas con baches, la relación se podría calcular,
solamente, a nivel 2:
1 Como parte de un estudio comprehensivo de calibración, o
2 Si el tratamiento superficial es un tipo de capa del firme prevaleciente, o
3 Si el desprendimiento es el deterioro que prevalece para un material del perfilado, no
específicamente representado en la relación de tratamiento superficial.
Puesto que el desprendimiento es una demostración de la deficiencia del diseño del material,
de las especificaciones o de la construcción y es una función de la oxidación del cuajado, éste

Versión 1.0
deterioro se puede circunscribir a ciertos distritos, zonas climáticas o a proyectos en ciertas

épocas. Si esta tendencia es evidente, el muestreo de campo debería agrupar las áreas con
problemas similares cuyos efectos se puedan cuantificar y mantener las otras áreas libres de
problemas, en grupos separados.
En el modelo de inicio del desprendimiento en HDM-III ésta disparidad de rendimiento se
recoge en el parámetro de Calidad de la construcción, CQ, que se ajusta a CQ=0 para un
rendimiento normal y CQ=1 para roturas prematuras. En el modelo de inicio de HDM-4 los
defectos de construcción del perfilado se reflejan en el parámetro CDS (ver el capítulo C2,
sección 4 del Marco analítico y descripciones del modelo).
La calibración se puede realizar a los grupos combinados si los valores de CQ o CDS han sido
asignados, o a los grupos separados si se van a determinar valores fraccionales específicos de
CQ o CDS en la calibración.
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
n Edad del perfilado
n Paso anual de ejes (YAX)
n Indicador de los defectos de la construcción evaluado, de los perfilados

bituminosos (CDS)
n Factor de retraso del desprendimiento, evaluado (RRF)
Evaluación
Para las relaciones del modelo de inicio del desprendimiento, ver el capítulo C2, sección 6.1 del
En cada tramo calibrado, el tiempo observado del inicio del desprendimiento (OTRVj) de los
diferentes grupos, se debería ajustar de la siguiente manera:

Versión 1.0
n Area con bajo desprendimiento
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)]
HDM-4 ofrece, también, un factor de calibración separado para el progreso del

desprendimiento Kvp. Se puede obtener de forma similar al factor de inicio o se puede ajustar
para igualar lo contrario del factor del inicio.
7.3.7 Factor de ajuste de las áreas con baches: S-III

En HDM-III, la tasa de progreso de las áreas con baches se ajusta por el factor Kph, pero el
inicio y la contribución de las áreas con baches a la regularidad, son fijos. Como se mencionó
en la sección 7.2.7, esta progresión es altamente variable y, generalmente, difícil de predecir.
Una calibración local es, particularmente, útil cuando el área de baches es grave y prevalece
en una sustanciosa parte de la red de carreteras, puesto que el progreso depende de la
sensibilidad de la base del material a la desintegración y a la humedad y es una función de las
prácticas de construcción y conservación. De otra manera, si las áreas con baches no son
frecuentes o son rápidamente reparadas por una rutina de conservación, no merece la pena
realizar una calibración detallada del progreso de las mismas y por lo tanto se podría omitir.
En HDM-4, la fórmula conceptual de la modelización del inicio y el progreso de baches, se ha

extendido sobre la de HDM-III, y permite ajustes internos separados de las contribuciones del
área con baches a la fisuración estructural, al desprendimiento y al crecimiento de los baches
(ver capítulo C2, sección 7 del Marco analítico y descripciones del modelo).
El procedimiento siguiente está relacionado, solamente, con la calibración del pronóstico de

baches en HDM-III. No se debería intentar el ajuste de ningún coeficiente de HDM-4 en una
calibración de nivel 2.
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.

Versión 1.0
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:
OTPXj = AGES - PTPIj
PTPXj = PTPXj - PTPIj
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 )
7.4 Nivel 3 – Adaptación del modelo

Un estudio de nivel 3 adopta una fórmula fundamental para el desarrollo de los modelos
predictivos, con propósitos de:
1 Mejorar la precisión de las predicciones específicas,
2 Determinar los coeficientes o las nuevas relaciones de los nuevos tipos de deterioro, de
los materiales específicos o de los firmes no directamente incluidos en el modelo, o
3 Realzar la capacidad del modelo, para evaluar la influencia de los factores adicionales en
las relaciones existentes.
La fórmula del nivel 3 utiliza el marco del modelo de RDWE de HDM-4 como el punto de
inicio para identificar un nuevo grupo de coeficientes o algunas modificaciones al grupo de
parámetros explicativos en las relaciones individuales de pronóstico. De esta forma, el usuario
es conducido a hacer el máximo uso de los conocimientos y prácticas existentes. No obstante,
el usuario no está limitado al modelo existente y puede evaluar otros modelos potenciales a su
gusto.
7.4.1 Diseño general y métodos de estudio experimental

La clave del desarrollo exitoso de los modelos de pronóstico que son consistentes y confiables
se basan en la adopción de los principios de diseño experimentales y en las avanzadas técnicas
estadísticas. La importancia de los modelos de los efectos del deterioro y la conservación de la
carretera de HDM y su habilidad para ser transferidos a muchos diferentes países y
condiciones, se deben a las siguientes características fundamentales:
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

Versión 1.0
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
Para los acontecimientos menores, como el inicio de la fisuración, del desprendimiento o

de las áreas con baches, los estudios que están limitados a firmes que muestren indicios
del deterioro, pueden correr el riesgo presentar oscilaciones en su línea de convergencia,
si los grupos no incluyen los firmes que no cumplen la norma o que tienen roturas
prematuras. La aplicación de la estimación de la probabilidad estadística máxima (MLE)
permite al análisis de HDM-III determinar los efectos concurrentes de la edad y el
deterioro y las técnicas de MLD, por lo que se ha convertido en una técnica de fácil
acceso en los softwares de estadística avanzada, disponibles actualmente.
n Análisis de residuales
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
La formulación de los modelos de pronóstico se obtiene, en primer lugar, de:

ο El conocimiento obtenido de la investigación empírica y mecánica,
ο La selección y clasificación de los parámetros explicativos sobre la base de un
modelo mecánico, cuando está disponible, y
ο La adición de otros parámetros en las formas en las que se espera que interactúen,
por ejemplo, en funciones de multiplicación, suma y fuerza.
Los métodos estadísticos avanzados se han usado para probar la validez de las relaciones,
para derivar los coeficientes observados y para determinar el significado real de los
parámetros o grupos de ellos. Por lo tanto, representan los modelos empíricos
estructurados, combinando la teoría mecánica y lógica con los estimados empíricos. Las
formas del modelo resultante son, por lo tanto, puntos de inicio para investigaciones más
profundas. La adaptación del nivel 3 siempre comienza con una reevaluación estadística
de los coeficientes de las relaciones de HDM directamente de los datos locales.

Versión 1.0
7.4.2 Modelos del inicio del deterioro

El procedimiento de muestreo de campo explicado en la sección del nivel 2 (secciones 7.3.2,
7.3.6 y 7.3.7) se debería aplicar con dos modificaciones, que son:
1 Los tamaños de la muestra se deberían doblar o triplicar hasta un mínimo de 30 por

combinación de tipo-material del perfilado; y
2 Los tramos seleccionados para la modelización del inicio del deterioro, se deberían
monitorizar en un período de 4 a 6 años para obtener los datos de progreso del deterioro,
para que las interacciones entre el inicio y el progreso se puedan identificar y catalogar.
Se podrían evaluar dos grupos de modelos:
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.
7.4.3 Modelos de progreso del deterioro

7.4.4 Modelos de progreso de la profundidad de la rodera

7.4.5 Modelos de progreso de la regularidad

7.5 Efectos de los trabajos en carreteras de firme bituminoso:

S-II
En la modelización del deterioro del firme en el ciclo de vida, es imprescindible que se
modelice, adecuadamente, el efecto de los trabajos en la condición del firme. Estos efectos
pueden variar según los tipos de firmes y las prácticas de construcción de los diferentes
países. Esto se ilustra en la Figura 7.1, que compara los efectos del refuerzo sobre la
regularidad en los modelos de HDM-III de un refuerzo con un espesor de 50 mm en Tailandia,
Indonesia y Suecia (NDLI, 1995b).

Versión 1.0
IRI después del refuerzo (m/km)

5
4
HDM-III
Tailandia
Indonesia
3 Suecia
0
0 2 4 6 8 10 12
IRI antes del refuerzo (m/km)
Figura 7.1 Efecto de los refuerzos en la regularidad (NDLI (1995b))
El efecto de los refuerzos en la regularidad es un parámetro crítico que dicta la tasa de

deterioro futuro y, por lo tanto, las actividades de conservación. Es, por esta razón, un
parámetro S-I.
En HDM-III los efectos del refuerzo-regularidad se pronosticaron usando una relación interna
o especificando la regularidad después de la conservación, en las tarjetas de datos de la Serie
C. Desafortunadamente, la relación fue codificada en el modelo y no podría ser adaptada sin
modificar el código fuente. En HDM-4 se pueden especificar los coeficientes de la relación.
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

Versión 1.0
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.
7.6 Deterioro del firme de hormigón

7.7 Efectos de los trabajos en los firmes de hormigón

7.8 Deterioro y efectos de los trabajos en las carreteras sin

sellar

Versión 1.0
Resumen y conclusiones
8 Resumen y conclusiones

Versión 1.0
Referencias
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.

Versión 1.0
Referencias
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.

Versión 1.0
Referencias
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.

Versión 1.0
Referencias
Kampsax International (1986). National Highway Maintenance Study - Pakistan: Final

Report. Report to Pakistan National Highways Board, Islamabad.
Kampsax International & Associates (1992). Pakistan Farm to Market Roads Study. Asian
Development Bank Report, Karachi.
Kampsax - Beca (1990) Provincial Roads y Bridges Investment Programme, Phase II,
Extract Ch 4: Vehicle Operating costs. Final Report. The Independent State of
Papua New Guinea, Department of Transport, Asian Development Bank, New
Guinea.
Kannemeyer, L. y Visser, A.T. (1994). Calibración of HDM-III Performance Models for
Use in the Firme of Sudáfrican National Roads. Paper offered for Presentation at
the January 1995 Annual Meeting of the Transportation Research Board, Washington,
D.C.
Kinhill (1998). Tamil Nadu Project Co-ordinating Consultancy Project. Correspondence
with authors. Madras.
Lea Associates (1988). Saskatchewan Highways y Transportation Firme Management
Información System: PMIS Technical Manual Apéndice I - Vehicle Operating
Costs. Lea Associates Ltd., Vancouver, B.C., Canada.
Liautaud, G. y Archondo-Callao, R. (1994). Brasil Federal Highway Network- A Study to
Define Appropriate Policies, Standards, Budget Allocations y Rehabilitation
Programs y Priorities for the Next Five Years 1995-2000.
Louis Berger International (1990). The Federal Trunk Roads Study - Final Report. Report
to the Federal Ministry of Works y Housing, Nigeria.
McLean, J.R. (1989). Two-Lane Highway Traffic Operations: Theory y Practice. Gordon y
Breach Science Publishers, Melbourne.
McLean, J.R. (1991). Adapting the HDM-III Vehicle Speed Prediction Models for
Australian Rural Highways. Working Document WD TE 91/014, Australian Road
Research Board, Nunawading.
Minderhoud, M.M., Botma, H., y Bovy, P.H.L. (1997). Assessment of Roadway Capacity
Estimation Métodos. Transportation Research Record 1572, pp. 59-67.
Transportation Research Board, Washington, D.C.
Mrawira, D., Haas, R. y Paterson, W.D.O. (1998). Streamlining the World Bank’s HDM-III
Model for Network Nivel Application. Proc. 4th International Conference on
Managing Firmes, Durban.
MRCU (1992). Vehicle Operating Costs in Nepal - Working Paper. Maintenance y
Rehabilitation Co-ordination Unit, Ministry of Works y Transport Department of
Roads, Katmandu.
MVA Consultancy, Institute of Transport Studies (Leeds), Transport Studies Unit (Oxford)
(1987). The Value of Travel Time Savings. Policy Journals, Newbury, Berkshire,
REINO UNIDO
NDLI (1991). Calibración of Vehicle Operating Costs to Tailandia. Report to the
Department of Highways, N.D. Lea International Ltd., Vancouver, B.C., Canada.
NDLI (1992). Tailandia Road Maintenance Project: A.D.B. T.A. 1106-THA Final Report.
N.D. Lea International Ltd., Vancouver, B.C., Canada.

Versión 1.0
Referencias
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.

Versión 1.0
Referencias
Sammour, A. (1992). Feasibility Study Report: Swaileh-Queen Alia International Airport

Road Using Highway Design y Maintenance Standards Model, HDM-III Model.
Report to Ministry of Planning, The Hashemite Kingdom of Jordan.
Sayers, M.W., Gillespie, T.D., y Paterson. W.D.O. (1986). Guidelines for Conducting y
Calibrating Road Regularidad Measurements. World Bank Technical Paper
Number 46, World Bank Publications, Washington, D.C.
Slavik, M.M. (1998). Weighing of Trucks in Motion: Calibración of Equipment y
Correction of Measurements. Proc. 4th International Conference on Managing
Firmes. Vol (1) pp. 68-82. Transportation Research Board, Washington, D.C.
Solminihac, H. E., Echeverria y Salgado, J. (1989). Firme Maintenance Management
Research: The Chilean Experience on Asphalt Firmes. Proc. 11th IRF World
Meeting, Seoul, Korea.
Sweroad (1997). Indonesian Highway Capacity Manual (IHCM) February 1997. Report
to the Directorate General Bina Marga, Sweroad, Bandung.
SWK (1993a). Road Maintenance Study. Report to Roads Department, Ministry of Works,
Transport y Communications, Republic of Botswana. Scott Wilson Kirkpatrick, U.K.
SWK (1993b). Rehabilitation of the Modjo-Awassa Road Project Assessment Study.
Report to Ethiopian Roads Authority of the Transitional Government of Ethiopia, Scott
Wilson Kirkpatrick. Surrey.
SWK (1993c). Feasibility Study of Mubende to Fort Portal Road. Report to the Republic
of Uganda Ministry of Finance & Economic Planning. Scott Wilson Kirkpatrick,
Surrey.
Symonds (1997). Valuation of Travel Time Savings. Transfund Nueva Zelandia Research
Report 93. Symonds Travers Morgan (NZ) Ltd., Wellington.
Transit (1995). Vehicle Repair y Maintenance Costs—Literature Sondeo y Report on
Operator Costs Sondeo. Transit Nueva Zelandia, Wellington.
Transit (1997). Friction & Tyre Abrasion Characteristics of Nueva Zelandia Road
Surfaces. Research Report 94. Transit Nueva Zelandia, Wellington.
Transroute (1992). Road Master Plan Project – Final Report, Apéndice Volumen II.
Report to the Ministry of Communications Roads y Highways Department by
Transroute/Stup/BCL Consortium, Dhaka, Bangladesh.
TRB (1997). Highway Capacity Manual. Transportation Research Board, Washington,
D.C.
TRDF (1982). Vehicle Operating Costs, Fuel Consumption y Tipo de firme Condition
Factors. Report to the FHWA, Texas Research y Develoment Fund.
TRL (1978). A Guide to the Measurement of Axle Loads in Developing Countries Using a
PorTabla Weighbridge. Road Nota 40. Overseas Centre, Transport Research
Laboratory, Crowthorne.
TRL (1988). A Guide to Road Project Appraisal. Overseas Road Nota 5. Overseas Centre,
Transport Research Laboratory, Crowthorne.

Versión 1.0
Referencias
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.

Versión 1.0
Datos y factores de calibración de HDM -4
Apéndice A Datos y factores de calibración de

HDM-4
Este apéndice presenta datos, parámetros del modelo y sus niveles de calibración.

Versión 1.0
Valores de los parámetros usados en los estudios de HDM
Tabla A.1 Datos y parámetros del modelo y sus niveles de calibración en HDM
Explicado Niveles de calibración en los que se

Sub 1 en la deberían establecer valores locales en
Descripción Unidades
modelo sección o lugar de los predefinidos4
apéndice Nivel 1 Nivel 2 Nivel 3
Coeficiente de fuerza aerodinámica 6.3.10 •
Multiplicador del coeficiente de fuerza 6.3.10 •

aerodinámica
Promedio anual de utilización km/año 6.3.4 •
Promedio de vida útil años 6.3.3 •
Nº básico de recauchutados – NR0 •
Velocidad deseada m/s 6.3.5 •
Velocidad del motor – a0 6.3.12 •
RUE Velocidad del motor – a2 6.3.12 •
Velocidad del motor - ralentí 6.3.12 •
Estándar de ejes equivalentes ESA/veh 6.3.1 •
Horas conducidas h/año •
Número de ejes 6.3.7 •
Número de ruedas 6.3.7 •
Tara t 6.3.1 •
Parámetros de depreciación de vida óptima 6.3.9 •

Versión 1.0

...Continúa
Parámetros de depreciación de vida óptima 6.3.9 •
Porcentaje de uso privado % •
Fuerza de frenado kW 6.3.11 •
Fuerza de conducción kW 6.3.6 •
Fuerza especificada kW 6.3.6 •
Area frontal proyectada m2 6.3.10 •
Trayecto en carreteras con agua % •
Trayecto en carreteras con nieve % •
RUE cont. Tipo de neumático 6.3.7 •
Método de utilización 6.3.4 •
Volumen desgastable de goma dm3 6.3.8 •
Diámetro de la rueda m 6.3.7 •
Ruido de aceleración – ruido máximo del 6.4.5 •

perfilado
Ruido de aceleración – ruido máximo del 6.4.5 •

conductor
Ruido de aceleración – ruido máximo de 6.4.5 •

TNM
Ruido de aceleración – ruido máximo m/s 2 6.4.5 •

Versión 1.0

Ruido de aceleración – ruido máximo de 6.4.5 •
regularidad
...Continúa
Ruido de aceleración – ruido del tráfico a1 6.4.5 •
Ruido de aceleración –ruido del tráfico a0 6.4.5 •
Combustible-factor de eficiencia de la ml/kW/s 6.4.4 •

potencia
Combustible – tasa a ralentí ml/s 6.4.4 •
Rotación del modelo de hora de trabajo – 6.4.6 •

K0lh
Translación del modelo de hora de trabajo – 6.4.4 •

K1lh
Pérdida de lubricante por la contaminación l/1000 km 6.4.11 •
Pérdida de lubricante por la circulación 6.4.11 •
Rotación del modelo de repuestos - K0pc 6.4.6 •
RUE cont. Translación del modelo de repuestos - K1pc 6.4.6 •
Relación capacidad-velocidad - nivel de pcse/h 6.4.2. •

interacción de baja capacidad - Qo
Relación capacidad-velocidad – capacidad pcse/h 6.4.2 •

nominal - Qnom
Relación capacidad-velocidad – velocidad a km/h 6.4.2 •

capacidad nominal

Versión 1.0

Relación capacidad-velocidad – velocidad a km/h 6.4.2 •
máxima capacidad
... Continúa
Relación capacidad-velocidad – capacidad pcse/h 6.4.2 •

máxima - Qult
Relación capacidad-velocidad – factores de pcse/veh 6.4.3 •

equivalencia del vehículo
Factor de cumplimiento del límite de 6.4.1 •

velocidad
Velocidad de regularidad - a0 6.4.1 •
Velocidad de regularidad – velocidad mm/s 6.4.1 •

rectificada máxima
Factor crítico de ancho de velocidad CW1 6.4.1 •
Factor crítico de ancho de velocidad CW2 6.4.1 •
Factor del ancho de velocidad deseada - a1 6.4.1 •
Factor del ancho de velocidad deseada – a2 6.4.1 •
Eficiencia del arrastre •
Constante del modelo de hora de trabajo •
Coeficiente de repuestos del modelo de hora •

de trabajo
RUE cont. Factor de congestión del modelo de repuesto •

Versión 1.0

Constante del modelo de repuesto •
Regularidad mínima del modelo de repuesto •
... Continúa
Regularidad del modelo de repuesto •
Edad término del modelo de repuesto - kp •
Exponente de regularidad del modelo de •

repuesto
Curva de la regularidad de los repuestos •
Potencia – potencia de los accesorios del •

motor - Kpea
Potencia – potencia del motor - a0 •
Potencia – potencia del motor - a1 •
Potencia debida al arrastre del motor % •
RUE cont. Resistencia a la rodada - a0 •
Resistencia a la rodada - a1 •
Resistencia a la rodada - a2 •
Factor de resistencia a la rodada - Kcr2 •
Curva de velocidad - a0 •
Curva de velocidad - a1 •

Versión 1.0

Pendiente de la velocidad – longitud de la •
pendiente crítica - a0

pendiente crítica – a1
... Continúa

pendiente crítica – a2
Parámetro de la velocidad - Beta •
Constante del modelo de neumáticos - dm3 •

C0TC
Rigidez del neumático - a0 •
Rigidez del neumático – a1 •
Rigidez del neumático – a2 •
Factor de rigidez del neumático - Kcs •
Coeficiente de desgaste del neumático - dm3/J-M •

CTCTE
Altitud m •
Area de baches % Apéndice D •
Area con fisuración total % Apéndice D •
Area con fisuración ancha % Apéndice D •
Promedio de caída de lluvia m/mes Apéndice D •

Versión 1.0

RDWE Tipo de base Apéndice D •
Desvío del rayo Benkelman mm Apéndice D •
Ancho de la calzada m Apéndice D •
Edad de la construcción años Apéndice D •
... Continúa
Número efectivo de carriles Apéndice D •
Arqueamiento horizontal grados/km Apéndice D •
Media de la profundidad de la rodada mm Apéndice D •
Número de capas de la capa de rodadura Apéndice D •
Límite marcado de velocidad Apéndice D •
Edad de tratamiento preventivo años Apéndice D •
Rampa y pendiente m/m Apéndice D •
Regularidad IRI Apéndice D •
Término de la edad de la regularidad 7.2.1 •
Progreso de la regularidad 7.2.5 •
Profundidad de la textura de la mancha de mm Apéndice D •

arena
Ancho del arcén m Apéndice D •
Número estructural Apéndice D •

Versión 1.0

RDWE cont. Explanada CBR % Apéndice D •
Súper elevación % Apéndice D •
Tipo de capa de rodadura Apéndice D •
Edad del perfilado año Apéndice D •
Costes unitarios de construcción y Apéndice H •

conservación
... Continúa
Area de fisuración total anterior % Apéndice D •
Area de fisuración ancha anterior % Apéndice D •
Fallos de la construcción Apéndice D •
Factor de inicio de la fisura 7.2.2 • •
Factor de progreso de la fisura 7.2.3 • •
Tiempo de demora de la fisuración año Apéndice D •
Ruido de la aceleración máxima m/s 2 6.4.2 •
Número de capas de la base Apéndice D •
Progreso de los baches 7.2.7 • •
Inicio del desprendimiento 7.2.6 • •
Progreso del desprendimiento 7.2.6 • •
Factor de demora del desprendimiento % Apéndice D •

Versión 1.0

RDWE cont. Progreso de profundidad de la rodera 7.2.4 • •
Módulo resilente del hormigón GPa Apéndice D •
Desvío estándar de la profundidad de la mm Apéndice D •

rodada
Espesor de las capas de la base mm Apéndice D •
Espesor de las capas de la capa de rodadura mm Apéndice D •
... Continúa
Promedio anual del tráfico diario veh/día Apéndice E •
TRAFICO Tasa de crecimiento del tráfico %/año Apéndice E •
Distribución horaria del tráfico Apéndice E •
Coste de la carga coste/h Apéndice F •
Coste de los conductores coste/h Apéndice F •
Coste del combustible coste/l Apéndice F •
Coste de la hora de mano de obra coste/h Apéndice F •
COSTES Coste de lubricante coste/l Apéndice F •
UNITARIOS Costes generales coste/año Apéndice F •
Coste del recauchutado del neumático % Apéndice F •
Coste del tiempo de trayecto coste/h Apéndice F •

Versión 1.0

Coste del neumático coste/neumático Apéndice F •
Coste del vehículo coste/vehículo Apéndice F •
Tasa de interés % Apéndice F •
Tasa de descuento % Apéndice H •

ECONOMICO
Período de análisis año Apéndice H •

Versión 1.0
Apéndice B Valores de los parámetros usados

en los estudios de HDM
Este apéndice presenta los valores del parámetro usado en los diferentes estudios de HDM-
III. Son los originados en Bennett (1995).

Versión 1.0
Tabla B.1
Peso de la tara de los vehículos
Referencia País PC LDV LGV LT MT HT AT LB MB HB Comentarios

S M L
NDLI (1994a) Barbados 0,60 0,70 1,10 0,70 1,40 3,50 9,20 2,70 4,80 7,27
SWK (1993b) Etiopía 0,96 1,32 1,32 4,00 7,80 14,70 2,40 8,10
GITEC (1992) Guatemala 1,00 1,50 5,40 12,70 3,10 8,10
RPT (1993) India 0,60 1,20 2,20 8,10 10,00 4,00
NDLI (1991) Myanmar 1,00 1,60 1,60 2,00 4,20 3,00
NDLI (1993) Nepal 1,00 1,30 5,70 3,89
Bennett (1989) Nueva Zelanda 1,00 1,30 1,35 2,00 2,10 12,00 14,50 14,50 10,30 10,30
Zukang et al. (1992) R.P. China 1,00 1,80 1,60 4,10 8,40 7,20 1,40 7,20
Kampsax - Beca (1990) Papua Nueva Guinea 0,90 1,40 2,60 5,50 10,00 15,30
NDLI (1991) Tailandia 1,00 1,30 3,40 7,60 1,40 3,40 12,00
NDLI (1994b) Trinidad 1,00 1,50 1,50 3,00 6,00 10,00
TRDF (1982) USA 1,00 1,20 1,20 1,80 1,50 4,90 7,20 11,20
Nota: Peso de la tara en toneladas.

Versión 1.0
Tabla B.2 Pesos de la circulación de los vehículos
Referencia País PC LDV LGV LT MT HT AT

LB MB HB Comentarios
S M L
Chamala (1993) Australia 0,95 1,15 1,35 2,50 4,50 13,00 21,00 41,00 18,00
Transroute (1992) Bangladesh 1,10 2,10 10,40 9,20
NDLI (1994a) Barbados 0,75 1,00 1,30 1,00 2,05 7,00 16,60 4,70 6,80 9,67
IBRD (1990) Burundi 1,30 3,50 2,20 8,00 15,50 29,40 2,60 LGV es Jeep
GITEC (1992) Guatemala 1,00 2,20 12,70 37,70 6,10 12,10
SWK (1993b) Etiopia 1,40 2,30 2,30 8,40 14,80 29,30 4,40 16,50
TSA (1995) Hungría 1,16 1,16 7,00 7,00 7,00 39,70 13,40
JBP (1990) India 0,90 1,30 1,00 2,00 12,20 16,30 30,00 10,00
RPT (1993) India 0,90 1,50 6,00 16,30 26,00 10,00
INDEC (1988) Indonesia 1,60 2,20 5,50 9,50 14,50 5,50 10,80
Sammour (1992) Jordán 1,00 35,00 11,00
Banco Mundial(1995) Jordán 1,00 35,00 45,00 50,00 11,00
NDLI (1991) Myanmar 1,20 2,10 2,90 5,00 8,20 7,90
NDLI (1993) Nepal 1,20 1,60 15,70 10,00
Louis Berger (1990) Nigeria 1,10 1,70 9,30 33,00 11,50
Bennett (1989) NZ 1,80 2,50 2,55 3,50 5,60 33,20 44,00
CESTRIN (1994) Rumanía 1,36 6,27 10,40 18,60 39,70 12,10
Banco Mundial (1995) Rusia 0,85 2,00 5,00 15,00 20,0 35,00 11,00
Estudio (1993) España 1,10 1,90 12,70 29,70 11,10
TSPC (1992) Sri Lanka 1,10 2,20 4,80 8,30 14,00 15,00 4,80 8,20
NDLI (1991) Tailandia 1,20 1,60 5,70 14,40 2,00 4,50 15,00
NDLI (1994b) Trinidad 1,20 2,50 2,30 5,00 12,50 25,00
RPT (1990) Uganda 1,45 2,00 2,45 10,60 26,00 39,60 2,55 12,50
TRDF (1982) USA 1,10 1,40 1,40 2,00 1,70 7,80 16,30 25,50

Versión 1.0
Nota: Peso de la circulación en toneladas. Se define como la suma de la tara y la carga.

Versión 1.0
Tabla B.3
Area frontal proyectada
PC
Referencia País LDV LGV LT MT HT AT LB MB HB Comentarios
S M L
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
Bennett (1989) NZ 2,72 2,72 2,72 2,72 3,25 5,75 5,75 2,08 6,30 6,30
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
Nota: Area frontal proyectada en m2.

Versión 1.0
Tabla B.4
Coeficiente de resistencia aerodinámica
PC
S M L
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
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
Bennett (1989) NZ
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

Versión 1.0
Tabla B.5
Flexibilidad de la utilización del vehículo
PC
S M L
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
GITEC (1992) Guatemala 0,60 0,80 0,85 0,85 0,85 0,75
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
MRCU (1992) Nepal 0,00 1,00 1,00 1,00
CESTRIN (1994) Rumanía 0,00 0,31 0,42 0,45 0,50 0,80
TSPC (1992) Sri Lanka 0,50 0,50 0,50 0,50 0,50 0,50 0,60 0,60
Arup (1992) Tanzania
NDLI (1991) Tailandia 0,10 0,17 0,21 0,36 0,15 0,17 0,23
NDLI (1994b) Trinidad 0,45 0,80 0,85 0,85 0,85

Versión 1.0
Tabla B.6
Número de horas conducidas por año
PC
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

Versión 1.0
Tabla B.7
Vida útil de los vehículos
PC
S M L
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
NDLI (1993) Nepal 15 10 12 12
CESTRIN (1994) Rumanía 15 15 15 15 15 15
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

Versión 1.0
Notas: Vida útil en años.

Versión 1.0
Tabla B.8
Utilización anual
PC
S M L
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
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
CESTRIN (1994) Rumanía 15 42 55 58 66 70
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
Notas: Utilización en ‘000 km/año.

Versión 1.0
Tabla B.9
Valor del factor de ajuste - α 1 del modelo de consumo de combustible
Referencia País PC LDV LGV LT MT HT AT LB MB HB Comentarios

S M L
NDL I (1994) Barbados 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
SWK (1993a) Botswana 0,80 0,80 0,80 1,00 1,00 0,80 0,80 1,00
IBRD (1990) Burundi 1,00 1,00 1,00 1,00 1,00 1,00 1,00
SWK (1993b) Etiopía 0,80 0,60 0,60 0,80 1,00 0,80 1,00 1,00
GITEC (1992) Guatemala 0,75 0,97 1,00 1,00 1,00 1,00
TSA (1995) Hungría 0,88 1,00 1,00 1,15 1,00 0,60 1,00
JBP (1990) India 0,70 1,00 1,00 0,60 0,70 0,76 0,60 0,60 0,87
INDEC (1988) Indonesia 0,90 0,90 0,90 0,90 0,90 0,90 0,90
Zucang et al. (1992) R.P. China 1,00 0,59 0,59 1,00 0,77 0,98 0,86 1,00
CESTRIN (1994) Rumanía 1,00 1,00 1,00 1,00 1,00 1,00
TSPC (1992) Sri Lanka 0,85 0,85 0,90 0,90 0,90 0,90 0,90 0,90
Arup (1992) Tanzania 0,85 0,95 0,95 0,80 0,95
NDLI (1994b) Trinidad 0,90 1,00 1,00 1,00 1,00 1,00

Versión 1.0
Tabla B.10
Valor del factor de ajuste - α 2 del modelo de consumo de combustible
PC
S M L
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
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

Versión 1.0
Tabla B.11
Potencia usada en la conducción
PC
S M L
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
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
Yuli (1996) R.P. China 58 67,5 98,8 135,3 86.5
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

Versión 1.0
Notas: Fuerza de la conducción usada en MPH.

Versión 1.0
Tabla B.12
Valores de la fuerza del frenado
PC
S M L
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
NDLI (1991) Myanmar 35 42 42 70 195 111
NDLI (1993) Nepal 36 43 171 129
Yuli (1996) R.P. China 32,5 96,6 237,3 355 175,3
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
Notas: Fuerza del frenado en MPH.

Versión 1.0
Tabla B.13
Parámetro del modelo del consumo de repuestos - C0SP
PC
S M L
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
Kampsax - Beca (1990) Papua Nueva Guinea 40,61 40,61 1,86 1,86 10,76
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

Versión 1.0
Tabla B.14
Parámetros del modelo de consumo de repuestos en HDM-III - CSPQI
PC
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
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

Versión 1.0
Tabla B.15
Parámetro del modelo de horas de mano de obra - C0LH
PC
S M L
Predefinido 77,14 77,14 242,0 242,0 301,0 242,0 293,0
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
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

Versión 1.0
Tabla B.16
Parámetro del modelo de horas de mano de obra - CLHPC
PC
S M L
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
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

Versión 1.0
Tabla B.17
Parámetro del modelo de consumo de neumáticos - C0TC
PC
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

Versión 1.0
Tabla B.18
Parámetro del modelo de consumo de neumáticos - CTCTE (x 10-3)
PC
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
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

Versión 1.0
Tabla B.19
Volumen desgastable de la goma
PC
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
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
Notas: Volumen desgastable de la goma en dm3/neumático.

Versión 1.0
Tabla B.20 Factores de deterioro de RDWE de HDM-III usados en diferentes países

Factor de deterioro Tráfico
Composi - Período
IMD/ Caída de Regulari Política
ción del del
Tipo de Millones lluvia -dad de
País firme S/N SN CBR análisis Referencia
firme por ejes conserva-
(espesor en Kci Kcp Kvi Kpp Krp Kge Kgp
estándar m/mes m/km IRI ción
mm) Año
equiva-
lente
Bangladesh Firme existente Carretera N 0,50 2,00 1,00 10,00 1,00 1,30 1,10 NA NA NA NA NA NA NA Transroute (1992)
pavimentada con
subbase de adoquín
“Herring Bone”
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)
Firme nuevo ST20 + Granulada N NA NA NA NA 1,16 1,74 NA NA 25 Baja M ucha NA NA NA
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

Versión 1.0

Composi - Período
ción del del
mm) Año
equiva-
lente
…continúa
Refuerzo en Capa densa bitumen N 0,33- 0,76 NA NA 0,51-1,09 NA NA NA 8 Mucha Media NA NA NA

firme 60-100+Densa/ 0,75
bituminoso abierta +base
bitumen 115+
Hormigón185+base
granulada 100-200
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),
Firme nuevo Capa densa de N 0,83 NA NA 0,51 NA 1,74 NA NA NA Media Mucha NA NA NA

bitumen 40 + base
densa de bitumen 95
+ base granulada
320
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
1,00 2,00 0,50 2,00 1,75 2,00 1,30
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

Versión 1.0

Composi - Período
ción del del
mm) Año
equiva-
lente
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

Versión 1.0

Composi - Período
ción del del
mm) Año
equiva-
lente
(1994)
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
Firme existente Refuerzos y N 0,40- 0,30- NA NA 1,00 0,392(1) 0,8-1,2(4) NA NA NA NA NA Resellado/Refue 20

resellados 0,80 0,70 rzo @ 8 años
(pro, (pro, 0,607(2) 0,6-1,4(5) (1975-1995)
0,63) 0,21)
0,886(3) 0,8-1,2(6)
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

Versión 1.0

Composi - Período
ción del del
mm) Año
equiva-
lente
Resellado en SD10+capa antigua NA NA NA NA 3,00 NA NA 2,3 80 5535-7057 0,03 m/mes 1500 mm/km Mezcla fría 20 10
AC 90 + base BI @ 5años +
granulada150 bacheo+rutina (1974-1984)
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)

Versión 1.0
Datos del usuario de la carretera
Apéndice C Datos del usuario de la carretera

Se explicaron el capítulo 6.

Versión 1.0
Datos del firme y de la carretera
Apéndice D Datos del firme y de la carretera
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.
D.2 Clasificación de los firmes

El modelo de deterioro del firme de HDM incluye diferentes modelos para los diferentes tipos
de firme. Por lo tanto, es necesario establecer un sistema de clasificación que se ajuste al
análisis de HDM-III.
HDM-III considera los siguientes tipos de firme:
n Tratamiento superficial
n Hormigón bituminoso
n Lechada bituminosa en tratamiento superficial
n Resellado en tratamiento superficial
n Resellado en hormigón bituminoso
n Perfilado de mezcla fría granulada
n Refuerzo o lechada bituminosa en 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.

Versión 1.0
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
SMA AP FDA AMAP
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.

Versión 1.0
Tabla D.2
Definiciones de los códigos de los firmes en HDM-4
AM Mezcla bituminosa GB Base granulada
AC Hormigón bituminoso AB Base bituminosa
HRA Mezcla bituminosa en caliente AP Firme bituminoso
PMA Bitumen de polímero modificado SB Base estabilizada
RAC Mezcla bituminosa mejorada con caucho CRS Piedra molida
CM Mezcla bituminosa suave (mezcla fría) GM Grava natural
PA Bitumen poroso CS Estabilización de cemento
SMA Almácigo de piedra LS Estabilización de limo
ST Tratamiento superficial TNA Perfilado fino de bitumen
CAPE Sellador de capa FDA Profundidad total de bitumen
DBSD Tratamiento superficial bituminoso doble
SBSD Tratamiento superficial bituminoso

sencillo
SL Lechada bituminosa
PM Penetración de macadán
xx Definido por el usuario
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
AMGB AM GB Mezcla bituminosa en base granulada
AMAB AM AB Mezcla bituminosa en base bituminosa (macadán

bituminoso denso)
AMSB AM SB Mezcla de asfalto en base estabilizada
AMAP AM AP Mezcla bituminosa en firme de bitumen
STGB ST GB Tratamiento superficial en base granular
STAB ST AB Tratamiento superficial en base bituminosa (macadán

bituminoso denso)
STSB ST SB Tratamiento superficial en base estabilizada

Versión 1.0
STAP ST AP Tratamiento superficial en firme bituminoso
Aunque es sencilla la clasificación de los nuevos firmes como tratamiento superficial u

hormigón asfáltico, una vez han recibido el tratamiento de conservación, ésta clasificación se
vuelve muy complicada.
Si no existen registros adecuados de la conservación, la única forma de clasificar un firme en
una de las categorías post-conservación es realizando sondeos de campo y reunir los datos en
una muestra de firmes.
D.3 Datos generales de la carretera

HDM-III requiere que el usuario especifique las siguientes características de la geometría del
firme:
n Rampa y pendiente (m/km)
n Arqueamiento horizontal (grados/km)
n Ancho de la calzada (m)
n Ancho del arcén (m)
n Súper elevación (m/m)
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:
e súper elevación (m/m)

C arqueamiento (grados/km)
a0 constante (0,012 para carreteras pavimentadas; 0,017 para carreteras sin sellar)
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:

Versión 1.0
Ancho (m) Número de carriles efectivos
< 4,5 1,0
4,5 – 6,0 1,5
6,0 – 8,0 2,0
8,0 – 11,0 3,0
> 11,0 4,0
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.
D.4 Características del firme
D.4.1 Resistencia: número estructural modificado y desvío

HDM-III requiere que la resistencia del firme se calcule en términos del número estructural
modificado (SNC) y del desvío del rayo Benkelman. En HDM-4 el desvío se puede obtener
por un deflectómetro de peso (FWD).
Lo ideal sería obtener los datos de estas dos características de HDM pero el SNC es,
frecuentemente, difícil de cuantificar con precisión.
El SNC es el número estructural del firme aumentado para reflejar la aportación de la
explanada. Cuando está disponible el historial de la capa del firme, es posible calcular el SNC
del espesor de las capas individuales usando los coeficientes de resistencia apropiados de
Watanatada et al. (1987a). Es necesario, también, suministrar un estimado in situ de la
explanada CBR para calcular la aportación de la misma. No obstante, es importante tener en
cuenta que estos coeficientes están basados en pruebas de laboratorio de los materiales,
mientras que el SNC debería reflejar su rendimiento actual en el campo.
En los casos en los que el historial de la capa del firme no está disponible, el SNC se puede
calcular por el desvío del rayo Benkelman usando las siguientes ecuaciones (Watanatada et
al., 1987a):
SNC = 3.2 DEF -0.63 Si la base no es de hormigón …(D.2)
SNC = 2.2 DEF -0.63 Si la base es de hormigón …(D.3)
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

Versión 1.0
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.4.2 Historial del firme: edad del perfilado y de las capas

En cada tipo de firme es necesario especificar su historial en términos de la edad del último
perfilado, del número de capas y de su espesor.
Muchas administraciones mantienen los historiales, por lo que esos datos se pueden usar
fácilmente. Cuando no están disponibles es necesario, en la mayoría de los casos, realizar
sondeos de campo.
La edad del firme se puede estimar a través de conversaciones con el personal de
mantenimiento. Otra buena fuente son los residentes locales cercanos a la carretera,
particularmente los relacionados con la industria de la hostelería; ya que este grupo de
población se ve influenciado por los aumentos en sus negocios debido a la mayor afluencia de
público relacionado con los trabajos de mejora de las carreteras.
La información de la capa del firme es la más difícil del obtener. Cuando hay grupos de
estándares se puede asumir un espesor estándar de la capa de rodadura basada en una edad
promedio estimada y el número típico de años entre los tratamientos de conservación.
D.4.3 Factores del drenaje y del medioambiente

El modelo de deterioro del firme de HDM-III se pronostica bajo la premisa de que tiene un
buen drenaje. Puesto que en la práctica esto no es siempre la realidad, es necesario ajustar el
modelo para reflejar los defectos del drenaje. De igual forma, el modelo se debe ajustar para
que refleje las diferentes condiciones del medioambiente. Las técnicas para hacer esto se
explican en la sección 4.1.6 de Watanatada et al. (1987a).
D.5 Condición del firme
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.

Versión 1.0
Puesto que la respuesta de un vehículo a la regularidad de la carretera depende de las

características del sistema de suspensión, de los neumáticos y otros factores, es necesario
calibrar el vehículo a partir de una referencia de regularidad estándar. El Indice de regularidad
internacional (IRI) fue desarrollado por el Banco Mundial (Sayers et al., 1986) y está basado
en una compleja simulación de la suspensión de un vehículo. HDM-III utilizaba QI pero desde
que IRI se ha convertido en el estándar internacional, todas las regularidades se deberían
expresar en términos de IRI m/km. La conversión entre QI e IRI es 1 QI = 13 IRI m/km.
Para calcular el IRI es necesario obtener un perfil preciso de la capa del firme de un número
de tramos probados. Es a partir de este perfil que se calcula el IRI. El vehículo circula,
entonces, sobre estos tramos y se desarrolla una ecuación de regresión entre esas lecturas
métricas y la regularidad de referencia. Esto constituye la calibración métrica de la
regularidad.
Una vez que se ha calibrado el vehículo, es necesario medir la regularidad de los firmes. Para
esto se deberían considerar varios puntos a la hora de realizar las medidas.:
n Intervalo del muestreo
Lo mejor es registrar la regularidad en intervalos prácticos lo más cortos posibles, por

ejemplo, cada 100 metros. Si se usan tramos mayores de 1 km, los tramos cortos o firmes
en peores condiciones se podrían diluir en otros tramos de mejor condición.
n Mediciones de la velocidad
Se deberían hacer a velocidad estándar sencilla. Cuando se dispone de medidores y la

regularidad es poca, se pueden sobrepasar los 80 km/h. Si se utilizan diferentes
velocidades, es necesario realizar ecuaciones de calibración para cada una.
n Carga del vehículo
El vehículo se debería calibrar y circular con cargas estándar. Además la presión de los
neumáticos debería ser también estándar.
D.5.2 Deterioros de la capa de rodadura

HDM requiere que la condición del firme se especifique en términos de las áreas de fisuras
totales, fisuras anchas (> 3 mm), desprendimientos y baches. También requiere la media y la
desviación estándar de la profundidad de la rodera. Es importante que los valores entrados
para estas características estén basados al menos en algún sondeo de campo.
Al igual que en la regularidad, se recomienda que estos parámetros se midan en intervalos
cortos de 200 m. Si se utilizan intervalos más largos, como por ejemplo de 1 km, se encontrará,
frecuentemente, alguna fisuración en el intervalo, aún si está relegada a un tramo corto. En el
análisis de HDM-III el tramo entero será tratado como fisurado y alcanzará unos resultados
marcadamente diferentes que si se realizara el análisis, por ejemplo con 80% no fisurado y
solamente el 20% fisurado.
D.5.3 Rodera
D.5.4 Baches

Versión 1.0
D.6 Alternativas de conservación

La Tabla D.4 ilustra la escala de alternativas de conservación que se adoptaron en un estudio
en la India (NDLI, 1997). Hay diferentes puntos importantes en esta tabla.
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.

Versión 1.0
Tabla D.4 Ejemplo de tratamientos de conservación
Carga Firme existente Nueva construcción

acumu
Estructura del
lativa Recons- Rehabi- Refuerz Refuerz CBR CBR CBR CBR CBR
firme
(ESA x trucción litación o medio o fino <3 3-6 7-11 12-19 > 20
106)
Bitumen (BC) 70 70 40 45 30 30 30 30 30
Bitumen (DBM) 0 0 0 0 40 40 40 40 40
Nivelado de 0 0 30 20 0 0 0 0 0
bitumen
Base 200 200 0 0 200 200 200 200 200
<25 Sub-Base 200 0 0 0 250 300 240 150 100
Nivelado granular 75 50 0 0 0 0 0 0 0
Explanada 0 0 0 0 375 100 0 0 0
seleccionada
Total 545 320 70 65 895 670 510 420 370
SN (existente) o 3,0 1,9 0,9 0,4 4,5 4,5 4,5 4,5 4,5
SNC (nuevo)
Bitumen (BC) 30 30 40 40 30 30 30 30 30
Bitumen (DBM) 40 40 70 20 70 70 70 70 70
Nivelado de 0 0 30 20 0 0 0 0 0
bitumen
Base 200 200 0 0 225 225 225 225 225
25 to 80 Sub-Base 200 0 0 0 300 300 300 350 275
Explanada 0 0 0 0 550 350 175 0 0
seleccionada
Total 545 320 140 80 1175 975 800 675 600
SN (existente) o 3,2 2,1 1,1 0,6 6,0 6,0 6,0 6,1 5,9
SNC (nuevo)
Bitumen (BC) 40 40 40 40 30 30 30 30 30
Bitumen (DBM) 60 60 100 50 70 70 70 70 70
Nivelado de 0 0 30 20 0 0 0 0 0
bitumen
Base 200 200 0 0 250 250 250 250 250
> 80 Sub-Base 200 0 0 0 300 300 300 300 325
Explanada 0 0 0 0 625 400 225 100 0
seleccionada
Total 575 350 170 110 1275 1050 875 750 675
SN (existente) o 3,5 2,4 1,4 0,9 6,9 6,4 6,4 6,4 6,4
SNC (nuevo)
Fuente: NDLI (1997)
D.7 Tramos homogéneos

Todos los análisis económicos utilizan tramos homogéneos. Son tramos de la carretera en los
que sus características son consistentes. Hay dos fórmulas para definir los tramos:

Versión 1.0
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,
n Condición de un tramo largo – cada 1000 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
Figura D.1 Tramos fijos versus dinámicos
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:

Versión 1.0
n Regularidad
n Resistencia
n Ancho
n Volumen del tráfico
n Medioambiente
El proceso de seccionado se puede visualizar cuando se circula a lo largo de una carretera.

Cada vez que un atributo cambia cierta cantidad se podría crear un nuevo tramo, por
ejemplo si:
n Regularidad – cambia más de x IRI m/km a partir de la regularidad media del tramo en
ese punto
n Resistencia – cambia más de y de la resistencia media del tramo en ese punto
n Ancho – cambia más de z m del ancho medio del tramo en ese punto
n Cambia la IMD en el tramo
n Cambia de urbana a rural, o viceversa
n Cambia de normal a “black cotton soil”, o viceversa
Habiendo establecido los tramos homogéneos, es necesario preparar un archivo sencillo de

datos para su uso en la modelización de HDM. Esto se hace usando una segmentación
dinámica y se ilustra en la Figura D.2. Dependiendo de los atributos de los datos, el usuario
tomará el promedio, el promedio ponderado, el máximo, el mínimo o el dominante.
500 m 300 m
Sección 1 Sección 2
IMD 500 1000

Nº coef. rozamiento 5 7
Desvío (mm) 0,02 0,04
Tipo defirme Flexible Rígida
Coste de conservación $750 $1.000
Segmetación dinámica
800 m
Tramo nalizado
IMD 688 Promedio ponderado

Nº coef. rozamiento 5 Mínimo
Desvío (mm) 0,04 Máximo
Tipo de firme Flexible Dominante
Coste de conservación $1.750 Suma
Figura D.2 Ejemplo de segmentación dinámica

Versión 1.0
Datos del tráfico
Apéndice E Datos del tráfico
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.
E.2 Volumen y composición del tráfico

La intensidad del tráfico es el número de vehículos que pasa por un punto en un momento
específico:
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)
n Unidades de pasajeros por automóvil (PCU)
La intensidad media diaria IMD es el número promedio de vehículos en una carretera en un

año:
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
n 7 - días ADT – se usó en carreteras rurales
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,

Versión 1.0
Datos del tráfico
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
Factor de corrección de la estación por mes

Mes
Localidad 1 Localidad 2 Localidad 3
Enero 0,94 0,95 0,91
Febrero 1,00 0,97 0,98
Marzo 0,97 0,90 0,87
Abril 0,99 1,00 0,97
Mayo 0,96 0,97 0,94
Junio 1,02 1,17 1,08
Julio 1,11 1,14 1,14
Agosto 1,13 1,17 1,09
Septiembre 1,09 1,14 1,19
Octubre 0,99 1,01 0,99
Noviembre 0,98 1,03 1,06
Diciembre 0,86 0,84 0,90
Fuente: NDLI (1997)
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.

Versión 1.0
Datos del tráfico
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
E.3 Distribución horaria de la intensidad del tráfico

A lo largo de un año, la mayoría de las carreteras presentan diferentes intensidades horarias.
Algunas carreteras se muestran congestionadas durante las horas pico y tienen grandes
reducciones de la intensidad en las horas de la noche. Otras carreteras, como las rutas
interurbanas en la India, experimentan intensidades mayores por la noche ya que los camiones
prefieren circular a esas horas.
Estas variaciones están incluidas en HDM por la posibilidad de hacer una distribución horaria
de la intensidad del tráfico. Esto es el número de horas por año en que la intensidad tiene
diferentes niveles. Como se muestra en la Figura E.1, las distribuciones tienen marcadas
diferencias entre los distintos países, por lo que se deberían establecer a partir de los datos
locales. También puede variar entre las diferentes clases de carretera.
20
18
16
USA - Ocasional
14
Flujo horario como % IIMD
12
10
USA - Frecuente
8
6 India
USA – Inter-estatal
4
2 Nueva Zelanda
0 1000 2000 3000 4000 5000 6000 7000 8000 9000

Número acumulativo de horas por año
Figura E.1 Comparación de las distribuciones de la intensidad del tráfico

Versión 1.0
Datos del tráfico
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
2 2,5 - 6,5 4,53 4805 200,2 4,20
3 6,5 - 8,5 7,14 1114 46,4 8,88
4 8,5 - 10,5 9,41 216 9,0 12,17
5 > 10,5 12,92 50 2,1 35,04
Fuente: NDLI (1997)
Cuando se establecen estas distribuciones, se debería verificar que:

f
365 IMD = ∑ HRYR HRVOL
i= 1
i I …(E.3)
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.
E.4 Tasas de crecimiento del tráfico

Establecer la tasa de crecimiento del tráfico para un análisis de HDM es una gestión muy
importante. Esto se debe a que, no solamente influenciará el RUE total sino que, también, lo
hará en las mejoras a la capacidad y otras alternativas de intervención.
El tráfico crece con el tiempo, si bien puede ser bastante esporádico. La Figura E.2 muestra
los resultados del conteo del tráfico realizado en una carretera de la India en un período de 10
años. Los datos se presentan desde abril hasta octubre, que es antes y después del período del

Versión 1.0
Datos del tráfico
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:
IMD year intensidad del tráfico en el año analizado

IMD base volumen del tráfico en el año 1
AÑO año del análisis
GROWTH tasa de crecimiento (%)

Versión 1.0
Datos del tráfico
HDM utiliza una tasa de crecimiento geométrica.

La tasa de crecimiento del tráfico se calcula, generalmente, utilizando historial de
tendencias del tráfico, como los datos ilustrados en la Figura E.2, tendencias económicas ,
como un crecimiento en GDP, tendencias de los propietarios de los vehículos o una
combinación de ellas.
El método menos preciso para predecir las tasas de crecimiento es el del historial de
tendencias del tráfico. Esto se debe a que muchos países en desarrollo experimentan una
rápida motorización y un crecimiento económico que altera el historial de las tendencias.
El método de las tendencias económicas es frecuentemente, un método más utilizado para
calcular el crecimiento que el del historial de datos, ya que hay fuertes relaciones entre la
intensidad del tráfico y la actividad económica, algo que el modelo histórico no captura. El
perfil de la fórmula es recoger los datos de las tasas de crecimiento del tráfico y hacer un
análisis estadístico que conforme un modelo con estos datos. Las variables frecuentemente
usadas son los ingresos, la población, el uso del combustible, la producción industrial y agrícola,
o cualquier otra medida de la economía. Esto ofrece la flexibilidad que expresa el cambio en el
tráfico como una función de las medidas económicas. Las ecuaciones típicas podrían ser:
GROWTH = dGNP EGNP + dPOP EPOP …(E.6)
GROWTH = dGNP EFUEL …(E.7)
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
n 1,0 y 0,5 para vehículos de pasajeros
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

Versión 1.0
Datos del tráfico
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.
Hay cuatro principales categorías de tráfico futuro que se pueden pronosticar:

n Tráfico normal
Tráfico futuro que se espera que se mantendrá igual, asumiendo las tendencias existentes
(por ejemplo, los patrones históricos).
n Tráfico inducido
Tráfico que se espera que se inducirá a la carretera debido a la mejora.

n Tráfico generado
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).
E.5 Sondeos de intensidad y clasificación del tráfico

El propósito de estos sondeos es recoger datos del número y los tipos de vehículos que pasan
por un punto de un itinerario (conteos de itinerario) o hacen movimientos específicos en un
cruce (conteos de giro). La ocupación de los vehículos se puede registrar, también, para
proveer los datos de los volúmenes de gente usando el espacio de la carretera. Los sondeos de
intensidad y clasificación se pueden realizar por conteos manuales o automáticos.
E.5.1 Conteo manual

Se realizan con un contador estacionado en la carretera, que cuenta y clasifica los vehículos a
su paso dividiendo el sondeo en períodos fijos de tiempo (usualmente 15 min). Generalmente,
estos contadores recogen solamente una dirección de la intensidad.
En las intensidades relativamente bajas, estos contadores son una forma conveniente y
adecuada, pero para intensidades grandes se requiere un contador manual reajustable montado
en un tablero. Otro método es usar un contador manual o un ordenador personal.
E.5.2 Sondeos móviles

Como se describió en TRL (1988), un índice general de la intensidad del tráfico se puede
obtener a través de un sondeo móvil. Cuando un vehículo transita a lo largo de un tramo de

Versión 1.0
Datos del tráfico
carretera, registra el número de vehículos encontrados que le sobrepasan y a los que él

sobrepasa. La intensidad se calcula como:
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
7,000 y = 1,02x Línea de igualdad
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
IMD: conteo de 7 días
Figura E.3 Comparación de los sondeos móviles y estacionarios de 7 días,

en la India
E.5.3 Conteo automático

Los equipos de conteo automático del tráfico son detectores que registran el vehículo y
contadores que registran la información. Existe gran variedad de tipos de detectores:
n Tubos neumáticos
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,

Versión 1.0
Datos del tráfico
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
Un bucle de cable que mantiene una señal de frecuencia predeterminada se incrusta en el

firme. Cuando un vehículo pasa sobre el bucle y cambia la inductancia y por lo tanto la
frecuencia, podría detectar el vehículo. Este es el método más usado para los conteos
estacionarios permanentes ya que es muy fiable, relativamente barato y no se afecta,
generalmente, por el clima.
n Contacto positivo
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
Utiliza infrarrojos para detectar la interrupción de la luz. No es muy fiable.

ο Sensor de presión
Un interruptor sensible a la presión se incrusta en la capa de rodadura de la

carretera.
ο Magnético
Sensible al cambio del campo magnético de la tierra.

ο Radar
Utiliza señales de radar.

ο Ultrasónico
Transmite una señal ultrasónica.

ο Cable tribo-eléctrico
Consiste en un cable doble que crea un cambio cuando entra en contacto con una
rueda.
ο Película piezo-eléctrica
Produce un voltaje cuando entra en contacto con una rueda.

Todos los contadores trabajan con principios similares. El detector transmite una señal al
contador. La mayoría de ellos registran el momento en el que el eje (o vehículo) se detecta.
Los datos se utilizan para establecer la clase de vehículo y, opcionalmente, para calcular la
velocidad. Cuando se utilizan detectores de ejes, es necesario utilizar dos para establecer lo
anterior con precisión.

Versión 1.0
Datos del tráfico
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 1 = v 1 ( t12 - t11 ) …(E.11)
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:

Versión 1.0
Datos del tráfico
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
Un factor de corrección se calcula para un lugar en específico, pero se pueden promediar

varios lugares para producir los factores de un área o diferentes clasificaciones de carreteras.

Versión 1.0
Datos del tráfico
E.6 Carga del vehículo

Los sondeos de carga del vehículo o carga por eje se realizan utilizando equipos estáticos de
baja velocidad o equipos de carga en marcha a alta velocidad (WIM). TRL (1978) ofrece una
buena explicación de cómo realizar los sondeos estáticos de baja velocidad.
El éxito del sondeo y la facilidad con la que se puede realizar, depende de la elección del lugar.
Este debería seleccionarse donde el tráfico se pueda muestrear fácilmente y con seguridad. Lo
ideal sería en un tramo claro de la carretera con buena visibilidad en el que hubiese amplios
periodos del tráfico con descensos de la velocidad y paradas. Es muy frecuente hacer los
sondeos en la cima de una montaña donde los vehículos tengan que circular despacio debido a
la pendiente. Si se están muestreando ambas direcciones, no es necesario que las mediciones
se hagan exactamente en ambos sentidos. El lugar debería permitir que los vehículos pudieran
ser pesados fuera de la calzada con seguridad y hacer fila, si fuera necesario. Un sitio ideal es
una combinación de carreteras, aunque es más común utilizar los arcenes o las áreas niveladas
adyacentes a la carretera.
El área, por lo general, deberá ser firme y estar nivelada sin desniveles o riesgo de
hundimientos durante el sondeo. Dependiendo del tamaño del sondeo y del tipo del equipo,
podría usarse un foso de hormigón para sostener las básculas. Se pueden usar también rampas
para facilitar el acceso de los vehículos a las básculas. Se debe tener mucho cuidado de que
los vehículos circulen inadvertidamente sobre los cables. Es muy frecuente que las básculas
estén claramente identificadas utilizando banderas o señales que guíen los vehículos a las
mismas. Si se va a medir, solamente, un lado del vehículo se debe posicionar la báscula del
lado del conductor para facilitar la colocación del vehículo.
Antes de comenzar el sondeo, las básculas se deberán calibrar usando el procedimiento
recomendado por el fabricante. Es importante asegurarse de que todos los cables, las baterías,
etc., de repuesto estén disponibles para evitar que el sondeo se vea interrumpido.
La experiencia ha demostrado que lo mejor es monitorizar ambos lados de la carretera, ya que,
generalmente, muestran diferencias en la carga por eje. El muestreo de vehículos se debería
hacer en una base sistemática opuesta a la aleatoria. Así, cada n º vehículo se pesa cuando las
básculas están libres (es decir, en una fórmula aleatoria). Como los vehículos pesados tienden
a circular más despacio, tienen una mayor posibilidad de ser escogidos en una fórmula
aleatoria, lo que podría sobreestimar las cargas por eje. La tasa del muestreo se debería basar
en el volumen del tráfico, asumiendo una tasa de medición de 60 a 90 veh/h. La tasa de
medición alcanzada depende del equipo y la experiencia del personal.
En cada vehículo se deben registrar la configuración y la carga de los ejes, que serán
requeridas para calcular el factor de deterioro del vehículo (ver sección 6.3.1). Es muy útil,
también, recoger al mismo tiempo los datos adic ionales del chófer como la comodidad que
puede ser un dato utilizado para determinar los efectos del usuario de la carretera.
Con la llegada de la tecnología WIM, que es relativamente barata, ésta se ha convertido en la
más utilizada en la recogida de datos de los pesos de los vehículos. Con la tecnología WIM,
que es un equipo portátil, existe un intercambio entre muestreo y precisión; se muestrea la
oleada entera del tráfico pero con menos precisión que por el método del peso individual de
cada vehículo usando técnicas estáticas. Esta reducción en la precisión surge debida a los
efectos de las dinámicas de los vehículos.
Como todas la mediciones el equipo WIM está sujeto a errores aleatorios y sistemáticos.
Slavik (1998) demostró que la calibración limitará los errores sistemáticos, pero la mayoría de
los procedimientos no siempre eliminan el error aleatorio. En una calibración in situ, que

Versión 1.0
Datos del tráfico
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
Figura E.4 Intervalos fiables del 90% del equipo WIM
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:
ai carga por eje ajustada media
f factor de corrección

Versión 1.0
Datos del tráfico
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:
si carga por eje estática media
σsi desvío estándar de la muestra de la carga por eje estática

n tamaño de la muestra
Vai variación de las cargas por eje ajustadas
Vei variación de la diferencia entre las cargas por eje ajustadas y estáticas

Versión 1.0
Datos de los costes unitarios
Apéndice F Datos de los costes unitarios
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.
Tabla F.1 Fuentes de los datos de los costes unitarios
Fuente de los datos Datos de los recursos
Distribuidores y vendedores de vehículos Precio de reemplazo del vehículo y gastos financieros
Publicaciones/revistas de vehículos de motor Precio de reemplazo del vehículo
Compañías petroleras Precios del combustible, descuentos, variaciones regionales
Departamentos de aduanas y hacienda Precios del combustible y estructura de impuestos
Compañías de neumáticos Precios de los neumáticos, descuentos, variaciones regionales
Compañías de seguros Seguros y costes de accidentes
Sindicatos Salarios
Autoridades oficiales Permisos anuales y tasas de los registros
En los efectos de los trabajos los costes unitarios se pueden establecer mejor de las tendencias
de los precios actuales o contratos.
F.2 Costes económicos y financieros

HDM permite dos tipos de costes; el económico y el financiero, aunque los económicos son
los, generalmente, utilizados en los análisis 2. Los financieros son los costes del mercado. Los
económicos son los netos del mercado, excluyendo los impuestos y los subsidios (por ejemplo,
muchos países subvencionan el uso del gasoil). Al establecer los costes económicos se utiliza
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.

Versión 1.0
frecuentemente el precio reflejado. Esto define el precio ajustado de la mercancía para

reflejar el valor real de la escasez de los recursos de la misma. Daniels (1974) explica el uso
del precio reflejado en un número de estudios de transporte en países en desarrollo y destaca
algunas de las dificultades encontradas en el uso del precio reflejado. Aunque el precio
reflejado es muy útil, en muchos estudios es suficiente cuantificar los costes económicos como
el neto de los impuestos de los costes del mercado.
Para ilustrar esto ver la Figura F.1. Esta muestra los componentes del coste económico y
financiero del petróleo y de un camión mediano en Tailandia. El petróleo tiene una serie de
impuestos y cargas añadidas al coste de producción y suministro. Los impuestos en el camión
tienen dos componentes:
1 Los derechos de aduana del chasis CKD
2 Los impuestos de la venta de la unidad completa
Puesto que los anteriores se cargaron en diferentes etapas de la producción no se pueden
deducir, directamente, del coste financiero.
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

Versión 1.0
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
Fuente: Hoff & Overgaard (1994)
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.
F.3 Costes unitarios de los efectos de los usuarios de la

carretera
F.3.1 Precio del vehículo nuevo: S-I
Debido a su alta sensibilidad el precio del vehículo nuevo se debería cuantificar siempre,
precisa y prácticamente. Se utiliza para el cálculo de costes de repuesto, de depreciación y de
intereses. Es el coste unitario y, probablemente, el dato más importante en cualquier análisis de
HDM.
Los valores deberían ser los del vehículo menos los neumáticos, ya que éstos tienen sus costes
calculados separadamente. Si se utilizarán los costes estarían doblemente calculados en el
análisis 1.
En cada clase de vehículo representativo habrá una escala de diferentes tipos de vehículo, con
precios diferentes. La mejor forma de calcular el precio del vehículo representativo, es
utilizando los datos de venta recientes para determinar el número de diferentes modelos de
vehículos vendidos. Ponderando estas frecuencias por los costes de los modelos individuales,
1
En HDM-III, esto podría generar una desestimación de los costes de los intereses.

Versión 1.0
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.

Versión 1.0
F.3.3 Coste de los neumáticos: S-III

El promedio del coste del neumático es, solamente, el del neumático, no el de la rueda entera.
Los neumáticos pueden tener una gran escala de costes y calidades. En algunos países se
prefieren los neumáticos costosos porque es una ventaja debido a su larga duración. Algunos
usuarios prefieren los neumáticos radiales a los de cámara; algunos neumáticos llevan cámaras
y otros no. Todos los anteriores deben ser tenidos en cuenta al establecer el coste promedio de
los neumáticos.
El coste promedio de los neumáticos se multiplica por la tasa de consumo (en neumáticos/1000
km) para establecer el coste del desgaste del mismo. Este coste debería, por lo tanto, excluir
los costes de la cámara interior y reflejar, solamente, el de la llanta. Si las cámaras interiores
tienen costes importantes asociados al uso de la carretera, por ejemplo, debidos a frecuentes
pinchazos y reemplazos, éste coste se debería aumentar para reflejarlo. Esto se hace como
sigue:
1 Establecer el coste de la cámara por cada 1000 km (IITC) para una carretera promedio.
2 Ejecutar HDM utilizando las condiciones promedio y estableciendo el coste del
neumático para cada clase de vehículo representativo en coste/1000 km (TYRE).
3 Multiplicar el promedio del coste del neumático por 100 ITC/TYRE para obtener el coste
ajustado del neumático. Este coste se debería usar en todas las modelizaciones más
detallados.
El tema de los neumáticos radiales versus los de cámara, la alta calidad, la larga duración
versus la menor calidad, y los neumáticos de corta vida, se tienen en cuenta en el cálculo de
los costes del promedio ponderado. El número de diferentes tamaños de los neumáticos en
cada vehículo, dentro de una clase representativa, se debería ponderar por el coste promedio
de los mismos para obtener el promedio ponderado. Existen significativas diferencias en los
precios entre los países de origen, el promedio debería reflejar esto también. Se pueden
recoger estos datos fácilmente, entablando conversaciones con los vendedores de neumáticos
y solicitándoles una evaluación de los porcentajes de las ventas de los diferentes tipos de
neumáticos. Por ejemplo, en Nepal NDLI (1993) registró los tipos de neumático de una
muestra de vehículos al detenerse en un control de la aduana.
El modelo de neumáticos de HDM requiere también el coste de los recauchutados como un
porcentaje del precio del neumático nuevo. Esto se utiliza en los cálculos para establecer un
coste promedio del neumático de los vehículos que usan una combinación de neumáticos
nuevos y recauchutados. Aquí hay dos consideraciones:
1 Valor promedio
2 Probabilidad del uso de un neumático recauchutado.
El valor promedio se calcula de la misma forma que para un neumático regular. Este valor
debe de ser reducido basado en la probabilidad de que un neumático recauchutado sea
comprado, puesto que HDM asume una probabilidad igual de que se use uno u otro neumático
en el vehículo. Esto se hace de la siguiente manera:
1 Encuestar a los detallistas de neumáticos, a otras industrias relacionadas, a los
conductores de camiones, etc, y establecer el porcentaje de neumáticos en uso que estén
recauchutados (PCTRET).
2 Expresar el coste promedio del recauchutado como un porcentaje del coste del neumático
nuevo (RETPCT).
3 Calcular el coste del recauchutado como:
RREC = PCTRET RETPCT

Versión 1.0
Este es el valor usado como dato de entrada en HDM.

F.3.4 Costes del tiempo del pasajero, del chófer y de la carga: S-II/S-III
El valor del pasajero es, probablemente, el coste más difícil de calcular Hay un gran número
de informes relacionados con esto. Symonds (1997) ofreció una revisión del más reciente
trabajo con Cox (1983) ofreciendo una buena visión histórica. Symonds (1997) también
ofreció una buena explicación del tema de los ahorros 1 en el tiempo de trayecto no lineal.
Mientras que algunos estudios, simplemente, han ignorado el tiempo del pasajero, esto no es
juicioso, ya que los resultados se podrían inclinar a favor de los proyectos con altos costes de
transporte. Por el contrario, un valor irreal alto por tiempo de pasajero, se inclinaría a favor de
proyectos con grandes aumentos en la velocidad.
Al cuantificar el valor se debería reconocer que hay dos sectores de la economía: el formal y
el informal. El formal lo componen los que reciben salarios o ingresos. El informal no recibe
salarios, como por ejemplo, la mayoría de la población rural en los países en desarrollo.
Para simplificar esto los trayectos se separan, generalmente, en trabajo y placer o no
trabajo. El trayecto de trabajo lo componen las actividades de negocio. El placer comprende
las otras actividades (por ejemplo, las sociales, las visitas a familiares, los negocios personales,
la ida a la escuela, etc.) que frecuentemente son un componente significativo del trayecto en
los países en desarrollo.
Los ahorros en tiempo cuando los trayectos están relacionados con el trabajo tienen un claro
valor; cuanto menos tiempo se emplee circulando más tiempo del día de trabajo se podrá
utilizar con propósitos económicamente productivos. Otra forma de ver esto es que el patrón
paga al empleado por hora. El patrón estaría complacido si pudiese pagar, solamente, las horas
de trabajo. Se podría argumentar que debido a los gastos generales y a los cargos sociales, el
patrón estaría preparado para pagar aún más, pero la práctica común en los países en
desarrollo es igualar el valor y el tiempo del trabajo a la tasa de ingresos del viajante. En los
países desarrollados, donde hay, frecuentemente, grandes costes sociales este salario bruto se
aumento por los costes del patrón.
El uso de tasas de salario es complicado, por el hecho de que las estadísticas oficiales de los
salarios, probablemente, está por debajo de los ingresos de los viajantes. Las estadísticas de
salario no cubren, generalmente, los ingresos de los trabajadores con mayores salarios, y los
ingresos de estos viajando durante horas de trabajo, pueden ser mayores que los promedios.
Frecuentemente, existen también variaciones regionales en los salarios que hacen poco
práctica la adopción de un promedio nacional. Por ejemplo, en Tailandia, el salario promedio en
1995 fue de 9.900 Baht por mes en Bangkok, mientras que en la región noroeste del país era
de 4.500.
Los anteriores no se consideran productivos en el sector informal o circulando en tiempo de
placer a diferencia de los de circulación en tiempo de trabajo. Finalmente, el valor del tiempo
de no trabajo debería reflejar la política del gobierno. Si la política es maximizar el GDP,
ignorando las preferencias del tiempo de placer y aumentando el bienestar de los pasajeros,
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.

Versión 1.0
entonces se debería aplicar un valor de cero al tiempo de no trabajo. La asignación de un valor

de cero en el sector informal, servirá para inclinar los resultados a favor de aquellos que
contribuyen a la moderna economía.
Esto evidencia que los ahorros en el tiempo de placer son valiosos, particularmente puesto que
esos viajantes prefieren aún que sus viajes sean más rápidos y están dispuestos,
frecuentemente, a pagar para que esto sea así. La disponibilidad de que mucha gente esté
dispuesta a pagar por un viaje más rápido está basada en un aumento en el bienestar. Por lo
tanto, es una practica común asumir un valor de tiempo personal, relacionado con los ingresos
de los individuos. Se han asumido varios porcentajes en los diferentes estudios, usualmente en
la escalad e 20 a 50%, aunque el más común ha oscilado entre el 20 y el 25%.
Muchas de las personas que transitan en tiempos privados no reciben ningún ingreso por lo que
usar esta fórmula no tendría ningún valor para el tiempo. En sociedades con alto poder
adquisitivo esto podría no ser cie rto, pero se puede admitir en países con un valor de tiempo
cero.
En estos casos, el ingreso medio se utiliza para calcular el valor del tiempo. La fórmula
alternativa es calcular el valor del tiempo basado, solamente, en el trabajo y aplicar el valor a
todos los viajantes. Esto producirá un valor mayor de tiempo que usando el ingreso medio de
los viajantes.
En resumen, hay tres grupos de valores del tiempo del pasajero que se deben considerar:
1 Empleado, viajando en tiempo de trabajo,
2 Empleado, no viajando en tiempo de trabajo y
3 No empleado o en actividades sin remuneración
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,
n Transporte de pasajeros (camiones) o pasajeros extra no registrados (autobuses) ; y,
n Transporte de artículos extra en camiones – cuando es el chófer/conductor en lugar

del propietario el que recibe el ingreso.
Esto puede ser significativo, por ejemplo en la India NDLI (1997) se estimó que los salarios
totales para el chófer y el ayudante del camión fueran de 4.500 Rupias pero eso se aumentó
en una ganancia mensual de 3.000 Rupias de la recogida de pasajeros y de otras 3.000 por las
dietas. Aproximadamente del 20 al 25% de los chóferes transportaron artículos extra los que
les produjo unos ingresos de, aproximadamente, 7.000 Rupias al mes.
Es común, también, diferenciar las formas de viajar. Así por ejemplo, existen diferentes costes
del tiempo del pasajero para aquellos en transporte privado, en autobuses o en otro transporte
público.
La Tabla F.3 ofrece un ejemplo del cálculo del tiempo del pasajero y de los costes del chófer,
utilizando datos básicos de la India NDLI (1997) junto a algunos valores asumidos adicionales.
Las notas al final de la tabla detallan como se calcularon los valores individuales.

Versión 1.0
Tabla F.3 Ejemplo del cálculo de los costes de tiempo del pasajero y del chófer
Dos Camión Camión Autobús

Coche
ruedas mediano pesado pesado
(1) Ingreso viajes de trabajo (Rs/h) 15 32 - - 43

(2) Ingreso viajes de no trabajo (Rs/h) 16 47 - - 31
(3) Valor del tiempo viajes no trabajo (Rs/h) 3,2 9,4 - - 6,2
(4) Valor del tiempo no empleado (Rs/h) 0,6 1,8 - - 1,2
(5) Personas por vehículo 1,5 3,5 2,0 2,0 32,0
(6) Pasajeros por vehículo 1,5 3,3 - - 30,0
(7) Porcentaje en empleo 75 75 - - 50
(8) Número de empleados 1,1 2,5 - - 15,0
(9) Número de no empleados 0,4 0,8 - - 15,0
(10) Porcentaje de trayecto en tiempo de trabajo 36 19 - - 34
(11) Número viajando en tiempo de trabajo 0,5 0,6 - - 10,2
(12) Número empleado pero no en viaje de trabajo 0,6 1,9 - - 4,8
(13) Coste del tiempo por pasajero Rs/h 9,7 38,5 0,0 0,0 486,4
(14) Chofer por vehículo - 0,2 2,0 2,0 2,0
(15) Coste del conductor (Rs/mes) - 600 3.000 3.000 3.000
(16) Coste del ayudante (Rs/mes) - 0 1.500 1.500 1.500
(17) Ingreso adicional - salario (Rs/mes) - 0 3.000 3.000 3.000
(18) Ingreso adicional – pasajeros fantasma - 0 3.000 3.000 3.000
(Rs/mes)
(19) Ingreso adicional — carga fantasma - 0 1.500 1.500 0
(Rs/mes)
(20) Tiempo mensual del chófer (Rs/mes) - 600 13.000 13.000 10.500
(21) Coste del tiempo del chófer Rs/h (200 0,0 3,0 65,0 65,0 52,5
h/mes)
(22) Coste de la carga (Rs/h) 0,0 0,0 2,5 5,0 0,0
Coste total (Rs/h) 9,7 41,5 67,5 70,0 538,9
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..
(8) = (6) x (7)
(9) = (6) - (8)
(11) = (8) x (10)/100
(12) = (8) - (11)
(13) = (1) x (11) + (3) x (12) + (4) x (9)
Para automóviles con menos de un chófer, (15) = (14) x Rs 3.000
(19) se calculó de los ingresos extra (aquí 7.000 Rupias/mes) y el porcentaje de la carga extra (aquí
aproximadamente el 20%).

Versión 1.0
(20) = (15) + (16) + (17) + (18) + (19)
(21) = (20)/200. se asumieron 200 horas de trabajo al mes.
(23) = (13) + (21) + (22)
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:
PCTCGT OPC VALCAR

CARGO = …(F.1)
365 × 24
donde:
CARGO coste de la carga en coste/h

PCTCGT fracción de los vehículos cuya carga se beneficia de los ahorros del tiempo
OPC coste de oportunidad de la carga (decimal)
VALCAR valor de la carga
F.3.5 Mano de obra de mantenimiento: S-III

Estos costes deberían reflejar el coste de mano de obra y los gastos de herramientas y gastos
generales del taller. Por lo tanto, no es apropiado basarlos solamente en las tarifas
prevalecientes. En algunos países las tarifas pueden contener otros pagos diferidos como
impuestos, seguridad social, etc. Esto se debe tener en cuenta al calcular el promedio del
coste. Por ejemplo, en Transroute (1992) se asumió un 100% de gastos generales en la tarifa
mensual y 250 horas/mes de tiempo de trabajo.
Uno de los métodos más sencillos para estimar el promedio de los costes de mano de obra por
hora, es realizar un pequeño sondeo. Se debería definir un número de actividades típicas de
mantenimiento como reemplazar un embrague, poner a punto un motor, etc. Los talleres
deberían ser encuestados para obtener los estimados de los tiempos que emplearían en realizar
las reparaciones y los costes totales de las mismas. Esto ofrecerá un coste horario que incluirá
los gastos generales, así como, los tiempos de trabajo. En los países en desarrollo en los que
los mecánicos tienen ayudantes no muy expertos, esta fórmula llevará implícita incluir también
sus costes1. El valor resultante debería ajustarse por la suma de los impuestos, etc., para
convertirlo en un coste económico.
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.

Versión 1.0
F.3.6 Tasa de intereses: S-III

HDM requiere una tasa de interés anual para calcular el coste de oportunidad de la propiedad
de un vehículo, también llamado coste de intereses. En los análisis económicos, esta tasa
debería ser igual a la de descuento. En los análisis financieros, debería ser la tasa real de
intereses a largo plazo, es decir, la tasa de interés del mercado menos la tasa de inflación. El
valor seleccionado se deberá basar en las consideraciones a largo plazo, puesto que los costes
de intereses pueden constituir un componente importante de los costes totales de la circulación
del vehículo.
F.3.7 Costes permanentes/generales

Estos costes son los asociados a la propiedad del vehículo. Consisten en los relacionados a los
permisos, seguros y estacionamientos. Frecuentemente, son ignorados en los análisis ya que
tienen un impacto menor en los costes totales como influencia de las condiciones de la
carretera. Otro punto de vista es que se deberían excluir, totalmente, ya que en una evaluación
económica el coste general marginal es cero.
Si los costes generales se van a incluir en el análisis, es preferible utilizar el coste general para
estimar un valor horario del tiempo del vehículo dividiendo los costes totales generales anuales
por el número de horas por año del uso del vehículo. Este coste horario se puede utilizar,
entonces, de una forma similar a los costes de chófer/tie mpo del trayecto.
F.4 Costes unitarios de los efectos de los trabajos


Versión 1.0
Datos económicos
Apéndice G Datos económicos

G.1 Introducción
G.2 Tasa de descuento
G.3 Periódo de análisis

Versión 1.0
Determinación del tamaño de la muestra
Apéndice H Determinación del tamaño de la

muestra
La fórmula para determinar el tamaño apropiado de la muestra depende del tamaño del
muestreo. Con pocos datos se alcanzan pequeñas muestras (n < 30), por lo que se debería
usar la distribución t. Con muestras más grandes (n > 30), se debería usar la distribución
normal. La fórmula básica adoptada es la misma para cada distribución.
El error estándar de la media de una muestra de datos se obtiene de:
s
E= …(H.1)
n
donde:
s desvío estándar de la muestra

n número de observaciones
La media real de la población se mantiene entre x + E. Por lo tanto, cuanto mayor es el

tamaño de la muestra, menor es el valor de E y más cerca estará la media de la muestra a la
población, limitando así la oscilación de la línea de convergencia.
El tamaño necesario de la muestra para un nivel de precisión y fiabilidad, se obtiene:
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)
Despejando la ecuación anterior se obtiene la siguiente para determinar los tamaños de la

muestra requeridos:
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:

Versión 1.0
Determinación del tamaño de la muestra
σ
COV = …(H.4)
µ
donde:
COV coeficiente de variación

σ desviación estándar
µ media
Tabla H.1
Valores críticos de “t” (n < 30)
Número de Valor crítico de “t” en el intervalo de fiabilidad (K)

muestras 90 95
3 2,920 4,303
4 2,353 3,182
5 2,132 2,776
6 2,015 2,571
7 1,943 2,447
8 1,895 2,365
9 1,860 2,306
10 1,833 2,262
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

Versión 1.0
Análisis de la curva de supervivencia
Apéndice I Análisis de la curva de supervivencia

Este ejemplo del cálculo de la curva de supervivencia está basado en la fórmula de Zaniewski
et al. (1982) y utiliza datos de Bennett (1985).
La Tabla I.1 presenta los resultados de un sondeo de la s edades de los vehículos. Se obtuvo
una muestra consistente en el número de vehículos con diferentes edades y se extendió para
representar a la población total. Esta muestra expandida se presenta en la columna (2) de la
Tabla I.1 y la columna (3) incluye el número de vehículos de cada edad cuando se registraron.
Dividiendo la muestra expandida de la columna (2) por el número de registros originales de la
columna (3) se obtiene la curva de supervivencia de la columna (4). Multiplic ando esta
columna por el 100% se obtiene el porcentaje de cada supervivencia por edad.
Zaniewski et al. (1982) recomienda modificar esta curva de supervivencia para mejorar la
vida útil pronosticada. En teoría, el valor mayor de la columna (4) representa un año en el que
todos los vehículos registrados están en circulación. Por lo tanto es el factor de muestreo del
sondeo. Dividiendo la curva de supervivencia de la columna (4) por este factor, se obtiene las
fracciones de supervivencia en la columna (5). Estas fracciones se usan en lugar de los
valores de la columna (4) para la curva de supervivencia 1.
La suma de la columna(5) es el área de la curva de supervivencia y corresponde a la vida útil
promedio. Los datos de la Tabla I.1 indican que la vida útil promedio es de 19 años.
En la columna (6) de la Tabla I.1 se muestra el kilometraje anual promedio de los vehículos en
cada rango. Para determinar el kilometraje promedio de la vida útil, se calculan el producto de
la fracción de supervivencia (columna 5) y la utilización anual. Estos productos se muestran en
la columna (7). La suma de los valores en la columna (7), representan el kilometraje promedio
de la vida útil, que en este ejemplo es de 187.202 km. El kilometraje anual promedio se obtiene
dividiendo el kilometraje promedio de vida útil entre la vida útil promedio. Usando lo anterior
derivado de la vida útil de 19 años se obtiene un kilometraje anual promedio de 9.850 km/año.
1
En aquellos años anteriores el factor de muestreo de la fracción de supervivencia se ajusta a 1,0.

Versión 1.0
Análisis de la curva de supervivencia
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
Fuente: Bennett (1985)
Notas:
Factor del muestreo:

Versión 1.0
Regresión octogonal
Apéndice J Regresión octogonal

El análisis de regresión lineal cumple con lo siguiente:
y =a x+b +ε …(J.1)
donde:
y variable dependiente
x variable independiente
ε término del error
ayb coeficientes de regresión
El análisis se realiza de tal forma que se reduce el término del error.

Hay ocasiones en las que las variables dependiente e independiente son intercambiables, por
ejemplo, en las ecuaciones de HDM para predecir el número estructural modificado a partir
del desvío del rayo Benkelman y viceversa. De esto pueden surgir dos grupos de ecuaciones:
y =a x+b +ε …(J.2)
x =c y+d+ε …(J.3)
El asunto aquí es la regresión octogonal, en la que, en lugar de disminuir la suma de los

cuadrados en el plano de x o y es necesario disminuirla en el plano octogonal. Para ilustrar la
importancia de esto, ver la Tabla J.1. Las columnas 1 y 2 contienen datos sencillos. Estos
datos están ploteados en la Figura J.1 a partir de las ecuaciones de regresión lineal.

Versión 1.0
Tabla J.1
Datos de la regresión octogonal
Datos Regresión estándar Regresión octogonal

Y X X Y Y
X Y
Pronosticado Pronosticado Residual Pronosticado Pronosticado
(1) (2) (3) (4) (5) (6) (7)
1,00 9,50 9,44 1,05 0,05 9,46 1,00
1,14 9,40 9,37 1,18 0,04 9,38 1,14
1,29 9,20 9,28 1,32 0,03 9,29 1,29
1,43 9,20 9,20 1,44 0,01 9,21 1,43
1,57 9,10 9,13 1,57 0,00 9,13 1,57
1,71 9,00 9,05 1,70 -0,01 9,05 1,71
1,86 9,05 8,97 1,84 -0,02 8,96 1,86
2,00 8,87 8,89 1,97 -0,03 8,88 2,00
2,14 8,70 8,81 2,10 -0,04 8,80 2,14
2,29 8,83 8,73 2,24 -0,05 8,71 2,29
9.6 2.5
9.5
9.4 Y = -0,5561X + 9,9987 2.0 X = -1,6568Y + 16,695
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
Figura J.1 Líneas de regresión ajustadas
Las dos ecuaciones de regresión desarrolladas fueron:
y = - 0.56 x + 10.00 …(J.4)
x = - 1.66 y + 16.70 …(J.5)
La columna 3 de la Tabla J.1 muestra el valor pronosticado de Y usando la ecuación anterior

J.2 junto con los datos originales de X de la columna 1. Usando estos valores como datos de
entrada para la ecuación anterior J.3 se obtiene el valor de X. Como se muestra en la columna
5 existe una diferencia entre los valores pronosticados y originales de X. Esta diferencia podría
no haber existido si se hubiese realizado una regresión octogonal.
Las regresiones octogonales requieren sofisticadas técnicas estadísticas. Por lo tanto, cuando
los residuales son similares en cada dirección puede ser suficiente la siguiente simple solució n:
y =a x+b …(J.6)

Versión 1.0
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:
y = - 0.58 x + 10.04 …(J.10)
x = - 1.72 y + 17.31 …(J.11)
La columna 6 de la Tabla J.1 muestra los valores pronosticados de y usando la ecuación

anterior J.4 junto a los datos de la columna 1. Sustituyendo estos valores en la ecuación
anterior J.5 se obtienen los valores pronosticados de x (columna 7). Estos valores son los
mismos que los de los datos originales en la columna 1.

Versión 1.0
Guía del usuario de las herramientas de HDM
Apéndice K Guía del usuario de las

herramientas de HDM
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
n Herramientas del análisis
Cada una se explica a continuación.
K.2 Efectos del usuario de la carretera

Las aplicaciones de las herramientas de HDM para el RUE son:
n ACCFUEL – Efecto de la aceleración en la simulación del consumo de combustible y
neumáticos;
n CDMult – Coeficiente de la fuerza aerodinámica del viento ajustada;
n GEARSIM – Simulación de la velocidad del motor;
n OPTIMAL – Calibración de vida óptima;
n WORKZONE – Efectos de la zona de trabajo.
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.

Versión 1.0
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
CDMult Si hay un cambio de más del 10% en el área frontal y/o

• • •
en el coeficiente de fuerza aerodinámica
GEARSIM En las calibraciones de nivel 2 ó 3 de la velocidad del

• •
motor
OPTIMAL En todas las aplicaciones de HDM que utilicen la vida

• • •
óptima para los costes capitales
WORKZONE Si los efectos de la zona de trabajo son de interés
K.3 Ventana de ejecución de las herramientas de HDM

El componente de RUE de las herramientas de HDM fue desarrollado por Ian Greenwood1 de
la empresa de consultores Opus International Consultants Ltd. En Windows 95, este software
se instala como cualquier aplicación estándar de Windows.
La aplicación arranca de la Ventana de ejecución de las herramientas de HDM. La Figura
K.1 muestra esta ventana de ejecución y sus aplicaciones individuales. Esto podrá cambiar en
el futuro al añadirse módulos al software de estas herramientas. Al seleccionar cualquier
botón de la ventana comienza la aplic ación individual. La ventana permanece abierta en el
escritorio mientras se realiza la ejecución.
1
Los comentarios y sugerencias del software se pueden enviar a: ian.greenwood@opus.co.nz.

Versión 1.0
Figura K.1 Ventana de ejecución de las herramientas de HDM
El uso de estas aplicaciones se explica en las próximas secciones.
K.3.1 Datos del vehículo

Puesto que, el software de las herramientas de HDM se ejecuta independientemente de
HDM-4, éste trae su propia base de datos. Esta base de datos es la misma que se usa en el
modelo RUE de HDM-4.
Los datos se pueden exportar desde HDM-4 utilizando la función de exportación del parque de
vehículos (VF) y después de estar copiados en el directorio de la ventana de ejecución de las
herramientas, estos datos se podrán usar como datos de entrada en las herramientas de HDM.
El usuario puede alterar estos datos, y la Figura K.2 muestra la ventana de entrada de datos
que se despliega cuando se selecciona el botón VEH_DATA de la ventana de ejecución.

Versión 1.0
Figura K.2 Ventana de entrada de datos de los vehículos
K.3.2 Simulación combustible-aceleración

La herramienta de simulación combustible -aceleración (ACCFUEL) se usa para generar
datos de los efectos de las aceleraciones en el consumo de combustible y neumáticos. Como
se explicó en la sección 6.4.5, éstas aceleraciones pueden surgir debidas a las interacciones
del tráfico (es decir, a la congestión), al perfilado de la carretera, a la regularidad y al tráfico
no motorizado o al rozamiento.
La aceleración se especifica en HDM-4 como el ruido de la aceleración. Esto representa la
desviación estándar de la aceleración. Este parámetro se ha adoptado ya que, la aceleración
media en un tramo homogéneo sería siempre cero. No obstante, el consumo adicional de
combustible y neumáticos es proporcional a la magnitud de las aceleraciones y al mayor ruido
de aceleración, a la mayor de las magnitudes de las aceleraciones y, por lo tanto, al mayor
consumo de combustible y neumáticos.
Hay dos formas de operación:
1 Simulación de un vehículo en una escala de niveles de velocidad y ruido de aceleración
2 Simulación de un vehículo en un ciclo de velocidad especificado por el usuario
La primera opción genera una larga matriz de resultados que permite al software de HDM-4
aumentar el consumo del combustible al ralentí calculado y los valores del desgaste de
neumáticos para que sean tenidos en cuenta por los efectos de la aceleración. Simulando un
vehículo que transita a través de un tramo de carreteras con diferentes velocidades iniciales se
obtienen las variaciones de los niveles de la aceleración. El combustible adicional de cada una
de esas velocidades y niveles de ruido de aceleración se calculan y se guardan como una

Versión 1.0
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.
Figura K.3 Combustible adicional debido a las aceleraciones

Camión mediano
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:

Versión 1.0
n El mayor consumo de combustible adicional surge en el área de menor consumo de

combustible. Esto es muy evidente en los vehículos pesados.
n Hay un aumento significativo de los efectos de la congestión en los vehículos pesados a la
misma velocidad y ruido de aceleración. Esto por motivo de su mayor peso y, por
consiguiente, mayor resistencia inercial.
n Solo hay un limitado efecto de la congestión en las motocicletas, la velocidad tiene un
impacto mucho más significativo. Esto se debe a que las motocicletas tienen menor masa,
por lo que los efectos de la inercia en el combustible son mínimos.
Figura K.4 Consumo adicional de neumáticos debido a las aceleraciones

Camiones medianos
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:

Versión 1.0
1 0,0 0,0 0,0 0,0
2 0,0 0,0 0,0 0,0
3 0,0 0,0 0,0 0,0
4 0,0 0,1 0,0 0,0
5 0,4 1,6 0,4 0,5
6 1,1 4,0 0,7 1,6
7 1,7 6,0 0,5 3,3
8 1,9 7,0 0,3 5,2
9 2,0 7,1 0,0 7,2
10 2,2 8,0 0,2 9,4
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).

Versión 1.0
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

Versión 1.0
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

Versión 1.0
Especificaciones del modelo de deterioro de carreteras de HDM -4 en los firmes bituminosos
K.3.3 Calibración de vida óptima

Una descripción total de la calibración de vida óptima (OL) se encuentra en Bennett y
Greenwood (1999). El programa se usa para desarrollar una tabla de los efectos de la
regularidad en la OL para cada vehículo representativo. En HDM-4 la ecuación estándar para
aplicar el método de OL es:
 100 
LIFEKMPCT = MIN 100, …(K.1)
 ( )
a1 
1 + EXP a0 RI 
donde:
LIFEKMPCT porcentaje del kilometraje de la vida útil

a0 y a1 coeficientes de regresión
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
n Coste de la hora de trabajo de mantenimiento
n Utilización de la vida útil (km)
Figura K.5 Simulación de la vida óptima
Para ejecutar el programa es necesario aportar un nivel básico de regularidad. Esta es la

regularidad que aplica a la utilización de la vida útil. Por ejemplo, si la regularidad promedio en
una red de carreteras es 6 IRI m/km y el promedio de utilización de la vida útil es de 100.000
kms se podría aceptar el valor de 6. No obstante, si se estima que en las carreteras lisas la
utilización sería de 200.000 kms y este valor se introduce en el archivo de datos, se podría
introducir 3 IRI m/km para la regularidad.

Versión 1.0
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
Vida óptima como un

Vehículo representativo Regularidad (IRI m/km)
porcentaje de la vida básica
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.

Versión 1.0
Title "Optimal Life Analysis";

Variable RI; // Regularidad in IRI m/km
Variable Lifekm; // Optimal Life in km
Parameter Lifekm_a0; // Coefficient a0
Parameter Lifekm_a1; // Coefficient a1
Function Lifekm = min(100,100/(1 + EXP(lifekm_a0 * RI ^ lifekm_a1)));
Plot xlabel="Regularidad in IRI m/km",ylabel="Optimal Life as Percentage";
Data;
3,0 97,1
3,5 89,6
4,0 83,3
4,5 77,9
5,0 73,3
5,5 69,6
6,0 65,8
6,5 62,9
7,0 60,0
7,5 57,5
8,0 55,4
8,5 53,3
9,0 51,3
9,5 49,6
10,0 47,9
Figura K.6 Archivo de escritura para convertir la ecuación de HDM-4 en datos

crudos
K.3.4 Simulación de la velocidad del motor

El programa de simulación de la velocidad del motor se usa para generar una matriz de
velocidad del motor versus la velocidad de la carretera. Estos datos se analizan para establecer
la siguiente ecuación polinómica. Los coeficientes se aportan a HDM-41.
RPM = a0 + a1 SP + a2 SP 2 + a3 SP 3 …(K.2)
SP = MAX (20, SPEED) …(K.3)
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.

Versión 1.0
La Tabla K4 es un ejemplo de esta salida.
Figura K.7 Simulación de la velocidad del motor
K.3.5 Coeficiente ajustado de la fuerza aerodinámica del viento

El coeficiente promediado de la fuerza del viento (CDmult) se describe en Bennett y
Greenwood (1999).
CDmult se calcula por los ángulos de χ entre 0 y 359 grados, en intervalos de un grado. De los
360 valores del ángulo plano, el valor de CDmult y la velocidad relativa se calculan para cada
ángulo. El promedio 1 de esos valores se dividirá, entonces, por el cuadrado de la velocidad del
vehículo para obtener el valor CDmult. Se actualiza, entonces, con este valor, la base de datos
de las herramientas de HDM, que se puede importar en orden desde HDM-4 para actualizar
su base de datos de los vehículos. La Figura K.8 muestra la pantalla de entrada de datos de
esta aplicación.
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.

Versión 1.0
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)
20 1693 1,719 75 2347 1,114
25 1677 1,433 80 2462 1,111
30 1739 1,331 85 2592 1,109
35 1783 1,271 90 2722 1,108
40 1809 1,219 95 2850 1,108
45 1843 1,183 100 3029 1,108
50 1913 1,160 105 3171 1,108
55 1954 1,143 110 3324 1,107
60 2017 1,130 115 3466 1,107
65 2134 1,124 120 3618 1,107
70 2230 1,117
Figura K.8 Pantalla del programa de calibración de CDmult de las

herramientas de HDM
Hay cuatro datos importantes:

Versión 1.0
n Promedio de la velocidad del vehículo
n Promedio de la velocidad del viento
n Angulo plano crítico(ψc)
n Aumento proporcional en CD en el ángulo plano crítico (h).
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)
1 Motocicletas 0,4 1,12 0,70 0,8
2 Coche pequeño 0,4 1,12 0,40 1,8
3 Coche mediano 0,4 1,12 0,42 1,9
4 Coche grande 0,4 1,12 0,45 2,0
5 Furgoneta de reparto 0,5 1,16 0,50 2,9
6 Furgoneta ligera 0,5 1,16 0,50 2,8
7 Tracción a las cuatro ruedas 0,5 1,16 0,50 2,8
8 Camión ligero 0,6 1,19 0,55 4,0
9 Camión mediano 0,6 1,19 0,60 5,0
10 Camión pesado 0,7 1,22 0,70 8,5
11 Camión articulado 1,2 1,38 0,80 9,0
12 Mini-bus 0,5 1,16 0,50 2,9
13 Autobús ligero 0,6 1,19 0,50 4,0
14 Autobús mediano 0,7 1,22 0,55 5,0
15 Autobús grande 0,7 1,22 0,65 6,5
16 Autocar 0,7 1,22 0,65 6,5
Fuente: Bennett y Greenwood (1999)
Notas:
1 Velocidad del viento asumida calculada de 14,4 km/h y velocidad del vehículo de 75 km/h
K.3.6 Modelo de simulación de la zona de trabajo

Estas zonas se modelizan utilizando el programa ROADWORK (Bennett y Greenwood,
1999). Este programa calcula la demora adicional y el combustible debido a la interrupción
del tráfico por una zona de trabajos.
El usuario debe suministrar:

Versión 1.0
n Una escala de valores de la capacidad de la zona de trabajo, la extensió n de la zona de

trabajo, la velocidad en la zona de trabajo y la IMD.
n Una distribución del flujo horario en un período de 24 horas.
Para cada nivel de IMD y de distribución de flujo horario, el programa genera las llegadas a la
zona de trabajo. Estas llegadas se aplicarán, independientemente de la capacidad o la duración.
En cada combinación de capacidad, duración y velocidad de zona de trabajo, el programa
calculará el retraso promedio y el tamaño de espera en dos direcciones.
El modelo de simulación del WORKZONE permite analizar el impacto de los cierres de la
carretera en los usuarios de la misma. El usuario define la configuración del cierre del carril a
partir de:
n Cierre del carril – generalmente, situaciones en autopista
n Cierre direccional – situaciones en carreteras de dos carriles
n Cierre total – cierre total de la carretera
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.
Figura K.9 Pantalla de inicio del modelo de simulación de la Zona de trabajo
Como se describe en Bennett y Greenwood (1999), la WORKZONE utiliza la simulación

para generar los tiempos de llegada de los vehículos basados en un modelo de distribución
general y utilizando, después, la capacidad disponible de la zona de trabajo, determina cuando
el vehículo estará disponible para salir. Basado en esta información y en la configuración de la
zona de trabajo, el modelo produce, entonces, estimados de los tiempos de viaje y de espera.
Es necesario, para usar el programa, información de lo siguiente:

Versión 1.0
n Intensidad del tráfico diario, en ambas direcciones, 24 horas
n Configuración del carril normal
n Datos del modelo de la relación capacidad-velocidad
n Tipo y duración del cierre
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.
Figura K.10 Pantalla de la información de la intensidad del tráfico
El usuario debe definir los datos de la relación capacidad-velocidad basados en el modelo de

HDM presentado en el capítulo 6. Los perfiles de la intensidad horaria ofrecen la variación a
través del día. Todos estos datos se usan para crear un IRI del tráfico único que incluye un
volumen, un perfil de la relación capacidad-velocidad, un perfil de intensidad horaria y una
capacidad para el lugar.
Como se muestra en la Figura K.11, el usuario deberá definir el tipo de cierre de la zona de
trabajo, la duración, la velocidad máxima en la zona, la capacidad y el número de carriles en
cada dirección. Se puede especificar, también, si la capacidad varía a través del día (por
ejemplo, si la carretera se cierra en ciertos períodos).

Versión 1.0
Figura K.11 Pantalla de configuración del cierre
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.4 Efectos del deterioro y conservación del firme

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.

Versión 1.0
CONTENIDOS
4.3.4 Impactos insignificantes, Clase S-IV (< 0.05) 31

4.4 Efectos del deterioro y de los trabajos en la carretera 31
4.4.1 Impactos grandes, Clase S-I (> 0.5) 32
4.4.2 Impactos moderados, Clase S-II (0.2 - 0.5) 32
4.4.3 Impactos bajos, Clase S-III (0.05-0.2) 33
4.4.4 Impactos insignificantes, Clase S-IV (< 0.05) 33
4.5 Modelos económicos 35
5 Adaptación de los datos al modelo 36

5.2 Concepto de nivel de calidad de la información (IQL) 37
5.3 Relación del IQL local con el modelo de HDM 39
5.4 Adaptación de las unidades de los datos a las condiciones 41
5.5 Transformación de los datos de entrada de la carretera 43

5.5.1 Geometría de la carretera 44
5.5.2 Condición del firme 44
5.5.3 Estructura del firme 44
5.5.4 Medioambiente 48
5.6 Transformación de los datos de entrada del tráfico 48
5.6.1 Volumen del tráfico 48
5.6.2 Intensidad del tráfico 48
5.6.3 Seguridad del tráfico 50
5.6.4 Emisiones de los vehículos 50
5.7 Transformación de los datos de salida y producción de los indicadores de
rendimiento 50
5.8 Precisión de los datos 50
5.9 Lista de verificación para la adaptación de los datos 50
6 Modelo de calibración de RUE 52

6.2 Selección de vehículos representativos 53
6.3 Nivel 1 - Aplicación básica 53

6.3.1 Factor de masa y deterioro del vehículo: S-II 53
6.3.2 Datos de capacidad y relación capacidad-velocidad 56
6.3.3 Promedio de vida útil: S-II 59
6.3.4 Uso del vehículo: S-II/S-III 59
6.3.5 Parámetros del modelo de predicción de velocidad: S-II/S-III 61
6.3.6 Potencia del vehículo: S-III 63
6.3.7 Tipo de neumáticos, diámetro y número de ruedas : S-IV 64
Guía de calibración y adaptación ii

Versión 1.0
CONTENIDOS
6.3.8 Volumen de desgaste de la goma: S-III 65

6.3.9 Parámetros de depreciación 68
6.3.10 Coeficiente de fuerza aerodinámica y área frontal proyectada: S-III 68
6.3.11 Fuerza del frenado: S-IV 68
6.3.12 Velocidad del motor 69
6.4 Nivel 2 - Calibración de relaciones primarias 69
6.4.1 Predicción de velocidad 69
6.4.2 Capacidad y relación capacidad-velocidad 72
6.4.3 Equivalencias de espacio de pasajero por coche: S-II/S-III 77
6.4.4 Consumo de combustible 78
6.4.5 Ruido de aceleración 82
6.4.6 Costes de mano de obra y repuestos 85
6.4.7 Fuerza usada 86
6.4.8 Fuerza de frenado 88
6.4.9 Vida útil 88
6.4.10 Utilización 88
6.4.11 Consumo de lubricante 89
6.5 Nivel 3 - Adaptación del modelo 89
6.5.1 Ruido de aceleración 89
6.5.2 Velocidad β 90
6.5.3 Resistencia a la rodada 90
6.5.4 Consumo de combustible al ralentí 90
6.5.5 Eficiencia del combustible 90
6.5.6 Longitud crítica de la pendiente 91
6.5.7 Rigidez de los neumáticos 91
6.5.8 Fuerza de los accesorios del motor 91
6.5.9 Fuerza de arrastre del motor 91
6.5.10 Eficiencia de la tracción 91
6.5.11 Parámetros de desgaste de neumáticos 91
6.5.12 Consumo de repuestos 91
6.5.13 Horas de mano de obra 91
7 Calibración de RDWE 92
7.1 Deterioro del firme bituminoso de la carretera 92
7.2 Nivel 1 - Aplicación básica 93

7.2.1 Factor de ajuste medioambiente-regularidad-edad: S-I 93
7.2.2 Factor de ajuste del inicio de la fisuración: S-I 96
7.2.3 Factor de ajuste del progreso de la fisuración: S-I 98
7.2.4 Factor de ajuste de la progresión de la profundidad de la rodera: S-I 98
7.2.5 Factor de progresión de la regularidad general: S-III 100
Guía de calibración y adaptación iii

Versión 1.0
CONTENIDOS
7.2.6 Factor de inicio del desprendimiento: S-III 100

7.2.7 Factor de ajuste de progresión de los baches: S-IV 100
7.3 Nivel 2 - Calibración de relaciones principales 101
7.3.1 Factor de deterioro medioambiente-edad-regularidad: S-I 101
7.3.2 Factor de ajuste del comienzo de la fisuración: (S -II or S-I) 102
7.3.3 Factor de progreso de la fisuración: S-III 104
7.3.4 Factor de progreso de la profundidad de la rodera: S-II/S-III 105
7.3.5 Factor de progreso de la regularidad general: S-III 106
7.3.6 Factor de comienzo del desprendimiento: S-IV 107
7.3.7 Factor de ajuste de los baches: S-III 108
7.4 Nivel 3 - Adaptación del modelo 109
7.4.1 Diseño general y métodos del estudio esperimental 110
7.4.2 Modelos del inicio del deterioro 111
7.4.3 Modelos de progreso del deterioro 112
7.4.4 Modelos de progreso de la profundidad de la rodera 112
7.4.5 Modelos de progreso de la regularidad 112
7.5 Efectos de los trabajos en carreteras de firme bituminoso: S-II 112
7.5.1 Nivel 1 113
7.5.2 Nivel 2 113
7.6 Deterioro de firmes de hormigón 113
7.7 Efectos de los trabajos sobre los firmes de hormigón 113
7.8 Deterioro y efectos de los trabajos sobre las carreteras sin sellar 113
8 Resumen y conclusiones 114
9 Referencias 115
Apéndice A Datos de factores de calibración de HDM 122
Apéndice B Valores de los parámetros usados en los estudios de HDM 132
Apéndice C Datos del usuario de la carretera 156
Apéndice D Datos del firme y la carretera 157

D.1 Introducción 157
D.2 Clasificaciones del firme 157
D.3 Datos generales de la carretera 160
D.4 Características del firme 161
D.5 Condición del firme 162
D.6 Alternativas de conservación 163
D.7 Tramos homogéneos 164
Guía de calibración y adaptación iv

Versión 1.0
CONTENIDOS
Apéndice E Datos del tráfico 167

E.1 Introducción 167
E.2 Volumen y composición del tráfico 167
E.3 Distribución horaria del volumen del tráfico 169
E.4 Tasas del crecimiento del tráfico 170
E.5 Sondeos del volumen y la clasificación del tráfico 173
E.6 Carga del vehículo 177
Apéndice F Datos de los costes unitarios 180

F.1 Introducción 180
F.2 Costes económicos y financieros 180
F.3 Costes unitarios de los efectos de los usuarios de la carretera 182
F.4 Costes unitarios de los efectos de los trabajos 189
Apéndice G Datos económicos 190

G.1 Introducción 190
G.2 Tasa de descuento 190
G.3 Períodod el análisis 190
Apéndice H Determinación del tamaño de las muestras 191
Apéndice I Análisis de la curva de supervivencia 193
Apéndice J Regresión octogonal 195
Apéndice K Guía del usuario de las herramientas de HDM 198

K.1 Introducción 198
K.2 Efectos del usuario de la carretera 198
K.3 Barra de herramientas de HDM-4 199
K.4 Efectos del deterioro y confirmación del firme 214
K.5 Análisis 214
Guía de calibración y adaptación v

Versión 1.0
ACERCA DE ESTE MANUAL
n Marco analítico y descripciones de modelos (Volumen 4)
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)
Sugiere métodos para la calibración y adaptación de modelos HDM (para su uso en

HDM-III y HDM-4), adaptados a las condiciones locales existentes en diferentes países.
Explica como calibrar HDM-4 a partir de sus diferentes factores de calibración. Se
recomienda el uso de esta guía a usuarios experimentados que deseen entender, en
detalle, los marcos y modelos construidos en el sistema HDM-4.
Notas:
1 Los volúmenes 1, 2 y 3 están diseñados para el usuario general.
2 Los volúmenes 4 y 5 serán de gran ayuda para los usuarios expertos que desean obtener
un mayor nivel técnico. No obstante, el volumen 5, en particular, presenta conceptos muy
importantes que serán de interés para todos los usuarios.
Estructura de la Guía de calibración y adaptación

La información en este documento está estructurada como sigue:
n Capítulo 1 - Introducción
Ofrece una descripción general de HDM-4 y su alcance.

n Capítulo 2 – Calibración
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
Se relaciona con la línea de convergencia y con la precisión de los pronósticos de los

modelos, la precisión en la entrada de datos y las formas de evaluar la fiabilidad de los
pronósticos de HDM.
n Capítulo 4 – Sensibilidad de HDM
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.
Guía de calibración y adaptación ii

Versión 1.0
n Capítulo 7 – Calibración RDWE
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
Resume las principales conclusiones del informe

n Capítulo 9 – Referencias
Ofrece una lista de informes relacionados al documento.

n Apéndice A – Datos y factores de la calibración en HDM
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
Datos relacionados al usuario de la carretera

n Apéndice D – Datos del firme y de la carretera
Muestra descripciones y explicaciones de los datos generales de la carretera, de las

características y de la condición del firme y de las estrategias de conservación
n Apéndice E – Datos del tráfico
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
Será incluido en una edición siguiente de este documento.

n Apéndice H – Determinación de los tamaños de las muestras
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 el cálculo de la curva de supervivencia

n Apéndice J – Regresión octogonal
Describe los datos de la regresión octogonal.

n Apéndice K – Guía del usuario de las herramientas de HDM.
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.
Guía de calibración y adaptación iii

Versión 1.0
Calibrar lor parámetros

Establecer nivel de
Configuración del del modelo RUE
calibración
modelo HDM seleccionados
(Capítulo 2)
(Chapter 6)
Calibrar los parámetros

Revisar conceptos de
del modelo RDWE
fiabilidad
seleccionados
(Capítulo 3)
(Capítulo 7)
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)
Figura 2 Proceso de calibración en HDM
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)
Guía de calibración y adaptación iv

Versión 1.0
Post: ISOHDM Technical Secretariat.

School of Civil Engineering
The University of Birmingham
Edgbaston
Birmingham B15 2TT
United Kingdom
Los autores pueden ser contactados en:
Dr. Christopher R. Bennett chris@htc.co.nz
Dr. William D.O. Paterson wpaterson@worldbank.org
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
Guía de calibración y adaptación v

Versión 1.0
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
Guía de calibración y adaptación vi

Versión 1.0
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)
n Department for International Development (DFID) in the United Kingdom
n Swedish National Road Administration (SNRA)
n The World Bank
Además de los anteriores han colaborado estrechamente:

n Finnish National Road Administration (Finnra)
n Inter-American Federation of Cement Producers (FICEM)
Otras muchas organizaciones e individuos de diferentes países han colaborado también en

términos de información o llevando a cabo revisiones técnicas de los productos desarrollados.
El estudio ha sido coordinado por la Secretaría Técnica de ISOHDM en la Universidad de
Birmingham en el Reino Unido. Un gran número de organizaciones ha participado en la
investigación, incluyendo:
n Finnra
Especificación de las aplicaciones de análisis de programa y estrategia.

n FICEM
Desarrollo de relaciones entre deterioro y conservación de carreteras de hormigón

Pórtland.
n The Highway Research Group, School of Civil Engineering, The University of
Birmingham
Responsable del diseño del sistema y del desarrollo del software.
n Road Research Institute (IKRAM) in Malaysia supported by N.D.Lea International
(NDLI)
Responsable de proveer relaciones actualizadas entre deterioro y costes sobre el usuario
de la carretera.
n Transport Research Laboratory (TRL) in the United Kingdom
Responsable de revisar y actualizar relaciones de deterioro del firme flexible.

n SNRA
Responsable del desarrollo de relaciones de deterioro para climas fríos, seguridad en la

carretera, efectos medioambientales y de colaborar con el diseño del sistema HRG.
Toda las organizaciones de investigación recibieron apoyo del equipo técnico local o regional,
visitas de expertos y consultores externos, para asegurar el estándar de calidad y consenso
internacional deseado. Un gran número de otros países e individuos ha colaborado con este
proyecto aportando su conocimiento expertos y revisando los productos.
Guía de calibración y adaptación vii

Versión 1.0
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.
Guía de calibración y adaptación viii

Versión 1.0

Volumen 5

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Volumen 5

Uploaded by

Copyright:

Available Formats

Part A

Acerca de este manual

Guía de calibración y adaptación

Figura 1 Paquete de documentación de HDM-4

Describe el software de HDM-4. Es un documento de propósito general que provee una

Guía de calibración y adaptación i

Volumen 5 – Guía de calibración y adaptación

3.2 Diagonal y precisión 13

3.3 Factores de corrección 15

3.4 Precisión de los datos de entrada 15

3.5 Límites de la línea de convergencia 17

3.6 Evaluación de la fiabilidad de las predicciones de HDM 18

4.2 Efectos sobre los usuarios de la carretera 25

4.3 Clases de sensibilidad 30

Guía de calibración y adaptación i

Coste del consumod

Guía de calibración y adaptación 1

Figura 1.1 Visión general de HDM

Caja 1.1 Algunas definiciones

• Los costes de la circulación de los vehículos (VOC) son los costes de

Guía de calibración y adaptación 2

DATOS DE ENTRADA MODELO DATOS DE SALIDA

Tipo de vehículo, volumen,

Tipo de firme, resistencia, edad, Fisuración, desprendimiento,

Geometría y regularidad de la carretera, Combustible, lubricante,

Estrategias y estándares de los trabajos Reajuste de fisuración,

Geometría de la carretera y textura Efectos sociales y Niveles de emisión y energía

Desarrollo, accidentes, medioambiente Costes y beneficios incluyendo

Costes totales por componente;

Guía de calibración y adaptación 3

Figura 1.2 Estructura del modelo de HDM-4

Guía de calibración y adaptación 4

Figura 2.1 Proceso de modelización de HDM

Guía de calibración y adaptación 5

2.1.1 Consideraciones del desarrollo del modelo

Guía de calibración y adaptación 6

60 Fuel & Oil

Figura 2.2 Comparación entre los pronósticos observados y los

Chesher y Harrison (1987) apuntaron, también, la necesidad de la calibración local a través

Guía de calibración y adaptación 7

La profundidad del mar y la

2.2 Datos de entrada

Guía de calibración y adaptación 8

Requiere la medida de los parámetros adicionales y de las encuestas de campo

Guía de calibración y adaptación 9

Estimados generales Estimados reales

Figura 2.3 Recursos y tiempos requeridos en la calibración

2.3.2 Nivel 1 - Aplicación

Guía de calibración y adaptación 10

Secundaria Publicaciones Elegir los informes Elegir grupos de Examinar,

Calibraciones Investigación a Calibración de la Calibración del Estimar las nuevas

Guía de calibración y adaptación 11

Fuente: Curtayne et al. (1987)

Como se muestra en el Apéndice A, los siguientes datos se deberían obtener de una

n Costes unitarios (RUE y RDWE)

n Algunas características de los vehículos representativos

n Datos del análisis económico (tasas descontadas y períodos del análisis)

n Características del firme (estudios del RDWE)

n Composición y tasas de crecimiento del tráfico

n Tipo de clima en la región

Aunque HDM, en ocasiones, requiere un amplio espectro de datos y parámetros de

2.3.3 Nivel 2 - Calibración

2.3.4 Nivel 3 - Adaptación