ESCUELA POLITECNICA NACIONAL

VICERRECTORADO DE INVESTIGACIÓN Y PROYECCIÓN SOCIAL

DIRECCIÓN DE INVESTIGACIÓN Y PROYECCIÓN SOCIAL

INFORME DE ELABORACIÓN DE METOLODOLOGÍAS

PARA ANÁLISIS DE VALORES EXTREMOS (EVA)
PARA ANÁLISIS ESTRUCTURAL

PROYECTO PIS-21-05

ING. JONATHAN PROCEL

PhD. WILSON GUACHAMIN

DIRECTOR DEL 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.

Los límites operacionales son representados en parámetros de fuerza de impacto, velocidad de

impacto, etc (respuestas dinámicas). Estos límites pueden ser establecidos a partir de
parámetros ambientales de diseño como la altura de ola (Hs) o velocidad de viento. De manera
empírica los estándares establecen que las respuestas dinámicas son calculadas con una
probabilidad de excedencia de 1/10000.

Por lo tanto, a partir de un conjunto de datos históricos hindcast y valores pronosticados de

forcast de espectros reales para un determinado sitio offshore se establece un modelo numérico
en Ansys AQWA con el propósito de determinar las respuestas dinámicas sobre un punto de una
estructura flotante Jackup. Estas repuestas utilizadas junto un modelo de árboles de decisión de
machine learning y el método de calibración de factores LRFD para determinar posteriormente
ventanas de trabajo.

2 Metodología

2.1 Sitio offshore y espectros de ola hindcast

Las operaciones marinas son planeadas basadas en información histórica de datos de ola
(hindcast) de un sitio offshore. Espectros de ola direccionales (2D) de historiales temporales de
una base de datos desde Enero a Diciembre de 2008 son utilizados para el sitio offshore
mostrado en la Figura 1.

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.

Las operaciones marinas también son programadas en base a un conjunto de pronósticos de

espectros de ola, que permiten al capitán o la persona a cargo planear el conjunto de
operaciones y si son o no posibles de aplicar de acuerdo con la planificación establecida.

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).

2.3 Modelación numérica de elementos finitos de un jack-up

La figura 2 muestra un modelo de Jack up utilizado para determinar las respuestas dinámicas a
las que estás sujeta la misma. Estas respuestas pueden ser calculadas utilizando métodos
numéricos en el dominio de la frecuencia o tiempo. El dominio de la frecuencia es adecuado
para problemas lineales, mientras que simulaciones en dominio del tiempo son mejor utilizadas
en problemas mas complejos. En este trabajo se han seleccionado los RAOs de un punto con
coordenadas (X=-25, Y=-11.5, Z=-22) m (PUNTO A), típicos para una pata de un Jack up, medido
desde su centro de gravedad (ver figura 2).

3
 Figura 2. Modelo de Jack up y punto de análisis

Con ayuda de la ecuación 1 y 2 se procede al cálculo de las respuestas dinámicas para la

velocidad en el eje z (rms z). este proceso se realiza tanto para los espectros hincast y forcast
determinados en los pasos anteriores.
2𝜋 𝑤2
σ= ∫0 ∫𝑤1 [𝑅𝐴𝑂𝑆]2 ∗ 𝑆𝑊 ∗ 𝑑𝑤𝑑𝜃 (1)

𝑚𝑜 = 𝑟𝑒𝑎𝑙(𝑠𝑞𝑟𝑡(σ)) (2)

2.4 Machine learning y cálculo de parámetros estadísticos

De acuerdo con Guachamin y Portilla (2022) las respuestas dinámicas pueden ser pronosticadas
con gran eficiencia el uso de árboles de decisión y uso de particiones espectrales sobre espectros
de ola 2D, utilizando cada uno de los parámetros de hs, Tp y Dir para cada sistema de ola como
datos de ingreso. Para este trabajo se procede de la siguiente manera:

1. Se determinan las particiones espectrales para los datos disponibles de espectros

hindcast.
2. Se establece una breve selección de parámetros de entrada (feature selección)
utilizando el método de árboles de decisión, evaluando el score (R^2) del ajuste en el
train data y test data, consiguiéndose valores de 0.9 y 0.77 respectivamente, por lo
tanto, se usa un total de 18 features entre Hs, Tp y Dir para cada sistema.
3. Se genere el modelo de árboles de decisión en sklearn de Python con un criterio de
“squared_error” y un max Depth “7”, con un 80% y 20% de datos para el train data y
test data respectivamente.
2.5 Modelos estadísticos de incertidumbre para respuestas dinámicas

2.5.1 Machine learning model

Los parámetros estadísticos para caracterizar la incertidumbre generada por el modelo de
machine learning para la respuesta dinámica se especifica a través de las siguientes ecuaciones:

∆𝑀 = 𝑣𝐻 − 𝑣𝐹𝑀 (3)

∑𝑛(∆𝑣𝑖 − ∆𝑣̅ )^2

𝜎𝑀 = √ 1 (4)
𝑛

2.5.2 Respuestas dinámicas para “weather forecast” en función del tiempo

de predicción
Las incertidumbres inherentes a los modelos a la predicción de parámetros ambientales,
representados en respuestas dinámicas pueden ser cuantificados usando dos diferentes
modelos matemáticos: aditivo y multiplicativo. Los parámetros estadísticos son determinados a
partir de las respuestas dinámicas (1.5*rms; velocidad) generadas de los modelos hindcast y
forecast.

a) MODELO ADITIVO

∆𝑉𝐴 (𝑇𝐿 ) = 𝑣𝐻 − 𝑣𝐹 (𝑇𝐿 ) (5)

4
 ∑𝑛(∆𝑣𝑖 (𝑇𝐿 ) − ∆𝑣̅ (𝑇𝐿 ))^2
𝜎𝑉𝐴 (𝑇𝐿 ) = √ 1 (6)
𝑛

b) MODELO MULTIPLICATIVO
𝑣𝐻
𝜒𝑉𝑀 (𝑇𝐿 ) = (7)
𝑣𝐹 (𝑇𝐿 )

∑𝑛(𝜒𝑣𝑖 (𝑇𝐿 ) − ̅𝜒𝑣

̅̅̅ (𝑇𝐿 ))^2
𝜎𝑉𝑀 (𝑇𝐿 ) = √ 1 (8)
𝑛

2.6 Ecuación de estados y calibración de factores de carga y resistencia

Se estable el siguiente procedimiento:

1. Determinar e identificar valores estadísticos de las variables a ingresar en el modelo,

identificar variables conocidas, desconocidas y cuales se pueden asumir, determinar el
valor de 𝛽, para el caso planteado 𝛽 = 1.5, que representa una probabilidad de falla de
0.0668
2. Formular la ecuación de desempeño:

𝑔(𝑥) = 𝑅 − 𝑆 = 0 (9)
𝛾𝑅 ∗ 𝑅 ≥ 𝛾𝑆 ∗ 𝑆 (10)
Donde:

R= representa el valor límite de velocidad en la para

S= el valor que se predice con los modelos forescat y ML como parte de una misma variable

3. Se establecen los modelos para determinar la calibración de valores

a) Modelo Aditivo
𝑚
𝑅(𝑢𝑅 = 1.5 ; 𝐶𝑉 = 0.1 )
𝑠

b) Modelo multiplicativo
𝑆(𝑢𝑆 ; 𝜎𝑆 )

𝑆 (𝑢𝑆 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 ; 𝜎𝑆 = √𝜎𝑣2𝐻 + 𝜎𝑣2𝐹 )

4. Formular el espacio g(u)

Se normalizan y estandarizan las variables

𝑅 − 𝑢𝑅 𝑆 − 𝑢𝑆
𝑈𝑅 = , 𝑈𝑆 = (11)
𝜎𝑅 𝜎𝑆
5. Calcular los cosenos directores
[𝑝][𝐺]
α= − (12)
√[𝐺]𝑇 ∗ [𝑝] ∗ [𝐺]
6. Calcular puntos de diseño de varíales conocidas usando

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

2.7 EVALUACIÓN DE LOS MODELOS

Los valores de las variables R y S son generadas según el modelo establecido:

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

En general en la figura 3 y 4 se observa como la variación de los parámetros estadísticos de los

espectros de forcast aumenta su dispersión según aumenta el TL.

media
Arit MODELO ADITIVO
0.8

0.6

0.4

0.2

0
0 20 40 60 80 100 120
-0.2 HORAS

Figura 3. Parámetros estadísticos del modelo aditivo

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

Figura 4. Parámetros estadísticos del modelo multiplicativo

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.

TABLA 1. Valores de gamma para los modelos aditivo y multiplicativo

vlim= 1.5 m/s

MODELO ADITIVO MODELO MULTIPLICATIVO
HORAS gam_R gam_Q HORAS gam_R gam_Q
6 0.8655 1.0327 6 0.8704 1.044
12 0.8664 1.348 12 0.8709 1.0451
18 0.8684 1.0394 18 0.8723 1.0484
24 0.8691 1.0409 24 0.8729 1.05
30 0.8686 1.0399 30 0.8733 1.051
36 0.872 1.0479 36 0.8758 1.0571
42 0.8711 1.0457 42 0.8763 1.0581
48 0.8755 1.0561 48 0.8788 1.0644
54 0.8742 1.0531 54 0.8798 1.067
60 0.8775 1.0612 60 0.881 1.0702
66 0.8827 1.0744 66 0.885 1.0807
72 0.886 1.0835 72 0.8883 1.0897
78 0.8873 1.087 78 0.8896 1.0935
84 0.8929 1.1029 84 0.8944 1.1074
90 0.8934 1.1044 90 0.8956 1.1112
96 0.8979 1.1184 96 0.9008 1.1275
102 0.902 1.1317 102 0.90973 1.15
108 0.9075 1.1509 108 0.913 1.1717

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

Figura 6. Ejemplo de ventana de trabajo para un Time lead de 6 horas en función de la

probabilidad de falla

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.

Se ha determinado que la calibración de la ecuación 8 depende de una relación entre la

asignación del valor de probabilidad de excedencia y el valor de RMS de las respuestas dinámicas
propuestas (velocidad en z en el punto A del Jack up).

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.

La calibración de valores permite determinar ventanas de trabajo de manera eficiente y rápida,

por lo tanto, el método propuesto cumple con las condiciones deseadas.

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.

Guachamin-Acero, W., & Portilla, J. 1Departamento de Ingenierıa Mecánica, Escuela Politécnica

Nacional 2Research Center of Mathematical Modelling (MODEMAT) Quito, Ecuador 17-01-2759.

Portilla-Yandún, J., Cavaleri, L., & Van Vledder, G. P. (2015). Wave spectra partitioning and long
term statistical distribution. Ocean Modelling, 96, 148-160.

Firman el Ing. Jonathan Procel en calidad de Prestador de Servicios Profesionales y el PhD.

Wilson Guachamín, en calidad de director del proyecto PIS 21 – 05, para constancia de la
recepción de este informe de productos y su aprobación a entera satisfacción.

Fecha de entrega: 05 de junio de 2023

Elaborado por: Aprobado por:

Ing. Jonathan Procel PhD. Wilson Guachamin
Director del Proyecto PIS 21-05