Fernando Martínez Marco no seu laboratorio de IA aplicada á enxeñaría naval. / AI Research Lab.
Mentres a maioría do sector marítimo apenas comeza a experimentar con xemelgos dixitais e mantemento predictivo, o enxeñeiro naval canario Fernando Martínez Marco creou un laboratorio virtual de investigación aplicada onde combina modelos físicos, redes neuronais, grafos de coñecemento e redes bayesianas para repensar como se deseña, opera e regula o transporte marítimo.
Na intersección entre a arquitectura naval e a intelixencia artificial está a abrirse un espazo novo, aínda pouco visible fóra dos círculos especializados. Xemelgos dixitais que anticipan a fatiga de estruturas submarinas, modelos de aprendizaxe profunda que substitúen ensaios físicos de sloshing (o violento movemento do líquido en tanques parcialmente cheos), motores de busca semántica que “conversan” coa normativa marítima internacional ou redes bayesianas (modelos que actualizan a probabilidade dun suceso cando aparece nova evidencia) que guían operacións de busca e rescate, son algunhas das pezas dese novo panorama.
O enxeñeiro naval canario Fernando Martínez Marco cartografou este novo espazo desde un AI Research Lab persoal, cuxos resultados vai publicando en aberto no seu laboratorio “Engineering Intelligence”, un escaparate de prototipos e estudos técnicos que apuntan a un futuro no que os sistemas navais se comportan como infraestruturas cognitivas.
Este laboratorio presenta unha serie de insights, é dicir, resumos executivos de prototipos e investigacións propias, sempre na fronteira entre modelos físicos, estatística e aprendizaxe automática.
Aplicacións actuais da IA en enxeñaría naval (xemelgos dixitais, redes neuronais, redes bayesianas e grafos de coñecemento). / IA/T21
O laboratorio defínese como “unha exploración na intersección entre a enxeñaría naval e a intelixencia artificial”, onde se testan arquitecturas de deep learning, grafos de coñecemento e sistemas de recuperación aumentada (Retrieval‑Augmented Generation, RAG, unha técnica que combina busca en bases de datos con modelos xerativos) sobre problemas tan concretos como a fatiga de materiais, a inspección de buques ou a aplicación das normas SOLAS e IMO. SOLAS (Safety of Life at Sea) é o principal convenio internacional de seguridade no mar, xestionado pola Organización Marítima Internacional (IMO), que fixa estándares mínimos de construción, equipos e operación dos buques.
Un dos exemplos máis claros do uso da IA para transformar a operación e o deseño de sistemas mariños é o proxecto de xemelgo dixital para monitorizar a fatiga en augas profundas de risers (condutos flexibles que conectan instalacións submarinas coa superficie). En “Digital Twin for Riser Fatigue Monitoring”, Martínez Marco propón unha metodoloxía que combina un número mínimo de sensores con modelos de machine learning para estimar o dano por fatiga baixo condicións extremas, en escenarios como o mar de Guyana ou o Golfo de México. O sistema acada erros da orde do 5–10% respecto a referencias de alta fidelidade, reducindo de forma significativa os custos de instrumentación submarina.
No ámbito dos buques de gas natural licuado (LNG), o laboratorio explora dous frontes: a operación e o deseño preliminar. Por unha banda, o estudo “Emissions Reduction in LNG Shipping” analiza como modelos predictivos de presión nos tanques de carga poden soster estratexias “proactivas” de operación que reduzan as emisións de gases de efecto invernadoiro ata un 86% durante travesías con mala mar, fronte a enfoques puramente reactivos. Por outra, en “Taming Sloshing with Neural Networks” recorre a redes neuronais profundas e grandes bases de datos experimentais para predicir cargas extremas de sloshing nos tanques de gas natural licuado (LNG), co obxectivo de substituír parte dos custosos ensaios físicos con modelos a escala (maquetas dos tanques ensaiadas en tanques de probas especializados) e acelerar así o deseño preliminar destes buques.
Alén da eficiencia ou das emisións, unha parte central do traballo de Martínez Marco oriéntase á seguridade e á avaliación cuantitativa do risco, un terreo onde as decisións se toman con incerteza e vidas en xogo. En “Dynamic Risk Assessment in Offshore Platforms” presenta un marco de Avaliación Dinámica do Risco (DQRA) para plataformas offshore, construído a partir da combinación do método DEMATEL (unha técnica que identifica que factores causan a outros en sistemas complexos) con redes bayesianas. O resultado é un modelo que deixa atrás as probabilidades de fallo estáticas e permite actualizar o risco a medida que entra nova información, revelando dependencias organizativas e relacións entre barreiras de seguridade que non se captan con enfoques deterministas.
A mesma lóxica exténdese aos accidentes por varada en “Ship Grounding Risk Assessment”, onde se describe unha plataforma avanzada de Avaliación Cuantitativa do Risco baseada en redes bayesianas dinámicas (DBN, que modelan como evolucionan as probabilidades no tempo) e lóxica causal Noisy‑OR, formulada polo matemático Judea Pearl, para representar causas múltiples e incertas. Este motor de inferencia probabilística utiliza algoritmos de propagación da información para representar como se encadean os danos: desde as brechas estruturais e a inundación progresiva de compartimentos, ata a perda gradual de estabilidade do buque en condicións cambiantes de operación.
A IA está a revolucionar as predicións de carga do casco dos barcos en tempo real. / AI Research Lab.
O proxecto “Bayesian SAR Orchestrator” leva esta aproximación probabilística ao terreo das operacións de busca e rescate (SAR). A partir dunha rede bayesiana dinámica que integra datos atmosféricos en tempo real con coeficientes de deriva (leeway) de alta fidelidade, o sistema infire traxectorias probables de embarcacións de supervivencia tras o abandono dun buque.
Con esa información xera mapas de calor de probabilidade que permiten comprimir as xanelas de busca e optimizar o despregue de medios de salvamento, substituíndo patróns de busca xenéricos por estratexias guiadas por datos. É un exemplo claro de como a IA pode reforzar a seguridade marítima, non substituíndo o criterio do responsable da operación, senón ofrecéndolle un cadro probabilístico moito máis rico sobre onde poden estar as persoas en perigo.
Un terceiro bloque de proxectos sitúase na fronteira entre a enxeñaría e o mundo xurídico‑regulatorio do transporte marítimo. En “Graph‑Based LNG Inspection Intelligence”, Martínez Marco implementa un sistema de apoio a inspeccións Port State Control (PSC, controis que realizan as autoridades portuarias para verificar que os buques cumpren a normativa internacional) baseado en grafos de coñecemento e Graph Convolutional Networks, combinado con técnicas de procesamento da linguaxe natural (como o modelo RoBERTa) para analizar documentación. O modelo acada un 87% de precisión na predición de deficiencias, e exemplifica a transición desde listas de comprobación ríxidas a enfoques de inspección dinámicos baseados no risco.
En “AI Semantic Search for Maritime Regulations” desenvolve un motor de preguntas e respostas para normativa marítima internacional apoiado nun esquema RAG. Mediante adaptación ao dominio (GPL) e aprendizaxe contrastiva, o sistema acada un 94% de precisión na recuperación de regras complexas, ecuacións e táboas, e está deseñado para executarse de forma totalmente offline en hardware de consumo grazas a técnicas de cuantización de modelos. O resultado é un buscador semántico capaz de servir como “intérprete” de normas SOLAS e IMO para enxeñeiros, operadores e inspectores, nun contexto no que estas regras constitúen o principal piar da seguridade da vida humana no mar.
O conxunto de proxectos que reúne este laboratorio virtual percorre boa parte da cadea de valor do sector marítimo: desde o deseño de gaseiros e a integridade estrutural de risers offshore ata a redución de emisións, a seguridade operacional, as inspeccións e a interpretación automatizada da normativa.
A propia sección de “Technical Expertise” subliña esta dobre especialización, ao combinar competencias en LLMs, Graph‑RAG, deep learning e NLP con experiencia en buques de gas, regras SOLAS/IMO, estabilidade, operacións marítimas e xestión de proxectos.
Máis que falar dunha intelixencia artificial xenérica aplicada ao mar, o traballo de Fernando Martínez Marco ilustra o que poderiamos chamar “IA de dominio”: modelos estatísticos e de aprendizaxe automática axustados ás linguaxes, ás físicas e ás restricións propias da enxeñaría naval.
Nese sentido, o seu laboratorio virtual funciona como anticipo dunha xeración de ferramentas na que o coñecemento experto de enxeñeiros e reguladores se codifica en grafos, redes neuronais e sistemas probabilísticos, inaugurando un tipo de infraestrutura marítima que xa non é só mecánica ou dixital, senón tamén cognitiva.
