Fernando Martínez Marco crea un laboratorio de intelixencia artificial para o transporte marítimo

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 xemelos 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 proxecta, 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. Xemelos dixitais que anticipan a fatiga de estruturas submariñas, modelos de aprendizaxe profunda que substitúen ensaios físicos de sloshing (o violento movemento do líquido en tanques parcialmente cheos), motores de procura 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 na enxeñaría naval (xemelos 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 aprendizaxe profunda, grafos de coñecemento e sistemas de recuperación aumentada (Retrieval‑Augmented Generation, RAG, unha técnica que combina procura en bases de datos con modelos xerativos) sobre problemas tan concretos como a fatiga de materiais, a inspección de buques ou a aplicación de 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 xemelo 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 aprendizaxe automática para estimar o dano por fatiga baixo condicións extremas, en escenarios como o mar de Guyana ou o Golfo de México. O sistema logra erros da orde do 5–10% respecto a referencias de alta fidelidade, reducindo de forma significativa os custes de instrumentación submarina.

No ámbito dos buques de gas natural licuado (LNG), o laboratorio explora dous eidos: 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 sustentar estratexias “proactivas” de operación que reduzan as emisións de gases de efecto invernadoiro ata un 86% durante travesías con mar adverso, fronte a enfoques puramente reactivos. Por outra banda, en “Taming Sloshing with Neural Networks” recorre a redes neuronais profundas e grandes bases de datos experimentais para predecir cargas extremas de sloshing nos tanques de gas natural licuado.