ESCUELA POLITECNICA NACIONAL

VICERRECTORADO DE INVESTIGACIÓN Y PROYECCIÓN SOCIAL

DIRECCIÓN DE INVESTIGACIÓN Y PROYECCIÓN SOCIAL

INFORME DE ELABORACIÓN DE UNA

METODOLOGÍA BASADA EN DEEP LEARNING PARA
ESTIMACIÓN DE PARÁMETROS MARINOS

PROYECTO PIS-21-05

ING. JONATHAN PROCEL

PhD. WILSON GUACHAMIN

DIRECTOR DEL PROYECTO
PIS-21-05

FEBRERO 2023
1 Introducción:

La ejecución de operaciones marinas requiere acciones coordinadas de varias embarcaciones

que realizan actividades simultáneas en alta mar. De todos los parámetros medio ambientales
la energía de las olas es uno de los más importantes, que puede ser caracterizado a través de
parámetros espectrales que pueden ser complementados con el uso de mediciones de boyas.

Por lo tanto, el presente informe describe la implementación de una metodología que permite
predecir parámetros espectrales, tomando en consideración el uso de tecnologías y estudios
recientes como la implementación del deep learning frente a la predicción de parámetros como
altura de ola (Hs), periodo pico (Tp) y dirección pico, para cualquier sitio offshore y tipo de
embarcación.

2 Metodología

Esta sección describe una metodología para la predicción de parámetros espectrales.

2.1 Generación del conjunto de datos de olas

Las respuestas estadísticas de las embarcaciones son calculadas a partir de espectros reales 2D
y funciones de transferencias (RAOs). Los espectros de olas son obtenidos de reanálisis
disponible en diferentes plataformas de datos oceanográficos, para un determinado sitio
offshore y para un intervalo de tiempo histórico. Estos datos se encuentran acompañados de
información que permite evaluar parámetros espectrales como la concentración de energía de
las olas, particiones espectrales, periodos pico y direcciones dominantes. (Ver Figura 1)

Figura 1. Ejemplo de espectro real de olas 2D ((Modemat (2020),

https://modemat.epn.edu.ec/nereo/))

2.2Determinación de respuestas dinámicas

Con ayuda del software de elementos finitos ANSYS AQWA se modelo una embarcación con
ayuda de paneles difractantes, junto con espectros de ola reales que permiten evaluar las
respuestas dinámicas de la embarcación en cualquier punto de interés ya sea usando métodos
numéricos en dominio de la frecuencia o tiempo. El método en dominio de la frecuencia es
aplicable a problemas hidrodinámicos lineales y no lineales, por lo tanto, este método es el

2
seleccionado para determinar las respuestas dinámicas generadas sobre la embarcación
modelada.

En el dominio de la frecuencia las respuestas dinámicas (posición, velocidad y aceleración) se

establecen importando los valores de las RAOS (funciones de transferencia) para el punto de
interés, utilizando la ecuación 1.

𝑋 = [𝑅𝐴𝑂𝑆]2 ∗ 𝑆𝑊 (1)

Donde X representa la matriz de respuesta dinámica (posición, velocidad, aceleración, etc.) y

𝑆𝑊 representa el espectro de olas real. (Ver Figura 2).

Figura 2. Ejemplo de respuestas dinámicas para una embarcación

2.3Predicción de valores usando regresión múltiple

Para la predicción de parámetros espectrales se utilizan arboles de decisión múltiples a partir
del paquete “sklearn” de python. Las respuestas dinámicas se dividen en datos de
entrenamiento (80 %) y prueba (20 %).

Las características específicas para el modelo corresponden a los 6 grados de libertad de la

embarcación. Estas características junto con las respuestas espectrales son utilizadas para
optimizar, evaluar y entrenar el modelo predictivo.

Antes de iniciar la predicción de valores, se optimiza el modelo de entrenamiento a través del

preprocesamiento de datos, que consiste en lo siguiente:

- Dividir la dirección en sus componente senoidal y cosenoidal para evadir la ambivalencia

del modelo predictivo.
- Utilizar matices de correlación para elegir las mejores características específicas del
modelo. La Figura 3 muestra un ejemplo de matriz de correlación.
2.4 Métricas de evaluación de algoritmos
Los modelos de regresión múltiple son evaluados usando diferentes métricas estadísticas. El
error medio absoluto (MAE) definido por la ecuación 2 y el error cuadrático medio (MSE)
definido por la ecuación 3 permiten entender el modelo de ajuste de predicción. Por lo tanto,

3
entre más cercano a cero sea su valor la predicción es mejor. Si ambas métricas difieren
demasiado en su magnitud indican que el modelo predictivo sobre estima la predicción de
valores.
1 𝑁
𝑀𝐴𝐸 = ∑ (𝑌 − 𝑌𝑖 ) (2)
𝑁 𝑖=1 𝑖
1 𝑁 2
𝑀𝑆𝐸 = ∑ (𝑌 − 𝑌𝑖 ) (3)
𝑁 𝑖=1 𝑖

Figura 3. Ejemplo de matriz de correlación.

Conclusiones
Se ha desarrollado una metodología para la evaluación de parámetros espectrales, que permite
introducir espectros paramétricos y reales en el modelo hidrodinámico.

La metodología es aplicable a cualquier embarcación marina, y es posible analizar cualquier

punto de estudio dentro de su configuración, permitiendo así trazar ventanas de trabajo para
un posterior análisis de operatividad.

Bibliografía
Guachamin-Acero, W., Li, L., 2018. Methodology for assessment of operational limits including
uncertainties in wave spectral energy distribution for safe execution of marine operations.
Ocean Engineering 165, 184–193. Https://doi.org/10.1016/j.oceaneng.2018.07.032.

4
Nielsen, U.D., 2006. Estimations of on-site directional wave spectra from measured ship
responses. Marine Structures 19, 33{69. Https://doi.org/10.1016/j.marstruc.2006.06.001.

Modemat, 2020. The Global Signature of Ocean Wave Spectra.

http://https://modemat.epn.edu.ec/nereo/. Accessed: 2020-12-09.

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: 6 de Marzo de 2023

Elaborado por: Aprobado por:

Ing. Jonathan Procel PhD. Wilson Guachamin

Director del Proyecto PIS 21-05