Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROYECTO PIS-21-05
Mayo 2023
1 Introducción:
Las operaciones marinas son actividades temporales dentro del transporte y construcción de
actividades offshore. Estas actividades son ejecutadas cuando las respuestas dinámicas de las
embarcaciones son inferiores a limites operacionales (GL Noble Denton, 2015). Las operaciones
marinas se establecen a partir de ventanas de trabajo que utilizan un conjunto de datos
predichos para periodos máximos de 72 horas, o el uso de métodos estadísticos que usan un
conjunto de datos históricos para periodos de trabajo mayores a 72 horas.
2 Metodología
Los espectros de ola son pos procesados en sus particiones espectrales utilizando el método de
Portilla et al. 2015. La figura 1 muestra que el sitio offshore se caracteriza por 4 sistemas de ola,
donde se puede observar que el sistema 1 es el dominante.
Figura 1. Componentes del sistema de olas para el Océano Atlántico Norte 47 N 336,58 E.
(a) Distribución de ocurrencia de los sistemas de olas; (b) Valor medio de Hs promedio
mensual para cada sistema de olas.
2
2.2 Espectros de ola
2.2.1 Hindcast
Las respuestas dinámicas (1.5*rms) son calculadas a partir de datos de hindcast y los RAOs de la
embarcación. Los datos espectrales se obtienen de reanálisis de datos de las bases de datos de
ERA-Interim de ECMWF de espectros 2D para gran parte de sitios offshore (Deet el al. 2011). En
este trabajo se considera datos para un sitio offshore en el Océano Atlántico Norte (47 N, 336.58
E) de Enero de 2008 a Diciembre de 2008 (Ver figura 1).
2.2.2 Forecast
Se utilizan datos de forecast de espectros de ola 2D de ECmwf que se determinan con el uso de
modelos predictivos que toman en consideración datos atmosféricos y oceanográficos de
boyas, satélites y modelos numéricos. Los valores de forecast son dados cada 6 h, hasta un T_L
(Time lead) de 108 horas. Los datos son del año 2008 con 4 pronósticos para cada día, para el
sitio offshore especificado en el párrafo anterior.
Para este informe a través de la información disponible en ECWN se han determinado los
espectros de ola pronosticados para el año 2008, con un time lead (TL) de 0 a 120 horas con
intervalos de 6 horas entre cada uno. Los mismos que más tarde permitirán evaluar la variación
de respuestas dinámicas entre valores reales (hindcast) y predichos (forcast).
3
Figura 2. Modelo de Jack up y punto de análisis
𝑚𝑜 = 𝑟𝑒𝑎𝑙(𝑠𝑞𝑟𝑡(σ)) (2)
∆𝑀 = 𝑣𝐻 − 𝑣𝐹𝑀 (3)
a) MODELO ADITIVO
4
∑𝑛(∆𝑣𝑖 (𝑇𝐿 ) − ∆𝑣̅ (𝑇𝐿 ))^2
𝜎𝑉𝐴 (𝑇𝐿 ) = √ 1 (6)
𝑛
b) MODELO MULTIPLICATIVO
𝑣𝐻
𝜒𝑉𝑀 (𝑇𝐿 ) = (7)
𝑣𝐹 (𝑇𝐿 )
𝑔(𝑥) = 𝑅 − 𝑆 = 0 (9)
𝛾𝑅 ∗ 𝑅 ≥ 𝛾𝑆 ∗ 𝑆 (10)
Donde:
S= el valor que se predice con los modelos forescat y ML como parte de una misma variable
b) Modelo multiplicativo
𝑆(𝑢𝑆 ; 𝜎𝑆 )
5
𝑈𝑅∗ ⁄𝑆 = α𝑅⁄𝑆 ∗ 𝛽 (13)
7. Calcular puntos de diseño de variables conocidas en el espacio real
8. Calcular los puntos de diseño de las variables desconocidas
9. Calcular los valores mejorados de las variables
10. Iterara hasta que las variables α𝑅⁄𝑆 , 𝑅 𝑦 𝑆 converjan
Modelo Aditivo
𝑆(𝑢𝑅 = 0.2 + ∆𝑉𝐴 (𝑇𝐿 ) + ∆𝑀 ) (14)
Modelo MULTIPLICATIVO
𝑆(𝑢𝑆 = 0.2 ∗ 𝜒𝑉𝑀 (𝑇𝐿 ) ∗ ∆𝑀 ) (15)
Nota: se asume un valor de 0.2 m/s para la velocidad a la que desciende la pata del Jack up.
3 Resultados
- DATOS ESTADÍSTICOS DEL FORECAST
media
Arit MODELO ADITIVO
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100 120
-0.2 HORAS
MEDIA GEOM
MODELO MULTIPLICATIVO
1.2 STD GEO
0.8
0.6
0.4
0.2
0
0 20 40 60 HORAS 80 100 120
6
- DATOS ESTADÍSTICOS DEL HINDCAST Y MACHINE LEARNING
El análisis previo o selección de features determinó que es necesario el uso de todos los datos
completos de las particiones espectrales de los seis sistemas de ola presentes en el sitio offshore
seleccionado. Los datos analizados del score de los datos del modelo de entrenamiento y prueba
muestran valores de alrededor de 0.9 y 0.8 respectivamente. Siendo estos las alturas de ola
significativa, los periodos pico y las direcciones pico para cada uno de los sistemas.
Figura 5. Datos estadísticos del error generado entre el modelo predictivo y datos espectros
marinos reales.
La figura 5 muestra un box plot de errores para la predicción de los parámetros espectrales,
donde se puede observar que existe un error de rms sumamente pequeño. Este error se debe
adicionar al valore del error de forcast y al valor asumido de Q en la ecuación 8.
7
La Tabla 1 muestran los factores de calibración generados para cada uno de los modelos
propuestos, donde se puede observar que a menudo aumenta el time lead o tiempo de
predicción el valor gamma Q para cada modelo aumenta.
1.2
Probabilidades de falla PF_lim
1
Probabilidad de Falla
0.8
0.6
0.4
0.2
0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97
Dates
0.5
0
Probabilidad de Falla
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97
-0.5
-1
-1.5
PF PF_lim
-2
Dates
Figura 7. Ejemplo de ventana de trabajo para un Time lead de 6 horas en función de los valores
calibrados de LRFD
Las Figuras 6 y 7 muestran que poseen las mismas posiciones trabajables en la ventana de
trabajo tanto en función de los parámetros calibrados con los valores gamma de R y Q para un
time lead de 6 horas, así como el cálculo de las probabilidades de falla que presenta cada estado
de mar.
Conclusiones
Se ha establecido una metodología que permite evaluar límites operacionales utilizando el
método de calibración de factores de carga y resistencia LRFD.
8
El análisis de selección de features con el uso de árboles de decisión permite establecer de
manera eficiente y rápida los mejores parámetros de ingreso para generar el modelo de machine
learning, evitando sobre o sub ajustes en las predicciones del modelo.
Tanto los modelos aditivo como multiplicativo generan buenas predicciones, por lo tanto, las
ventanas de trabajo generadas son muy confiables.
Bibliografía
Modemat, 2020. The Global Signature of Ocean Wave Spectra.
http://https://modemat.epn.edu. ec/nereo/. Accessed: 2020-12-09.
Portilla-Yandún, J., Cavaleri, L., & Van Vledder, G. P. (2015). Wave spectra partitioning and long
term statistical distribution. Ocean Modelling, 96, 148-160.