Professional Documents
Culture Documents
ESTUDIANTES:
DANIEL BERNAL VARGAS 1102242
CARLOS OCAMPO ACOSTA 1102299
JEISON TRIANA GONZALEZ 1102327
DOCENTE:
NADIR YAVER
FACULTAD DE INGENIERIA
PROGRAMA DE INGENIERIA CIVIL
DRENAJE VIAL
BOGOTA D.C.
8/SEPTIEMBRE/2018
INTRODUCCION
El drenaje de una carretera es de vital importancia, ya que este es uno de los
factores que influye en la conservación de la misma, de esto depende que la vía
este en un buen funcionamiento, como mínimo para el periodo por el cual fue
diseñado.
El agua es un elemento fundamental para la vida, aun así, es el agente que más
causa problemas en todo tipo de obras en la Ingeniería civil, provocando un mayor
impacto en las estructuras viales, por lo tanto, como ingenieros se debe buscar
alternativas para reducir el apresurado deterioro de la vía por la presencia de este
fluido.
Este drenaje que generalmente se diseña en todo tipo de vías, es un drenaje pluvial,
el cual conduce el agua de lluvia a puntos estratégicos donde es recolectada y
arrojada de tal manera que no afecte la estructura vial. Es necesario evaluar también
los cruces de los ríos que se encuentren alrededor del proyecto que puedan afectar
a la carretera y la climatología del lugar.
Para realizar un buen drenaje en una vía se necesita de unos estudios particulares,
que al final nos aporten resultados pertinentes para establecer el tipo de obras de
drenaje que se van a emplear y su diseño. Dichos estudios comprenden: estudio
hidrológico de la zona y estudio topográfico de la zona.
OBJETIVOS
Realizar procedimientos estadísticos y probabilísticos que se requieren para
analizar la climatología que caracteriza el departamento de Atlántico lugar donde se
realizara la intervención de una vía de 5 km al sur del Municipio de Malambo.
DESARROLLO
UBICACIÓN
UBICACIÓN DE LA VIA
Imagen tomada de Google Earth tramo de vía comprendido entre k0+00.00 m y k5+00.00.
CLIMATOLOGÍA
Es la ciencia que estudia el clima y su cambio a largo plazo, teniendo en cuenta datos en el
pasado aplicándolo en diferentes lugares de la Tierra. Para efectuar un análisis se emplean
herramientas de estadística, una de ellas y la más utilizada es la media. Teniendo en cuenta
a que se dedica la climatología se puede decir que el clima es el valor promedio del tiempo
atmosférico y sus oscilaciones extremas, en un determinado lugar.
Es de vital importancia el conocimiento del clima en el lugar de estudio antes de proceder a
construir algún tipo de obra, para ello se debe tener una cierta familiarización con los valores
numéricos de los datos y aprender a interpretarlos, y así evaluar, por ejemplo, cuales son
los meses más secos o los más lluviosos.
DISTRIBUCIÓN TEMPORAL
ESTACION: 29045020 APTO E CORTISSOZ
Histograma
PRECIPITACION MEDIA MENSUAL (MM)
200 172.1
145.2
150
99.5 90.6 99.5
85
100 74.7
50 24 23.1
3.3 0.7 1.1
0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
TIEMPO (MESES)
Precipitacion
La precipitación en el área que cubre esta estación de tipo sinóptica principal tiene un
comportamiento Monomodal, presenta su pico iniciando el cuarto trimestre del año, siendo
más específicos en el mes de octubre, a principios del año la precipitación es casi nula.
Presenta una asimetría hacia la derecha.
36.7 28.3
50.0
2.1 0.6 2.3
0.0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
TIEMPO (MESES)
Precipitacion
La precipitación en el área que cubre esta estación de tipo climatológica ordinaria tiene un
comportamiento Monomodal, como lo presenta la anterior gráfica, presenta su pico iniciando
el cuarto trimestre del año, siendo más específicos en el mes de octubre, a principios del
año la precipitación es casi nula, se podría decir que son meses secos. Presenta una
asimetría hacia la derecha.
HISTOGRAMA
180 165.7
160 138.2
140
120 106.9
98.7
MM)
91.6
100 73.4
80 55.9
60 34.9
40
11.6
20 0.8 1.3 1.2
0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
TIEMPO (MESES)
Precipitacion
Realizado por Jeison Triana. Información IDEAM
La precipitación en el área que cubre esta estación de tipo climatológica principal tiene un
comportamiento Monomodal, como lo presenta las anteriores gráficas, presenta su pico
iniciando el cuarto trimestre del año, siendo más específicos en el mes de octubre, a
principios del año no se presenta precipitación llevando a concluir que son meses secos.
Presenta una asimetría hacia la derecha.
DISTRIBUCIÓN ESPACIAL
POLÍGONOS DE THIESSEN
Los polígonos de Thiessen son uno de los métodos de interpolación más simples,
basado en la distancia euclidiana, siendo especialmente apropiada cuando los datos
son cualitativos. Se crean al unir los puntos entre sí, trazando las mediatrices de
los segmentos de unión. Las intersecciones de estas mediatrices determinan una
serie de polígonos en un espacio bidimensional alrededor de un conjunto de puntos
de control, de manera que el perímetro de los polígonos generados
sea equidistante a los puntos vecinos y designando su área de influencia.
Thiessen ideó el método para delimitar las subregiones correspondientes a cada
pluviómetro: se unen las estaciones adyacentes con segmentos de recta, y luego se
construyen los bisectores perpendiculares a cada segmento, extendiéndolos hasta
que se intersecten, formando polígonos irregulares. Si hay dudas, se resuelven
comparando las distancias a los pluviómetros.
Los polígonos
Weibul
Pmax 24 horas Orden Px>=>X* F(x) Tr (años)
133,2 1,000 0,029 0,971 35,000
130,0 2,000 0,057 0,943 17,500
124,8 3,000 0,086 0,914 11,667
121,4 4,000 0,114 0,886 8,750
121 5,000 0,143 0,857 7,000
117,9 6,000 0,171 0,829 5,833
116,8 7,000 0,200 0,800 5,000
113,1 8,000 0,229 0,771 4,375
113,0 9,000 0,257 0,743 3,889
110,0 10,000 0,286 0,714 3,500
107 11,000 0,314 0,686 3,182
100,1 12,000 0,343 0,657 2,917
94,9 13,000 0,371 0,629 2,692
92,7 14,000 0,400 0,600 2,500
92,5 15,000 0,429 0,571 2,333
89,3 16,000 0,457 0,543 2,188
87,8 17,000 0,486 0,514 2,059
83,5 18,000 0,514 0,486 1,944
81 19,000 0,543 0,457 1,842
80,5 20,000 0,571 0,429 1,750
80,5 21,000 0,600 0,400 1,667
79,5 22,000 0,629 0,371 1,591
79 23,000 0,657 0,343 1,522
78,1 24,000 0,686 0,314 1,458
78 25,000 0,714 0,286 1,400
77,5 26,000 0,743 0,257 1,346
77 27,000 0,771 0,229 1,296
75,7 28,000 0,800 0,200 1,250
68,5 29,000 0,829 0,171 1,207
67,3 30,000 0,857 0,143 1,167
67 31,000 0,886 0,114 1,129
66,5 32,000 0,914 0,086 1,094
52,2 33,000 0,943 0,057 1,061
48,1 34,000 0,971 0,029 1,029
Distribución Normal
Normal
Z X*
1,902 133,935
1,579 126,702
1,368 121,963
1,204 118,300
1,068 115,243
0,949 112,578
0,842 110,183
0,744 107,987
0,652 105,941
0,566 104,010
0,484 102,169
0,405 100,398
0,328 98,682
0,253 97,009
0,180 95,367
0,108 93,746
0,036 92,137
-0,036 90,533
-0,108 88,925
-0,180 87,304
-0,253 85,662
-0,328 83,988
-0,405 82,273
-0,484 80,502
-0,566 78,661
-0,652 76,730
-0,744 74,683
-0,842 72,487
-0,949 70,093
-1,068 67,427
-1,204 64,371
-1,368 60,708
-1,579 55,969
-1,902 48,736
R2 0,964
Distribución Log normal
Log Normal
Z X*
1,902 143,421
1,579 132,161
1,368 125,269
1,204 120,188
1,068 116,107
0,949 112,661
0,842 109,653
0,744 106,965
0,652 104,519
0,566 102,262
0,484 100,156
0,405 98,172
0,328 96,287
0,253 94,482
0,180 92,745
0,108 91,061
0,036 89,421
-0,036 87,814
-0,108 86,232
-0,180 84,667
-0,253 83,109
-0,328 81,552
-0,405 79,986
-0,484 78,401
-0,566 76,787
-0,652 75,129
-0,744 73,411
-0,842 71,611
-0,949 69,699
-1,068 67,630
-1,204 65,334
-1,368 62,684
-1,579 59,415
-1,902 54,751
0,960
Distribución Pearson
Pearson
Kt X*
1,989 135,873
1,627 127,782
1,395 122,572
1,217 118,593
1,070 115,305
0,943 112,461
0,830 109,925
0,727 107,615
0,631 105,476
0,542 103,469
0,457 101,567
0,376 99,747
0,297 97,992
0,221 96,290
0,147 94,627
0,074 92,994
0,002 91,382
-0,069 89,781
-0,141 88,184
-0,212 86,583
-0,284 84,968
-0,357 83,331
-0,432 81,661
-0,509 79,948
-0,588 78,175
-0,670 76,327
-0,757 74,380
-0,850 72,305
-0,950 70,058
-1,061 67,577
-1,187 64,757
-1,336 61,413
-1,527 57,144
-1,812 50,751
0,967
Distribución Log Pearson
Log Pearson
Kt X*
1,759 138,326
1,495 129,372
1,316 123,651
1,175 119,311
1,055 115,747
0,949 112,683
0,853 109,966
0,763 107,504
0,679 105,236
0,599 103,119
0,522 101,123
0,447 99,223
0,374 97,400
0,301 95,641
0,230 93,931
0,159 92,261
0,088 90,621
0,017 89,002
-0,055 87,395
-0,128 85,793
-0,202 84,188
-0,279 82,571
-0,358 80,933
-0,441 79,263
-0,527 77,548
-0,618 75,775
-0,716 73,923
-0,822 71,968
-0,939 69,873
-1,070 67,587
-1,223 65,026
-1,408 62,040
-1,653 58,314
-2,037 52,919
0,968
Distribución Gumbel
Gumbel
-ln(-ln/F(x))) X*
3,541 150,421
2,833 136,470
2,412 128,181
2,109 122,205
1,870 117,492
1,671 113,575
1,500 110,204
1,349 107,229
1,213 104,553
1,089 102,111
0,975 99,855
0,868 97,748
0,767 95,765
0,672 93,884
0,581 92,086
0,493 90,358
0,408 88,687
0,326 87,062
0,245 85,474
0,166 83,913
0,087 82,370
0,010 80,838
-0,068 79,306
-0,146 77,766
-0,225 76,207
-0,306 74,616
-0,389 72,977
-0,476 71,270
-0,567 69,468
-0,666 67,529
-0,774 65,390
-0,899 62,936
-1,052 59,926
-1,268 55,653
0,948
Weibul Normal Pearson Log Normal Log Pearson Gumbel
F(x) Pmax 24 horas X* X* X* X* X*
0,971 133,200 133,935 135,873 143,421 138,326 150,421
0,943 130,000 126,702 127,782 132,161 129,372 136,470
0,914 124,800 121,963 122,572 125,269 123,651 128,181
0,886 121,400 118,300 118,593 120,188 119,311 122,205
0,857 121,000 115,243 115,305 116,107 115,747 117,492
0,829 117,900 112,578 112,461 112,661 112,683 113,575
0,800 116,800 110,183 109,925 109,653 109,966 110,204
0,771 113,100 107,987 107,615 106,965 107,504 107,229
0,743 113,000 105,941 105,476 104,519 105,236 104,553
0,714 110,000 104,010 103,469 102,262 103,119 102,111
0,686 107,000 102,169 101,567 100,156 101,123 99,855
0,657 100,100 100,398 99,747 98,172 99,223 97,748
0,629 94,900 98,682 97,992 96,287 97,400 95,765
0,600 92,700 97,009 96,290 94,482 95,641 93,884
0,571 92,500 95,367 94,627 92,745 93,931 92,086
0,543 89,300 93,746 92,994 91,061 92,261 90,358
0,514 87,800 92,137 91,382 89,421 90,621 88,687
0,486 83,500 90,533 89,781 87,814 89,002 87,062
0,457 81,000 88,925 88,184 86,232 87,395 85,474
0,429 80,500 87,304 86,583 84,667 85,793 83,913
0,400 80,500 85,662 84,968 83,109 84,188 82,370
0,371 79,500 83,988 83,331 81,552 82,571 80,838
0,343 79,000 82,273 81,661 79,986 80,933 79,306
0,314 78,100 80,502 79,948 78,401 79,263 77,766
0,286 78,000 78,661 78,175 76,787 77,548 76,207
0,257 77,500 76,730 76,327 75,129 75,775 74,616
0,229 77,000 74,683 74,380 73,411 73,923 72,977
0,200 75,700 72,487 72,305 71,611 71,968 71,270
0,171 68,500 70,093 70,058 69,699 69,873 69,468
0,143 67,300 67,427 67,577 67,630 67,587 67,529
0,114 67,000 64,371 64,757 65,334 65,026 65,390
0,086 66,500 60,708 61,413 62,684 62,040 62,936
0,057 52,200 55,969 57,144 59,415 58,314 59,926
0,029 48,100 48,736 50,751 54,751 52,919 55,653
Tr Px>=X* Fx Z X*
Normal, Log Normal, Log
2,330 0,429 0,571 0,178 92,708 Person,
5,000 0,200 0,800 0,842 109,653 Gumbel Pearson
10,000 0,100 0,900 1,282 122,569 Media 91,335 1,948
25,000 0,040 0,960 1,751 138,024 Des.Stda 22,395 0,110
50,000 0,020 0,980 2,054 149,029 Ca 0,202 -0,319
100,000 0,010 0,990 2,326 159,675 K 0,034 -0,053
BIBLIOGRAFÍA
Rosales, I. D. (2018). SBI INTERNATIONAL HOLDINGS AG GUATEMALA & LATINOAMERICA. Obtenido de SBI
INTERNATIONAL HOLDINGS AG GUATEMALA & LATINOAMERICA: http://solelboneh.com/web/abril