La Inteligencia Artificial en la predicción de las olas del mar

Las olas rompen una vez que alcanzan una altura crítica, antes de llegar a la cima y chocar contra un chorro de gotas y burbujas. Estas olas pueden ser tan grandes como el punto de ruptura de un surfista y tan pequeñas como una suave ondulación que llega a la orilla. Durante décadas, la dinámica de cómo y cuándo rompe una ola ha sido demasiado compleja de predecir.

Ahora, los ingenieros del MIT han encontrado una nueva forma de modelar cómo rompen las olas. El equipo usó el aprendizaje automático junto con datos de experimentos de tanques de olas para ajustar ecuaciones que tradicionalmente se han usado para predecir el comportamiento de las olas. Los ingenieros generalmente confían en tales ecuaciones para ayudarlos a diseñar plataformas y estructuras marinas resistentes. Pero hasta ahora, las ecuaciones no han podido capturar la complejidad de las olas rompientes.

El modelo actualizado hizo predicciones más precisas de cómo y cuándo rompen las olas, encontraron los investigadores. Por ejemplo, el modelo estimó la inclinación de una ola justo antes de romper, y su energía y frecuencia después de romper, con mayor precisión que las ecuaciones de onda convencionales.

Sus resultados, publicados hoy en la revista Nature Communications , ayudarán a los científicos a comprender cómo una ola rompiente afecta el agua que la rodea. Saber con precisión cómo interactúan estas olas puede ayudar a perfeccionar el diseño de estructuras en alta mar. También puede mejorar las predicciones sobre cómo interactúa el océano con la atmósfera. Tener mejores estimaciones de cómo rompen las olas puede ayudar a los científicos a predecir, por ejemplo, cuánto dióxido de carbono y otros gases atmosféricos puede absorber el océano.

"El rompimiento de las olas es lo que pone aire en el océano", dice el autor del estudio Themis Sapsis, profesor asociado de ingeniería mecánica y oceánica y afiliado del Instituto de Datos, Sistemas y Sociedad del MIT. “Puede sonar como un detalle, pero si multiplicas su efecto sobre el área de todo el océano, el rompimiento de las olas comienza a ser fundamentalmente importante para la predicción del clima”.

Los coautores del estudio incluyen al autor principal y posdoctorado del MIT Debbie Eeltink, Hubert Branger y Christopher Luneau de la Universidad de Aix-Marseille, Amin Chabchoub de la Universidad de Kyoto, Jerome Kasparian de la Universidad de Ginebra y TS van den Bremer de la Universidad Tecnológica de Delft.

Tanque de aprendizaje

Para predecir la dinámica de una ola rompiente, los científicos suelen adoptar uno de dos enfoques: intentan simular con precisión la ola a la escala de moléculas individuales de agua y aire, o realizan experimentos para tratar de caracterizar las olas con medidas reales. El primer enfoque es computacionalmente costoso y difícil de simular incluso en un área pequeña; el segundo requiere una gran cantidad de tiempo para ejecutar suficientes experimentos para obtener resultados estadísticamente significativos.

En cambio, el equipo del MIT tomó prestadas partes de ambos enfoques para desarrollar un modelo más eficiente y preciso utilizando el aprendizaje automático. Los investigadores comenzaron con un conjunto de ecuaciones que se considera la descripción estándar del comportamiento de las olas. Su objetivo era mejorar el modelo "entrenando" el modelo con datos de olas rompientes de experimentos reales.

“Teníamos un modelo simple que no capta el rompimiento de olas, y luego tuvimos la verdad, es decir, experimentos que involucran rompimiento de olas”, explica Eeltink. “Entonces queríamos usar el aprendizaje automático para aprender la diferencia entre los dos”.

Los investigadores obtuvieron datos de rotura de olas realizando experimentos en un tanque de 40 metros de largo. El tanque estaba equipado en un extremo con un remo que el equipo usaba para iniciar cada ola. El equipo colocó la paleta para producir una ola rompiente en el medio del tanque. Los medidores a lo largo del tanque midieron la altura del agua a medida que las ondas se propagaban por el tanque.

“Se necesita mucho tiempo para ejecutar estos experimentos”, dice Eeltink. “Entre cada experimento hay que esperar a que el agua se calme por completo antes de lanzar el siguiente experimento, de lo contrario, se influyen entre sí”.

Puerto seguro

En total, el equipo realizó alrededor de 250 experimentos, cuyos datos usaron para entrenar un tipo de algoritmo de aprendizaje automático conocido como red neuronal. Específicamente, el algoritmo está entrenado para comparar las ondas reales en los experimentos con las ondas pronosticadas en el modelo simple y, en función de las diferencias entre las dos, el algoritmo ajusta el modelo para que se ajuste a la realidad.

Después de entrenar el algoritmo con sus datos experimentales, el equipo introdujo en el modelo datos completamente nuevos, en este caso, mediciones de dos experimentos independientes, cada uno ejecutado en tanques de olas separados con diferentes dimensiones. En estas pruebas, encontraron que el modelo actualizado hizo predicciones más precisas que el modelo simple sin entrenamiento, por ejemplo, haciendo mejores estimaciones de la inclinación de una ola rompiente.

El nuevo modelo también capturó una propiedad esencial de las olas rompientes conocida como "desplazamiento hacia abajo", en el que la frecuencia de una ola se desplaza a un valor más bajo. La velocidad de una onda depende de su frecuencia. Para las olas del océano, las frecuencias más bajas se mueven más rápido que las frecuencias más altas. Por lo tanto, después del cambio descendente, la onda se moverá más rápido. El nuevo modelo predice el cambio de frecuencia, antes y después de cada ola rompiente, lo que podría ser especialmente relevante en la preparación para tormentas costeras.

“Cuando quieres pronosticar cuándo las olas altas de un oleaje llegarán a un puerto, y quieres salir del puerto antes de que lleguen esas olas, entonces, si te equivocas en la frecuencia de las olas, entonces la velocidad a la que se acercan las olas es incorrecta, dice Eeltink.

El modelo de onda actualizado del equipo tiene la forma de un código de código abierto que otros podrían usar, por ejemplo, en simulaciones climáticas del potencial del océano para absorber dióxido de carbono y otros gases atmosféricos. El código también se puede trabajar en pruebas simuladas de plataformas marinas y estructuras costeras.

“El propósito número uno de este modelo es predecir lo que hará una ola”, dice Sapsis. “Si no se modela correctamente el rompimiento de las olas, tendría tremendas implicaciones en el comportamiento de las estructuras. Con esto, podría simular olas para ayudar a diseñar estructuras mejor, más eficientemente y sin grandes factores de seguridad”.

Esta investigación cuenta con el apoyo, en parte, de la Fundación Nacional de Ciencias de Suiza y de la Oficina de Investigación Naval de EE. UU.

Este artículo ha sido elaborado tomando el MIT como fuente.