Professional Documents
Culture Documents
SD 49 Analisis Oleaje
SD 49 Analisis Oleaje
net/publication/323488728
CITATIONS READS
52 5,820
1 author:
Rodolfo Silva
Universidad Nacional Autónoma de México
743 PUBLICATIONS 5,042 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Determinación del Potencial Energético del Océano Pacífico Mexicano: Gradiente Térmico View project
All content following this page was uploaded by Rodolfo Silva on 03 October 2019.
1. INTRODUCCIÓN 1
1.1 Clasificación de acuerdo con la profundidad relativa 2
1.2 Clasificación de las ondas oceánicas 3
1.3 Clasificación del oleaje 4
1.3.1 Oleaje local o sea 5
1.3.2 Oleaje distante o swell 5
1.4 Fuentes de datos de oleaje 6
v
4.5 Suavizado del espectro 59
4.6 Parámetros espectrales 61
4.7 Análisis direccional del oleaje 66
4.7.1 Distribución direccional de la energía del oleaje 66
4.7.2 Descomposición clásica del espectro direccional 67
4.7.3 Caracterización de los métodos estocásticos 68
4.7.4 Análisis del espectro cruzado 69
4.7.5 Relación entre el espectro cruzado y el direccional 70
4.7.6 Estimación del espectro direccional 71
4.7.6.1 Método paramétrico 71
4.7.6.2 Método de máxima verosimilitud 75
4.7.6.3 Otros métodos 77
vi
6. MODELOS ESPECTRALES DE UN ESTADO DE MAR 107
6.1 Estado de saturación 107
6.2 Modelo de Phillips 108
6.2.1 Espectro de Neumann 109
6.2.2 Espectro Pierson-Moskowitz 109
6.2.3 Espectro de Bretschneider 110
6.2.4 Espectro de Kitaigorodskii-Toba 112
6.2.5 Espectro ISSC 114
6.2.6 Espectro de Krylov 114
6.2.7 Espectro ITTC 115
6.2.8 Espectro JONSWAP 115
6.2.9 Espectro de Davidian et al 117
6.2.10 Espectro Wallops 117
6.2.11 Espectro de Ochi-Hubble 118
6.2.12 Espectro TMA 119
6.3 Distribución angular 121
6.4 Generación de oleaje vía numérica 123
vii
8. ANÁLISIS A LARGO PLAZO 145
8.1 Importancia del análisis extremal en la ingeniería 146
8.2 Excedencias 148
8.3 Periodos de retorno 149
8.4 Valores característicos 151
8.4.1 Estadísticos de orden 152
8.5 Métodos utilizados en el diseño de obras marítimas 153
8.6 Distribuciones asintóticas del máximo y el mínimo 153
8.7 Dominios de atracción 154
8.8 Papeles probabilísticos 156
8.8.1 Técnicas de punteo en papeles probabilísticos 159
8.8.2 Estimación de parámetros y dibujo en papel probabilístico
de Gumbel 160
8.8.3 Papel probabilístico de Weibull 164
8.9 Análisis de régimen medio 168
9. REFERENCIAS 171
viii
ABSTRACT
This book serves as a guide for those wishing to study and predict sea waves from
the perspective of probability and statistics. The first of the eight chapters gives an
up to date overview of wave studies and how waves are classified in terms of
relative water depth, frequency and evolution. From here the fundamental
hypotheses for modern wave studies are examined. Individual chapters cover
analysis from both the time domain, via discretised digital sampling, as well as the
frequency domain, via the concept of the energy spectrum. In addition, the
procedures most often used in engineering to determine the representative wave
parameters are described. In view of the fact that it is often not possible to have
reliable measurements, two chapters are given over to the analytical and the
empirical wave distributions in the domain of time and frequency. In the
penultimate chapter, two methodologies for wave prediction in geostrophic and
ciclostrophic wind conditions are reproduced. These tools are of great value in
estimating the appropriate wave parameters in such conditions and are therefore of
most use when considering cold fronts or tropical cyclones. They can be applied
directly and with relative ease. Finally, the last chapter revises the required bases
for long and short term analyses. The latter, being generally applied for operational
conditions.
ix
RESUMEN
Este libro sirve como guía para quienes desean estudiar y predecir el oleaje desde
la perspectiva de la probabilidad y la estadística. El primero de los ocho capítulos
que lo integran es una reseña histórica sobre el estudio del oleaje y su clasificación
en función de su profundidad relativa, frecuencia y evolución. A continuación, se
examinan las hipótesis fundamentales para el estudio del oleaje. Se explican las
bases que permiten analizar y caracterizar muestras de oleaje tanto en el dominio
del tiempo, a través de la discretización de señales digitales, cuanto en el dominio
de la frecuencia, por medio del concepto de espectro de energía. Adicionalmente,
se describen los procedimientos más utilizados para determinar los parámetros
representativos del oleaje. En virtud de que frecuentemente no se cuenta con
mediciones in situ confiables, se dedican dos capítulos a distribuciones analíticas y
empíricas en los dominios del tiempo y la frecuencia. En el penúltimo capítulo se
reproducen dos metodologías que permiten estimar el oleaje bajo condiciones de
viento geostrófico y ciclostrófico. Estas herramientas, de aplicación relativamente
fácil y directa, son de gran ayuda para caracterizar los parámetros que definen al
oleaje bajo el efecto de frentes fríos y ciclones tropicales. Finalmente, el último
capítulo revisa los fundamentos para analizar los regímenes extremal y medio.
Este último, normalmente aplicado para el estudio de condiciones de operatividad.
x
PREFACIO
Este trabajo está integrado por ocho capítulos, los siete primeros enfocados al
análisis de estados de mar y, el último, al estudio del análisis del oleaje a largo
plazo. Los primeros dos capítulos están dedicados a la parte fundamental del
estudio estadístico y probabilístico del oleaje, el tercero y cuarto al análisis de estados
de mar en el dominio del tiempo y la frecuencia, el quinto y sexto a las distribuciones
analíticas o empíricas más utilizadas para caracterizar los estados de mar; el séptimo
capítulo incorpora de forma integral dos modelos paramétricos de predicción de
oleaje para condiciones de frentes fríos y huracanes; por último, el octavo capítulo
aborda el estudio de regímenes de oleaje, tanto extremal como medio.
xi
El primer capítulo presenta una reseña histórica sobre el estudio del oleaje y su
clasificación. Las clasificaciones del oleaje que se abordan corresponden a la
profundidad relativa de propagación, las fuerzas generadoras del movimiento
oscilatorio y la zona de generación.
El cuarto capítulo incluye una descripción de los pasos a seguir para el estudio de
una señal de oleaje en el dominio de la frecuencia, es decir la forma de obtener un
espectro de energía y la manera de representarlo gráficamente. En este capítulo
también se abordan alguno de los métodos para estimar la dirección del oleaje, así
como los parámetros más representativos que caracterizan un espectro de energía.
xii
gaussiano y no gaussiano, la estimación de diversas distribuciones de alturas de
ola, y el cálculo conjunto de altura-periodo del oleaje y periodos de ola.
Por último, el octavo capítulo presenta los fundamentos para el análisis a largo
plazo, que incluye el concepto de coeficiente de seguridad y periodo de retorno.
Además, expone la metodología para evaluar los parámetros fundamentales de las
distribuciones extremales para mínimos y máximos. Por otro lado, incluye
fundamentos para analizar el régimen medio, normalmente aplicado en el estudio de
condiciones de operatividad.
xiii
1. INTRODUCCIÓN
1
El oleaje es un fenómeno que está determinado por la acción de las fuerzas de la
naturaleza en cualquier superficie libre de agua, las cuales condicionan el tipo de ola
que será inducida. La más obvia de estas fuerzas es la acción del viento sobre la
superficie del mar. Desde hace mucho tiempo, se ha intentado estudiar al oleaje desde
diferentes vertientes; no obstante, éste no puede ser representado por un modelo tan
sencillo como el de la onda, dado que este fenómeno no se repite en el espacio ni en
el tiempo y cuando se observa una altura de ola en un punto dado del mar, no se
puede precisar cual será la altura de ola siguiente en ese punto. Considerando la gran
variabilidad del oleaje real, la forma más razonable de caracterizarlo es a través de los
métodos estadísticos, tratando al oleaje como un fenómeno aleatorio.
Visto de otra forma, la clasificación del oleaje se puede también realizar utilizando el
concepto de la celeridad, que es una relación directa entre la frecuencia y la longitud
de onda.
2
1.2 Clasificación de las ondas oceánicas
Las ondas que componen un registro de oleaje son de una amplia gama de periodos,
alturas y longitudes. De acuerdo con su periodo, fuerza generadora y la cantidad de
energía que normalmente portan, se pueden distinguir los siguientes tipos de ondas,
que se presentan en la tabla 1.1 y la fig 1.1.
Como se ve en la tabla 1.1 y la fig 1.1, las ondas en el océano pueden ser clasificadas de
varias formas; una clasificación usa las fuerzas que generan al oleaje, las cuales a su
vez están asociadas con una longitud de onda característica. Así, por ejemplo:
Las fuerzas meteorológicas (viento, presión del aire) generan el oleaje local y
distante
Los maremotos o terremotos generan grandes ondas conocidas como tsunamis, los
cuales normalmente son clasificados como ondas en aguas poco profundas, ya que su
longitud de onda es mucho mayor que la profundidad donde se propagan.
3
0.1 segundos
30 segundos
1 segundo
5 minutos
24 horas
12 horas
1 hora
Periodo
Infra- Ultra-
gravedad Tipo de
Transmarea De largo periodo Gravedad gravedad Capilares
onda
Gravedad
Fuerza
Fuerza de Coriolis Tensión restauradora
superficial
Energía
−6 −5 −4 −3 −2 −1 2
10 10 10 10 10 10 1 10 10
Frecuencia de la onda = 1 / T
De acuerdo con su génesis, se suelen distinguir dos tipos extremos de oleaje, entre los
cuales existen un sinnúmero de estados intermedios. Se denominan por las palabras
inglesas, universalmente aceptadas, sea y swell o su traducción al español como
oleaje local y oleaje distante, respectivamente (figs 1.2 y 1.3).
4
Fig 1.2 Oleaje tipo swell Fig 1.3 Oleaje tipo sea
Este tipo de oleaje se produce en la zona de generación en alta mar, donde raramente
se aprecian crestas de cierta longitud y es difícil observar un periodo bien definido.
Las características que definen este tipo de oleaje son:
Asimetría o gran desigualdad entre la forma del valle y la cresta de las olas
Gran peralte de las olas. Las olas presentan una altura relativamente grande
para su longitud de onda.
El oleaje sufre una doble dispersión. Una angular, en la que las olas se dispersan en
todas direcciones, y otra radial, debida a que la velocidad es función directa del
periodo, por lo que las olas más largas viajan más rápido que las más cortas. Se
produce un filtrado de olas.
5
simplifique. Al envejecer el oleaje y especialmente cuando abandona el área de
generación va tendiendo a un oleaje de tipo swell.
Por otro lado, cabe señalar que a grandes rasgos las fuentes de datos más comunes
pueden ser de los siguientes tipos:
Instrumental directo
Equipos acústicos (p ej, los equipos que funcionan bajo el principio doppler)
Sensores de presión.
6
2. DESCRIPCIÓN ESTADÍSTICA DEL OLEAJE
En general, las olas en el mar no son regulares, es decir no tienen periodicidad con
respecto al tiempo, sino que, por el contrario, el oleaje es un proceso esencialmente
aleatorio. El oleaje puede ser considerado en términos prácticos como un conjunto de
ondas viajando en diferentes direcciones, θi, con diferentes amplitudes, ai,
frecuencias, σi, y fases, εi, de tal forma que puede ser estudiado como una
superposición lineal de ondas armónicas simples, es decir que el perfil de la
superficie libre, ηi(x,y,t), puede ser descrito como:
⎡ σ i2 ⎤
η ( x, y, t ) = ∑ ai cos ⎢ ( x cosθ i + y sen θ i ) − σ it + ε i ⎥ (2.1)
i ⎣ g ⎦
donde
a amplitud
t tiempo.
7
Fig 2.1 Estructura del oleaje aleatorio, Pierson et al (1978)
Dado que el oleaje es un fenómeno aleatorio, bajo este punto de vista, su estudio debe
realizarse haciendo uso del análisis estadístico.
8
0.3
0.2
0.1
η(t) [m]
0
-0.1 0 20 40 60 80 100
Tiempo (s)
-0.2
-0.3
Si se observa la superficie del mar en un instante determinado, ti, es claro que η(ti) es
una variable aleatoria. Considerando ahora el conjunto de n instantes, t1, t2,..., tn, se
puede decir que η(t1, t2,..., tn) es una variable enedimensional. De tal forma que el
proceso η(t) puede considerarse definido si para cualquier n instantes t1, t2,..., tn, se
conoce la función de distribución:
1. Condición de simetría
( )
Ft j1 ,t j 2 ,...,t jn x j1 , x j2 ,..., x jn = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm ) (2.3)
2. Condición de compatibilidad
Ft1 ,t2 ,...,tm +1 ,...,tn ( x1 , x2 ,..., xm ,..., ∞ ) = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm ) (2.4)
Con dichas condiciones, se puede concluir que para definir el proceso η(t) sería
necesario conocer todas las funciones de distribución dadas por la ec 2.2 para
cualquier η. Si se utiliza la teoría de la correlación es posible simplificar el estudio de
9
estos procesos, ya que ésta toma en consideración exclusivamente los dos primeros
momentos del proceso. De tal forma que:
1 ∞
T →∞ T ∫−∞
µη (k ) = lim ηk (t )dt (2.5)
1 T
T →∞ T ∫0
Rηη (k ) = lim ηk (t )ηk (t + τ )dt (2.6)
Así, el proceso η(t) es estacionario si todas las funciones de distribución que definen
el proceso permanecen constantes en un intervalo cualquiera de tiempo τ. Lo cual
matemáticamente se puede escribir como:
Admitida la estacionariedad del oleaje, se deduce que el valor medio es una constante
dada por
10
µ (k ) = µ (2.8)
Por tanto,
T T
1 1
lim
T →∞ T ∫ {η ( t ) − µ }{η ( t + τ ) − µ } dt = lim ∫ η ( t )η ( t + τ ) dt − µ 2 = R (τ ) − µ 2
T →∞ T
0 0 (2.11)
11
donde Φ(σ) es la llamada función de distribución espectral del proceso, la cual es una
función acotada, real y no decreciente. Puede demostrarse que si se cumple la
condición
∞
∫
−∞
Rηη (τ ) dτ <∞ (2.13)
∫ Sηη (σ )e
iστ
Rηη (τ ) = dσ (2.14)
−∞
entonces,
σ
Φ (σ ) = ∫ Sηη (σ )dσ
−∞
(2.15)
d Φ (σ )
S (σ ) = (2.16)
dσ
La función Sηη(σ) se conoce como función de densidad espectral del proceso η(t), y
tiene la propiedad de ser positiva:
Sηη (σ ) ≥ 0 ∀σ (2.17)
En caso de que el proceso Sηη(σ) sea real, como lo es el oleaje, la función Φ(σ) es
una función par y por ende las expresiones dadas en las ecs 2.14 y 2.18 se pueden
escribir como:
∞
Rηη (τ ) = ∫ S (σ ) cos στ dσ (2.19)
0
∞
2
S (σ ) =
π ∫ Rηη (τ )cosστ dτ
0
(2.20)
12
donde S(σ) es la función de densidad espectral, la cual está definida solamente para
σ ≥ 0, y está relacionada con Sηη(σ) por
S (σ ) = 2Sηη (σ ) (2.21)
es decir, el área bajo la curva de S(σ) es igual al valor medio de los desplazamientos
verticales, y admitiendo que µ = 0 resulta que dicha área es igual a la varianza de los
desplazamientos verticales.
En 1952, Longuet-Higgins por un lado y Pierson y Marks por otro, propusieron que
los registros de los desplazamientos de la superficie libre del mar, η(t), con respecto
al nivel medio, pueden representarse a través de la suma de gran número de ondas
sinusoidales de diferentes amplitudes, así como de frecuencias y fases aleatorias.
Con dicha suposición, implícitamente se aborda el estudio del oleaje por medio de un
modelo lineal, en consecuencia no es aplicable a casos en que la teoría lineal no es
válida; como ocurre, por ejemplo, con el fenómeno de rotura.
Para estudiar al oleaje, Longuet-Higgins (1952), basado en los trabajos de Rice (1944
y 1945), definió el modelo de fases aleatorias a través de las siguientes hipótesis:
13
El desplazamiento de la superficie libre del agua viene dado como la suma de un gran
número de ondas sinusoidales, de la forma
donde S(σ) es una función definida en el intervalo (0, ∞), tal que
S (σ ) ≥ 0 ∀σ
lim S (σ ) = 0
σ →∞
∞
y la integral: ∫ S (σ )dσ está acotada.
0
La fase εi es una variable aleatoria con distribución uniforme en el intervalo (0, 2π),
es decir,
dα
Prob (α ≤ ε 2 j +1 < α + dα ) = para 0 ≤ α ≤ α + dα ≤ 2π y cero en el resto.
2π
Como fue demostrado originalmente por Rice (1944 y 1945), y Pierson y Manks
(1952), bajo estas hipótesis el modelo propuesto representa un proceso, η(t),
estacionario gaussiano, es decir, que la superficie libre η(t) está normalmente
distribuida:
(2.26)
∞
η (t ) = ∫ cos(σ t − β ) 2S (σ )dσ (2.27)
0
14
La función de correlación del proceso estocástico, definida en la ec 2.24, admitiendo
ergodicidad, resulta:
1∞
T →∞ T ∫
R (τ ) = lim η (t )η (t + τ )dt (2.28)
0
1
R (τ ) = ∑
2 i
ai2 cos σ iτ (2.29)
Si se comparan las ecs 2.30 y 2.19, se puede deducir que la función S(σ), introducida
en la segunda hipótesis del modelo matemático-estadístico del oleaje (ec 2.25), es la
función espectral del proceso.
Otra definición es la que establece que el estado de mar representa cada una de las
posiciones de la dinámica del oleaje, admitiendo que éstas tienen una variación lo
suficientemente lenta para considerar al proceso como estacionario.
Así pues, el oleaje puede considerarse formado por dos tipos de variaciones:
15
Variación de periodo corto. La variación es muy rápida, del orden de segundos,
durante la cual el proceso se considera estacionario.
Actualmente existen dos vertientes muy extendidas para el tratamiento de una señal
de oleaje, cada una de ellas con sus virtudes y limitaciones, que pueden considerarse
complementarias:
Descripción estadística espectral del estado de mar, que toma en cuenta el estudio
del espectro y sus propiedades en el dominio de la frecuencia. El espectro o
espectro de energía es una forma de representar cómo está distribuida la energía
del oleaje en función de las frecuencias que integran una señal en particular.
16
3. ANÁLISIS TEMPORAL DE ESTADOS DE MAR
Otro orden lógico, preferido por muchos autores, es el de omitir el análisis temporal
del oleaje y reconstruir las distribuciones de altura de ola y periodos a partir de
estimaciones teóricas. Sin embargo, esto obliga a la asunción de ciertas hipótesis en el
comportamiento de la correlación entre crestas y valles que componen al oleaje, las
cuales no son siempre acertadas. La visión que sostiene este documento es que ambas
técnicas son complementarias y no excluyentes.
3.1 La muestra
17
Número de sucesos N
N
1
Media X =
N
∑X
i =1
i
N
1
Media cuadrática X m2 =
N
∑Xi =1
i
2
ηmáx=ξ1
NMM
H H t
ηmín=ξ2
a
T T T
18
TABLA 3.1 METODOLOGÍA PARA EL ANÁLISIS TEMPORAL DEL OLEAJE
Media
A. Corrección del nivel medio
Lineal
Parabólica
B. Discretización de la señal (separa H y T) • Método de pasos ascendentes por cero
• Método de pasos descendentes por cero
• Método de crestas
• Método de valles
C. Estimación de cruces
D. Evaluación de parámetros y velocidades
orbitales
E. Determinación de la dirección del oleaje Método gráfico con las velocidades
En el dominio del tiempo, existen tres formas muy utilizadas para llevar a cabo la
corrección del nivel medio (Goda, 2000). El procedimiento es el siguiente: se calcula
el valor medio que puede ser de orden cero o promedio aritmético, de primer orden o
una recta o de segundo orden o una parábola. En los dos últimos casos, los
coeficientes de la recta o parábola se pueden obtener aplicando la técnica de mínimos
cuadrados. Una vez calculado el valor medio se resta del valor original de cada uno
de los datos, tal que
Media aritmética. Consiste en obtener la media aritmética de la superficie libre para todo
el registro, para posteriormente restarla a cada dato; así, el valor medio se obtiene como
N
1
ηn =
N
∑η n
n =1 (3.2)
19
siendo N el número de puntos de la muestra.
Es conveniente hacer mención de que este criterio es adecuado cuando los efectos de
ondas largas no tienen gran influencia sobre el registro del oleaje.
Corrección lineal. A través del uso de la técnica de ajuste por mínimos cuadrados se
obtiene una expresión que representa una variación lineal del nivel medio, la cual se
utiliza posteriormente para eliminar el efecto de ondas de más largo periodo. La
ecuación para realizar esta corrección es
η n = A0 + A1n : n = 1, 2,...., N
(3.3)
donde
Por ejemplo, este tipo de corrección será adecuado si se tiene un registro de oleaje
superpuesto a una onda de marea semidiurna y dicho registro tiene una duración
mucho menor que el periodo de la marea, y si se encuentra en la franja de ascenso,
zona 1 de la fig 3.2.
donde
1
B0 = ⎡Y0 ( N 2 N 4 − N 32 ) + Y1 ( N 2 N 3 − N1 N 4 ) + Y2 ( N1 N 3 − N 22 ) ⎤ ,
∆⎣ ⎦
1
B1 = ⎡⎣Y0 ( N 2 N 3 − N1 N 4 ) + Y1 ( N 0 N 4 − N 22 ) + Y2 ( N1 N 2 − N 0 N 3 ) ⎤⎦
∆
1
B2 = ⎡⎣Y0 ( N1 N 3 − N 22 ) + Y1 ( N1 N 2 − N 0 N 3 ) + Y2 ( N 0 N 2 − N12 ) ⎤⎦
∆
∆ = N 0 N 2 N 4 + 2 N1 N 2 N 3 − N 23 − N 0 N 32 − N12 N 4 (3.7)
20
η
Zona 2
Zona 1 Zona 1
t
Periodo de marea semidiurna
6h
Este tipo de corrección se emplea en los casos en los que, además de que la carrera de
marea es importante, la muestra de oleaje que se desea analizar tiene una influencia
que se puede ajustar a una parábola. Por ejemplo, si se tiene un registro de oleaje
ubicado en la zona 2 de la fig 3.2.
Ejemplo. Utilizando los datos de una señal de oleaje, tabla 3.2 o fig 3.3, corregir la
señal utilizando cada uno de los métodos de corrección del nivel medio.
21
0.8
0.6
0.4
η(m)
0.2
0.0
-0.2 0 4 8 12 16
t(s)
Fig 3.3 Señal de oleaje sin corrección del nivel medio
Solución
N
1 11.5779 m
ηi =
N
∑η
i =1
i =
32
= 0.3618 m
Antes de realizar la corrección del nivel medio utilizando la ecuación de una recta
(3.3), o una parábola (3.6), se deben de evaluar los siguientes parámetros:
N0 = 32
N1 = 528
N2 = 11 440
N3 = 278 784
N4 = 7 246 096
Y0 = 11.5779 m
Y1 = 133.1205 m
Y2 = 2 122.4531 m
Sustituyendo estos valores en las ecs 3.4 y 3.3, se obtiene, para el caso de la
corrección lineal:
22
N 2Y0 − N1Y1 (11440 )(11.5779 m ) − ( 528 )(133.1205 m )
A0 = = = 0.7121m
N 0 N 2 − N12 ( 32 )(11440 ) − ( 528)
2
Para la corrección parabólica, se tienen que evaluar primero los parámetros B0, B1, B2
y ∆, definidos en la ec 3.7:
1
B0 = ⎡Y0 ( N 2 N 4 − N 32 ) + Y1 ( N 2 N 3 − N1 N 4 ) + Y2 ( N1 N 3 − N 22 ) ⎤ ,
∆⎣ ⎦
11.5779 ( (11440)(7246096) − (278784) 2 ) + 133.1205 ( (11440)(278784) − (528)(7246096) )
=
16193757184
2121.4531( (528)(278784) − (11440) 2 )
+ = 0.6058 m
16193757184
1
B1 = ⎡Y0 ( N 2 N 3 − N1 N 4 ) + Y1 ( N 0 N 4 − N 22 ) + Y2 ( N1 N 2 − N 0 N 3 ) ⎤
∆⎣ ⎦
11.5779 ( (11440)(278784) − (528)(7246096) ) + 133.1205 ( (32)(7246096) − (11440) 2 )
=
16193757184
2121.4531( (528)(11440) − (32)(278784) )
+ = −0.0025 m
16193757184
1
B2 = ⎡Y0 ( N1 N 3 − N 22 ) + Y1 ( N1 N 2 − N 0 N 3 ) + Y2 ( N 0 N 2 − N12 ) ⎤
∆⎣ ⎦
11.5779 ( (528)(278784) − (11440) 2 ) + 133.1205 ( (528)(11440) − (32)(278784) )
=
16193757184
2121.4531( (32)(11440) − (528) 2 )
+ = −0.0006 m
16193757184
23
0.4
0.2
η(m)
0.0
-0.2 0 4 8 12 16
t(s)
-0.4
Una vez que se ha corregido el nivel medio, se debe caracterizar la señal, esto es,
calcular las alturas y los periodos de ola individuales. Para este propósito existen
diversos métodos, que se enuncian a continuación:
24
La condición para definir un máximo en el perfil es
Con el fin de eliminar el problema de subestimación del máximo real entre dos
puntos discretos, deben ser estimados el tiempo y la elevación máxima después de
ajustar la curva parabólica en función de tres puntos ηi-1, ηi y ηi+1. La ecuación para
el ajuste parabólico se puede expresar como
B2 ∆t B
η máx = C − , y tmáx = ti − (3.10)
4A 2A
donde
1 1
A= (ηi −1 − 2ηi + ηi +1 ) , B= (ηi +1 − ηi −1 ) , C = ηi (3.11)
2 2
Para determinar la altura de ola, el punto más alto sobre la elevación de la superficie
libre debe ser encontrado dentro del intervalo entre dos pasos ascendentes Una vez
que se identificó este punto, se denota como ηi y entonces ηmáx es estimada por medio
de las ecs 3.10 y 3.11. El punto más bajo o valle de la elevación, ηmín, es calculado por
medio de un proceso similar, y la altura de ola es calculada como la resta del valor
máximo menos el mínimo, ηmáx y ηmín.
Máximo
2.5 positivo
2.0
1.5
1.0 Segundo
cruce
0.5
η ( m)
0.0 t (s)
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
-0.5
-1.0 Primer
-1.5 cruce
-2.0
Máximo
-2.5 negativo
25
Ejemplo. Considere el segmento de una señal arbitraria con las variaciones de la
superficie libre (tabla 3.3), y evalúe las alturas de la cresta y valle, los tiempos en los
cuales se producen los pasos ascendentes, y determine la altura y periodo de dicha
onda.
El primer cruce ascendente se da entre η1 y η2. El tiempo en que esto ocurre, ta, se
obtiene como
tb =
( 0.283m )( 5.5s ) − ( −0.964 m )( 6.0s ) = 5.8865s
( 0.283m ) − ( −0.964 m )
1 1
A= (ηi −1 − 2ηi + ηi +1 ) = (1.399 − 2 (1.872 ) + 1.691) = −0.327 m
2 2
1 1
B= (ηi +1 − ηi −1 ) = (1.691 − 1.399 ) = 0.146 m
2 2
26
C = ηi = 1.872 m
tmáx = ti −
∆tB
= 2.0 −
( 0.5)( 0.146 ) = 2.1116s
2A 2 ( −0.327 )
( 0.146 ) = 1.8883m
2
B2
η máx =C− = 1.872 −
4A 4 ( −0.327 )
1 1
A= (ηi −1 − 2ηi + ηi +1 ) = ( −1.489 − 2 ( −2.069 ) − 1.935) = 0.357 m
2 2
1 1
B= (ηi +1 − ηi −1 ) = ( −1.935 + 1.489 ) = −0.223m
2 2
C = ηi = −2.069 m
tmín = ti −
∆tB
= 4.5 −
( 0.5)( −0.223) = 4.6562s
2A 2 ( 0.357 )
( −0.223) = 2.1038 m
2
B2
η mín =C− = −2.069 −
4A 4 ( 0.357 )
De tal forma que la altura de ola, H, es la diferencia entre los máximos positivo y
negativo,
Este método es análogo al de pasos ascendentes por cero, la única diferencia estriba
en que ahora las olas se definen en el cambio de signo de positivo a negativo, como
se puede ver en la fig 3.6.
27
0.3 Punto de paso descendente por cero
0.2
0.1
t
η 0
η
0 20 40 60 80
-0.1
-0.2
-0.3 1 2 3 4 5 6 7 8 9 10
Número de ola
28
0.3 1 2 3 4 5 6 7 8 9 10 11 12 13 Número de ola
0.2
0.1
t
η 0
η
0 20 40 60 80
-0.1
-0.2
-0.3
0.3
0.2
0.1
t
η 0
η
0 20 40 60 80
-0.1
-0.2
-0.3
1 2 3 4 5 6 7 8 9 10 11 12 Número de ola
Los parámetros estadísticos más importantes para definir un estado de mar a partir de
una serie de tiempo son:
donde
29
La variación de la media cuadrática (la varianza) de superficie del agua, ηrms
2
:
N
1
η 2
rms =
N
∑η
i =1
i
2
(3.14)
N0
1
T =
N0
∑T
i =1
i (3.16)
donde
N0
1
H rms =
N0
∑H
i =1
i
2
(3.17)
Para evaluar otros parámetros relevantes, como los estadísticos de orden, significante,
un décimo, etc, primero se ordenan, en función de la altura de ola, de mayor a menor los
valores correspondientes de altura-periodo de ola (H,T), de manera que, por ejemplo:
la altura de ola un medio, H1/2, es el promedio del 50 % de las olas más altas
la altura un tercio o significante, Hs = H1/3, está definida como la media
aritmética del 33 % de las alturas de ola más altas
la altura de ola un décimo, H1/10, es el promedio del 10 % de las olas más altas
la altura de ola un centésimo, H1/100, es el promedio del 1 % de las olas más altas
la altura de ola un milésimo, H1/1000, es el promedio del 0.1 % de las olas más
altas, etcétera.
30
Mientras que, para el caso de los periodos:
En ocasiones, para evaluar las estadísticas de los periodos de ola se aplica el mismo criterio
que para las alturas de ola. Sin embargo, en ingeniería y sobretodo en el proceso de diseño
o caracterización, lo más conveniente es asociar las alturas con los periodos de ola.
Otro parámetro importante de calcular en las series ordenadas son las estadísticas de
orden Hi:q, donde q es el número de muestras e i es el lugar que ocupa desde el inicio,
de tal forma que, por ejemplo, el estadístico de orden 1, H1:q, corresponde al valor
máximo de la muestra, que también se conoce como altura de ola máxima, Hmáx.
Ejemplo. Utilizando los datos ya ordenados de mayor a menor altura de ola y periodos
que se presentan en la tabla 3.4, evalúe los siguientes parámetros estadísticos: número
de olas (N0), altura máxima de ola y su periodo de ola asociado (Hmáx, Tmáx), la altura de
ola y periodo de ola de orden 1: N0 (H1: No, T1: No), altura de ola y periodo de ola
significantes (Hs, Ts) y los valores representativos de altura de ola y periodos un medio,
un tercio, un décimo y un centésimo (H1/2, H1/3, H1/10, H1/100, T1/2, T1/3, T1/10, T1/100).
Número de olas,
N0 = 154
En cuanto a las alturas de ola, los resultados son:
31
TABLA 3.4 DATOS DE ALTURAS Y PERIODOS DE ONDA ASOCIADOS
i H(m) T(s) i H(m) T(s) i H(m) T(s) i H(m) T(s)
1 2.320 8.74 40 1.175 6.93 79 0.835 12.70 118 0.576 11.85
2 2.308 8.64 41 1.154 10.74 80 0.830 9.87 119 0.575 9.76
3 2.154 9.61 42 1.151 11.29 81 0.829 10.96 120 0.570 5.20
4 2.104 9.80 43 1.134 9.24 82 0.826 7.15 121 0.565 5.44
5 2.029 9.54 44 1.127 8.24 83 0.821 10.64 122 0.553 4.70
6 1.888 8.74 45 1.120 8.36 84 0.818 12.17 123 0.550 8.63
7 1.716 8.74 46 1.118 11.17 85 0.783 12.90 124 0.543 12.08
8 1.654 9.45 47 1.100 9.40 86 0.783 4.36 125 0.528 8.29
9 1.636 10.60 48 1.099 7.22 87 0.779 7.56 126 0.517 11.46
10 1.630 9.70 49 1.088 11.18 88 0.762 9.53 127 0.508 9.65
11 1.622 11.10 50 1.083 6.86 89 0.760 9.76 128 0.507 5.02
12 1.589 8.27 51 1.066 12.78 90 0.757 8.82 129 0.502 9.41
13 1.533 7.78 52 1.059 10.95 91 0.752 6.18 130 0.490 5.38
14 1.533 10.18 53 1.057 8.19 92 0.741 10.60 131 0.489 7.46
15 1.484 8.72 54 1.037 8.94 93 0.728 6.29 132 0.485 8.94
16 1.484 10.61 55 1.030 9.45 94 0.728 11.40 133 0.481 4.51
17 1.482 9.66 56 1.027 11.16 95 0.718 8.30 134 0.478 3.69
18 1.443 9.75 57 1.008 10.82 96 0.718 6.70 135 0.464 4.61
19 1.433 10.06 58 0.970 9.39 97 0.717 10.15 136 0.441 5.04
20 1.414 7.87 59 0.969 10.05 98 0.707 8.26 137 0.424 4.40
21 1.412 8.72 60 0.969 9.62 99 0.700 4.99 138 0.372 5.54
22 1.398 9.22 61 0.948 9.40 100 0.691 10.36 139 0.348 6.98
23 1.388 9.51 62 0.930 9.02 101 0.683 9.13 140 0.342 5.70
24 1.380 8.10 63 0.929 8.91 102 0.678 5.07 141 0.305 5.30
25 1.347 9.32 64 0.927 9.58 103 0.673 9.12 142 0.292 6.40
26 1.339 8.53 65 0.907 6.20 104 0.662 4.71 143 0.273 4.44
27 1.337 9.87 66 0.905 6.92 105 0.660 10.23 144 0.267 3.45
28 1.329 7.93 67 0.886 10.09 106 0.657 5.76 145 0.251 2.69
29 1.314 10.22 68 0.881 9.35 107 0.656 10.77 146 0.247 2.85
30 1.312 9.54 69 0.877 5.92 108 0.652 7.17 147 0.238 5.29
31 1.292 9.64 70 0.854 7.39 109 0.632 7.85 148 0.199 4.09
32 1.281 8.36 71 0.853 11.07 110 0.631 11.21 149 0.165 2.36
33 1.279 9.06 72 0.853 9.96 111 0.626 10.71 150 0.157 3.21
34 1.233 9.42 73 0.853 10.13 112 0.617 11.06 151 0.150 2.48
35 1.232 8.12 74 0.850 10.15 113 0.614 7.07 152 0.136 2.17
36 1.218 8.89 75 0.844 10.21 114 0.592 12.93 153 0.100 2.49
37 1.217 8.05 76 0.840 10.85 115 0.589 8.78 154 0.090 2.21
38 1.195 8.61 77 0.837 7.22 116 0.583 4.32
39 1.193 10.71 78 0.837 9.30 117 0.582 8.30
32
Altura cuadrática media,
1 154 2
H rms = ∑ H i = 1.011m
154 i =1
2 77
H1/ 2 = ∑ H i = 1.255 m
154 i =1
3 ⎛ 51 1 ⎞
H s = H1/ 3 = ⎜ ∑
154 ⎝ i =1
H i + H 52 ⎟ = 1.421m
3 ⎠
10 ⎛ 15 ⎞
H1/10 = ⎜ ∑
154 ⎝ i =1
H i + 0.4 H16 ⎟ = 1.805 m
⎠
100
H1/100 = ( H1 + 0.54 H 2 ) = 2.316 m
154
Mientras que los valores de los periodos correspondientes a las alturas de ola son:
1 154
T = ∑ Ti = 8.31s
154 i =1
2 77
T1/ 2 = ∑ Ti = 9.27 s
154 i =1
33
Periodo de ola significante o un tercio,
3 ⎛ 51 1 ⎞
Ts = T1/ 3 = ⎜ ∑
154 ⎝ i =1
Ti + T52 ⎟ = 9.28s
3 ⎠
10 ⎛ 15 ⎞
T1/10 = ⎜ ∑
154 ⎝ i =1
Ti + 0.4T16 ⎟ = 9.34s
⎠
100
T1/100 = (T1 + 0.54T2 ) = 8.70s
154
Aunque el método anterior proporciona una forma muy sencilla de conocer las
probabilidades, lo usual es presentar los resultados de manera continua y para ello la
probabilidad acumulada, P, se puede evaluar mediante la siguiente expresión:
n
Pn = (3.19)
N0 + 1
34
30 20
28
18
26
24 16
22
Probabilidad (%)
14
20
Número de olas
18 12
16
10
14
12 8
10
6
8
6 4
4
2
2
0 0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
H (m )
100
150
140 90
130
120 80
110 70
Probabilidad (%)
100
Número de olas
90 60
80 50
70
60 40
50 30
40
30 20
20
10
10
0 0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
H (m )
Siguiendo el mismo ejemplo de la tabla 3.4, en la fig 3.11 se presentan los resultados
de evaluar la probabilidad acumulada y la densidad de probabilidad de alturas de ola.
Nótese que la densidad de probabilidad lleva unidades y que el área bajo la curva de
un intervalo específico o de todo el intervalo es igual a la probabilidad.
35
1.0 1.0
0.9 0.9
0.8 0.8
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
H (m) H (m)
N
1
Ux =
N
∑Ux
i =1
i (3.20)
N
1
Uy =
N
∑Uy
i =1
i (3.21)
36
asemejarse a la dirección del viento; sin embargo, para determinarla a través de las mediciones
temporales, se utilizan los datos de velocidades orbitales asociadas al oleaje. La meto-
dología para lograr esto se basa principalmente en utilizar los registros de Ux y Uy, junto
con el dato de brújula para determinar la orientación del sistema de referencia del equipo.
37
N
Ux (cm/s )
Uy (cm/s )
Compás (ρ)
Orientación del sistema de referencia del
aparato con respecto al Norte
O E
Dirección predominante
respecto al Norte 130º
Este-Sur-Este
S
Fig 3.13 Determinación de la dirección a partir de las velocidades orbitales
En la fig 3.13 se presenta un ejemplo con datos medidos en las costas de Cancún,
Quintana Roo. Se puede observar que si se dibuja la correlación entre los dos
componentes de velocidad (Ux y Uy), tal como aparece en la fig 3.13, se obtiene una
línea de tendencia muy clara; sin embargo, de acuerdo con el resultado existen dos
probables sentidos que se pueden asociar al oleaje a partir de sus velocidades
orbitales, éstos son este-sur-este y oeste-norte-oeste. El sentido, y por tanto la
dirección correcta, se conoce a partir de la posición de la costa, que se encuentra del
lado izquierdo del Norte con una deflexión de 12° con respecto a éste.
38
8.7
8.6
8.5
η (m)
8.4
8.3
8.2
0 100 200 300 400 500
Tiempo (s)
Fig 3.14 Ejemplo de un registro de oleaje con agrupamiento
En 1987, Johnson et al (1978) mostraron que dicho fenómeno es muy relevante, pues
se sabe que tiene influencia en:
Además, algunos autores, como Goda (2000), han hecho notar que un agrupamiento
bien desarrollado de un campo de oleaje está regularmente asociado a la presencia de
ondas de periodo largo.
39
j1
1.6
Altura de ola (m)
1.2
0.8
0.4
Hc
0.0
La fig 3.15 es un esquema que define gráficamente un conjunto de olas, su longitud, j1, y
el valor umbral que los define. Como se observa, los paquetes se delimitan de forma muy
parecida a como se define el periodo por medio del método de pasos ascendentes por cero.
Existe otro método para describir el agrupamiento del oleaje, mediante la envolvente
de energía del oleaje, que fue originalmente desarrollado por Funke y Mansard (1979).
Ellos proponen una función envolvente conocida como SIWEH (Smoothed instantaneous
wave energy history). Se seleccionó este nombre para evitar confusiones con respecto a
otras energías del oleaje, pues cada palabra describe una característica en particular, Historia
de energía de ondas instantánea suavizada; así, historia hace referencia a que se trata
de una función del tiempo, instantánea se refiere a que la energía está dada para un instante
determinado y suavizado implica una operación de suavizado. Se define al SIWEH como
Tp
1
E (t ) = ∫ η 2 ( t + τ ) Q1 (τ ) ∂τ para Tp ≤ t ≤ Tn − Tp (3.22)
T τ =Tp
T −1
2 n
E (t ) = ∫
Tp + t τ =−Tp
η 2 (t + τ )Q1 (τ )∂τ para Tn − Tp ≤ t ≤Tn (3.24)
40
Para estos casos, se utiliza:
τ
Q1 (τ ) = 1 − para − Tp ≤ τ < Tp
Tp (3.25)
Q1 = 0 para los demás valores.
mε 0
GF = (3.26)
m0
Tn
∫ ( E (t ) − E )
1 2
∂τ
Tn
GF = 0
(3.27)
E
donde mε0 y m0 son los momentos de orden cero de la función de densidad espectral
del SIWEH y dentro del oleaje original respectivamente.
Las figs 3.16, 3.17 y 3.18 presentan el aspecto que guardan tres señales con diferente
factor de agrupamiento, 1.46, 0.78 y 0.14.
1.50
1.00
0.50
η (m )
0.00
-0.50
-1.00
-1.50
1.50
SI W E H (m 2 )
1.00
0.50
0.00
0 200 400 600 800 1000 1200
T iem p o (s)
41
1.50
1.00
0.50
η (m)
0.00
-0.50
-1.00
-1.50
1.50
SIWEH (m 2 )
1.00
0.50
0.00
0 200 400 600 800 1000 1200
Tiemp o (s)
1.50
1.00
0.50
η (m)
0.00
-0.50
-1.00
-1.50
1.50
SIW EH (m 2 )
1.00
0.50
0.00
0 200 400 600 800 1000 1200
Tiem p o (s)
Como puede observarse, a medida que el oleaje es más regular, el factor de agrupa-
miento tiende a valores más pequeños.
42
9.8
Señal de oleaje
Presión (m)
9.6
9.4
0 200 400 600 800 1000
9.2 Tiempo (s)
Análisis temporal
Discretización de la señal:
1. Pasos ascendentes
2. Pasos descendentes
3. Distancia entre crestas
4. Distancia entre valles
Evaluación de parámetros y
velocidades orbitales
Ej. Hrms, Hs, Hmáx, T, Tp, ux, uy
Determinación de la
dirección del oleaje
Fig 3.19 Diagrama de flujo para el análisis temporal de señales de oleaje sin
considerar la evaluación del agrupamiento del oleaje
43
4. ANÁLISIS ESPECTRODIGITAL DE SERIES TEMPORALES
Este modelo matemático del oleaje supone que una señal de superficie libre del mar
es resultado de la suma de un gran número de ondas sinusoidales, cuyas amplitudes
vienen dadas por:
ai2 = 2 S ( fi ) ∆fi (4.1)
1 ⎡ ⎤
γ ⎢ ∑ 2 S ( f i ) ∆f i ⎥ (4.4)
2 ⎣ i ⎦
Si se representa la sumatoria como una integral, la energía total del oleaje por unidad
de superficie es expresada por:
∞
Energía = γ ∫ S (ω ) dω (4.5)
0
45
Se puede afirmar que el fenómeno queda perfectamente definido a través del espectro
si se aceptan las hipótesis estadísticas que permiten estudiarlo. La precisión en el
cálculo de la función de distribución espectral es muy importante para la validación
del estudio a través de este tipo de análisis. La elección del tratamiento al cual será
sometida la serie es, en consecuencia, bastante subjetiva y en cada caso debe
estudiarse la resolución espectral y el nivel de confianza que se desea tener para la
estimación de los parámetros.
Para calcular los valores del espectro se utilizan las series de Fourier. A fin de
simplificar este procedimiento se utiliza la transformada rápida de Fourier (FFT)
(verbigracia, Bendat y Piersol, 1986), la cual reduce en gran medida el número de
operaciones necesarias para su obtención; este algoritmo tiene como base la
propiedad de la transformada discreta de Fourier (DFT) que permite calcular la FFT
de una sucesión a través de la DFT de subsucesiones más cortas.
En la tabla 4.1 se presenta la metodología para realizar un análisis del oleaje bajo esta
perspectiva.
46
4.1 Corrección del nivel medio
De la misma forma que con el análisis temporal, se debe llevar a cabo una corrección
del nivel medio, ya que si éste no es corregido se introducirá en el espectro una
distorsión denominada efecto de solapamiento o aliasing. Si no existe influencia de
ondas largas, en principio la corrección se puede hacer con las mismas consideraciones
expuestas en la sección 3.1.1.
Para realizar el filtrado de ondas largas, se acepta que el oleaje está formado por una
suma de ondas sinusoidales, de manera que la superficie libre puede ser representada
por la ec 4.7:
N /2
η ( t ) = ∑ ⎡⎣ an cos ( 2π f nt ) + bn sin ( 2π f nt ) ⎤⎦ (4.7)
n =1
Por ejemplo, si la señal que se presenta en la fig 4.1, se descompone en cada uno de
sus armónicos y después se hace F( fn ) = 0, para aquellas frecuencias fn que satisfagan
la desigualdad fn< 0.02 Hz, es decir para las ondas largas, se elimina su influencia, con
lo que se obtiene una señal como la que se presenta en la fig 4.2.
9.8
9.6
Superficie libre (m)
9.4
9.2
9
0 200 400 600 800 1000
Tiem po (s)
47
9.8
9.6
Superficie libre (m)
9.4
9.2
donde b(t), se conoce como profundidad de peso, la cual se debe multiplicar por toda
la muestra a fin de reducir las oscilaciones en los extremos de la serie. Las ventanas
más utilizadas son la trapezoidal y la cosenoidal, las cuales se expresan de la
siguiente forma:
⎧ t*
⎪ l : 0 ≤ t* ≤ l
⎪
b1 (t* ) = ⎨ 1 : l ≤ t* ≤ N − l (4.9)
⎪N −t
⎪ *
: N − l < t* ≤ N
⎩ l
48
b) Ventana tipo coseno
⎧ 1⎡ ⎛ π t ⎞⎤
⎪ ⎢1 − cos ⎜ * ⎟ ⎥ : 0 < t * < l
⎪ 2⎣ ⎝ l ⎠⎦
⎪
b2 (t* ) = ⎨ 1 : l ≤ t* ≤ N − 1 (4.10)
⎪
⎪ 1 ⎡1 − cos ⎛ π ( N − t* ) ⎞ ⎤ : N - 1 < t ≤ N
⎪ 2 ⎢⎢ ⎜
⎝ l
⎟⎥
⎠ ⎥⎦
*
⎩ ⎣
2
⎡N 2 ⎤
⎢ ∫ b ( t* ) dt* ⎥
1 ⎣0 ⎦ (4.11)
κb N
∫ b ( t ) dt
4
* *
0
Si se aplica una ventana al registro, la energía total decrece y los valores espectrales
estimados son menores que los reales, por lo que deben multiplicarse por un factor de
corrección β en el momento de evaluar la función de densidad espectral. Dicho factor
está dado por
N
β= N
(4.12)
∑ ⎡⎣b(t )
n =1
n
2
⎤⎦
49
Al evaluar la ec 4.12, se obtiene que el factor β para corregir la función de densidad
espectral es 1.139.
∞
⎛ 2π nt 2π nt ⎞
η (t ) = a0 + ∑ ⎜ an cos + bnsen ⎟ (4.13)
n =1 ⎝ Tr Tr ⎠
donde a0 expresa el valor del nivel medio, an y bn son los coeficientes de Fourier,
an ≠ bn, expresados como:
1
T /2
⎫
a0 =
Tr ∫ η (t ) dt ⎪
−T / 2 ⎪
2
T /2
2π nt ⎪⎪
an =
Tr ∫ η (t ) cos
Tr
dt n ≥1⎬ (4.14)
−T / 2 ⎪
2
T /2
2π nt ⎪
bn =
Tr ∫
−T / 2
η (t )sen
Tr
dt n ≥ 1⎪
⎪⎭
2π n
σn = (4.15)
Tr
2π
∆σ = (4.16)
Tr
En la ec 4.16 se puede observar que entre mayor sea el periodo del registro, Tr, el
espacio ∆σ se hace más pequeño y los coeficientes de Fourier estarán menos separados.
50
1.5
0.5
η(m)
0.0
-0.5
-1.0
-1.5
1.0
0.8
Fun ción ventan a (b)
0.6
0.4
0.2
0.0
1.5
Señal despúes de aplicar la ventana
1.0
0.5
η(m)
0.0
-0.5
-1.0
-1.5
0 40 80 120 160 1120 1160 1200 1240 1280
t (s) t (s)
Fig 4.3 De arriba hacia abajo: señal original, función ventana tipo coseno y señal
después de aplicarle la función ventana, respectivamente. De izquierda a
derecha, parte inicial y final, respectivamente, de las señales y funciones
51
Sustituyendo las ecs 4.14 en la ec 4.13 e integrando, para a0 = 0, se obtiene:
∞ ⎧2 T /2
2π nt ⎫ 2π nt ∞ ⎧ 2
T /2
2π nt ⎫ 2π nt
η (t ) = ∑ ⎨ ∫ η (t ) cos dt ⎬ cos + ∑⎨ ∫ η (t ) sen dt ⎬ sen
n =1 ⎩ Tr −T / 2
Tr ⎭ Tr n =1 ⎩ Tr −T / 2
Tr ⎭ Tr
(4.17)
∞ ⎧ ∆σ T /2
⎫ ∞ ⎧ ∆σ T /2
⎫
η (t ) = ∑ ⎨ ∫ η (t ) cos σ n t dt ⎬ cos σ nt + ∑ ⎨ ∫ η (t ) sen σ nt dt ⎬ sen σ n t (4.18)
n =1 ⎩ π −T / 2 ⎭ n =1 ⎩ π −T / 2 ⎭
dσ ⎧ ⎫ dσ ⎧ ⎫
∞ ∞ ∞ ∞
η (t ) = ∫ ⎨ ∫ η (t ) cos σ t dt ⎬ cos σ t + ∫ ⎨ ∫ η (t ) sen σ tdt ⎬ sen σ t (4.19)
σ = 0 π ⎩ −∞ ⎭ σ = 0 π ⎩ −∞ ⎭
∫
−∞
f (t ) dt < ∞ (4.22)
la cual debe cumplirse para que la ec 4.21 sea cierta. Esta teoría es válida solamente
para funciones que tienden a cero cuando ⏐t⏐→ ∞, de forma que se satisfaga la
52
ec 4.22. Una integral de Fourier puede ser considerada como el límite formal de una
serie de Fourier cuando el periodo tiende a infinito.
La manera más frecuente de representar las ecs 4.20 y 4.21 es de forma compleja,
para lo cual es necesario hacer las siguientes consideraciones:
Haciendo uso de las ecs 4.23 y 4.24, la ec 4.20 se puede expresar como:
∞
1
∫ η (t )e
iσ t
F (σ ) = dt (4.25)
2π −∞
−∞
∫ A(σ ) sen σ tdσ = 0 (4.27)
y de manera similar,
∞
−∞
∫ B (σ ) cos σ t dσ = 0 (4.28)
Si se suman las integrales 4.27 y 4.28 a la ec 4.26, sin que esto altere el valor η(t),
después de operar, se tendrá:
∞ ∞
η (t ) = ∫
−∞
F (σ )eiσ t dσ = 2 ∫ F (σ )eiσ t dσ
0
(4.29)
53
Las ecs 4.25 y 4.29 reciben el nombre de par transformado de Fourier, donde F(σ) es
la transformada compleja de Fourier de η(t). Es frecuente encontrar en la literatura
que la transformada de Fourier, ec 4.25, esté expresada en función de la frecuencia, f,
en lugar de la frecuencia angular, σ (donde σ = 2πƒ ), de la siguiente forma:
∞
∫ η (t )e
− iσ t
F( f ) = dt (4.30)
−∞
o considerando la ec 4.30,
N −1
1
∑η e
− i 2π f j n∆t
F( f j ) = n j = 0,1, 2....N / 2 (4.32)
N n=0
2π j 2π j
σ j = 2π f j = = = 2π j∆f (4.33)
T N ∆t
Una forma muy sencilla de calcular los coeficientes de Fourier, una vez corregido el
nivel medio, es como sigue:
Evalúe ƒj =j∆ ƒ
Calcule F( fj)
Incremente j en 1
54
Dado que las componentes de Fourier son simétricas, F( fj) =F(-fj ), no es necesario
calcular las componentes para las frecuencias negativas.
Cuando se tiene un número de datos muy grande, este método estándar de cálculo
puede consumir mucho tiempo de cómputo, ya que el número de operaciones es del
orden de N 2. En la actualidad, este cálculo se hace usando la técnica de la
trasformada de rápida de Fourier (p ej, Newland, 1984, y Bendat y Piersol, 1986), sin
embargo, los algoritmos convencionales para su cálculo presentan una limitación en
cuanto a que la longitud del registro debe ser una potencia de 2, esto es, el número de
puntos N debe cumplir N = 2m. Por tanto, cuando se programan los aparatos de
medición de oleaje se procura que los datos cumplan con esta restricción, y en caso
contrario el número de datos es ajustado, ya sea eliminando el exceso de datos de la
parte inicial o final del registro o añadiendo los ceros necesarios al final del registro.
S ( fn ) = 0 para n = 0 (4.34)
1 N
S ( fn ) = 2F ( fn )
2
para n = 1,... (4.35)
2 ∆f 2
1 1
∆f = = (4.36)
tmáx N ∆t
55
En la práctica, el espectro obtenido a partir de este procedimiento tiene una gran
resolución estadística, sin embargo, para los casos de señales que contienen mucho
ruido, es decir perturbaciones, la fiabilidad estadística disminuye. Por este motivo,
hay ocasiones en que es conveniente emplear un procedimiento de suavizado del
espectro, con el fin de aumentar la fiabilidad a costa de perder resolución.
2π
σ = 2π f = (4.37)
T
Con base en lo anterior, el espectro se puede expresar en función de la frecuencia, de
la frecuencia angular o del periodo. La condición que debe cumplirse es que se
conserve la energía, es decir que la energía asociada con la banda de frecuencias (σ1,
σ1 + dσ) debe ser igual a la correspondiente en periodos o frecuencias, o sea,
σ 1 + dσ f1 + df T1 + dT
∫σ S (σ ) d σ = ∫ S ( f ) df = ∫ S (T ) dT (4.38)
1 f1 T1
dσ
df = (4.39)
2π
2π
dT = − dσ (4.40)
σ2
se obtiene,
dσ 2π
σ 1 + dσ f1 + T1 − dσ
∫σ S (σ ) d σ = ∫ 2π
S ( f ) df = ∫ σ2 S (T ) dT (4.41)
1 f1 T1
dσ 2π dσ
S (σ 1 ) dσ = S f ( f1 ) = ST (T1 ) (4.42)
2π σ2
y por tanto, se pueden establecer las relaciones entre dichos espectros como:
56
S f ( f ) = 2π S ( 2π f ) (4.43)
2π ⎛ 2π ⎞
ST (T ) = S⎜ ⎟ (4.44)
T2 ⎝ T ⎠
1 ⎛σ ⎞ 2π ⎛ 2π ⎞
S (σ ) = Sf ⎜ ⎟ = 2 ST ⎜ ⎟ (4.45)
2π ⎝ 2π ⎠ σ ⎝σ ⎠
0.50
0.25
η (m )
0.00
1.0 2.0 3.0 4.0
-0.25 t (s )
-0.50
Fig 4.4 Señal discreta
1 1
∆f = = = 0.25 Hz
N ∆t ( 8 )( 0.5 )
57
8 −1
1 1
F ( f 0 = 0) =
N
∑η e
n =0
n
− i 2 π f 0 n∆t
= ⎡⎣ − ( 0.5 m ) e ( )( )( ) − ( 0.5 m ) e ( )( )( ) −
8
− i 2π 0Hz 0 0.5s − i 2π 0Hz 1 0.5s
( 0.5 m ) e−i 2π ( 0 Hz )( 2)( 0.5s) − ( 0.5 m ) e−i 2π ( 0Hz )(3)(0.5s) + ( 0.5 m ) e−i 2π ( 0 Hz )( 4)( 0.5s) +
( 0.5 m ) e−i 2π ( 0Hz )(5)(0.5s) + ( 0.5 m ) e−i 2π ( 0 Hz )( 6)( 0.5s) + ( 0.5 m ) e−i 2π (0 Hz )( 7)( 0.5s) ⎤⎦ = 0 m
8 −1
1
F ( f1 = 0.25 Hz) = ∆t ∑η n e − i 2π f1n∆t = ⎡⎣ − ( 0.5 m ) e ( ... + ( 0.5 m ) e (
− i 2π 0.25Hz )( 0 )( 0.5s ) − i 2π 0.25Hz )( 7 )( 0.5s )
⎤
n=0 8 ⎦
= ( −0.1250 + 0.3018 i ) m
F ( f 2 = 0.50 Hz) = 0 m
F ( f 4 = 1.0 Hz) = 0 m
S ( f 0 ) = 0 m 2 / Hz
1 1
S ( f1 = 0.25 Hz ) = 2F ( fn ) = 2 ( −0.1250 + 0.3018 i ) m
2 2
= 0.8536 m 2 / Hz
2 ∆f 2 ( 0.25 Hz )
S ( f 2 = 0.5 Hz ) = 0 m 2 / Hz
S ( f 3 = 0.75 Hz ) = 0.1464 m 2 / Hz
S ( f 4 ) = 0 m 2 / Hz
1.00
0.75
S (m2/Hz)
0.50
0.25
0.00
0.00 0.25 0.50 0.75 1.00 f(Hz)
Fig 4.5 Espectro de energía de la señal de ejemplo
58
4.5 Suavizado del espectro
Los valores espectrales estimados fluctúan entorno a los valores del espectro real.
Para atenuar estas oscilaciones es posible suavizar el espectro con una función de
peso W( f ), de forma que
∞
S ( f ) = ∫ S ( f* )W ( f* − f )df* (4.47)
0
∫ W ( f )df
0
=1 (4.48)
) j =k + m
S( f ) = ∑ W( f
j =k −m
k − f j )S ( f j ) (4.49)
) 1 ns
S ( f* ) = ∑ S n ( f j ) (4.50)
n n =1
Filtro rectangular
Es el método más simple para llevar a cabo este procedimiento y está dado por la
expresión:
1 ⎡ (m − 1) ⎤ ⎡m⎤
W1 ( f j ) = ; −⎢ ⎥ ≤ j≤⎢ ⎥ (4.51)
m ⎣ 2 ⎦ ⎣2⎦
59
donde m, representa el número de valores espectrales no suavizados que se utilizaron
para el promedio.
Filtro triangular
1 ⎪⎧ j ⎪⎫ ⎡ (m − 1) ⎤ ⎡m⎤
W2 ( f j ) = ⎨1 − ⎬; −⎢ ⎥ ≤ j≤⎢ ⎥ (4.52)
W2 ⎩⎪ [ (m − 1/ 2] ⎭⎪ ⎣ 2 ⎦ ⎣2⎦
Filtro parabólico
1 ⎪⎧ ⎛ ⎞ ⎪⎫
2
j ⎡ (m − 1) ⎤ ⎡m⎤
W3 ( f j ) = ⎨1 − ⎜ ⎟ ⎬; −⎢ ⎥ ≤ j≤⎢ ⎥ (4.53)
W3 ⎪ ⎜⎝ [ (m − 1) / 2] ⎟⎠ ⎪ ⎣ 2 ⎦ ⎣2⎦
⎩ ⎭
m
fB = (4.54)
N ∆t
Koopmans (1974) propone para los demás filtros, que los grados de libertad se
calculen a través de la ec 4.55:
2
r= n/2
(4.55)
∑ W 2
(f )
j
j =− ( m −1) / 2
Para los casos en que m sea grande, se aceptan las siguientes aproximaciones:
5
r ≈ m , para el filtro parabólico (4.57)
3
El ancho de banda de la resolución espectral se evalúa de forma similar y es
equivalente a los valores dados por:
60
3m
fB ≈ , para el filtro triangular (4.58)
4 N ∆t
5n
fB ≈ , para el filtro parabólico. (4.59)
6 N ∆t
Los filtros triangular y parabólico dan una estimación espectral a un intervalo de
frecuencia de la mitad del filtro rectangular; sin embargo, se debe recordar que dos
estimaciones espectrales adyacentes no son estadísticamente independientes para
estos filtros. La resolución espectral se puede mejorar únicamente si se utiliza un
registro de oleaje más largo, tal como se observa en la ec 4.54.
Debido a que la estimación del momento de cuarto orden es muy sensible a los
valores que se tienen en las altas frecuencias, para espectros que definen un estado de
mar este parámetro no es representativo ya que puede inducir a fuertes errores. Para
hacer más claro este problema, Longuet-Higgins (1983) propuso otro parámetro de
anchura espectral, el cual depende de los momentos de orden inferior.
1/ 2
⎡m m ⎤
ν = ⎢ 0 2 2 − 1⎥ (4.62)
⎣ m1 ⎦
61
Otro parámetro que define la forma del espectro es el de agudeza de pico Qp,
propuesto por Goda (1970):
∞
2
∫ f ( S ( f ))
2
Qp = 2
df (4.63)
m0 0
Goda (1985) señala que Qp es cercano a 2 para olas generadas por viento.
Para la estimación del periodo medio de las olas a partir del espectro hay dos ecuaciones:
m0
T01 = (4.64)
m1
m0
T02 = (4.65)
m2
En cuanto a parámetros asociados con la superficie libre, se tienen las siguientes relaciones:
η rms = m0 (4.66)
H m0 = 4.004 m0 (4.68)
Ejemplo. Evaluar los parámetros característicos del espectro de oleaje que se presenta
en la fig 4.6 y en la tabla 4.2: anchura espectral de cuarto orden, ε, anchura espectral
de segundo orden υ, agudeza espectral Qp, periodo medio de orden uno y dos, T01 y
T02, variación cuadrática media de la superficie libre, altura de ola cuadrática media y
altura de ola de momento de orden cero.
62
TABLA 4.2 DATOS CORRESPONDIENTES A LA FIG 4.6
f (Hz) S(m2/Hz) f (Hz) S(m2/Hz) f (Hz) S(m2/Hz) f (Hz) S(m2/Hz)
0.05625 0.00004 0.11875 0.27027 0.18125 0.04756 0.24375 0.01172
0.06250 0.00214 0.12500 0.21033 0.18750 0.04074 0.25000 0.01036
0.06875 0.02032 0.13125 0.17649 0.19375 0.03501 0.25625 0.00918
0.07500 0.07476 0.13750 0.14983 0.20000 0.03019 0.26250 0.00816
0.08125 0.16182 0.14375 0.12698 0.20625 0.02612 0.26875 0.00727
0.08750 0.29755 0.15000 0.10745 0.21250 0.02267 0.27500 0.00650
0.09375 0.62772 0.15625 0.09093 0.21875 0.01974 0.28125 0.00582
0.10000 0.98125 0.16250 0.07705 0.22500 0.01725 0.28750 0.00522
0.10625 0.73726 0.16875 0.06542 0.23125 0.01512 0.29375 0.00470
0.11250 0.41829 0.17500 0.05570 0.23750 0.01329 0.30000 0.00423
1.
0.
0.
S (m2/Hz)
0.
0.
0.
0. 0. 0. 0. 0.
f (Hz)
Solución: El primer paso es evaluar los diferentes momentos del espectro; para ello,
de la tabla 4.2 se puede obtener el incremento de frecuencia ∆f = 0.00625 Hz. De
manera discreta, el momento de orden cero se puede calcular como:
N ⎡⎛ m2 ⎞
m0 = ∆f ∑ S ( f i ) = ( 0.00625 Hz ) ⎢⎜ 0.00004 ⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ ⎛ m2 ⎞⎤
⎜ 0.00214 ⎟ + ... + ⎜ 0.00423 ⎟ ⎥ = 0.03141m
2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
N ⎡ ⎛ m2 ⎞
m1 = ∆f ∑ fi S ( f i ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004 ⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ ⎛ m2 ⎞⎤
( 0.0625Hz ) ⎜ 0.00214 ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423 ⎟ ⎥ = 0.00374m Hz
2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
63
N ⎡ 2⎛ m2 ⎞
m2 = ∆f ∑ f i S ( fi ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004
2
⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ 2⎛ m2 ⎞⎤
( 0.0625Hz ) ⎜ 0.00214 ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423 ⎟ ⎥ = 0.00049m 2 Hz 2
2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
N ⎡ 3⎛ m2 ⎞
m3 = ∆f ∑ fi S ( f i ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004
3
⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ 3⎛ m2 ⎞⎤
( 0.0625Hz ) ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423
3
⎟ ⎥ = 0.00008m Hz
2 3
⎜ 0.00214
⎝ Hz ⎠ ⎝ Hz ⎠ ⎦
N ⎡ 4⎛ m2 ⎞
m4 = ∆f ∑ f i S ( fi ) = ( 0.00625 Hz ) ⎢( 0.05625Hz ) ⎜ 0.00004
4
⎟+
i =1 ⎣ ⎝ Hz ⎠
⎛ m2 ⎞ 4⎛ m2 ⎞⎤
( 0.0625Hz ) ( )
4
⎜ 0.00214 ⎟ + ... + 0.03Hz ⎜ 0.00423 ⎟ ⎥ = 0.00001m Hz
2 4
⎝ Hz ⎠ ⎝ Hz ⎠⎦
1/ 2
⎡ ( 0.00049m 2 Hz 2 ) ⎤
1/ 2 2
⎡ m 2
⎤ ⎢ ⎥
ε = ⎢1 − ⎥
2
= 1− = 0.6591
⎣ mm ⎦ ⎢ ( 0.03141m 2 )( 0.00001m 2 Hz 4 ) ⎥
0 4
⎣ ⎦
1/ 2
⎡m m ⎤
1/ 2 ⎡ ( 0.03141m 2 )( 0.00049m 2 Hz 2 ) ⎤
ν = ⎢ 0 2 2 − 1⎥ =⎢ − 1⎥ = 0.3294
⎢ ( ) ⎥
2
⎣ m1 ⎦ ⎣ 0.00374m 2
Hz ⎦
T01 =
m0
=
( 0.03141m 2 )
= 8.41 s
m1 ( 0.00374m 2 Hz )
T02 =
m0
=
( 0.03141m ) 2
= 7.99s
m2 ( 0.00049m Hz ) 2 2
64
2
∞
2 ⎡ ⎛ m2 ⎞
2
∫ f ( S ( f )) ⎢( 0.05625Hz ) ⎜ 0.00004
2
Qp = 2 df = ⎟ +
m0 0 ( 0.03141m ) 2 2
⎢⎣ ⎝ Hz ⎠
⎛ m2 ⎞ ⎛
2
m2 ⎞
2
⎤
( 0.0625Hz ) ⎜ 0.00214 ⎟ + ... + ( 0.03Hz ) ⎜ 0.00423 ⎟ ⎥ = 3.2
⎝ Hz ⎠ ⎝ Hz ⎠ ⎥⎦
Señal de oleaje
1.5
Presión (m)
0.0
-1.5
0 200 400 600 800 1000 1200
Tiempo (s)
Estimación de la dirección
Cálculo de parámetros
Estimación del espectro del oleaje:
espectrales
Espectro direccional
65
4.7 Análisis direccional del oleaje
En el mar, el oleaje generado por el viento no se propaga en una sola dirección, por el
contrario, su energía se distribuye a lo largo de varias direcciones, esto es, la energía
asociada a las frecuencias con un valor cercano a la frecuencia modal se propagan
principalmente con la dirección del viento, mientras que la energía asociada con
frecuencias mayores o menores, se distribuye sobre un rango de diferentes direcciones.
66
dentro de un rango bidimensional definido entre f y f + ∆ f, para las frecuencias, y
entre θ y θ + ∆θ, para las direcciones, tal que:
f +∆f θ +∆θ
1
∑∑
θ 2
f
a 2
n = S ( f ,θ ) dfdθ (4.71)
La forma clásica para representar al espectro direccional está dada por la siguiente ec:
S ( f ,θ ) = S ( f ) D ( f ,θ ) (4.72)
siendo D( f,θ ) la función de dispersión angular, que debe satisfacer dos propiedades
dadas por:
D ( f ,θ ) ≥ 0 entre [ 0, 2π ] (4.74)
2π
∫ D ( f ,θ ) dθ =1 (4.75)
0
Es conveniente resaltar que el espectro puede ser expresado también en función del
número de onda y la dirección (k, θ ), a través del vector del número de onda definido
por (kx, ky) = (kcosθ, ksenθ ), de tal forma que:
2π 2π k
S ( f ,θ ) = S ( k ,θ ) = S ( kx , k y ) (4.76)
Cg Cg
67
donde Cg es la celeridad de grupo asociada con la frecuencia f, dada por la teoría
lineal.
Las técnicas de medición pueden ser divididas dentro de tres grandes grupos,
dependiendo de la forma en que la información es adquirida (tabla 4.3).
68
En la llamada aproximación estocástica, la información de la distribución de la fase
en el campo de oleaje es ignorada, ya que se asume que no hay ondas asociadas a
determinados valores de fase, y por tanto se enfoca al cálculo del espectro
direccional.
69
Debido a que el espectro cruzado es una cantidad compleja, a las partes reales Cmn( f )
se les denomina funciones de coincidencia espectral y a las imaginarias Qmn( f ),
funciones de cuadratura espectral.
Dentro del marco de la teoría lineal y asumiendo que las diferentes fases asociadas a
los componentes del oleaje están distribuidas de forma aleatoria sobre (0,2π), se
obtiene la siguiente ec para el espectro cruzado en función del espectro direccional:
2π
Gmn ( f ) = ∫ H m ( f ,θ ) H m* ( f ,θ )e S ( f ,θ ) dθ
− ik ( xn − xm )
(4.79)
0
Los valores de hm, αm y βm dependen del tipo de señal que se tiene. En la tabla 4.4
(Frigaard, 1997), se presentan los valores que corresponden para dichas expresiones,
dependiendo del tipo de señal medida Pm(t).
g H cosh ( k (h + z ) )
Φ ( x, y , z , t ) = i exp ( i (kx − σ t ) ) (4.82)
σ 2 cosh(kh)
70
4.7.6 Estimación del espectro direccional
El principio de este tipo de métodos consiste en asumir a priori una expresión dada
para la función de la dispersión angular y determinar el menor número de parámetros
para esta expresión a partir del espectro cruzado. La presente aproximación
contribuye a disminuir el número de incógnitas relacionadas en dicha función; para el
caso de un modelo unimodal, el problema se reduce solamente a la determinación de
dos parámetros: la dirección principal de propagación y un factor de dispersión
direccional que representa el esparcimiento angular de la energía del oleaje sobre la
dirección principal.
⎛ θ −θ0 ⎞
Dˆ1MFM ( f ,θ ) = ∆ ( s) cos 2 s ⎜ ⎟ (4.83)
⎝ 2 ⎠
Tipo de señal
medida
Pm hm αm βm
1 ∂Φ H
Superficie libre η= = exp(i (kx − σ t )) 1 0 0
g ∂t z =0 2
Pendiente de ∂η
superficie = [ik cosθ ]η ik 1 0
∂x
(eje x)
Pendiente de ∂η
superficie = [iksenθ ]η ik 0 1
∂y
(eje y)
71
TABLA 4.4 (Continuación)
Tipo de señal α
medida
Pm hm βm
m
∂Φ ⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Velocidad ux = − = ⎢σ cos θ ⎥ η σ 1 0
(eje x) ∂x ⎣ senh ( kh ) ⎦ senh ( kh )
∂Φ ⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Velocidad uy = − = ⎢σ senθ ⎥ η σ 0 1
(eje y) ∂y ⎣ senh ( kh ) ⎦ senh ( kh )
∂Φ ⎡ senh ( k (h + z ) ) ⎤ senh ( k (h + z ) )
Velocidad uz = − = ⎢ −iσ ⎥η iσ 0 0
(eje z) ∂z ⎣ senh ( kh ) ⎦ senh ( kh )
Velocidad ∂η ∂Φ
vertical de la = = −iση -iσ 0 0
∂t ∂z z =0
superficie
∂u x ⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Aceleración ax = = ⎢ −iσ 2 cos θ ⎥ η −iσ 2 1 0
(eje x) ∂t ⎣ senh(kh) ⎦ senh ( kh )
∂u y⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Aceleración ay = = ⎢ −iσ 2 senθ ⎥ η −iσ 2 0 1
(eje y) ∂t ⎣ senh(kh) ⎦ senh ( kh )
∂u z ⎡ 2 senh ( k (h + z ) ) ⎤ senh ( k (h + z ) )
Aceleración az = = ⎢ −σ ⎥η σ2 0 0
(eje z) ∂t ⎣ senh(kh) ⎦ senh ( kh )
Aceleración ∂ 2η
vertical de la = σ 2η -σ2 0 0
∂t 2
superficie
⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Desplazamiento ξ x = ∫ u x dt = ⎢i cos θ ⎥η i 1 0
(eje x) ⎣ senh(kh) ⎦ senh ( kh )
⎡ cosh ( k (h + z ) ) ⎤ cosh ( k (h + z ) )
Desplazamiento ξ y = ∫ u y dt = ⎢i senθ ⎥η i 0 1
(eje y) ⎣ senh(kh) ⎦ senh ( kh )
⎡ senh ( k (h + z ) ) ⎤ senh ( k (h + z ) )
Desplazamiento ξ z = ∫ u z dt = ⎢ ⎥η 0 0
(eje z) ⎣ senh(kh) ⎦ senh ( kh )
⎡ cosh ( k (h + z ) ) ⎤ cosh (k (h + z ) )
P = ρΓ = ⎢ ρ g ⎥η ρg 0 0
Presión dinámica
⎣ cosh ( kh ) ⎦ cosh (kh )
72
El coeficiente de normalización se calcula partiendo de la condición de que la integral
de la función de dispersión direccional entre 0 y 2π es igual a 1 (Γ es la función Gamma):
22 s −1 ( Γ ( s + 1) )
2
∆( s) = (4.84)
πΓ ( 2 s + 1)
Primer orden
r1
θ 0 = Arg ( a1 + ib1 ) s= (4.85)
1 − r1
Segundo orden
donde
rn = a n2 + bn2
2π
bn = ∫ D ( f ,θ )sen (nθ )dθ (4.88)
0
Para sistemas de un solo punto es necesario calcular los coeficientes a1, b1, a2, b2, ya
que en éstos se concentra toda la información disponible de la transformada de
Fourier. Las expresiones que los definen se presentan en las tablas 4.5 y 4.6.
73
Otro modelo comúnmente usado para direcciones que caen en el intervalo determinado
por (θ 0 − π;θ 0 + π) es el Gaussiano, definido por:
1 ⎛ (θ − θ 0 )2 ⎞
Dˆ1 ( f ,θ ) = exp ⎜ − ⎟ (4.89)
2πσ ⎜ 2 σ 2
⎟
⎝ ⎠
Una vez más la dirección principal, θ0, y el ancho direccional, σ, se calculan por
medio de los coeficientes de Fourier, tal que:
Primer orden
Segundo orden
1 −2Ln(r2 )
θ0 = Arg ( a2 + ib2 ) σ= (4.91)
2 2
⎛ 1 sinh (kh ) ⎞
2
Tres velocidades Q12 Q13
[u z ( z ); u x ( z ); u y ( z ) ] C11 ⎜⎜ ⎟⎟
⎝ ω sinh (k (h + z )) ⎠ C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
⎛ 1 sinh (kh ) ⎞
2
Tres aceleraciones Q12 Q13
[a z ( z ); a x ( z ); a y ( z ) ] C11 ⎜⎜ ⎟⎟
⎝ ω sinh (k (h + z )) ⎠ C11 (C 22 + C 33 ) C11 (C 22 + C 33 )
74
TABLA 4.6 EXPRESIONES DE LOS COEFICIENTES DE FOURIER a2 Y b2,
PARA SISTEMAS DE MEDICIÓN DE UN PUNTO
Modelos bimodales
λ ⎛ (θ − θ1 ) 2
⎞ 1− λ ⎛ (θ − θ 2 )2 ⎞
Dˆ 2 MFG ( f ,θ ) = exp ⎜ − ⎟+ exp ⎜ − ⎟ ; λ ∈ [ 0,1] (4.92)
2πσ 1 ⎜ 2σ 1
2
⎟ 2πσ ⎜ 2σ 2
⎟
⎝ ⎠ 2 ⎝ 2 ⎠
Este tipo de modelos tienen cinco incógnitas θ1,σ1,θ 2,σ 2,λ y son capaces de
representar tanto estados de mar unimodales como bimodales, es decir con dos picos
en la misma frecuencia.
Este modelo fue introducido por Capon et al (1967) y completado por diversos
autores, entre los que destacan Isobe (1984) y Krogstad (1988). El modelo de máxima
verosimilitud se basa en la suposición de que la función de dispersión angular puede
ser expresada como una combinación lineal del espectro cruzado, tal que:
1
Dˆ MLM ( f ,θ ) = ∑α mn ( f ,θ ) ⋅ Gmn ( f )
E ( f ) m ,n
ˆ
(4.93)
75
Esta estimación se relaciona con la función de dispersión angular normal, por medio
de la siguiente expresión:
∞
Dˆ MLM ( f ,θ ) = ∫ D ( f ,θ ) ⋅ w (θ ,θ ') dθ ' (4.94)
0
donde
Dˆ IMLM
i
( f ,θ ) = Dˆ IMLM
i −1
( f ,θ ) + ε i ( f ,θ ) con Dˆ IMLM
0
( f ,θ ) = Dˆ MLM ( f ,θ ) (4.96)
Primer esquema
( f ,θ )
β +1
λ −1
∆ iMLM
ε ( f ,θ ) =
i
Dˆ IMLM
i −1
( f ,θ ) con λ = 1− (4.97)
λγ DˆMLM ( f ,θ )
Segundo esquema
β +1
λ
ε ( f ,θ ) =
i
con λ = Dˆ MLM ( f ,θ ) − ∆ iMLM
−1
( f ,θ ) (4.98)
λγ
76
4.7.6.3 Otros métodos
Método bayesiano
77
5. DISTRIBUCIONES ESTADÍSTICAS DEL OLEAJE
79
En general, la superficie libre del oleaje deja de presentar una distribución normal por
efectos tales como rotura del oleaje tanto en aguas profundas como someras y
someramiento, ya que las crestas se hacen más acusadas y los valles menos profundos
y más largos, por citar dos de los fenómenos más importantes.
Siguiendo con el mismo esquema planteado, considérese ahora que la superficie libre
puede ser tratada como la suma de contribuciones de un gran número de ondas con
frecuencia σm y dirección θn (-π ≤ θn ≤ π) superpuestas de manera aleatoria; por
ejemplo
El número de onda, km, está asociado con la frecuencia angular, σm, a través de la
relación de la dispersión al primer orden:
σ m2 = gk m tanh k m h (5.2)
Se asume que las fases εmn son variables aleatorias normalmente distribuidas en el
intervalo (-π, π). Las amplitudes amn son también variables aleatorias asociadas al
espectro bidimensional, S( f,θ ), de la siguiente forma:
Asumiendo que las contribuciones η1, η2, η3 ...ηN son variables aleatorias
estadísticamente independientes y si además se desprecian todas las interacciones
entre componentes y se usa el teorema del limite central, Ochi (1998), se llega a la
conclusión de que el desplazamiento de la superficie libre del oleaje η (t) es una
función normalmente distribuida con media η y varianza σ η , mientras que la
2
⎡ (η −η )2 ⎤
⎢− ⎥
1 2
p (η ) = e ⎣⎢ 2ση ⎦⎥
(5.4)
2πσ η
80
La media y la varianza, momentos centrados de primero y segundo orden, µ1 y µ2,
pueden ser calculados a través de las siguientes expresiones:
∞
µ1 = η = ∫ η p (η ) dη (5.5)
−∞
∫ (η − η ) p (η ) dη
2
µ2 = σ η =
2
(5.6)
−∞
Ambas notaciones (ecs 5.6 y 5.7) son frecuentemente utilizadas; por ejemplo, en
Massel (1996).
1 ⎛ 1 ⎞
p (ξ ) = e⎜ − ξ 2 ⎟ (5.8)
2π ⎝ 2 ⎠
donde
η −η
ξ= (5.9)
ση
Puede demostrarse (Massel, 1996, y Ochi, 1998) que todos los momentos de orden
non son iguales a cero, mientras que los momentos de orden par cumplen con la
siguiente relación:
µ 2 n = {1 ⋅ 3 ⋅ 5 ⋅⋅⋅ ( 2n − 1)}σ η2 n (5.10)
donde
∞
∫ (η − η ) p (η ) dη
n
ση =
n
(5.11)
−∞
81
∞
mˆ n = ∫ ξ p (ξ ) d ξ
n
(5.12)
−∞
y, por tanto,
⎧⎪1⋅ 3 ⋅ 5 ⋅⋅⋅ ( n − 1) para momentos de orden par
mˆ n = ⎨ (5.13)
⎪⎩0 para momentos de orden non
y
µn
mˆ n = (5.14)
σ ηn
µ3
γ1 = = m̂3 (5.15)
σ η3
µ4
γ2 = − 3 = mˆ 4 − 3 (5.16)
σ η4
dξ
p (η ) = p (ξ ) (5.17)
dη
82
⎛ 1 η2 ⎞
⎜− 2 ⎟
1 ⎜ 2η ⎟
p (η ) = e ⎝ rms ⎠
(5.18)
ηrms 2π
Esta distribución admite, aunque con muy pequeña probabilidad, que son
posibles desplazamientos tan grandes como se quiera (teóricamente η (t) puede
ser igual a infinito). Esto es físicamente imposible ya que la ola rompería antes
de alcanzar esas alturas.
83
1.60 Distribución de señal medida
Distribución teórica
1.20
0.80
p (1/m)
0.40
0.00
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50
η (m)
Fig 5.1 Comparación entre la función de distribución de probabilidad
medida y teórica
84
⎛ 1 ⎞
1 ⎜⎝ − 2ξ ⎟⎠ ⎡ mˆ 3
2
mˆ 4 − 3 mˆ 5 − 10mˆ 3
p (ξ ) = e 1 +
⎢⎣ 3! H 3 ( ξ ) + H 4 ( ξ ) + H 5 (ξ ) +
2π 4! 5!
(5.19)
mˆ 6 − 15mˆ 4 + 30 ⎤
H 6 (ξ ) + ...⎥
6! ⎦
H 3 (ξ ) = ξ 3 − 3ξ ⎫
⎪
H 4 (ξ ) = ξ 4 − 6ξ 2 + 3 ⎪
⎪⎪
H 5 (ξ ) = ξ 5 − 10ξ 3 + 15ξ ⎬ (5.20)
⎪
H 6 (ξ ) = ξ 6 − 15ξ 4 + 45ξ 2′15⎪
⎪
etc. ⎪⎭
⎛ 1 2⎞
1 ⎜⎝ − 2ξ ⎟⎠ ⎡ γ 1 γ mˆ − 10γ 1
p (ξ ) = e ⎢1 + H 3 ( ξ ) + 2 H 4 (ξ ) + 5 H 5 (ξ ) +
2π ⎣ 3! 4! 5!
(5.21)
mˆ 6 − 15mˆ 4 + 30 ⎤
H 6 (ξ ) + ...⎥
6! ⎦
85
1 1 3
η = a 2 k + a cos χ + a 2 k cos 2 χ + a 3k 2 cos 3χ + ...
2 2 8
(5.22)
3
= a cos χ + a k cos χ + a 3 k 2 cos 3χ + ...
2
1 ⎜⎝ − 2 A ⎟⎠ ⎡⎢ B 9 ( kσ η ) 1 ⎤⎥
2
⎛ 1 ⎞
p (ξ ) = e + (5.23)
2π ⎢ R 8 N R 3 ⎥⎦
⎣
donde
2
⎡ 2 ⎛ 13 ⎞⎤
A = N ⎢η − σ η k (ξ 2 − 1) + (σ η k ) ⎜ ξ 3 − 2ξ ⎟ ⎥
2
(5.24)
⎣ ⎝8 ⎠⎦
⎡ 2 ⎛ 39 ⎞⎤
B = N ⎢1 − 2σ η kξ + (σ η k ) ⎜ ξ 2 − 2 ⎟ ⎥ (5.25)
⎣ ⎝ 8 ⎠⎦
9
( ση k ) ξ 2
2
R = 1+ (5.26)
4
N = 1 + (σ η k )
2
(5.27)
Para dar solución a las ecs 5.24 y 5.27, el número de onda k es evaluado utilizando la
frecuencia de pico espectral fp y la profundidad local h.
Continuando con el ejemplo presentado en la fig 5.1, en la fig 5.2 se presenta una
comparación entre la función de densidad de probabilidad medida, normal y la
desarrollada hasta el tercer orden, ec 5.23, con una frecuencia de pico espectral
fp = 0.1 Hz y a una profundidad local h = 2 m.
86
1.60 Distribución de señal medida
Distribución normal
Tercer orden
1.20
0.80
p (1/m)
0.40
0.00
-1.50 -1.00 -0.50 0.00 0.50 1.00 1.50
η (m)
1
{
η = ∑ an cos ( χ n + ε n ) + k ⎡⎣ ∑ an cos ( χ n + ε n ) ⎤⎦ − ⎡⎣ ∑ ansen ( χ n + ε n ) ⎤⎦
2
2 2
} (5.28)
Y obtuvo la siguiente relación para la función de probabilidad acumulada, P(η):
∞ τ2
1
∫ e {erf ⎡⎣ A (τ ,η ) + β ⎤⎦ + erf ⎡⎣ A (τ ,η ) − β ⎤⎦} dτ
−
P (η ) = 2
(5.29)
2π ( )
α η
donde
⎧ β ⎫
⎪0 para η > −
2γ ⎪
⎪ ⎪
a (η ) = ⎨ 1/ 2 ⎬ (5.30)
⎪ 2 β ⎡ − ⎛ 1 + 2γη ⎞ ⎤ para η < −
β ⎪
⎪ ⎢ ⎜⎜ ⎟⎟ ⎥
⎩ ⎢
⎣ ⎝ β ⎠⎦⎥ 2γ ⎪⎭
k m0
β= (5.31)
2
87
2γη τ2
A (τ ,η ) = β 1 + + (5.32)
β β2
γ = 1 + k 2 m0 (5.33)
88
5.2 Distribución de los desplazamientos máximos (crestas)
Los estudios de Rice fueron ampliados por Cartwright y Longuet-Higgins (1956), que
demostraron que la función de densidad de crestas, ηmáx(t), puede ser definida a
través de la siguiente relación:
1 ⎡ ⎡ 1 ⎛ β ⎞2 ⎤ ⎛ 1 2 ⎞ ε (1−ε 2 ) 2 − 2 x2 ⎤
β 1
1
P(β ) = ⎢ε exp ⎢ − ⎜ ⎟ ⎥ + (1 − ε ) β exp ⎜ − β ⎟ ⋅ ∫−∞
2 12
e dx ⎥ (5.34)
2π ⎢⎣ ⎢⎣ 2 ⎝ ε ⎠ ⎥⎦ ⎝ 2 ⎠ ⎥⎦
donde
η máx
β= (5.35)
m0
1η 2 máx
η máx −
P (η máx ) = e 2 m0
para η máx ≥ 0 (5.36)
m0
P (η máx ) = 0 para η máx < 0 (5.37)
89
Las ecs 5.36 y 5.37 definen la distribución de Rayleigh. Para la segunda condición
límite, cuando el parámetro de anchura tiende a uno, se tiene una condición
completamente distinta:
2
1η máx
1 −
P(η máx ) = e 2 m0 (5.38)
2πm0
N O+ = N C+ − NV+ (5.39)
N O− = NV− − N C− (5.40)
NV+ = N C− = rN C (5.41)
negativas.
90
Por tanto,
N O+ = N C+ − NV+ = (1 − r ) N C − rN C = N C (1 − 2r ) (5.42)
1⎛ N+ ⎞
r = ⎜1 − O ⎟ (5.43)
2⎝ NC ⎠
Es claro que el número de crestas será siempre mayor o igual que el número de cruces
con pendiente positiva, por tanto los valores límite para r serán:
NC
→1 ⇒r→0 (ε → 0 ) (5.44)
N O+
NC 1
→∞ ⇒r→ ( ε → 1) (5.45)
N O+ 2
donde
ε 2 = 4r (1 − r ) (5.46)
Las ecs 5.44 y 5.45 definen los valores límite para la anchura de la base del espectro,
y la proporción de las crestas en un registro dado. El caso r = 0 se presenta si
N O+ = N C , es decir, cuando el número de cruces ascendentes por el nivel medio en el
registro, es igual al número total de crestas. Definido lo anterior y utilizando la ec 5.39,
se obtiene:
N O+ = N C = N C+ − NV+ (5.47)
Es posible afirmar, para el caso en que no existan crestas negativas ni valles positivos
el número de crestas positivas y de valles negativos será el mismo, es decir que toda
la energía está contenida en una banda de frecuencias o periodos muy estrecha. Dicha
situación se muestra en la fig 5.3.
91
3
2
Lado (+)
1
0
-1 0 10 20 30 40 50 60 70
-2
Lado (-)
-3
92
1, 2 y 4, la distribución de Carter (1986)
H2 H2
H − H rms2 H − 8 m0
p( H ) = 2 2
e = e (5.49)
H rms 4m0
Las distribuciones de las crestas y valles son de la forma de Rayleigh, ec 5.36, y por
tanto la distribución conjunta está dada por:
⎛ β 2 + β 22 ⎞
−⎜ 1 ⎟
⎜ ⎟
p ( β1 , β 2 ) = β1β 2 e ⎝ 2 ⎠
(5.50)
93
donde β1 y β2, son las amplitudes de cresta y valle adimensionales, respectivamente,
definidas según la ec 5.35. Si se define y como las suma de ambas amplitudes
adimensionales, y y2 como la resta, es decir,
y = β1 + β 2 y y2 = β1 − β 2 (5.51)
y + y2 y − y2
β1 = y β2 = (5.52)
2 2
∂β1 ∂β1
⎛ y 2 + y2 2 ⎞ ⎛ y 2 + y2 2 ⎞
∂y ∂y2 −⎜ ⎟ −⎜ ⎟
1
( ) 1
( )
⎜ 4 ⎟⎠ ⎜ 4 ⎟⎠
p ( y , y2 ) =
2 2
⋅ y 2 − y2 e ⎝ = y 2 − y2 e ⎝ (5.53)
∂β 2 ∂β 2 4 8
∂y ∂y2
⎛ y2 ⎞ y ⎛ y2 2 ⎞
y1 −⎜ ⎟
1 −⎜⎜⎝ 4 ⎟⎟⎠ 1 2
( )
⎜ 4 ⎟⎠
p ( y) = ∫ p ( y, y2 ) dy2 = e ∫
2
y − y 2 e ⎝
dy2 (5.54)
− y1 8 − y1
⎛ y2 ⎞ ⎧ ⎛ y2 ⎞ ⎛ 2⎞
y1 −⎜ y2 ⎟ ⎫
1 −⎜⎜⎝ 4 ⎟⎟⎠ ⎪ −⎜ ⎟
⎪
+ ( y − 2) ∫ e
⎜ 4 ⎟ ⎜ 4 ⎟
p ( y) = e ⎨2 ye
⎝ ⎠ 2 ⎝ ⎠
dy2 ⎬ (5.55)
4 ⎪⎩ 0
⎭⎪
⎛ y2 ⎞ ⎛ y2 ⎞ y ⎛ y2 2 ⎞
y1 − ⎜⎜ ⎟⎟
1 −⎜⎜⎝ 4 ⎟⎟⎠ 1 −⎜⎜⎝ 4 ⎟⎠
⎟
P ( y ) = ∫ p ( y ) dy = 1 − e ⎝ 2 ⎠
− ye ∫0 e dy2 (5.56)
0
2
Las ecs 5.55 y 5.56 se pueden expresar también en forma dimensional como:
⎛ H2 ⎞
−⎜ ⎧
⎜ 4 m ⎟⎟ ⎪
⎛ H2 ⎞
−⎜
⎜ 4 m ⎟⎟ ⎛ H2 ⎞ ⎛ H ⎞ ⎫⎪
1 H
p(H ) = e ⎝ 0 ⎠ ⎨2 e ⎝ 0⎠ + π ⎜ − 2 ⎟ Erf ⎜ ⎟ ⎬ (5.57)
4 m0 ⎝ m0 ⎜ ⎟
⎪⎩ m0 ⎠ ⎝ 2 m0 ⎠ ⎭⎪
94
⎡ −⎛⎜⎜ H 2 ⎞⎟⎟ ⎛ H2 ⎞
⎛ H ⎞⎤
π H −⎜⎜⎝ 4 m0 ⎟⎟⎠
P ( H ) = 1 − ⎢e ⎝ 0 ⎠ + ⎟⎥
2m
e Erf ⎜ (5.58)
⎢ ⎜ ⎟
⎣
2 m0 ⎝ 2 m0 ⎠ ⎥⎦
donde u(u = y2/2) es una constante de integración y la función error, Erf, está definida
como:
X
2
Erf ( X ) = ∫e
−u2
du (5.59)
π 0
1 ⎛ β12 + β 22 ⎞
ββ ⎛ κ ⎞ − 2 ⎜⎜⎝ 1−κ 2 ⎟⎠
⎟
p ( β1 , β 2 ) = 1 22 I 0 ⎜ β β ⎟e (5.60)
1− κ ⎝ 1− κ
2 1 2
⎠
Battjes (1971) señala que κ es el coeficiente de correlación entre β12 y β22, mientras
que ρ es el coeficiente de correlación entre β1 y β2, los cuales se expresan como:
µ132 + µ14 2
κ =2
2
(5.61)
m0
π ⎛ 2 κ4 κ6 ⎞
ρ= ⎜κ + + ⎟ (5.62)
16 − 4π ⎝ 16 64 ⎠
donde µ13 y µ14 son las autocorrelaciones de las partes de la señal separada τ unidades.
1 ⎛ y 2 + y2 2 ⎞
1 y 2 − y2 2 ⎡ κ 1 2 2 ⎤
− ⎜ ⎟
p ( y , y2 ) =
8 1− κ 2
I 0 ⎢⎣1 − κ 2 4 ( y − y 2 ) ⎥⎦ e
4 ⎜⎝ 1−κ 2 ⎟⎠
(5.63)
95
y y
p ( y) = ∫ p ( y, y2 ) dy2 = 2∫ p ( y, y2 ) dy2
−y 0
⎛ 1 y2 ⎞ y 1 ⎛ y 2 − y2 2 ⎞
(5.64)
⎡ κ 1 2
2
−⎜
y − y2
2 ⎜ ⎟
(
2 ⎤
)
⎟
1 ⎜ 2⎟ 4 ⎝⎜ 1−κ 2 ⎠⎟
=
4
e ∫
⎝ 2 1−κ ⎠
0
1− κ 2
I0 ⎢
⎣1 − κ 4
2
y − y2 ⎥ e
⎦
dy2
P ( y ) = ∫ p ( y ) dy (5.65)
0
Las ecs 5.64 y 5.65 son análogas a las derivadas por Tayfun (1981), mismas que se
pueden expresar también en forma dimensional como:
⎛1 H2 1 ⎞ ⎛ H 2 −u 2 1 ⎞
H
1 −⎜⎜⎝ 2 m0 1−κ 2 ⎟⎟⎠ H 2 − u 2 1 ⎛ H 2 − u 2 1 ⎞ ⎜⎜⎝ ⎟
4 m0 1−κ 2 ⎟⎠
p(H ) = e ∫0 4m0 1 − κ 2 0 ⎜⎝ κ 4m0 1 − κ 2 ⎟⎠ e
I du (5.66)
m0
H
P ( H ) = ∫ p ( H ) dH (5.67)
0
96
D en sid a d d e p r ob a b ilid a d P r ob a b ilid a d d e e xced en cia
0.5 1
κ = 0
0.4 κ = 0.2
κ = 0.4 0.1
0.3 κ = 0.6
κ = 0.8
0.01
κ = 1.0
0.2
0.001
0.1
0 0.0001
0 2 4 6 8 10 0 2 4 6 8 10
1/2
H/m 0 H/m 01/2
⎡ 2 ⎤
1+ n ⎢ − a ⎛ H ⎞1−n ⎥
⎢ ⎜⎝ H ⎟⎠ ⎥
b ⎛H⎞ 1− n
p(H ) = ⎜ ⎟ e ⎣⎢ ⎦⎥
(5.68)
H ⎝H⎠
donde
π
a= (5.69)
⎛ n ⎞
4 ⎜1 + ⎟
⎝ 2π ⎠
2a
b= (5.70)
1− n
97
⎡ − aγ α ξ α ⎤
p (ξ ) = bγ α ξ α −1e ⎣ ⎦
(5.71)
donde
H
ξ= (5.72)
H rms
1
⎡ b −⎛⎜1+ α2 ⎞⎟ ⎛ 2 ⎞⎤
2
γ = ⎢ a ⎝ ⎠ Γ ⎜1 + ⎟ ⎥ (5.73)
⎣⎢ α ⎝ α ⎠ ⎦⎥
2
α= (5.74)
1− n
Si el parámetro n es igual a cero, la ec 5.71 se simplifica en la distribución de
Rayleigh, mientras que si n = 0.5,
⎛ π a1 4 ⎞
p (ξ ) = π a1ξ e
−
3 ⎜⎝ 4
ξ ⎟
⎠
≈ 2.055ξ 3e
( −0.514ξ )
4
(5.75)
donde
( 2π )
3/ 2
a1 = ≈ 0.654 (5.76)
(
4 1 + 2 2π )
Ejemplo. En la fig 5.5 se presenta el aspecto que guarda la densidad de probabilidad y
la probabilidad de excedencia adimensional para diferentes valores de n.
0 0.001
0 1 2 3 0 1 2 3
H/Hrms H/Hrms
98
5.3.3 Distribución de alturas limitada por rotura
Esta distribución supone que existe una correlación intermedia entre una cresta y el
siguiente valle, en este caso si la cresta es grande, la probabilidad de que el próximo
valle sea grande es alta, sin embargo, existe una cierta probabilidad de que el valle
pueda ser mediano o pequeño.
∞ ⎡ ⎛ ⎞ ⎤
⎢ N ⎜ u ⎟ J o (ξ u ) ⎥du
p (ξ , N ) = ξ ∫ uJ o 0 ≤ ξ ≤ N 1/ 2 (5.77)
⎢ ⎜ 12 ⎟ ⎥
0
⎣ ⎝N ⎠ ⎦
⎡ 4 −1 ⎛ N
1/ 2
⎞⎤ ∞ ⎡ N ⎛ u ⎞ ⎤
p (ξ , N ) = ξ ⎢1 − cos ⎜ ⎟ ⎥ ∫ ⎢uJ o ⎜ 1/ 2 ⎟ J o (ξ u ) ⎥ du N 1/ 2 ≤ ξ ≤ (2 N )1/ 2 (5.78)
⎣ π ⎝ ξ ⎠⎦ 0 ⎣ ⎝N ⎠ ⎦
⎛ π tanh(k0 h) ⎞
N =⎜ ⎟ (5.79)
⎜ 7 2 k 2m ⎟
⎝ 0 0 ⎠
donde
H
ξ= (5.80)
H rms
σ 2h
= k0 h ⋅ tanh ( k0 h ) (5.81)
g
99
Densidad de p r obabilidad Pr obabilidad de excedencia
1 1
N=5
0.8 N=6
N=8
N = 10 0.1
0.6 N = 20
N = 100
0.4
0.01
0.2
0 0.001
0 1 2 3 0 1 2 3
H /H rm s H /H rm s
Diversos estudios han sido realizados con el fin de encontrar aquellas distribuciones
que describen de mejor manera el fenómeno del oleaje para sus diversos tipos. Green
(1994) llegó a la conclusión que para estados de mar muy desordenados (tipo sea) la
ecuación de Carter es la que mejor representa al fenómeno. Si se tiene un estado de mar
más ordenado (al salir del área de generación y propagarse el oleaje) la distribución
de Tayfun es la que mejor se ajusta. Por último, en un estado de mar muy ordenado
(tipo swell) la distribución de Rayleigh puede utilizarse de manera adecuada.
100
A continuación se presentan las distribuciones más utilizadas. Cabe señalar que es
importante considerarlas en su forma dimensional y adimensional, la primera por su
utilidad para cálculos prácticos y la segunda para poder hacer una comparación
entre ellas.
Cavanié, Arhan y Ezraty (1976) propusieron una distribución teórica que, al igual que
la de Longuet-Higgins (1975), está basada en un modelo gaussiano de banda estrecha,
solo que ésta sí toma en cuenta la asimetría en la distribución de los periodos. Esta
ecuación presenta una buena concordancia con los datos observados, pero tiene el
defecto de utilizar el parámetro de anchura espectral, ε, que depende del cuarto
momento de la función de densidad espectral. Este momento tiene el inconveniente
de estar asociado a la cuarta potencia de la función de densidad espectral, por lo que
cualquier error en la distribución resulta muy amplificado, sobre todo para altas
frecuencias.
h 2 (ττ )−4 ⎡ 2 2 2 2
α 3h 2 −
8ε 2 ⎣
(τ τ −α ) + β 2α 4 ⎤
⎦
p ( h, τ ) = e (5.82)
4 2π ε (1 − ε 2 )τ 4τ 5
donde
H
h= (5.83)
m0
T
τ= (5.84)
τ TC
2π m2
TC = (5.85)
α m4
101
⎛T ⎞
τ =⎜ ⎟ Si ε ≤ 0.95 → τ = 1 (5.86)
⎝ TC ⎠
α=
1
2
(
1+ 1− ε 2 ) (5.87)
ε2
β =
2
(5.88)
1− ε 2
En este punto es conveniente mencionar que esta ecuación fue obtenida midiendo el
periodo de ola entre cresta y cresta, TC, por lo que no sería correcto aplicarla a olas
definidas por el método de pasos ascendentes por cero; sin embargo, Goda (1978)
señala que aun para este caso la distribución da buenos resultados.
Haciendo
T H
TC = T , τ= y h= (5.89)
T m0
⎡ 2 ⎤
TZ4 H 2 ⎢⎛ 2 TZ2 ⎞
− ⎜τ −α 2 ⎟ + α 4 β 2 ⎥
1 αT H 3 4 2 2 4
8 m0 ε τ 4 ⎢⎜
TZ ⎢⎝ TZ 4 ⎟
⎠
⎥
⎦⎥
p( H , T ) = e ⎣
(5.90)
4 2π m ε (1 − ε )τ TZ
3/ 2 4 5
0
a) b)
2 2
H (m)
H (m)
1 1
0 0
0 4 8 12 0 4 8 12
T (s) T (s)
Fig 5.7 Distribución de probabilidad conjunta para Hrms = 1m y T = 8s . a) ε = 0.9 y
b) ε = 0.3
102
5.4.2 Distribución de Longuet-Higgins
Longuet-Higgins (1983) propone otra ecuación que tiene los mismos méritos que la
de Cavanié et al (1976) al tomar en cuenta la asimetría en los periodos, además de
que posee la gran ventaja de utilizar un parámetro de ancho espectral de orden menor:
ν (dependiente del segundo y no del cuarto momento).
⎡ 1 ⎛ 1 ⎞⎤
⎛ 2 ⎞ ⎛ R ⎞ − R ⎢⎣1+ν 2 ⎜⎝1− τ ⎟⎠⎥⎦
2 2
T
τ= (5.92)
T
H
R= (5.93)
2 2m0
1 1⎡ − ⎤
1
= ⎢1 + (1 + ν 2 ) 2 ⎥ (5.94)
L(ν ) 2 ⎣ ⎦
m0
T = = T01 (5.95)
m1
H2 ⎡ 1 ⎛ T ⎞ ⎤
2
⎛ H T2
⎞ − ⎢1+ 2 ⎜1− ⎟ ⎥
8 m0 ⎢ ν ⎝ T ⎠ ⎥
p ( H , T ) = ⎜⎜ ⎟e
3/ 2 2 ⎟
⎣ ⎦
L(ν ) (5.96)
⎝ 8ν 2π m0 T ⎠
103
a) b)
2 2
H (m)
H (m)
1 1
0 4 8 12 0 4 8 12
T (s) T (s)
L(ν ) H ⎡ H ⎤
p( H ) = Erfc ⎢ − ⎥ (5.97)
⎢⎣ 2 2m0ν ⎥⎦
H2
8m0ν ⋅ e 8 m0
104
5.5 Distribuciones de periodos de ola
T (5.99)
ν 2T012
p (T ) = 3/ 2
(5.100)
2 ⎡⎣ν 2T012 + (T − T01 ) 2 ⎤⎦
p (T ) = ⎢1 + ⎜ 1 − ⎟⎟ 2 ⎥ (5.102)
2ν T 2 ⎢ ⎜⎝ T ⎠ ν ⎥⎦
⎣
105
1.00
MEDICIÓN
BRETSCHNEIDER
0.80 LONGUETT-HIGGINS (1983)
CAVANIE
0.60
0.40
0.20
0.00
0.00 3.00 6.00 9.00 12.00
T (s)
106
6. MODELOS ESPECTRALES DE UN ESTADO DE MAR
A través del análisis de una gran cantidad de espectros de oleaje se ha encontrado que
éstos presentan características similares que pueden ser relacionadas mediante el
empleo de parámetros físicos: velocidad y duración del viento, fetch (distancia sin
obstrucciones sobre la cual el viento sopla a través de la superficie del agua) y
profundidad sobre la cual se propaga el oleaje.
La superficie del océano se encuentra siempre sometida a la acción del viento, por tanto
es posible pensar que el oleaje debe aprovechar la energía de manera infinita. Si se
acepta lo anterior, parecería que el fenómeno crecería de manera indefinida. Sin
embargo, se sabe que el crecimiento de las olas bajo la influencia del viento no es
infinito, la energía proporcionada por el viento está balanceada por la disipación de
energía y por las interacciones del oleaje, el cual transfiere energía de una frecuencia
dada a otras. En aguas profundas, la disipación toma la forma de espuma (white caps)
de menor escala que la longitud de onda. Dicho fenómeno sucede cuando dos crestas
son superpuestas o cuando ondas más cortas pasan sobre ondas más largas.
107
El crecimiento del oleaje está limitado también por la formación de olas capilares, las
cuales obtienen energía de las crestas de ondas primarias con gran curvatura (Phillips,
1977). Es conveniente mencionar que la capa superficial de la corriente producida por
el esfuerzo cortante del viento incrementa la rotura de las olas, produciendo una gran
reducción de su amplitud.
el fetch
S ( f ) = α g 2 f −5 (2π ) −4 (6.1)
Es importante remarcar que este modelo ha sido la piedra angular para desarrollos
posteriores en la predicción de oleaje a través de información meteorológica.
108
6.2.1 Espectro de Neumann
Neumann desarrolló un modelo espectral analítico, en 1953, que fue el primero en ser
usado para el diseño ingenieril; éste está en función de la velocidad del viento medida a
diez metros sobre el nivel medio del mar, U10, y queda expresado como:
f p5 ⎡ ⎛ f ⎞ −2 ⎤
S ( f ) = 1.466 H 2
exp ⎢ −3 ⎜ ⎟ ⎥ (6.2)
⎢ ⎜⎝ f p ⎟⎠ ⎥
m0
f6
⎣ ⎦
1 g
fp = (6.3)
6 πU 10
En 1964, Pierson y Moskowitz estudiaron los espectros de oleaje del Atlántico Norte y
crearon una expresión que representa estados de mar completamente desarrollados
generados por el viento. Es decir, su modelo no depende del fetch, sino únicamente de
la velocidad del viento.
donde U19.5 es la velocidad del viento a 19.5 metros sobre la superficie del mar.
0.0805 g
fp = (6.6)
π Hs
109
Dado que normalmente la velocidad del viento se reporta sobre una altura de 10 m
sobre el nivel del mar, la siguiente relación puede ser de mucha utilidad:
donde y es la distancia vertical sobre el nivel medio del mar (snmm) y U10 es la
velocidad a una altura de 10 m snmm.
f s4 ⎡ ⎛ fs ⎞ ⎤
4
donde fs = 1/ Ts.
Ts = 0.946Tp (6.9)
donde Tp es el periodo pico espectral. Esta expresión iguala el modelo al propuesto por
Pierson y Moskowitz.
Este modelo ha sido derivado para un estado de mar totalmente desarrollado. Sin
embargo, parece razonable que también pueda ser utilizado para estados de mar
parcialmente desarrollados. Las relaciones entre la altura de ola, periodo de ola y
velocidad del viento fueron presentadas por Bretschneider (1959) empíricamente. Para
un estado de mar desarrollado,
gH s
2
= 0.282 (6.10)
Uw
gTs
= 6.776 (6.11)
Uw
110
Mientras que para un estado de mar casi totalmente desarrollado,
gH s gH s
2
= 0.254 (90%) 2
= 0.226 (80%) (6.12)
Uw Uw
gTs
= 4.764 (6.13)
Uw
Solución
Primero, se transforma la velocidad del viento a m/s (1 kt = 0.514 444 m/s), tal que
Uw = 25.722 m/s. Sustituyendo este valor en las ecs 6.10 y 6.11, para el caso de un
estado de mar totalmente desarrollado, se obtiene:
0.282* ( 25.722m/s )
2 2
0.282U w
Hs = = = 19.2 m
g 9.81m/s 2
0.254* ( 25.722m/s )
2 2
0.254U w
H s (90%) = = = 17.13m
g 9.81m/s 2
0.226* ( 25.722m/s )
2 2
0.226U w
Hs = = = 15.24 m
g 9.81m/s 2
Segundo, si ahora se utiliza la ec 6.8, pueden obtenerse los espectros de energía que se
representan en la fig 1.2.
111
700
Totalmente desarrollado
600 Parcialmente desarrollado (90%)
Parcialmente desarrollado (80%)
500
S (m 2/Hz)
400
300
200
100
0
0 0.1 0.2 0.3
f (Hz)
⎛ g2 ⎞
S ( f ) = ⎜ 5 ⎟ F ( f , x) (6.14)
⎝ f ⎠
donde
fu*
f =
g
gx
x= 2
u*
u* = velocidad de fricción del viento (cortante)
x = fetch.
S ( f ) = β u* gf −4 (6.15)
112
u* = τ 0 / ρ a (6.16)
donde C10 es el coeficiente de superficie de arrastre evaluado con una velocidad del
viento a 10 m de altura (sus unidades están dadas en m/s),
La evaluación del viento a cualquier altura puede hacerse a través de la siguiente relación
⎛ z ⎞
U z = U10 + u* ln ⎜ ⎟ (6.19)
⎝ 10 ⎠
Solución
Primero se debe de estimar el valor de u* a través de las ecs 6.17 a 6.19. Es importante
mencionar que existen diversos métodos que son más eficientes numéricamente; sin
embargo, para fines de este ejemplo se utilizará la técnica de aproximaciones sucesivas,
los resultados de la misma se muestran en la tabla 6.1. Por conveniencia, se trabajará
con la velocidad de viento en metros por segundo, es decir U19.5 = 22.22 m/s.
Como se puede observar en la tabla 6.1, el resultado de u* es 1.01071 m/s. Con este
valor, ahora se está en posibilidad de evaluar el espectro de energía de oleaje, ec 6.15.
Sin embargo, como puede verse en dicha ecuación, a medida que la frecuencia es más
pequeña la energía tiende al infinito.
113
TABLA 6.1 RESULTADO DE APLICAR LA TÉCNICA DE APROXIMACIONES
SUCESIVAS
Iteración 1 2 3 4
U10 propuesto 20 21 21.5 21.546
C10 0.0021 0.002165 0.002198 0.0022
u* 0.916515139 0.977121 1.007866 1.01071
U19.5 calculado 20.61207573 21.65255 22.17308 22.22098
f
4
⎡ ⎛ fs ⎞ ⎤
4
En 1966, Krylov propuso un modelo espectral que tiene como base la frecuencia
media. Este modelo está definido por la siguiente expresión:
⎛ −4
⎛ ⎞ ⎞
−7
− ⎜ ⎜ π f ⎟
π m0 ⎛ f ⎞ ⎜⎝ 4 ⎜⎝ f 0 ⎟⎠
⎟
⎟
S( f ) = ⎜ ⎟ e
⎠
(6.22)
f0 ⎝ f0⎠
donde
1 1
f0 = = (6.23)
T02 m0 / m2
114
6.2.7 Espectro ITTC
−5
⎡ ⎛ fz ⎞ ⎤
4
S ( f ) = 1.272m0 f f z
4
exp ⎢ −0.318 ⎜ ⎟ ⎥ (6.24)
⎢⎣ ⎝ f ⎠ ⎥⎦
6.2.8 Espectro JONSWAP
Este espectro fue generado para estados de mar formados por el viento, con fetch
limitado y para una profundidad de agua indefinida. La expresión que representa este
espectro es
⎛ f ⎞
S J ( f ) = S P ( f )φ PM ⎜ ⎟ φ J ( f , f P , γ , σ ) (6.25)
⎜ f ⎟
⎝ p⎠
donde
115
Sustituyendo las ecs 6.1, 6.26 y 6.27, se tiene
−4 ⎡ − ( f − f )2 ⎤
5⎛ f ⎞ ⎢ p ⎥
− ⎜ ⎟ ⎢ 2σ 2 f 2 ⎥
⎢⎣ P ⎥⎦
S ( f ) = α g 2 f −5 (2π ) −4 e γe
4⎝ fP ⎠
(6.29)
Los valores medios de los parámetros que se utilizan para generar el espectro
JONSWAP son los siguientes:
γ, conocido como el factor de forma pico del espectro, cuyo valor normalmente es
γ = 3.3.
α, que se conoce como el factor de escala y está asociado con la energía total del
espectro. El parámetro α es función directa del fetch y de la velocidad del viento,
como se puede observar en las siguientes expresiones:
()
−0.22
α = 0.076 x (6.30)
De igual forma se ha observado que la frecuencia pico del espectro está relacionada
también con el fetch y la velocidad del viento, tal que:
⎛ g ⎞ −0.33
f P = 3.5 ⎜ ⎟ ( x) (6.31)
⎝ U10 ⎠
donde
gx
x= (6.32)
U102
x = Fetch
U10 = Velocidad del viento a 10 metros sobre la superficie.
Goda (1988) derivó una expresión aproximada del espectro JONSWAP en términos de la
altura de ola significante Hs y de la frecuencia de pico espectral fp,
−4 ⎡ − ( f − f )2 ⎤
5⎛ f ⎞ ⎢ p ⎥
− ⎜ ⎟ ⎢ 2 2 ⎥
⎢⎣ 2 σ f P ⎥⎦
−5
S ( f ) = BJ H s 2 f P 4 f e
4 ⎝ fP ⎠
γe (6.33)
donde
0.0624 (1.094 − 0.01915ln γ )
Bj = (6.34)
0.230 + 0.0336γ − 0.185 (1.9 + γ )
−1
116
Es conveniente mencionar que cuando γ = 1, la ec 6.33 se reduce al espectro de
Pierson-Moskowitz, ec 6.5.
En ocasiones es difícil tener una estimación del periodo de pico espectral, Tp, ya que es
más normal que se reporte el periodo de ola significante, Ts; por ello Goda (1988)
sugiere la siguiente relación:
Ts
Tp ≅ (6.35)
1 − 0.132 (γ + 0.2 )
− 0.559
Ts
Tp ≅ (6.38)
1 − 0.283(m − 1.5) −0.684
117
m0
sl = (6.39)
Lp
Huang et al (1981 y 1983) obtuvieron las siguientes relaciones para estimar el valor
de m:
Aguas profundas
m=
log ( 2π sl ) (6.40)
log 2
⎡ ⎛ 3 ⎞ ⎤
2
log ⎢ 2π ( sl ) coth ( k p h ) ⎜ 1 + ⎥
2 2 2
⎢ ⎜ 2senh 2 k h ⎟⎟ ⎥
⎣ ⎝ p ⎠ ⎦
m= para 1 < k p h (6.41)
log 2
Mientras que β
m −1
( 2π sl ) m
2 4
β= m −5
(6.42)
⎛ m −1 ⎞
4 4
Γ⎜ ⎟
⎝ 4 ⎠
0.0624 ⎡1 + 0.7458 ( m + 2 ) ⎤
−1.057
β= ⎣ ⎦ (6.43)
m −5
⎛ m −1 ⎞
4 4 Γ⎜ ⎟
⎝ 4 ⎠
118
cubre componentes de alta frecuencia. El espectro total es expresado como la
combinación lineal de ambos componentes, los cuales se expresan en términos de tres
parámetros cada uno, dicha combinación lineal hace posible modelar, aparentemente, casi
todos los estados de mar que se presentan durante una tormenta y hace viable la
representación de un doble pico espectral; por ejemplo oleaje distante (baja frecuencia),
swell, y oleaje local (alta frecuencia). El espectro de Ochi y Hubble es el siguiente:
λj
⎡ 4λ j + 1 4⎤
π 2 ⎢
4
( 2π f 0 j ) ⎥
H sj2 ⎡ ⎛ 4λ j + 1 ⎞ ⎛ f 0 j ⎞ 4 ⎤
S( f ) = ∑ ⎣ ⎦ exp ⎢ − ⎜ ⎟⎜ ⎟ ⎥ (6.44)
Γ (λ j ) ( 2π f ) j
4 λ +1
2 j =1 ⎢⎣ ⎝ 4 ⎠ ⎝ f ⎠ ⎥⎦
Para aguas poco profundas, Bows et al (1985) asumieron la validez del espectro tipo
Jonswap, expresado en función del número de onda k, e incluyeron el factor de
transformación, φ k (ω H), dado explícitamente por:
⎛ 2kh ⎞
φ (ωH ) = tanh 2 (kh) ⎜1 + ⎟ (6.46)
⎝ senh 2kh ⎠
donde h, es la profundidad del agua y kh puede obtenerse para cada ω H dado, mediante
119
1
⎛ h ⎞2
ω H = 2π f ⎜ ⎟ (6.47)
⎝g⎠
( 2π f )
2
= gk tanh kh (6.48)
S TMA = S J φ (ω H ) (6.49)
Goda advierte que este tipo de espectro debe utilizarse con reservas, ya que está
formulado para oleaje en crecimiento en el área de generación.
Ejemplo. En la fig 6.2 se presentan los resultados de evaluar el espectro TMA, ec 6.49,
con una altura de ola significante, Hs = 1.4142 m, y un periodo de pico espectral, Tp = 10 s,
para diferentes profundidades (h = 2, 5, 10, 25 y 100 m). En el caso de h = 100 m, el
resultado es propiamente el mismo que se obtendría con el espectro JONSWAP.
4
h=2m
h=5m
h = 10 m
3
h = 25 m
h = 100 m
S (m 2/Hz)
0
0 0.1 0.2 0.3 0.4 0.5
f (Hz)
Fig 6.2 Comportamiento del espectro tipo TMA en función de la profundidad para
( Hs = 1.4142 m y Tp = 10 s)
120
6.3 Distribución angular
121
frecuencia se desplaza hacia frecuencias menores o mayores, es decir, la distribución
direccional de energía del oleaje es de banda más estrecha alrededor de la frecuencia de
pico espectral.
⎡ s máx ( f / f p )5 : f ≤ f p
s=⎢ (6.53)
⎢⎣ s máx ( f / f p )− 2.5 : f ≥ f p
Por otro lado, Briggs et al (1995) sugieren utilizar la función envolvente normal para
representar el efecto direccional. La representación en series de Fourier se expresa como:
N
1 1 (nσ m )2
D(f,θ ) = +
2π π
∑e
n=1
-
2 cos n( θ - θ m ) (6.54)
θ m = θ 0 + θ 1 (f - f p ) (6.55)
σ m = σ 0 + σ 1 (f - f p ) (6.56)
122
Fig 6.3 Ejemplo de espectros con diferente anchura espectral y direccional y misma
energía y periodo de pico espectral
Caso Smáx γ
a 10 1
b 75 1
c 10 10
d 75 10
Uno de los métodos más utilizados para la generación sintética de oleaje es el llamado
esquema de fases aleatorias, donde la oscilación de la superficie libre está compuesta por
la superposición de ondas sinusoidales con fases de ángulo aleatorio y con amplitudes
123
basadas en un espectro dado, S(fn). La superficie libre, η(t), como una función del tiempo,
es expresada por
N/2
η (t ) = ∑ c n cos (2πf n t + φ n ) 0 ≤ t < t máx (6.57)
n −1
con
C n = [ 2 S ( f n ) ∆f ]
1/ 2
(6.58)
1
∆f = (6.59)
N ∆t
En las ecuaciones anteriores, N es el numero de puntos en la serie de tiempo, ∆ t el
intervalo de muestreo, tmax la duración de las serie de tiempo, Cn son las amplitudes
reales de Fourier, ∆ f es el ancho de la banda de frecuencias, fn = n∆ f es la frecuencia,
y φ n son las fases aleatorias de los ángulos distribuidos uniformemente entre (0 y 2π).
N/2
η (t ) = ∑ [a n cos (2π f n t + φ n ) + bn sen (2π f n t + φ n )] 0 ≤ t < t máx (6.60)
n −1
( )
an = Cn cos φ
n
(6.61)
b = C sen (φ ) (6.62)
n n
n
Para calcular las fases aleatorias, φn, se puede utilizar cualquier técnica de generación de
números aleatorios uniformemente distribuidos entre (0 y 2π); por ejemplo, la de
Williams (1993).
124
7. MODELOS PARAMÉTRICOS DE PREDICCIÓN DE OLEAJE
En las dos últimas décadas se han desarrollado herramientas numéricas que permiten
aproximar de mejor manera la transferencia de energía no lineal entre componentes,
los cuales a su vez permiten que el espectro de oleaje sea forzado a una forma
particular, de acuerdo con las condiciones meteorológicas. Estas aproximaciones se han
dado a conocer como modelos de tercera generación, los cuales comparados con los
modelos de tipo paramétrico son más exigentes desde el punto de vista computacional.
7.1 Introducción
En los últimos años son muchos los esfuerzos realizados para desarrollar un modelo
universal aplicable para la estimación del oleaje en función de la información
125
meteorológica. Sin embargo, casi todos los esfuerzos han llevado a la sofisticación de
modelos, que en términos de ingeniería no son abordables. Entre los pocos esfuerzos
que escapan de esta filosofía se encuentran los trabajos desarrollados por Leenknecht
et al (1992) y Silva et al (2002).
Con el fin de utilizar las ecuaciones que describen el desarrollo del oleaje, la
metodología para adecuar las observaciones de velocidad del viento está basada en un
modelo idealizado de capa límite planetaria, como se ilustra en la fig 7.1. Para
condiciones típicas de latitud media, esta capa límite planetaria existe solamente en
los kilómetros más bajos de la atmósfera y contiene alrededor del diez por ciento de
la masa atmosférica (Holton, 1979).
126
Región geostrófica
Región de Ekman
Región de tensión
z constante
Fig 7.1 Capa límite atmosférica idealizada sobre la superficie libre del agua
(Leenknecht, 1992)
En esta teoría, se considera que en los niveles más bajos el viento actúa directamente
sobre la superficie del agua, en la cual existe una región que presenta una zona de
tensión relativamente constante entre la interfase aire-agua. Esta capa de la superficie es
designada región de tensión constante, consideración que se supondrá como permanente
de aquí en adelante. En la parte superior de la zona de tensión constante se localiza la
región de Ekman, donde actúan fuerzas adicionales como la de Coriolis, gradiente de
presiones, tensión viscosa, etcétera. Finalmente, sobre la región de Ekman, los
vientos geostróficos son considerados como el resultado del balance entre las fuerzas
ejercidas por el gradiente de presiones y las fuerzas de Coriolis para un sistema
sinóptico de escala.
Para hacer uso de las ecuaciones que describen el desarrollo del oleaje, los vientos
observados son clasificados en seis categorías, como se muestra en la tabla 7.1.
Aunque se consideren seis categorías para los diferentes tipos de observaciones de la
velocidad del viento, por conveniencia, en la metodología que se desarrollará en lo
subsiguiente, se considerarán sólo dos casos separados: observaciones en la capa de
tensión constante y observaciones en la región geostrófica. Los ajustes necesarios a la
velocidad del viento reportados por observaciones de barcos se llevan a cabo antes de
proceder a cualquier tipo de cálculo. Para los casos en que el viento sopla desde tierra
y que son medidos en la línea costera en dirección hacia el mar, se toman como
equivalentes los vientos observados en estaciones tierra adentro. Las características
complejas del viento causadas por fricción local o topografía accidentada obviamente
no se analizan en este capítulo.
127
TABLA 7.1 CARACTERÍSTICA Y TIPO DE ACCIÓN PARA VIENTOS
OBSERVADOS (LEENKNECHT, 1992)
Por lo general, las observaciones de la velocidad del viento sobre el mar son la
condición ideal de todas las diferentes fuentes para predecir el oleaje. Con frecuencia,
los marinos, en sus rutas de navegación registran una serie de datos de forma muy
cualitativa, por lo que Cardone (1969), revisando los registros basados en observaciones
de barcos, sugirió el siguiente ajuste:
U = 1.86 × U obs
7/9
(m/s) (7.1)
donde
Para los casos en que las observaciones de velocidades de vientos sean predomi-
nantemente sobre superficies en tierra, algunas veces se utilizan modelos similares al
de capa límite para otros propósitos de predicción. En este capítulo, las siguientes
estimaciones son realizadas para estimar los vientos geostróficos, Vg, (unidades en el
sistema centímetros-gramos-segundos):
U*
Vg = (7.2)
CD _ tierra
128
donde la velocidad friccionante, U*, se evalúa como:
κ ⋅U obs
U* = (7.3)
⎛z ⎞
ln ⎜ obs ⎟
⎝ z0 ⎠
C D _ tierra ≈ 0.00255 ( z 0 )
0.1639
(7.4)
La velocidad del viento se ajusta para que la tensión de fricción horizontal sea
casi independiente de la altura
U* ⎡ ⎛ z ⎞ ⎛ z ⎞⎤
Uz= ⎢ln ⎜ ⎟ − Ψ ⎜ ⎟ ⎥ (7.5)
κ ⎣ ⎝ z0 ⎠ ⎝ L ' ⎠⎦
129
con
0.019
C1 = 0.1525; C2 = ; C3 = −0.00371 (7.7)
980
donde L’ es la longitud de estabilidad de Obukov, ∆T el gradiente de temperatura
aire–agua y Ψ es la función universal de similaridad (Keyps, 1964),
U *2 ⎡ ⎛ z ⎞ ⎛ z ⎞⎤
L ' = 1.79 ⎢ln ⎜ ⎟ − Ψ ⎜ ⎟ ⎥ (7.8)
∆T ⎣ ⎝ z0 ⎠ ⎝ L ' ⎠⎦
Ψ=0 | ∆T = 0
z z
Ψ =C | >0 (7.9)
L' L'
⎛ 1 + φu ⎞ π ⎛ 1 + φu2 ⎞ z
Ψ = 1 − φu − 3ln φu + 2 ln ⎜ ⎟ + 2 tan −1
φu − + ln ⎜ ⎟ | ≤0
⎝ 2 ⎠ 2 ⎝ 2 ⎠ L'
1
φu = (7.10)
1 − 18Ri1/ 4
z
(1 − 18Ri )
1/ 4
Ri = (7.11)
L'
Sherlock (1996) sugiere un valor para la constante C = - 1.5, cuando se resuelva sobre
la condición de región de tensión constante. Para dar solución a las ecuaciones
anteriores se debe de utilizar un método iterativo, que normalmente converge muy
rápidamente. El criterio de convergencia (ε) para U* y L’ está dado por
εU → 0.1(cm/s)
*
y ε L ' → 1(cm) (7.12)
Las ecuaciones que describen la evolución del oleaje, las cuales se presentan en los
siguientes apartados, requieren la velocidad del viento equivalente a una elevación de
10 m sobre condiciones de estabilidad neutra (∆T = 0). Una vez resueltas las
ecuaciones en la región de tensión constante para U*, la velocidad del viento
equivalente, Ue, se puede calcular fácilmente por medio de la ec 7.5, usando (U*,
z = 10 m, ∆T = 0):
U * ⎡ ⎛ 1000 ⎞ ⎤
U e1000 = ⎢ln ⎜ ⎟ − 0⎥ (7.13)
κ ⎣ ⎝ z0 ⎠ ⎦
130
7.2.1.3 Modelo de capa límite planetaria
Para los casos en que los vientos geostróficos son conocidos o han sido estimados, se
deben resolver las ecuaciones de similitud que describen la capa límite planetaria.
Además de las relaciones descritas anteriormente para la región de tensión constante,
se consideran válidas las siguientes relaciones que describen el modelo desde el nivel
superficial del mar hasta la zona geostrófica:
uur uur
Vg U (κ ) V
2
g
ln = A − ln uur* + 2
− B2 (7.14)
fz0 Vg U *
BU *
sen θ = uur (7.15)
κ Vg
uur
donde Vg es el viento geostrófico, f la aceleración de Coriolis, A y B funciones
adimensionales de estabilidad, que se pueden evaluar a través de:
A = A0 + ( 7 − A0 ) ⎡⎣1 − e(
0.015 µ )
⎤
⎦
µ ≤0 (7.16)
B = B0 − B1 ⎡⎣1 − e( ) ⎤⎦
0.03 µ
A = A0 − 0.96 µ + ln( µ + 1)
µ >0 (7.17)
B = B0 + 0.7 µ
Las ecs de la 7.14 a la 7.18 se resuelven simultáneamente con las ecs 7.5 a 7.11, hasta
que se tiene una convergencia adecuada para U*, L’ y A. En la ec 7.7 se da un valor
de C2 = 0.0144/980 y de C = -7.0 en la ec 7.9. El criterio de convergencia usado para el
sistema iterativo en las ecuaciones antes mencionadas es como se indica a continuación:
ε U → 0.1(cm/s)
*
y ε L ' → 1(cm) y ε A → 0.1 (7.19)
131
El procedimiento de solución converge muy rápidamente. Como se mencionó
anteriormente, se utiliza la ec 7.13 para determinar la velocidad neutra del viento a
una elevación de diez metros, considerando (U*, z = 10 m, ∆T = 0).
Se hace un ajuste adicional para los casos en que la longitud del fetch sea
relativamente pequeña, antes de la aplicación de las ecuaciones que evalúan el
desarrollo del oleaje. Para longitudes de fetch inferiores de 16 km, se aplica la
siguiente reducción:
U e = 0.9U e (7.20)
Finalmente, es necesario evaluar los efectos del viento con duración variable, ti, sobre
el crecimiento del oleaje. Para ajustar la velocidad del viento a una duración de
interés se emplean las siguientes ecuaciones:
Ui ⎛ ⎛ 45 ⎞ ⎞
= 1.277 + 0.296 tanh ⎜⎜ 0.9 ln ⎜ ⎟ ⎟⎟ | 1 < ti < 3600s (7.21)
U 3600 ⎝ ⎝ ti ⎠ ⎠
Ui
= −0.15ln ti + 1.5334 | 3600 < ti < 36000s (7.22)
U 3600
En primer lugar, se determina la velocidad de viento en una hora, U3600, (usando ti = tobs).
Luego, se estima la velocidad del viento (Ui) con la duración requerida, seleccionando
la duración deseada (ti) y usando la ecuación apropiada.
Una vez estimada la velocidad del viento sobre la superficie de agua para la duración
de interés, el objetivo se centra en hacer una estimación del desarrollo del oleaje
causado por la acción del viento. Las ecuaciones simplificadas que describen el
crecimiento del oleaje ayudan a evaluar rápida y eficientemente el oleaje, tanto en
aguas profundas como en aguas someras. Las expresiones para mar abierto
corresponden a las presentadas en el Shore Protection Manual (1984) y en Vincent
(1984). Las expresiones para longitudes de fetch restringido en aguas profundas, se
132
encuentran en Smith (1991). Se debe hacer notar que la ley de arrastre (Garratt, 1977)
aquí empleada difiere de la presentada en el Shore Protection Manual. Las suposiciones
más importantes al realizar cualquier cálculo de las características del oleaje, contemplan
lo siguiente:
Las velocidades de viento son relativamente constantes (∆U ≤ 5 Kts), así como
su dirección (∆α ≤ 15o)
La velocidad del viento se mide a diez metros sobre el nivel del mar (z = 10 m)
Vincent (1984) sugirió que la velocidad del viento debe ser ajustada de forma que se
consideren los efectos no lineales que ejerce el esfuerzo cortante del viento, que son
los que generan el oleaje, por lo que se aplica la ley de arrastre presentada por Garratt
(1977):
τ = ρ a CDU 2 (7.23)
CD
Ua = Ue (7.25)
0.001
133
7.2.2.1 Consideraciones sobre la longitud del fetch
Las expresiones que describen el crecimiento del oleaje se dividen en cuatro categorías:
aguas profundas y aguas someras, para ambas formas con longitud de fetch en mar
abierto o longitudes de fetch limitadas por una geometría en particular (también
designado fetch restringido). A continuación se presenta una breve explicación al respecto.
En mar abierto, la generación del oleaje está limitada por las dimensiones del evento
meteorológico y el ancho del fetch es del mismo orden de magnitud que sus longitudes.
Las estimaciones simplificadas para el crecimiento del oleaje en mar abierto tienen una
relación directa con la longitud del fetch, pero no con el ancho o forma. Se supone que
el crecimiento del oleaje ocurre a lo largo del fetch en la misma dirección del viento.
En la fig 7.3 se representa la convención para especificar tanto la dirección del viento
cuanto la geometría del fetch. La dirección del viento α, así como el ángulo radial del
fetch, β1, y ∆β, se deben especificar en el sentido de las manecillas del reloj, a partir
del norte del punto de interés, donde la predicción del oleaje es requerida. De los
datos especificados de las distancias radiales del fetch, los valores intermedios
pueden ser interpolados en los 360o.
134
Norte
Punto de interés
Fetches radiales
Viento
Norte
β1
θ
Punto de interés α
∆β Fetch1
∆β
φ
∆β Fetch2
Viento
Fetchi
Oleaje Fetchn
135
La dirección de desarrollo del oleaje θ, se resuelve por medio de la maximización de
la siguiente expresión:
Las ecuaciones que describen el crecimiento del oleaje en aguas profundas consideran
los efectos del fetch y la duración del evento. Las fórmulas para el crecimiento del
oleaje en aguas profundas con un fetch y duración limitados son tomadas de Vincent
(1984) y están basadas en los resultados proporcionados por Hasselmann et al (1973
y 1976). Las ecuaciones para un fetch limitado y con forma totalmente desarrollada
en aguas profundas están basadas en Smith (1991). En todos los casos, la estimación
del crecimiento del oleaje está condicionada por las expresiones para un espectro en
equilibrio totalmente desarrollado. El procedimiento se describe a continuación:
Mar abierto
F 2/3
t fetch = 68.8 (7.27)
g 1/ 3U a1/ 3
Fetch restringido
F 0.72
t fetch = 5. (7.28)
g 0.28Uˆ 0.44
a
136
Determinación del tipo de crecimiento (duración limitada o fetch limitado):
Mar abierto
5/ 7
⎛ U 2 ⎞ ⎛ gt ⎞
H = 0.0000851⎜ a ⎟ ⎜ i ⎟ (7.29)
⎝ g ⎠ ⎝ Ua ⎠
0.411
⎛ U ⎞ ⎛ gt ⎞
T = 0.0702 ⎜ a ⎟ ⎜ i ⎟ (7.30)
⎝ g ⎠⎝ U a ⎠
Fetch restringido
0.69
⎛ Uˆ 2 ⎞ ⎛ gt ⎞
H = 0.000103 ⎜ a ⎟ ⎜ i ⎟ (7.31)
ˆ
⎝ g ⎠ ⎝ Ua ⎠
0.39
⎛ Uˆ ⎞⎛ gt ⎞
T = 0.082 ⎜ a ⎟⎜ i ⎟ (7.32)
ˆ
⎝ g ⎠⎝ U a ⎠
Mar abierto
1/ 2
⎛ U a2 ⎞ ⎛ gF ⎞
H = 0.0016 ⎜ ⎟⎜ 2 ⎟ (7.33)
⎝ g ⎠ ⎝ Ua ⎠
1/ 3
⎛ U ⎞ ⎛ gF ⎞
T = 0.2857 ⎜ a ⎟ ⎜ 2 ⎟ (7.34)
⎝ g ⎠ ⎝ Ua ⎠
Fetch restringido
1/ 2
⎛ Uˆ 2 ⎞ ⎛ gF ⎞
H = 0.0015 ⎜ a ⎟ ⎜ 2 ⎟ (7.35)
ˆ
⎝ g ⎠ ⎝ Ua ⎠
0.28
⎛ Uˆ ⎞ ⎛ gF ⎞
T = 0.3704 ⎜ a ⎟ ⎜ 2 ⎟ (7.36)
ˆ
⎝ g ⎠ ⎝ Ua ⎠
137
4. Determinación de la condición de oleaje totalmente desarrollado:
Mar abierto
⎛U 2 ⎞
H fd = 0.2433 ⎜ e ⎟ (7.37)
⎝ g ⎠
⎛U ⎞
T fd = 8.134 ⎜ e ⎟ (7.38)
⎝ g ⎠
Fetch restringido
⎛ Uˆ e2 ⎞
H fd = 0.2433 ⎜ ⎟ (7.39)
⎝ g ⎠
⎛ Uˆ ⎞
T fd = 8.134 ⎜ e ⎟ (7.40)
⎝ g ⎠
H m0 = mín (H , H fd ) (7.41)
T p = mín (T , T fd ) (7.42)
donde
g aceleración de la gravedad
ti duración del viento en las expresiones de duración limitada
Ûa = Ua cos (φ) componente del fetch paralelo a Ua para la aproximación de fetch
restringido
Ûe = Ue cos (φ) componente del fetch paralelo a Ue para la aproximación de fetch
restringido
H altura de ola determinada por medio de las expresiones de duración
limitada o fetch limitado
T periodo de ola determinado por medio de las expresiones de
duración limitada o fetch limitado
Hfd altura de ola significante limitada por el criterio de espectro
totalmente desarrollado
138
Tfd periodo de ola limitado por el criterio de espectro totalmente
desarrollado
Hm0 altura de ola final determinada con base en métodos espectrales
Tp periodo de pico final determinado por métodos espectrales.
Las expresiones para estimar el crecimiento del oleaje en aguas someras también
consideran el caso de fetch limitado, pero modificado para poder incluir los efectos de
fricción del fondo y percolación (Bretschneider, 1954). Se supone que la profundidad
es constante sobre la región en que el fetch ejerce su influencia. Los efectos de
duración limitada no se incluyen en estas expresiones. Para el caso de mar abierto se
usan las expresiones descritas en el Shore Protection Manual (1984).
Mar abierto:
⎧ 0.5 ⎫
⎪ 0.0016 ⎛ gF ⎞ ⎪
⎡ ⎜ ⎟
⎛ gd ⎞ ⎤
0.75
U a2 ⎪⎪ 0.283 ⎝ U a2 ⎠ ⎪⎪
H m0 = 0.283 tanh ⎢0.530 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.75 ⎬
(7.43)
g ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎪ ⎡ ⎛ gd ⎞ ⎤ ⎪
⎪ tanh ⎢0.530 ⎜ U 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ a ⎠ ⎥⎦ ⎭⎪
⎧ 0.333 ⎫
⎪ 0.2857 ⎛ gF ⎞ ⎪
⎡ 0.375
⎤ ⎪ ⎜ ˆ2 ⎟ ⎪⎪
U 2
⎛ gd ⎞ ⎪ 7.54 ⎝ U a ⎠
Tp = a 7.54 tanh ⎢ 0.833 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.375 ⎬
(7.44)
⎢⎣ ˆ ⎡ ⎛ gd ⎞ ⎤ ⎪
g ⎝ U a ⎠ ⎥⎦ ⎪
⎪ tanh ⎢ 0.833 ⎜ ˆ 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎭⎪
⎧ 0.5 ⎫
⎪ 0.0016 ⎛ gF ⎞ ⎪
⎡ 0.75
⎤ ⎪ ⎜ ˆ2 ⎟ ⎪⎪
U 2
⎛ gd ⎞ ⎪ 0.283 ⎝ U a ⎠
H m0 = a 0.283 tanh ⎢ 0.530 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.75 ⎬
(7.45)
⎢⎣ ˆ ⎡ ⎤
g ⎝ U a ⎠ ⎦⎥ ⎪ ⎛ gd ⎞ ⎪
⎪ tanh ⎢0.530 ⎜ ˆ 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎭⎪
139
⎧ 0.28 ⎫
⎪ 0.3704 ⎛ gF ⎞ ⎪
⎡ 0.375
⎤ ⎪ ⎜ ˆ2 ⎟ ⎪⎪
U 2
⎛ gd ⎞ ⎪ 7.54 ⎝ Ua ⎠
Tp = a 7.54 tanh ⎢ 0.833 ⎜ 2 ⎟ ⎥ tanh ⎨ 0.375 ⎬
(7.46)
⎢⎣ ˆ ⎡ ⎛ gd ⎞ ⎤ ⎪
g ⎝ U a ⎠ ⎥⎦ ⎪
⎪ tanh ⎢ 0.833 ⎜ ˆ 2 ⎟ ⎥ ⎪
⎪⎩ ⎢⎣ ⎝ U a ⎠ ⎥⎦ ⎭⎪
Pr = P0 + ( PN − P0 ) e − R / r (7.47)
El máximo gradiente de vientos UR (en km h-1), para un ciclón estacionario puede ser
evaluado a través de la siguiente relación:
La velocidad del viento evaluada a diez metros sobre el nivel del mar, en km.h-1, para
un ciclón en movimiento y para una distancia r medida desde el centro del ciclón,
está dada por:
140
W = 0.886 ( FvU R + 0.5VF cos (θ + β ) ) (7.49)
y = aX + bX 2 + cX 3 + dX 4 (7.50)
Para evaluar la altura de ola significante Hs, para un ciclón no estacionario, se aplica
la siguiente ecuación:
⎛ V cos (θ + β ) ⎞
2
⎛ 6.69 N C ⎞
H s = 0.2887 FH ⎜1 − 2 ⎟
R ( PN − P0 ) ⎜1 + F ⎟ (7.51)
⎝ 1 + 10.3 N C - 3.25 N C ⎠ ⎝ 2U R FV ⎠
141
donde FH puede ser aproximado de manera similar a Fv, a través de la siguiente
relación:
y1 = aX + bX 2 + cX 3 (7.52)
El periodo de ola asociado a la altura de ola significante puede ser estimado a través
de la siguiente ecuación:
Ts = 12.1 H s g (7.53)
142
donde P0 es la presión central del huracán en milibares (mb) y Vv es la velocidad
máxima del viento promedio en un minuto, en km.h-1. Ésta es la velocidad que
normalmente se reporta en los boletines meteorológicos.
Es importante hacer notar que las relaciones anteriores sólo son válidas para presiones
centrales superiores a 888 milibares.
143
8. ANÁLISIS A LARGO PLAZO
Es importante señalar que estado límite se define como aquel estado de la estructura
en el cual se presenta un modo de fallo. Dentro de los estados límite se distinguen dos
tipos: los relacionados con la seguridad estructural (estados límite últimos y de
servicio) y los relacionados con la explotación de la obra (estados límite operativos).
Los estados límite últimos son aquellos que ocasionan la destrucción total de la obra
o de una parte de ella y se pueden clasificar en: pérdida del equilibrio estático,
agotamiento resistente o rotura, deformación, inestabilidad, fatiga y colapso
progresivo. Los estados límite de servicio son aquellos que ocasionan la pérdida de
funcionalidad de la obra o de una parte de ella, se clasifican en: pérdida de
durabilidad, alteraciones geométricas acumuladas, vibraciones excesivas, fisuración
145
excesiva, deformaciones excesivas y estados límites estéticos, ambientales y legales.
Los estados límite operativos son todos aquellos que ocasionan que se suspendan
temporalmente las actividades para las que sirve la obra, sin que exista daño
estructural.
El éxito en el diseño de una obra, cualquiera que ésta sea, radica en la adecuada
modelación de los agentes externos a los que estará sometida. El objetivo es erradicar
en lo posible las incertidumbres inherentes a la modelación de los fenómenos
naturales; cuanto mayor grado de certidumbre se tenga en los datos que servirán para
el diseño, menor será el riesgo de obtener obras sobrestimadas, que absorben más
recursos de los necesarios, u obras subestimadas, que pueden fallar en cualquier
momento.
Normalmente, los estados límites últimos son estudiados a través del concepto de
análisis de régimen extremal, mientras que los operativos se estudian mediante el
análisis del comportamiento del régimen medio. Ambos conceptos son abordados en
el presente capítulo.
146
Ambos componentes son variables aleatorias, cuyas funciones de distribución pueden
ser establecidas únicamente por un análisis sistemático de la historia disponible y de
las condiciones a las cuales han estado sometidos elementos similares. Afortunadamente
no existe dependencia estadística de dichas variables aleatorias y sus funciones de
distribución pueden ser examinadas por separado. La naturaleza aleatoria de los
parámetros fundamentales de diseño se toma en cuenta a través del llamado factor o
coeficiente de seguridad, el cual resume, de una forma simple, el carácter aleatorio de
dichos parámetros. Consecuentemente las capacidades disminuyen y las condiciones
de operación aumentan; esto significa que bajo las técnicas clásicas de diseño la
ec 8.1 es remplazada por
Cap
Cop FSo ≤ (8.2)
FSc
Dado que la seguridad proporcionada con los factores de seguridad es tan simple que
normalmente no es insuficiente, particularmente para aquellos problemas cuya
solución es sólo posible mediante el empleo de teorías probabilísticas y métodos
estadísticos. Para lograr un diseño adecuado, a lo largo de la vida útil del elemento se
debe satisfacer que la condición descrita por la ec 8.1 se cumpla, ya que es posible
que ciertas condiciones de operación y capacidad ocurran en un determinado tiempo.
Por ello, la condición que hay que estudiar será:
Máx (C op − C ap ) ≤ 0 (8.3)
o
Máx (C op ) < Mín (C ap ) (8.4)
147
de que estos valores son los únicos que afectan directamente la falla de cualquier
sistema dado.
8.2 Excedencias
En muchas situaciones, se está interesado en los eventos asociados con las excedencias
de ciertos valores de la variable en estudio. Por ejemplo, si una ola destruye un
rompeolas, no importa si mide 10 o 20 m, ya que los daños causados no están en
función de su magnitud sino del hecho de que excede el estado límite de falla.
Generalmente se conoce cuáles son los valores críticos de una altura de ola y su único
interés es conocer la frecuencia con la que ocurren las excedencias de dichos límites.
Al concepto de excedencia va siempre asociado al de umbral, ya que la primera nunca
se presentará si el valor de la variable en estudio no rebasa el umbral definido, es
decir un límite de falla.
y varianza
Nm(n − m + 1)( N + n + 1)
σ 2 (n, m, N ) = (8.6)
(n + 1) 2 (n + 2)
Ejemplo. La velocidad máxima del viento registrado en alguna localidad durante los
últimos 50 años ha sido 42 m/s. Determinar el valor medio y la varianza del número
de excedencias de 42 m/s del máximo anual durante los próximos 25 años.
148
Solución: De las ecs 8.5 y 8.6, se obtiene
r (n = 50, m = 1, N = 25) =
( 25)(1) = 0.4902
50 + 1
σ 2 (n = 50, m = 1, N = 25) =
( 25)(1)( 50 − 1 + 1)( 25 + 50 + 1) = 0.7024
( 50 + 1) ( 50 + 2 )
2
Ejemplo. Las alturas de ola máximas registradas en una cierta localidad en los últimos
50 años están dadas en la tabla 8.1. Elegir la altura de diseño para que se tenga una
media de dos excedencias en los próximos 25 años.
25m
r (50, m, 25) = ≈2⇒m=4
51
lo que muestra que debe elegirse el valor que ocupa el cuarto lugar, empezando por el
extremo derecho, es decir, 10.38 m.
149
tiempo (normalmente un año) es p y que las ocasiones de que dicho suceso ocurra en
periodos diferentes no superpuestos son independientes. Entonces, al paso del tiempo
se tiene una sucesión de experimentos Bernoulli idénticos (solo dos resultados: ocurre
o no ocurre el suceso). Por ello, el tiempo que transcurre hasta la primera vez que
ocurre es una variable geométrica Ge( p), con media 1/p. Esto motiva la siguiente
definición (Castillo, 1987): Sea A un suceso y T el tiempo aleatorio que transcurre
entre ocurrencias sucesivas de ese evento. Al valor medio, τ, de la variable T se
llama periodo de retorno A, es decir que es el tiempo medio que tarda en retornar ese
suceso. Nótese que una obra falla si y sólo si ocurre el suceso A, entonces su vida
media coincide con el periodo de retorno A.
Si F(x) es una función de distribución del máximo anual de una variable aleatoria X,
el periodo de retorno del suceso (X > x) es 1/(1-F(x)) años. Similarmente, si F(x) es la
función de distribución del mínimo anual de una variable aleatoria, X, el periodo de
retorno del suceso (X < <} es 1/F(x) años. Además, la probabilidad de que el suceso
ocurra antes del periodo de retorno es
F (τ ) = 1 − (1 − p )τ = 1 − (1 − p )1/ p (8.7)
⎡ ⎛ x − 75 ⎞ ⎤
F ( x) = exp ⎢ − exp ⎜ − ⎟
⎣ ⎝ 20 ⎠ ⎥⎦
Solución: Los periodos de retorno de vientos máximos anuales de valores 50, 100 y
150 km/h, son en años
1 1 1
τ 50 = = 1.03; τ 100 = = 4.01 y τ 150 = = 43.02
1 − F (50) 1 − F (100) 1 − F (150)
150
Esto significa que los vientos máximos anuales de 50, 100 y 150 km/h ocurren en
media cada 1.03, 4.01 y 43.02 años, respectivamente.
Ejemplo 2. Si un dique se diseña para resistir una media de 50 años y si se sabe por la
experiencia pasada que la altura de ola máxima anual (en metros) sigue una
distribución del tipo:
⎡ ⎛ H − 7.5 ⎞ ⎤
F ( H ) = exp ⎢ − exp ⎜ − ⎟
⎣ ⎝ 3.5 ⎠ ⎥⎦
1 49
= 50 ; F (H ) = = 0.98
1 − F (H ) 50
⎛ ⎛ 1 ⎞⎞
H = 7.5 − 3.5ln ⎜ ln ⎜ ⎟ ⎟ = 21.16m
⎝ ⎝ 0.98 ⎠ ⎠
1
τ ( x) = (8.8)
1 − F ( x)
En este caso, el valor esperado del número de sucesos A(x) en n periodos es (media de
la variable bimodal)
Un interés especial tiene el nivel x que conduce a una media de valor unitario. Este
valor es el llamado valor característico de ese periodo, que se define de la siguiente
forma: Se dice que un valor un es el valor característico para máximos de un periodo
de duración n si el valor medio del número de excedencias de ese valor en dicho
periodo es unitario. Nótese que este valor verifica la ecuación
1
n[1 − F (un )] = 1 ⇒ F (un ) = 1 − (8.10)
n
151
De forma similar se define el valor característico para mínimos, vn:
1
n[1 − F (vn )] = 1 ⇒ F (vn ) = (8.11)
n
⎡ ⎛ H − 7.5 ⎞ ⎤
F ( H ) = exp ⎢ − exp ⎜ − ⎟
⎣ ⎝ 3.5 ⎠ ⎥⎦
Solución: Por tanto, según la ec 8.10, el valor característico para máximos de la altura
de ola máxima anual en una década es la solución de la ecuación
1
F (u10 ) = 1 − = 0.9
10
⎛ ⎛ 1 ⎞⎞
H = 7.5 − 3.5ln ⎜ ln ⎜ ⎟ ⎟ = 15.38m
⎝ ⎝ 0.9 ⎠ ⎠
152
El estadístico de orden proporciona, como su nombre lo indica, un orden a la muestra,
el cual para casos de valores extremos debe ser ascendente; donde el último valor es
el máximo y el primero el mínimo. Estos valores quedan expresados respectivamente
como: el máximo Xn:n = Máx(X1, X2,…,Xn) y el mínimo X1:n = Mín(X1, X2,…,Xn) que
son los que pertenecen a los extremos y juegan un papel preponderante en las
aplicaciones.
Como se mencionó, el diseño de estructuras marítimas está gobernado por los valores
extremos. En el pasado se han utilizado muchos métodos para determinar las
condiciones de diseño; sin embargo, no existe un método universal que sea aceptado
por todos. Algunos de estos métodos son los siguientes:
El método basado en los máximos de las series anuales, que utiliza los valores
máximos de cada año
El método basado en los picos, que utiliza los picos de los temporales
El método basado en las series completas, que emplea todos los valores
registrados durante el periodo de observación
El método basado en las excedencias, que emplea todos los valores que excedan
un cierto umbral.
Desde un punto de vista práctico, los puntos límite de una función de distribución
acumulativa son los valores mínimos y máximos que están asociados a la variable
aleatoria en estudio. Si la variable aleatoria no está delimitada en alguno o ambos de
sus extremos éstos se transforman en −∞ y +∞, respectivamente.
La función de distribución del máximo, Zn, y del mínimo, Wn, de una muestra de
tamaño n procedente de una población con función de distribución F(x) son:
H n ( x) = P [ Z n ≤ x ] = F n ( x) (8.13)
y
Ln ( x) = P [Wn ≤ x ] = 1 − [1 − F ( x) ]
n
(8.14)
153
La estructura de estas dos funciones muestra que los percentiles de máximos y
mínimos se mueven hacia la derecha y hacia la izquierda, respectivamente, si se
incrementa n. Aproximando los límites superior e inferior a infinito, se tiene:
⎧1 si F ( x) = 1
lim H n ( x) = lim F n ( x) = ⎨ (8.15)
n →∞ n →∞
⎩0 si F ( x) < 1
⎧0 si F ( x) = 0
lim Ln ( x) = lim1 − [1 − Fn ( x) ] = ⎨
n
(8.16)
n →∞ n →∞
⎩ 1 si F ( x) ≤ 1
Se dice que una distribución F(x), pertenece al dominio de atracción para máximos de
una distribución dada H(x), cuando satisface la ec 8.17 para algunas sucesiones an y
bn > 0. De la misma forma, cuando F(x) satisface la ec 8.18 se dice que pertenece al
dominio de atracción para mínimos de L(x). El problema de las distribuciones
asintóticas de extremos puede plantearse como sigue:
Encontrar condiciones bajo las cuales se verifican las ecs 8.17 y 8.18.
Los únicos tres tipos de distribuciones para máximos y mínimos no degeneradas, H(x)
y L(x), que satisfacen a las ecs 8.17 y 8.18, respectivamente, son Frechet, Weibull y
Gumbel.
154
Frechet
⎡ ⎛ δ ⎞β ⎤
H ( x; λ , δ , β ) = exp ⎢ − ⎜ ⎟ ⎥ ; x≥λ (8.19)
⎢⎣ ⎝ x − λ ⎠ ⎥⎦
⎡ ⎛ δ ⎞β ⎤
L( x; λ , δ , β ) = 1 − exp ⎢ − ⎜ ⎟ ⎥ ; x≤λ (8.20)
⎢⎣ ⎝ λ − x ⎠ ⎥⎦
Weibull
⎡ ⎛ λ − x ⎞β ⎤
H ( x; λ , δ , β ) = exp ⎢ − ⎜ ⎟ ⎥ ; x≤λ (8.21)
⎣⎢ ⎝ δ ⎠ ⎦⎥
⎡ ⎛ x − λ ⎞β ⎤
L( x; λ , δ , β ) = 1 − exp ⎢ − ⎜ ⎟ ⎥ ; x≥λ (8.22)
⎢⎣ ⎝ δ ⎠ ⎥⎦
Gumbel
⎡ ⎛ λ − x ⎞⎤
H ( x; λ , δ ) = exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ ; δ > 0 (8.23)
⎣ ⎝ δ ⎠⎦
⎡ ⎛ λ − x ⎞⎤
L( x; λ , δ ) = 1 − exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ ; δ > 0 (8.24)
⎣ ⎝ δ ⎠⎦
Las tres distribuciones límites (ecs 8.19, 8.21 y 8.23, y 5.28 a 5.30) pueden incluirse
simultáneamente en la siguiente expresión analítica:
⎧⎪ ⎡ ⎛ x − λ ⎞ ⎤ ⎫⎪
−1/ c
⎛ x−λ ⎞
H c ( x; λ , δ ) = exp ⎨− ⎢1 + c ⎜ ⎟⎥ ⎬ ; 1+ c ⎜ ⎟≥0 (8.25)
⎩⎪ ⎣ ⎝ δ ⎠ ⎦ ⎭⎪ ⎝ δ ⎠
⎡ ⎛ −( x − λ ) ⎞ ⎤
H 0 ( x; λ , δ ) = exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ (8.26)
⎣ ⎝ δ ⎠⎦
155
Similarmente, las tres distribuciones límites (ecs 8.20, 8.22 y 8.24) pueden ser
incluidas en la forma de Von-Mises:
⎧⎪ ⎡ ⎛ λ − x ⎞ ⎤ ⎫⎪
−1/ c
⎛ x−λ ⎞
Lc ( x; λ , δ ) = 1 − exp ⎨− ⎢1 + c ⎜ ⎟⎥ ⎬ ; 1+ c ⎜ ⎟ ≥ 0 (8.27)
⎪⎩ ⎣ ⎝ δ ⎠ ⎦ ⎪⎭ ⎝ δ ⎠
donde para c > 0, c < 0 y c = 0 se obtienen las familias de Frechet, Weibull y Gumbel,
respectivamente. Para c = 0 se tiene:
⎡ ⎛ ( x − λ ) ⎞⎤
L0 ( x; λ , δ ) = 1 − exp ⎢ − exp ⎜ ⎟⎥ ; −∞ < x < ∞ (8.28)
⎣ ⎝ δ ⎠⎦
Castillo (1987) presenta de manera resumida los dominios de atracción para máximos
y mínimos de las distribuciones más comunes, en la tabla 8.2.
156
probabilidad P, de tal manera que al representar gráficamente X contra cualquier
función de distribución acumulativa F(x), perteneciente a esa familia, tenga la
apariencia de una línea recta. Esto implica que el dibujo de cualquier función de
distribución acumulativa en este papel permite decidir si pertenece o no a esa familia,
y si la respuesta es afirmativa, estimar sus parámetros.
ξ = g ( x) ⎫
⎬ (8.29)
η = h( y ) ⎭
F ( x;θ ) (8.30)
la cual, al ser transformada por la ec 8.29, se convierte en una familia de líneas rectas.
En particular, si F ( x;θ ) , se puede escribir como
y = F ( x;θ ) = h −1 ( ag ( x) + b ) ↔ h( y ) = ag ( x) + b (8.31)
η = aξ + b (8.32)
157
Si se representa en papel de Gumbel para máximos la familia de Von-Mises (ec 8.25),
se obtiene
⎛ c(ξ − λ ) ⎞
⎧ ⎡ ⎡ − ⎤⎤⎫
1 ln ⎜ 1 + ⎟
⎪ ⎛ c(ξ − λ ) ⎞ c ⎥ ⎥ ⎪ ⎝ δ ⎠; ⎛ c (ξ − λ ) ⎞
η = − ln ⎨ − ln ⎢ exp ⎢ − ⎜1 + ⎟ ⎥⎥ ⎬ = ⎜1 + ⎟≥0
⎪ ⎢ ⎢ ⎝ δ ⎠ c ⎝ δ ⎠
⎩ ⎢⎣ ⎣ ⎦ ⎥⎦ ⎪⎭
(8.33)
1
η'= (8.34)
⎛ c(ξ − λ ) ⎞
δ ⎜1 + ⎟
⎝ δ ⎠
−c
η '' = 2
(8.35)
⎛ c(ξ − λ ) ⎞
δ ⎜1 +
2
⎟
⎝ δ ⎠
Nótese que cuando c < 0, η’ tiende a infinito, y si c > 0, a cero. Este hecho es muy
útil en la identificación de los dominios de atracción de Weibull y Frechet, pues
muestran pendientes verticales y horizontales en el extremo de interés, respectivamente.
Nótese, también, que η’ puede tender a cero o infinito para distribuciones tipo
Gumbel, si δ → 0 o δ → ∞, respectivamente. También se tiene
η’’ = 0, si y sólo si c = 0
Si se tratara del extremo izquierdo, los símbolos > y < deben ser intercambiados. En
consecuencia, el papel de Gumbel para máximos (mínimos) y en el extremo de
interés, las distribuciones de tipo Weibull aparecen como curvas cóncavas
(convexas), las de tipo Frechet como convexas (cóncavas) y las de tipo Gumbel como
rectas.
158
8.8.1 Técnicas de punteo en papeles probabilísticos
La importancia del problema de punteo fue señalada por Kimball (1960), quien indicó
que radicaba en el hecho de tener en mente el objetivo del papel probabilístico, el
cual se encuentra generalmente incluido en alguno de los que se presentan a
continuación:
159
8.8.2 Estimación de parámetros y dibujo en papel probabilístico de Gumbel
⎡ ⎛ x − λ ⎞⎤
y = H ( x; λ , δ ) = exp ⎢ − exp ⎜ − (8.36)
⎣ ⎝ δ ⎟⎠ ⎥⎦
Al tomar logaritmos dos veces de 1/y y en comparación con las ecs 8.29 y 8.31, se
tiene
ξ = g ( x) = x
⎡ ⎛ 1 ⎞⎤ (8.37)
η = h ( y ) = − ln ⎢ln ⎜ ⎟ ⎥ = − ln ⎡⎣ − ln ( y ) ⎤⎦
y
⎣ ⎝ ⎠⎦
tal que
ξ −λ
η = aξ + b = (8.38)
δ
donde
1 λ
a= y b=− (8.39)
δ δ
0 =ξ −λ →ξ = λ (8.40)
ξ −λ
1= →ξ = λ +δ (8.41)
δ
Cuando se trabaja con toda la muestra completa, una posibilidad para estimar los
parámetros de la distribución de Gumbel es realizarla a partir de la media y la
desviación estándar de la muestra, respectivamente:
λ = x + 0.5772δ (8.42)
sx 6
δ= (8.43)
π
160
Sin embargo, en ocasiones, cuando interesa trabajar sólo con parte de los datos, otra
alternativa es encontrar los parámetros a y b a través de un ajuste por mínimos
cuadrados, tal que
N N N
N Datos ∑ xkη k − ∑ xk ∑ηk
a= k =1 k =1 k =1
2
(8.44)
N
⎛ ⎞ N
N Datos ∑ xk − ⎜ ∑ xk ⎟
2
k =1 ⎝ k =1 ⎠
N N
−a ∑ xk + ∑ηk
b= k =1 k =1
(8.45)
N Datos
donde NDatos son el número de datos con el cual se ajustan los valores de a y b.
En las ecs 8.44 y 8.45, los valores de xk corresponden a la función discreta que se
quiere ajustar y ηk es su probabilidad asociada calculada con cualquiera de las
ecuaciones que aparecen en la tabla 8.3.
⎡ ⎛ λ − x ⎞⎤
L( x; λ , δ ) = 1 − exp ⎢ − exp ⎜ ⎟⎥ (8.46)
⎣ ⎝ δ ⎠⎦
ξ = g ( x) = x
(8.47)
η = h ( y ) = ln ⎡⎣ − ln (1 − y ) ⎤⎦
tal que
ξ −λ
η = aξ + b = − (8.48)
δ
1 λ
a=− y b= (8.49)
δ δ
La estimación de los parámetros λ y δ puede ser realizada notando que para η = 0 y
η = 1:
0 =ξ −λ →ξ = λ (8.50)
ξ −λ
1= →ξ = λ +δ (8.51)
δ
161
Por tanto, las ecs 8.44 y 8.45 pueden también ser usadas para el caso de mínimos,
siempre y cuando se respete la transformación realizada.
Ejemplo. Siguiendo el ejemplo de los datos presentados en la tabla 8.1, ajustar con la
distribución de probabilidad para máximos de Gumbel.
Si se sustituyen estos valores en las ecs 8.44 y 8.45, se obtiene: a = 0.63 m-1, b = -4.79,
y en la ec 8.39, δ = 1.58 m y λ = 7.59 m. La fig 8.1 presenta gráficamente el resultado.
H ηk xk H ηk xk H ηk xk
0.009 -1.55 4.84 0.336 -0.09 7.50 0.664 0.89 8.94
0.027 -1.28 5.29 0.355 -0.04 7.60 0.682 0.96 9.01
0.045 -1.13 5.89 0.373 0.01 7.64 0.700 1.03 9.12
0.064 -1.01 5.90 0.391 0.06 7.71 0.718 1.11 9.20
0.082 -0.92 6.06 0.409 0.11 7.78 0.736 1.18 9.66
0.100 -0.83 6.32 0.427 0.16 7.85 0.755 1.27 9.75
0.118 -0.76 6.58 0.445 0.21 7.89 0.773 1.36 9.86
0.136 -0.69 6.61 0.464 0.26 8.06 0.791 1.45 10.03
0.155 -0.62 6.73 0.482 0.31 8.07 0.809 1.55 10.09
0.173 -0.56 7.03 0.500 0.37 8.10 0.827 1.66 10.15
0.191 -0.50 7.05 0.518 0.42 8.14 0.845 1.78 10.38
0.209 -0.45 7.12 0.536 0.47 8.21 0.864 1.92 10.51
0.227 -0.39 7.18 0.555 0.53 8.21 0.882 2.07 10.59
0.245 -0.34 7.19 0.573 0.58 8.31 0.900 2.25 10.80
0.264 -0.29 7.21 0.591 0.64 8.52 0.918 2.46 11.57
0.282 -0.24 7.30 0.609 0.70 8.56 0.936 2.72 12.02
0.300 -0.19 7.30 0.627 0.76 8.58 0.955 3.07 12.19
0.318 -0.14 7.43 0.645 0.83 8.77 0.973 3.59 13.55
0.991 4.70 15.14
162
0.995
5
0.99
0.98 4
Pr obabilidad
0.95 3
0.9
2
η
0.8
0.7 1
0.6
0.5
0.4
0.3
0
0.2
0.1
0.05 -1
0.02
0.01
0.001
4 6 8 10 12 14 16
Altur a de ola (m)
Ejemplo. En los últimos 53 años por una localidad dada en el Caribe mexicano se han
registrado diez huracanes con la presión mínima que presenta la tabla 8.5. Evaluar la
distribución de Gumbel para mínimos de estos datos.
163
0.999
1.80
1.60
0.99
Pr obabilidad
1.40
0.975
1.20
η
0.95
1.00
0.9
0.80
0.88
0.86
0.84 0.60
0.82
0.8
∑x
k = 44
k = 9348 ; ∑η
k = 44
k = 9.206 ; ∑ xη
k = 44
k k = 8569.13 ; ∑x
k = 44
k
2
= 8739968
Si se sustituyen estos valores en las ecs 8.44 y 8.45, se obtiene: a = -0.0248 mbs-1,
b = 24.138, y en la ec 8.49, δ = 40.262 mbs y λ = 971.864 mbs. La fig 8.2 ilustra el
resultado obtenido.
⎡ ⎛ λ − x ⎞β ⎤
y = F ( x; λ , β , δ ) = exp ⎢ − ⎜ ⎟ ⎥; −∞ < x ≤ λ (8.52)
⎢⎣ ⎝ δ ⎠ ⎥⎦
164
Al aplicar logaritmos dos veces, se obtiene:
⎛λ−x⎞
− log ⎡⎣ − log ( y ) ⎤⎦ = − β log ⎜ ⎟ = − β log ( λ − x ) + β log δ (8.53)
⎝ δ ⎠
ξ = g ( x ) = − log ( λ − x ) ⎫⎪
⎬ (8.54)
η = h ( y ) = − log ⎡⎣ − log ( y ) ⎤⎦ ⎭⎪
a=β ⎫
⎬ (8.55)
b = β log δ ⎭
η = aξ + b = β (ξ + log δ ) (8.56)
Para determinar a y b, se pueden utilizar las siguientes ecuaciones, las cuales han sido
deducidas mediante la técnica de mínimos cuadrados:
N N N
N Datos ∑ ξ kη k − ∑ ξ k ∑η k
a= k =1 k =1 k =1
2
(8.57)
N
⎛ ⎞ N
N Datos ∑ ξ k − ⎜ ∑ ξ k ⎟
2
k =1 ⎝ k =1 ⎠
N N
− a ∑ ξ k + ∑η k
b= k =1 k =1
(8.58)
N Datos
Se debe notar que la escala (η) coincide con la del papel probabilístico de Gumbel;
sin embargo, la gradación (ξ ) se encuentra en este caso en escala logarítmica en lugar
de aritmética. Se puede observar que la distribución de Weibull depende de tres
parámetros, uno más que la distribución de Gumbel, éste es el parámetro umbral λ,
que es desconocido y el cual normalmente no se puede inferir a través de fenómenos
físicos. Para la estimación de λ, se recomienda representar gráficamente los datos con
un parámetro umbral propuesto que satisfaga la condición dada por la ec 8.52 y
165
observar el ajuste de la recta a los valores de probabilidad dados. Este procedimiento
se repite iterativamente hasta que se esté conforme con el ajuste realizado con la recta
descrita por la ec 8.56. Dicho punteo de datos debe hacerse para distintos valores del
parámetro umbral, hasta que la tendencia lineal que se busca sea obtenida para el
intervalo de interés.
Con el valor del parámetro umbral propuesto, se procede a estimar los parámetros
restantes β y δ, lo que se puede realizar notando que para η = 0 y η = 1, se tiene
1
1 = β (ξ + log δ ) → ξ = − log δ (8.60)
β
⎡ ⎛ λ − x ⎞β ⎤
y = L( x; λ , δ , β ) = 1 − exp ⎢ − ⎜ ⎟ ⎥ ; x≥λ (8.61)
⎣⎢ ⎝ δ ⎠ ⎦⎥
ξ = g ( x ) = − log ( x − λ ) ⎪⎫
⎬ (8.62)
η = h ( y ) = − log ⎡⎣ − log (1 − y ) ⎤⎦ ⎪⎭
Solución: De evaluar las ecs 8.52 a 8.58, se obtienen los siguientes resultados (parte
del proceso aparece en la tabla 8.6):
166
TABLA 8.6 DATOS Y DETALLES DEL PROCESO DE CÁLCULO
λ = 20 m λ = 40 m λ = 100 m
# H P η ξ ξη ξ2 ξ ξη ξ2 ξ ξη ξ2
16 10.0 0.62 0.74 -2.30 -1.70 5.30 -3.40 -2.51 11.57 -4.50 -3.32 20.25
17 10.2 0.66 0.88 -2.28 -2.00 5.21 -3.39 -2.98 11.52 -4.50 -3.95 20.23
18 10.5 0.70 1.03 -2.25 -2.32 5.07 -3.38 -3.49 11.45 -4.49 -4.63 20.20
19 10.9 0.74 1.20 -2.21 -2.65 4.88 -3.37 -4.05 11.36 -4.49 -5.39 20.16
20 11.2 0.78 1.39 -2.17 -3.03 4.73 -3.36 -4.68 11.29 -4.49 -6.25 20.13
21 11.6 0.82 1.62 -2.13 -3.44 4.53 -3.35 -5.41 11.20 -4.48 -7.25 20.09
22 12.2 0.86 1.89 -2.05 -3.89 4.22 -3.33 -6.29 11.06 -4.48 -8.47 20.03
23 12.9 0.90 2.25 -1.96 -4.41 3.84 -3.30 -7.43 10.89 -4.47 -10.05 19.95
24 13.9 0.94 2.78 -1.81 -5.03 3.27 -3.26 -9.08 10.64 -4.46 -12.40 19.85
25 16.0 0.98 3.90 -1.39 -5.41 1.92 -3.18 -12.40 10.10 -4.43 -17.29 19.63
Σ 17.68 -20.56 -33.88 42.97 -33.32 -58.31 111.08 -44.78 -78.99 200.51
0.990 4.5
0.985
λ = 20 4
0.975 3.5
Probabilidad
0.950 3
η
2.5
0.900
2
0.800 1.5
0.700 1
0.600
9.3 10.3 11.6 13.2 14.5 15.5 16.1 16.5
H (m)
Los resultados correspondientes se presentan en las figs 8.3, 8.4 y 8.5, respectivamente.
Para evaluar las distribuciones Frechet para máximos y mínimos, se sigue un proceso
análogo al presentado aquí para la distribución de Weibull.
167
0.990 4.5
0.985 4
λ = 40
0.975 3.5
Probabilidad
0.950 3
2.5 η
0.900
2
0.800 1.5
0.700 1
0.600
9.7 10.5 11.5 12.9 14.3 15.5 16.4 17.1
H (m)
0.990 4.5
0.985 4
λ = 100
0.975 3.5
Probabilidad
0.950 3
2.5 η
0.900
2
0.800 1.5
0.700 1
0.600
9.8 10.5 11.4 12.9 14.3 15.6 16.5 17.3
H (m)
168
10
6 Di+1
Hs (m)
4
Di
2
En este caso particular, se define a la duración (D) como el intervalo de tiempo que
dura una excedencia de un valor determinado de un parámetro de estado de mar (por
ejemplo, Hs) en un sector direccional determinado (θ) (fig 8.6). El objetivo es obtener
el espacio muestral de la variable aleatoria bidimensional (Hs, D) para cada sector
direccional θ, para poder ajustar un modelo matemático y obtener la distribución de la
variable aleatoria, f (Hs,D).
169
9. REFERENCIAS
Airy, G B (1845), Tides and waves, Encycl Metrop, Art 192, 241-396
Aristóteles (1996), Acerca del cielo; Meteorológicos, Gredos, Madrid, 430 pp
Battjes, J A (1971), Run-up distributions of waves breaking on slopes, Jour Wat, Port,
Coast and Oce Eng, 97, 91-114
Bendat, J S P, y Piersol, A G (1986), Random data, John Wiley & Sons, Nueva York, 556 pp
Benoit, M (1992), Practical comparative performance survey of methods used for
estimating directional wave spectra from heave-pitch-roll data, Proc 23rd Int Conf on
Coastal Eng, ASCE, Venecia, Italia
Bitner, E M (1980), Nonlinear effects of the statistical model of shallow-water wind
waves, Appl Ocean Res, 2(2), 63-73
Blom, G (1962), Nearly best linear estimates of locations and scale parameters, S G,
34-46
Bouws, E, Günther, H, Rosenthal, W, y Vincent, C L (1985), Similarity of the wind wave
spectrum in finite depth water 1 spectral form, Jour Geoph Res, 90(C1), 975-986
Bretschneider, C L (1959), Wave variability and wave spectra for wind-generated gravity
waves, Beach Erosion Board, US Army Corps of Engineers, Washington, DC
Bretschneider, C L (1990), Tropical cyclones, Handbook of coastal and ocean
engineering, Gulf Publishing Co, 249-370
Bretschneider, C L R (1954), Modification of wave height due to bottom friction,
percolation and refraction, The Agricultural and Mechanical College of Texas, Texas
Brigg, M, Thompson, E, y Vincent, Ch (1995), Wave diffraction around breakwater,
J Wtrway, Port, Coast and Ocean Engng, 121(1), 23-35
Capon, J, Greenfield, R J, y Kolker R J (1967), Multidimensional maximum-likelihood
processing of a large aperture seismic array, Proc IEEE
171
Cardone, V J (1969), Specification of the wind distribution in the marine boundary layer
for wave forecasting, Geophysical Sciences Laboratory, Department of Meteorology
and Oceanography, School of Engineering and Science, New York University,
Nueva York
Carter, D J T, Challenor, P G, y Srokosz: M A (1986), Estimating wave parameters for
engineering applications, Dept of Energy, Londres, 92 pp
Cartwright, DE, y Longuet-Higgings, M S (1956), The statistical distribution of the
maxima of a random function, Proc of the Royal Society of London, Series A
(Mathematics and Physical Science), 237, 212-232
Castillo, E (1987), Extreme value theory in engineering, Statistical modeling and
decision science, Academic Press, San Diego, California, 389 pp
Cavanié, A, Arhan, M, y Ezraty, R (1976), A statistical relationship between individual
height and periods of storm waves, Int Conf on Behavior of Offshore Structures,
Trondheim, BOSS'76
Davidian, I N, Lopatukhin, L I, y Rozhkov, W A (1985), Vetzovoye Volneniye kak
Veroyatnostnyy Gidrodinamicheskiy Process (Wind waves as Stochastical
Hydrodinamics Process, consultado en Massel (1996)) Gidrometeoizdat, Leningrado,
226 pp
Donelan, M A (1980), Similarity theory applied to the forecasting of wave heights,
periods and directions, Canadian Coastal Conference, Canada
Doob, J L (1953), Stochastic Processes, John Wiley & Sons, Nueva York
Frigaard, P, y Brorsen, M (1997), Notes for PhD course in experimental and numerical
wave generation and analysis, Hydraulics and Coastal Engineering Laboratory,
Department of Civil Engineering, Aalborg University, Aalborg
Funke, ERM, y Mansard, E P D (1979), Synthesis of realistic sea states in a laboratory
flume, National Research Council of Canada, Ottawa, 54 pp
Garratt, JR, Jr (1977), Review of drag coefficients over oceans and continents, Monthly
Weather Review, 115, 915-929
Glukhovskiy, BH, y Terray, E A (1966), Issledovaniye morskogo vetrovogo (Study of
sea waves) Gidrometeoizdat, Leningrado (consultado en Massel, 1996), 284 pp
Goda, Y (1970), Numerical experiments on wave statistics with spectral simulations,
Port and Harbour Res Inst, 3-57
Goda, Y (1978), The observed joint distribution of the periods and heights of sea waves,
16th Int Conference on Costal Engineering, Hamburgo
172
Goda, Y (1985), Random seas and design of maritime structures, University of Tokyo
Press, 323 pp
Goda, Y (1988), Statistical variability of sea state parameters as a function of a wave
spectrum, Coastal Engineering in Japan, 31(1), 39-52
Goda, Y (2000), Random seas and design of maritime structures, 2nd ed, Advances
Series on Ocean Engineering, Singapur, World Scientific, 15, 443 pp
Goda, Y, y Suzuki, Y (1975), Computation of refraction and difraction of sea waves with
Mitsuyasu's directional spectrum, Tech, Note of Port and Harbour Res Inst, 45 pp
Green, M O (1994), Wave-height distribution in storm sea effect of wave breaking,
J Wtrway, Port, Coast and Ocean Engng, 120(3), 283-301
Gringorten, I I (1963), A plotting rule for extreme probability paper, Jour Geoph Res,
815-826
Hasselmann, K, Barnett, T P, Bonws, E, Carlson, H, Cartwright, D C, Enke, K, Ewing,
J, Gienapp, H, Hasselmann, D E, Kruseman, P, Meerburg, A, Muller, P, Olbers, D J,
Richter, K, Sell, W, y Walden, H (1973), Measurements of wind-wave growth and
swell decay during the joint north sea wave project (JONSWAP), Deutches
Hydrographisches Institut, Hamburgo, 95 pp
Hasselmann, K, Ross, D B, Muller, P, y Sell, W (1976), A parametric prediction model,
Journal of Physical Oceanography, 6, 220-228
Hazen, A (1930), Flood flows, a study of frequencies and magnitudes, John Wiley &
Sons, Inc, Nueva York
Holland, G L (1980), An analytical model of wind and pressure profiles in hurricanes,
Monthly Weather Review, 108, 1212-1218
Holton, J R (1979), A introduction to dynamic meteorology, Academic Press, Inc,
Nueva York, 102-108
Huang, N E, Long, S R, Tung, G G, y Yuan, Y (1983), A non-Gaussian statistical model
for surface elevation of nonlinear random waves, J Geoph Res, 88(C12), 7597-7606
Huang, N E, Long, S R, Tung, G G, Yuen, Y, y Bliven, L F (1981), A unified two
parameter wave spectral model for a general sea state, J Fluid Mechanics, 112, 203-
224
IAHR, W G (1989), List of sea-state parameters, Jour Wat, Port, Coast and Oce Eng,
115(6), 793-808
Isobe, M K, y Kondo, K (1984), Estimation of directional spectrum expressed in
standard form, Proc 19th Int Conf on Coastal Eng
173
ISSC (1964), Proceeding of the Second International Ship Structures Congress, Delf,
Holanda
ITTC (1966), Recommendations of the 11th International Towing Tank Conference,
Proccedings 11th ITTC, Tokio
ITTC (1972), Technical decisions and recommendations of the sea keeping committee,
Proceedings 12th and 13th ITTC, Rome (1969) and Berlin (1972)
Johnson, R, Mansard, E y Ploeg, J (1978), Effects of wave grouping on breakwater
stability, Int Conference on Coastal Enginiering, ASCE, Hamburgo
Khintchine, A (1934), Korrelations theorie de stationaren stochastischen prozesse,
Math Ann, 109 pp
Kimball, B F (1960), On the choice of plotting positions on probability paper, J Amer
Statist Assc, 55, 546-560
Kinsman, B (1965), Wind waves, Printice-Hall, Englewood Cliffs, Nueva Jersey
Kitaigorodskii, S A (1961), Application of the theory of similarity to the analysis of
wind-generated wave motion as a stochastic process (traducido del ruso 73-80), Bull
Akad, Nauk SSSR, Ser, Geophys, 105-117
Koopmans, L H (1974), The spectral analysis of time series, Academic Press, Nueva York
Krogstad, H E (1988), Maximum likelihood estimation of ocean wave spectra from
maximum entropy principle, Identification and Control, 81-97
Krylov, Y M (1966), Spektralnyye Metody Issledovaniya i Razcheta Vetrovykh Voln
(Sepectral methods of studying and predicting of wind waves, Consultado en Massel,
1996), Leningrad, Gidrometeoizdat, 256 pp
Leenknecht, D A, Szuwalski, A, y Sherlock, A R (1992), Automated Coastal
Engineering System, Department of the Army, Waterways Experiment Station, Corps
of Engineers, Vicksburg
Longuet-Higgins, M S (1952), On the statistical distribution of the heights of sea waves,
J Marine Research, 11, 245-266
Longuet-Higgins, M S (1963), The effect of nonlinearities on statistical distributions in
the theory of sea waves, Jour of Fluid Mechanics, 17, 459-480
Longuet-Higgins, M S (1975), On the join distribution of the period and amplitudes of
sea waves, J Geophys Res, 80(18), 2088-2094
Longuet-Higgins, M S (1983), On the join distribution of wave periods and amplitudes
in a random wave field, Proc Roy Soc, 389, 241-258
174
Losada, M A y Jiménez-Curto, L A (1978), Análisis estadístico y espectral de
regímenes, Curso de Puertos, Universidad de Santander, Escuela Técnica Superior
de Ingenieros de Caminos, Canales y Puertos, Santander, España, 56 pp
Lumley, J L, y Panofsky, H A (1964), The structure of atmospheric turbulence, Wiley,
Nueva York
Massel, S R (1996), Ocean surface waves; their physics and prediction, Advances series
on coastal engineering, World Scientific, 11, Singapur, 491 pp
Mathews, S T (1972), A critical review of the 12th ITTC Wave Spectrum
Recommendations, Review of Seakeeping Committee, Appendix 9, Proceedings of
13th ITTC, Berlín
Mitsuyasu, H, Suhaya, T, Mizuno, S, Okhuso, M, Honda, T, y Rikiishi, K (1975),
Observation of the directional spectrum of ocean waves using a cloverleaf buoy, J
Physical Oceanogr, 5, 750-760
Newland, E D (1984), An introduction to random vibrations and spectral analysis, John
Wiley & Sons, Inc, Nueva York, 377 pp
Ochi, M K (1998), Ocean waves: The stochastic approach, Cambridge Ocean
Technology, Cambridge University Press, Cambridge, 6, 319 pp
Ochi, M K, y Hubble, E N (1976), Six parameter wave spectra, Proceedings of the 15th
International Conference on Coastal Engineering, ASCE, Honolulu, Hawai
Ochi, M K, y W, W C (1984), Non-Gaussian characteristics of coastal waves, Proc 19th
International Conference on Coastal Engineering, Houston, ASCE
Oltman-Shay, J, y Guza, R T (1984), A data-adaptative ocean wave directional-spectrum
estimator for pitch-roll type measurements, J Phys Oceanogr, 14, 1800-1810
Pawka, S (1983), Island shadows in wave directional spectra, J Phys Res, 88, 2579-2591
Phillips, O M (1958), The equilibrium range in the spectrum of wind-generated waves,
Journal of Fluid Mechanics, 4, 426-434
Phillips, O M (1977), The dynamics of the upper ocean, Cambridge Univ Press, 336 pp
Pierson, W J, Neumann, G, y James, R W (1958), Practical methods for observing and
forecasting ocean waves by means of wave spectra and statistics, U S, Navy
Hydrogr, Washington, D C
Pierson, W J, y Moskowitz, L A (1964), A proposed spectral form for fully developed
wind seas based on the similarity theory of S A Kitaigorodskii, J Geoph Res, 69(24),
5181-5203
175
Pierson, W J, y Marks, W (1952), The power spectrum analysis of ocean wave records,
Trans Amer Geophys, Union, 33, 834-44
Press, W H, Flannery, B P, Teukolsky, S A, y Vetterling, W T (1993), Numerical recipes:
the art of scientific computing, Cambridge University Press, Inglaterra
Rice, S O (1944), The mathematical analysis of random noise, Bell System Technical
Journal, 23, 282-332
Rice, S O (1945), The mathematical analysis of random noise, Bell System Technical
Journal, 24, 46-156
Sanchez, C, Silva, R, Govaere, G, y Contreras, A (1998), Comparison of 4 wave
prediction models, 5th International Workshop on Wave Hindcasting and
Forecasting, Merburne, Florida
Silva, R, Díaz, G, Contreras, A, Bautista, G, y Sánchez, C (2000), Determination of
oceanographic risks from hurricanes on the Mexican coast, 6th International
workshop on wave hindcasting and forecasting, Monterey, California
Silva, R, Govaere, G, Salles, P, Bautista, G, y Díaz, G (2002), Oceanographic
vulnerability to hurricanes on the Mexican coast, International Conference on
Coastal Engineering, ASCE, Cardiff, Wales
Smith, J M (1991), Wind-wave generation on restricted fetches, US Army Engineer
Waterways Experiment Station, M S, Vicksburg
SPM (1984), Shore Protection Manual, US Army, Engineer Waterways Experiment
Station, Coastal Engineering Research Center, US Government Printing Office,
Washington, 24-66
Stokes, G G (1847), On the oscillatory waves, Transactions Cambridge Phil Soc,
8(441), 157-229
Sverdrup, H U, y Munk, W H (1947), Wind, sea and swell: theory of relation for forecasting,
U S, Navy Hydrographic Office Publication, 44 pp
Tayfun, M A (1980), Narrow-band nonlinear sea waves, J Geoph Res, 85(C3),
1548-1552
Tayfun, M A (1981), Breaking limited wave heights, J Wtrway, Port, Coast and Ocean
Engng, 107(WW2), 59-69
Tayfun, M A (1981), Distribution of crest-to-trough wave height, J Wat, Port, Coast
and Oce Eng, 107, 149-158
Toba, Y (1973), Local balance in the air-sea boundary process III; On the spectrum of
wind waves, J Oceanogr Soc, 29, 209-220
176
Vincent, C L (1984), Deepwater wind wave growth with fetch and duration, US Army
Engineer Waterways Experiment Station, MS, Vicksburg
Wu, J (1969), Wind stress and surface roughness at air-sea interface, J Geoph Res,
74(2), 444-455
Wu, J (1980), Wind-stress coefficients over sea surface near natural conditions - A
revisit, J Phys Oceanorg, 10(5), 727-740
Wu, J (1982), Wind stress coefficients over sea surface from breeze to hurricane, J
Geoph Res, 87(C12), 9704-9706.
177
10. RECONOCIMIENTO
La fuente de inspiración de este trabajo fueron unas copias del documento titulado
Análisis estadístico y espectral de regímenes, editado por Miguel Ángel Losada y Luis
Alberto Giménez-Curto (1978), que fue mi primer acercamiento al estudio estadístico y
probabilístico del oleaje al iniciar mis estudios de posgrado en la Universidad de
Cantabria.
179