Sistema de predicción de

resistencia basado en redes
neuronales



I. Ortigoza
J. Garcia





































Publicación CIMNE Nº-305, Junio 2007

CENTRO INTERNACIONAL DE MÉTODOS NUMÉRICOS EN INGENIERÍA









Sistema de predicción de
resistencia basado en redes
neuronales



I. Ortigoza
J. Garcia







Publicación CIMNE Nº-305, Junio 2007























Centro Internacional de Métodos Numéricos en Ingeniería
Gran Capitán s/n, 08034 Barcelona, España
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

1
ÍNDICE

1. INTRODUCCIÓN……………………………………………………………...2

2. DESCOMPOSICIÓN DE LA RESISTENCIA AL AVANCE……………....2

3. CÁLCULO DE LA RESISTENCIA………………………………………..…4
3.1. Series de
Delft………………………………………………………..……………….4
3.2. Método de Holtrop y
Mennen……………………………………..……….8

4. DESARROLLO DE UN MODELO………………………………...………..12

5. REDES NEURONALES………………………………………………...……12
5.1. La neurona artificial, el
perceptrón………………………………...........13
5.2. Perceptrón
multicapa………………………………………………..........14
5.3. Arquitectura óptima de la
red…………………………………………….17

6. DESCRIPCIÓN DEL ESTUDIO REALIZADO……………………...........18
6.1. Estudio relacionado con las Series de Delft..............................................18
6.2. Estudio relacionado con el método de Holtrop y
Mennen………………21

7. CONCLUSIONES…………………………………………………………....26

REFERENCIAS………………………………………………………………….27




















Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

2






1. INTRODUCCIÓN

Un punto muy importante en el proceso de diseño de una embarcación es el cálculo de
la resistencia que sufre la embarcación por el hecho de moverse en un fluido. Hace
aproximadamente un siglo, William Froude supuso que la resistencia de un buque
estaba compuesta de dos partes independientes, la resistencia de fricción y la resistencia
residual, por lo que ambas resistencias se pueden calcular por separado.
Para la determinación de estas componentes, a lo largo de la historia se han desarrollado
diferentes técnicas, cada una de las cuales fracciona la resistencia total en componentes,
que se pueden calcular por separado. Generalmente los cálculos se realizan de manera
adimensional, por lo que trataremos con coeficientes que se refieren a la resistencia,
pero no calcularemos resistencias propiamente dichas.
En este trabajo nos basaremos en dos técnicas estadísticas de base experimental, que
permiten determinar aproximadamente el coeficiente de resistencia residual del velero y
el coeficiente viscoso y coeficiente por formación de olas en el caso de mercantes. Estos
coeficientes se explicaran a continuación.
Para el cálculo de la resistencia residual en veleros el método más utilizado es el de los
polinomios de Delft [6], y para el cálculo de la resistencia residual en mercantes el
método más extendido es el de Holtrop y Mennen [2], [3], [4] y [5]. Ambos métodos
utilizaron datos experimentales para ajustar una función, los resultados obtenidos con
las funciones son bastante fiables, pero es difícil mejorar el modelo ya que el ajuste
estadístico es complicado. Por esta razón en este trabajo intentamos superar esa barrera
y desarrollar una herramienta que sea capaz de realizar los mismos cálculos, con la
misma o mejor fiabilidad y además que permita ser mejorada constantemente con datos
experimentales. La herramienta utilizada es la red neuronal.


2. DESCOMPOSICIÓN DE LA RESISTENCIA AL AVANCE

La hidrodinámica aplicada al buque presenta una gran complejidad para buques que
navegan en superficie, el hecho de navegar en la separación entre dos fluidos (agua y
aire) complica el estudio teórico por lo que se ha intentado suplir esta carencia mediante
estudios experimentales. La experimentación con modelos tomó fuerzas a partir de los
ensayos de William Froude, quien enunció las leyes de semejanza mecánica, las cuales
constituyen la base de los ensayos de experiencias en canales.

Se considera que la resistencia al avance del buque está constituida por diferentes
componentes, que se integran de manera aditiva para dar lugar a la resistencia total al
avance.

La primera componente de la resistencia al avance es la resistencia viscosa, que a su vez
se puede descomponer en dos, la resistencia por fricción y la resistencia de presión por
fricción.

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

3
La resistencia por fricción es debida a la fricción directa entre el barco y el agua. Dado
que el agua es un fluido viscoso, las moléculas de agua que se encuentran en contacto
directo con el casco del barco se quedan enganchadas a él de manera que se mueven a la
misma velocidad que el barco. A medida que nos alejamos del casco las moléculas de
agua dejan de verse tan afectadas por el contacto con el casco por lo que desde el casco
hacia fuera se crea una fina capa de agua, denominada capa límite, con un gradiente de
velocidad, velocidad igual al barco para las partículas en contacto y velocidad cero para
las más alejadas. El cálculo del coeficiente adimensional que se refiere a la resistencia
por fricción requiere de técnicas experimentales o numéricas, aunque existen fórmulas
experimentales obtenidas para placas planas, la denominada ITTC 57, que es la fórmula
más utilizada ya que se acordó como estándar por la ITTC.

2
10
) 2 ) ( (log
075 . 0

=
n
F
R
C

La resistencia friccional se obtendría multiplicando el peso de la embarcación por el
coeficiente ITTC 57,
F F
C g R · · ·ρ ∇ = .

Para el cálculo de la resistencia por fricción de la embarcación hemos de introducir un
coeficiente de corrección, ya que la fórmula anterior sólo es válida para placas planas y
es evidente que el casco del barco no es una placa plana. El coeficiente de corrección es
diferente dependiendo del método utilizado para el cálculo de la resistencia.

La resistencia de presión por fricción se debe a un desequilibrio en las fuerzas de
presión sobre el casco que se produce por fenómenos viscosos. Debido a las formas del
casco, la capa límite, antes mencionada, se desprende en la popa debido al cambio
brusco de forma, este desprendimiento hace aumentar la velocidad del agua, por lo que
en esta zona disminuye la presión. La presión en proa es entonces mayor a la presión en
popa, este desequilibrio produce un aumento de la resistencia sufrida por el barco, esta
contribución a la resistencia es lo que se denomina resistencia de presión por fricción.
La resistencia viscosa es la suma de la resistencia por fricción y la resistencia de
presión por fricción.


Figura 1. Esquema del comportamiento del flujo hidrodinámico
alrededor de una carena tipo


Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

4
La segunda componente principal en la resistencia al avance es la resistencia por
formación de olas. El desplazamiento de la carena a través del agua, crea una
perturbación de presiones a lo largo de toda la eslora del buque, con zonas de altas
presiones en los extremos de proa y popa y de bajas presiones en la parte central del
buque. Este campo de presiones que afecta al contorno del buque, origina sistemas de
olas perfectamente definidas. De esta manera, podemos definir la resistencia por
formación de olas como la energía disipada por el buque y que hay que suministrar
continuamente el sistema de olas creado en la superficie del agua, siendo por tanto la
energía gastada en acelerar las partículas de agua verticalmente contra la fuerza de la
gravedad.

Figura 2. Representación esquemática de los trenes de olas transversales
generados por el barco para 40 . 0 =
n
F .

Estas dos componentes de la resistencia son las que tienen una mayor contribución a la
resistencia total, por lo que están consideradas en todos los modelos matemáticos
diseñados para calcular la resistencia al avance. Cada uno de estos modelos tiene en
cuenta otros factores que también incrementan la resistencia, aunque de manera menos
significativa. Los factores que considera cada modelo dependen del tipo de barco que se
estudie y de los experimentos que se han realizado para desarrollar el modelo
matemático.

En este trabajo se tratan dos modelos diferentes, las series de Delft, utilizadas para el
cálculo en veleros, y el método de Holtrop y Mennen, utilizado para mercantes.
A continuación expongo los dos modelos a fin de reseñar las diferencias que existen
entre ambos.


3. CÁLCULO DE LA RESISTENCIA

3.1. Series de Delft

Las series de Delft son la herramienta más utilizada para el cálculo de la resistencia al
avance en veleros.

Este modelo se desarrolló gracias a una exhaustiva investigación de la resistencia en
veleros en el Delft Ship Hydromechanics Laboratory. Se realizaron pruebas de canal
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

5
para veintidós modelos con formas diferentes, aunque todos ellos basados en las formas
de un velero ya diseñado, el ‘Stanfast 43’ diseñado por Frans Maas.

Los coeficientes de la geometría del casco utilizados para definir las formas son el
coeficiente prismático ( )
p
C , la posición longitudinal del centro de carena ( ) LCB ,
relación manga calado ( )
C WL
T B / , relación eslora desplazamiento ( )
3 / 1
/ ∇
WL
L y relación
eslora manga ( )
WL WL
B L / .


Modelo
nr.
BWL
LWL

C
T
BWL

p
C
3 / 1

LWL

LCB
%
1 3.17 3.99 0.568 4.78 -2.3
2 3.64 3.04 0.569 4.78 -2.3
3 2.76 5.35 0.565 4.78 -2.3
4 3.53 3.95 0.564 5.10 -2.3
5 2.76 3.96 0.574 4.36 -2.4
6 3.15 2.98 0.568 4.34 -2.4
7 3.17 4.95 0.562 5.14 -2.3
8 3.32 3.84 0.585 4.78 -2.4
9 3.07 4.13 0.546 4.78 -2.2
10 3.15 3.99 0.565 4.77 0.0
11 3.15 3.99 0.565 4.77 -5.0
12 3.51 3.94 0.565 5.10 0.0
13 3.51 3.94 0.565 5.10 -5.0
14 3.51 3.69 0.530 5.11 -2.3
15 3.16 3.68 0.530 4.76 -2.3
16 3.15 2.81 0.530 4.34 -2.3
17 3.15 4.24 0.600 4.78 0.0
18 3.15 4.24 0.600 4.78 -5.0
19 3.15 3.75 0.530 4.78 0.0
20 3.15 3.75 0.530 4.78 -5.0
21 3.51 4.17 0.600 5.10 -2.3
22 2.73 4.23 0.600 4.34 -2.3

Tabla 1. Coeficientes de forma para los modelos utilizados en los experimentos.

En las pruebas de canal se tomaron datos de la resistencia con el fin de, mediante un
análisis estadístico, desarrollar un modelo matemático para calcular la resistencia del
velero.
Anteriormente ya se ha descrito la resistencia y sus diferentes componentes, y como ya
habíamos puntualizado, la resistencia viscosa y la resistencia por formación de olas
están consideradas en todos los modelos, aunque cada modelo las estima de manera
diferente. Exponemos a continuación la estimación de la resistencia que se consideró
para desarrollar el modelo de Delft.

Para el estudio se consideró que la resistencia total del velero se podía descomponer
como
R F T
R R R + = , resistencia friccional más resistencia residual.

La resistencia friccional del velero se obtuvo de la suma de las contribuciones del
casco, la orza y el timón, ( )
Fr r Fk k Fc c F
C S C S C S V R · · · · · ·
2
1
2
+ + = ρ , dónde
k c
S S , y
r
S
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

6
son las áreas mojadas del casco, la orza y el timón respectivamente. Los coeficientes
Fk Fc
C C , y
Fr
C son los correspondientes coeficientes de resistencia friccional.
Los coeficientes de resistencia friccional se calcularon con la fórmula ITT-57,
2
10
) 2 ) ( (log
075 . 0

=
n
F
R
C .
El número de Reynolds se determina por separado para cada una de las partes del barco
consideradas:
ν ν ν
r
nr
k
nk
WL
nc
C V
R
C V
R
L V
R
·
;
·
;
· 7 , 0 ·
= = =
Siendo la viscosidad cinemática, s m / 10 · 1413 , 1
2 6
= ν para agua dulce a 15º y
s m / 10 · 1907 , 1
2 6
= ν para agua salada a 15º.
k
C y
r
C son las longitudes características de la orza y la quilla respectivamente. La
longitud característica es un promedio de la longitud del cuerpo que atraviesa el agua
teniendo en cuenta su forma.

La fórmula ITTC-57 da el coeficiente de fricción para una placa plana con la misma
superficie mojada que el casco. Al no ser el casco una placa plana en la mayoría de
modelos se incluye un factor de corrección, el coeficiente de forma denominado k.
Anteriormente se había indicado también, que debido a las formas del casco se producía
un desequilibrio de presiones entre la zona de proa y popa, dando lugar a la resistencia
de presión por fricción. Este modelo introduce un factor de corrección, considerando
que el casco no es una placa plana y que se produce un desequilibrio en las presiones,
este factor es el valor 0,7 que introduce en el cálculo del número de Reynolds. Teniendo
en cuenta estas correcciones, la resistencia friccional denominada en este modelo
equivale a la resistencia viscosa descrita anteriormente en el apartado de
descomposición de la resistencia al avance.

La resistencia residual engloba todas la componentes de la resistencia excepto la
resistencia friccional, anteriormente descrita, por lo que la resistencia por formación de
olas está considerada en esta componente.
La resistencia friccional se podía calcular con las fórmulas anteriormente indicadas, era
necesario pues desarrollar un modelo matemático para calcular la resistencia residual, y
esto es lo que pretendía el estudio desarrollado en el Delft Ship Hydromechanics
Laboratory. Con este fin sometieron a los 22 veleros a pruebas de canal y tomaron datos
de la resistencia residual que padecían variando el número de Froude
L g
V
F
n
·
= .
Modelo
F
n
1 2 3 4 5 6 7 8
0.125 0.11 0.04 0.09 0.20 0.16 0.12 0.28 0.20
0.150 0.27 0.17 0.29 0.35 0.23 0.26 0.44 0.38
0.175 0.47 0.37 0.56 0.65 0.35 0.43 0.70 0.64
0.200 0.78 0.66 0.86 0.93 0.54 0.69 1.07 0.97
0.225 1.18 1.06 1.31 1.37 0.85 1.09 1.57 1.36
0.250 1.82 1.59 1.99 1.97 1.31 1.67 2.23 1.98
0.275 2.61 2.33 2.94 2.83 2.08 2.46 3.09 2.91
0.300 3.76 3.29 4.21 3.99 3.06 3.43 4.09 4.35
0.325 4.99 4.61 5.54 5.19 4.49 4.62 5.82 5.79
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

7
0.350 7.16 7.11 8.25 8.03 6.69 6.86 8.28 8.04
0.375 11.93 11.99 13.08 12.86 11.53 11.56 12.80 12.15
0.400 20.11 21.09 21.40 21.51 19.55 20.63 20.41 19.18
0.425 32.75 35.01 33.14 33.97 32.90 34.50 32.34 30.09
0.450 49.49 51.80 50.14 50.36 50.45 54.23 47.29 44.38
Tabla 2.a. Resistencia residual por unidad de peso de desplazamiento, 1000 ·
c
r
R


Modelo
F
n
9 10 11 12 13 14 15
0.125 0.15 0.11 0.07 0.08 0.08 0.08 0.10
0.150 0.32 0.24 0.18 0.26 0.24 0.25 0.23
0.175 0.55 0.49 0.40 0.50 0.45 0.46 0.47
0.200 0.86 0.79 0.70 0.83 0.77 0.75 0.76
0.225 1.24 1.28 1.14 1.28 1.19 1.11 1.15
0.250 1.76 1.96 1.83 1.90 1.76 1.57 1.65
0.275 2.49 2.88 2.77 2.68 2.59 2.17 2.28
0.300 3.45 4.14 4.12 3.76 3.85 2.98 3.09
0.325 4.83 5.96 5.41 5.57 5.27 4.42 4.41
0.350 7.37 9.07 7.87 8.76 7.74 7.84 7.51
0.375 12.76 14.93 12.71 14.24 12.40 14.11 13.77
0.400 21.99 24.13 21.02 23.05 20.91 24.14 23.96
0.425 35.64 38.12 34.58 35.46 33.23 37.95 37.38
0.450 53.07 55.44 51.77 51.99 49.14 55.17 56.46
Tabla 2.b. Resistencia residual por unidad de peso de desplazamiento, 1000 ·
c
r
R



Modelo
F
n
16 17 18 19 20 21 22
0.125 0.05 0.03 0.06 0.16 0.09 0.01 0.04
0.150 0.17 0.18 0.15 0.32 0.24 0.16 0.17
0.175 0.35 0.40 0.34 0.59 0.47 0.39 0.36
0.200 0.63 0.73 0.63 0.92 0.78 0.73 0.64
0.225 1.01 1.30 1.13 1.37 1.21 1.24 1.02
0.250 1.43 2.16 1.85 1.94 1.85 1.96 1.62
0.275 2.05 3.35 2.84 2.62 2.62 3.04 2.63
0.300 2.73 5.06 4.34 3.70 3.69 4.46 4.15
0.325 3.87 7.14 6.20 5.45 5.07 6.31 6.00
0.350 7.19 10.36 8.62 9.45 7.95 8.68 8.47
0.375 13.96 15.25 12.49 16.31 13.73 12.39 12.27
0.400 25.18 23.15 20.41 27.34 23.55 20.14 19.59
0.425 41.34 34.62 32.46 41.77 37.14 31.77 30.48
0.450 62.42 51.50 50.94 60.85 55.87 47.13 46.66
Tabla 2.c. Resistencia residual por unidad de peso de desplazamiento, 1000 ·
c
r
R



Estos datos experimentales se sometieron a un análisis estadístico, a fin de expresar la
resistencia residual en forma de polinomios para valores discretos del número de
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

8
Froude y teniendo los coeficientes de la geometría del casco como variables. Los
polinomios obtenidos eran de la forma:
3 / 1
6 5
2
4 3
2
2 1
) (
· 1000
c
Wl
i
C
WL
i i i p i p i io
i
C
R
L
A
T
B
A LCB A LCB A C A C A A
R

⋅ + ⋅ + ⋅ + ⋅ + ⋅ + ⋅ + =
|
|
¹
|

\
|



14 ,..., 1 = i , correspondientes a los catorce valores discretos del número de Froude.

n
F
0
A
1
A
2
A
3
A
4
A
5
A
6
A
0.125 -13.01 46.84 -42.34 -0.0190 -0.0046 0.0341 0.0085
0.150 -14.00 50.15 -45.53 -0.0214 -0.0062 0.0481 0.0585
0.175 -13.11 46.58 -42.76 -0.0153 -0.0062 0.0674 0.1425
0.200 +10.26 36.06 -33.41 -0.0021 -0.0043 0.0757 0.2246
0.225 -4.151 13.68 -12.81 0.0478 0.0041 0.0967 0.2965
0.250 -0.156 -2.106 3.196 0.1211 0.0176 0.1504 0.3532
0.275 6.203 -27.30 29.88 0.1711 0.0273 0.2240 0.3408
0.300 24.87 -98.55 100.1 0.3168 0.0570 0.3365 0.3313
0.325 85.16 -315.2 196.8 0.5725 0.0930 0.4526 0.4662
0.350 195.6 -687.8 617.0 1.009 0.1476 0.4640 0.6776
0.375 272.8 -901.2 777.1 1.540 0.2142 0.3431 0.3463
0.400 414.0 -1321 1117 1.934 0.2690 -0.1746 0.0872
0.425 379.3 -1085 877.8 2.265 0.3266 -1.064 -1.053
0.450 588.1 -1666 1362 2.871 0.4519 -1.501 -4.417

Tabla 3. Coeficientes de los polinomios de Delft, para cada valor del número de Froude.

Con este modelo matemático es posible calcular la resistencia total del velero. Se
calcula la resistencia friccional con las fórmulas de la ITTC-57, modificada con el
factor 0.7, y la resistencia residual con los polinomios de Delft, sumando ambas se
obtiene la resistencia total.


3.2. Método de Holtrop y Mennen

El estudio comenzado por J.Holtrop en 1974 tenía como objetivo desarrollar una
descripción numérica de la resistencia al avance [1]. En 1978 se unió al estudio
G.G.J.Mennen [2], siendo ambos los que desarrollaron el modelo matemático utilizado
en este trabajo [3].

La resistencia total se subdivide en componentes de origen diferente, por lo que en la
representación numérica de la resistencia consideraron estas componentes por separado.

A TR B W APP F Total
R R R R R k R R + + + + + + ⋅ = ) 1 (

F
R , resistencia friccional de acuerdo con la fórmula ITTC-1957.

k + 1 , factor de forma que describe la resistencia viscosa de la forma del casco en
relación con la resistencia friccional.

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

9
APP
R , resistencia de los apéndices

W
R , resistencia por formación y rotura de olas.

B
R , resistencia por presión adicional del bulbo
TR
R , resistencia por presión adicional de la parte sumergida del espejo de popa.

A
R , resistencia de correlación modelo-buque.

Se realizaron diferentes ensayos de canal a fin de poder ajustar cada una de las
componentes a una fórmula matemática con los coeficientes de geometría del barco y el
número de Froude como variables.

Holtrop y Mennen sometieron modelos y resultados de pruebas a métodos de análisis
de regresión. El objetivo de su estudio era desarrollar una descripción numérica de la
resistencia al avance y los efectos de escala entre el modelo y el barco correspondiente.

La evaluación de cada una de las componentes se desarrolló aplicando múltiples análisis
de regresión a los resultados de 1707 pruebas, llevadas a cabo con 147 modelos de
barcos y con 82 medidas en 46 barcos. Estos datos fueron seleccionados de los archivos
del Netherlands Ship Model Basin.

Los tipos de barcos utilizados en los experimentos, el rango de sus coeficientes de
forma y de los números de Froude se muestran en la siguiente tabla:


Tipo de barco B L / T B /
p
C
n
F máx.
Petroleros
Bulkcarriers
1 . 7 1 . 5 < <
B
L
2 . 3 4 . 2 < <
T
B

85 . 0 73 . 0 < <
p
C
0.24
Carga general
0 . 8 3 . 5 < <
B
L
0 . 4 4 . 2 < <
T
B

72 . 0 58 . 0 < <
p
C
0.30
Costeros
Remolcadores
3 . 6 9 . 3 < <
B
L
0 . 3 1 . 2 < <
T
B

65 . 0 55 . 0 < <
p
C
0.38
Porta
contenedores
fragatas
5 . 9 6 < <
B
L
0 . 4 0 . 3 < <
T
B

67 . 0 55 . 0 < <
p
C
0.45
Varios
3 . 7 0 . 6 < <
B
L
0 . 4 2 . 3 < <
T
B

75 . 0 56 . 0 < <
p
C
0.30
Tabla 4. Rango de parámetros para los diferentes tipos de barcos.

Los estudios se empezaron en el año 1974 y se concluyeron en el 1984, durante este
tiempo se fue mejorando el modelo matemático obtenido inicialmente. El modelo
matemático con el que se ha trabajado en este proyecto ha sido el presentado en 1982
[3], el cual presentamos a continuación:

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

10
( ) ( )
stern
P
P
P
R
P P
R
C c
L
T
L
T
L
T
L
T
L
T
c
C
lcb C
C
L
L
lcb C C
L
B
c c k
⋅ + =
¦
¦
¦
¦
¹
¦
¦
¦
¦
´
¦
< →
< < → +
|
¹
|

\
|

> → |
¹
|

\
|
=

+ − =
¦
)
¦
`
¹
¦
¹
¦
´
¦
⋅ + − ⋅ − ⋅
|
|
¹
|

\
|
⋅ + = +

003 . 0 1
02 . 0 479948 . 0
05 . 0 02 . 0 479948 . 0 02 . 0 · 20 . 48
05 . 0
1 · 4
· · 06 . 0
1
0225 . 0 1 95 . 0 93 . 0 · ) 1 (
13
078 . 2
2228446 . 0
12
6906 . 0 521448 . 0
92497 . 0
12 13


Dónde
stern
C es el coeficiente que indica la forma de la popa. Para secciones en forma
de V este coeficiente vale -10, para secciones normales el coeficiente vale 0 y para
secciones en forma de U el coeficiente vale 10.
El factor lcb representa la posición longitudinal del centro de carena, respecto a la mitad
de la eslora, y dado en porcentaje de la eslora.

{ }
( )
( ) ( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
¹
|

\
| ∇
|
¹
|

\
|
− − − |
¹
|

\
|
− + =
− |
¹
|

\
|
=
+ ∇ =


16302 . 0
3
34574 . 0
6367 . 0 30484 . 0
80856 . 0
37565 . 1
07961 . 1
78613 . 3
7 1
2
2 1 5 2 1
· 100 · · · 0225 . 0 1 · 1 · ·exp 89 1
90 · · · 2223105
) · ·cos( · ·exp · · · · ·
L B
L
lcb C C
B
L
i
i
B
T
c c
F m F m g c c c R
R
P WP E
E
n
d
n W
λ ρ


La mitad del ángulo de entrada,
E
i , es el ángulo de la línea de agua en la proa, en
grados, en referencia al plano central, pero negligendo la forma local de la popa. Si este
ángulo no se conoce se puede calcular utilizando la fórmula anterior, la cual fue
obtenida a partir del análisis de regresión de 200 formas del casco.


( )
M
T
C T B
A
c
c c
L
B
B
L
L
B
L
B
L
B
L
B
c
· ·
· 8 . 0 1
· 89 . 1 exp
25 . 0 · 0625 . 0 5 . 0
25 . 0 11 . 0
11 . 0 · 229577 . 0
5
3 2
33333 . 0
7
− =
− =
¦
¦
¦
¦
¹
¦
¦
¦
¦
´
¦
> → −
< < →
< →
|
¹
|

\
|
=

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

11
El coeficiente
2
c es un parámetro que cuantifica la reducción de la resistencia por olas
debida a la acción del bulbo de proa. El coeficiente
5
c expresa la influencia del espejo
de popa en la resistencia de ola. El coeficiente
T
A representa el área sumergida
transversal, a velocidad cero, del espejo.

( )
( )
B F BT
BT
n P
P P
P P P P
P
P
h T A T B
A
c
d
L
L
L
L
c
F C c m
C C
C C C C
c
c
L
B
L T
L
m
B
L
C
B
L
B
L
C
− +
=
− =
¦
¦
¦
¦
¦
¹
¦
¦
¦
¦
¦
´
¦
<

< →
|
|
¹
|

\
|


+ −
>


<

→ −
=
− =
¹
´
¦
> → −
< → + −
=
− −

− =
¦
¦
¹
¦
¦
´
¦
> → −
< → −
=

· 31 . 0 · ·
· 56 . 0
9 . 0
1727 512
36 . 2
0 . 8
69385 . 1
1727 0 . 0
512 69385 . 1
· 1 . 0 ·exp ·
80 . 0 · 7067 . 0 73014 . 1
8 . 0 · 984388 . 6 · 8673 . 13 · 07981 . 8
· 79323 . 4 · 75254 . 1 · 0140407 . 0
12 36 . 0 · 446 . 1
12 · 03 . 0 · 446 . 1
5 . 1
3
3
3
1
3
3
15
2 2
15 2
3 2
16
16
3
1
1
λ


El coeficiente
3
c determina la influencia del bulbo de proa en la resistencia por olas.
B
h es la posición del centro del área trasversal,
BT
A , por encima de la línea de la quilla y
F
T es el calado delantero del barco.

La resistencia viscosa ) 1 ·( k R
F
+ representa, aproximadamente el 63% de la resistencia
total y la resistencia dada por las olas representa, aproximadamente el 27% de la
resistencia total. La resistencia por correlación modelo-buque representa el 10% de la
resistencia total. La resistencia de los apéndices, resistencia por presión adicional del
bulbo y la resistencia por presión adicional de la parte sumergida del espejo de popa
contribuyen en muy pequeña proporción a la resistencia total. Estos porcentajes son
válidos para números de Froude alrededor de 0.30. Los porcentajes varían según el
número de Froude, para un mismo barco, pero las dos componentes anteriormente
mencionadas, en cualquier caso son las que más contribuyen a la resistencia total.
En este trabajo nos centraremos en el cálculo la resistencia viscosa y la resistencia por
formación y rotura de ola, ya que son las componentes que más contribuyen a la
resistencia total.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

12

4. DESARROLLO DE UN MODELO

Anteriormente se han expuesto los modelos matemáticos desarrollados por el instituto
de Delft y por Holtrop y Mennen. Ya se ha comentado que los modelos se desarrollaron
a partir de un conjunto de datos obtenidos de manera experimental, estos datos se
trataron de manera estadística a fin de ajustarlos a un polinomio, en generalmente todos
los casos. El ajuste polinómico resulta sencillo si se trabaja con una variable de entrada
y una de salida, en el caso de trabajar con más de una variable de entrada el ajuste se
complica.
En el caso de tener d variables de entrada y una salida, si realizamos un ajuste
polinómico de tercer orden la fórmula sería:
∑ ∑∑∑ ∑ ∑
+ + + =
d
i
d
i
d
i
d
i
i i i i i i
d
i
i i i i
d
i
i i
x x x w x x w x w w y
1 1 2 3
3 2 1 3 2 1
2
2 1 2 1
1
1 1 0
· · · · · ·
Para un polinomio de orden M el número de parámetros a ajustar es d
M
. El aumento del
número de variables de entrada, aumenta los grados de libertad del problema, por lo que
se necesitan muchos datos “experimentales” para poder determinar de manera correcta
el valor de los coeficientes.

En la actualidad se posee una herramienta informática muy potente que permite ajustar
las variables de entrada a un modelo, de manera relativamente sencilla. Esta herramienta
son las Redes Neuronales, que se definen como un modelo computacional, inspirado en
la biología, constituido por una arquitectura de red formada por neuronas artificiales.
Una de las redes neuronales más utilizadas es el Perceptrón Multicapa, el cual es una
clase de aproximación universal.


5. REDES NEURONALES


Las redes neuronales se entienden como una extensión de las técnicas convencionales
de modelos estadísticos de reconocimiento, siendo los resultados que ofrece
satisfactorios.
Las redes neuronales ofrecen una estructura general y potente para representar
relaciones no lineales entre varias variables de entrada y varias variables de salida,
donde la forma del ajuste está gobernada por un número de parámetros ajustables. El
proceso de ajuste de estos parámetros se denomina aprendizaje o entrenamiento, y se
realiza mediante un algoritmo.
Generalmente los modelos de redes neuronales representan funciones no lineales de
muchas variables como superposición de funciones de una única variable, denominadas
funciones ocultas. Las funciones ocultas se adaptan a los datos de entrada como parte
del proceso de entrenamiento. El número de tales funciones sólo crece con la
complejidad del problema no simplemente por que aumente la dimensión del problema.
El número de parámetros libres en estos modelos, para un número dado de funciones
ocultas, típicamente sólo crece linealmente o cuadráticamente con la dimensión del
espacio de entrada, que comparado con la dependencia d
M
de los polinomios es evidente
que el modelo de red neuronal es mucho más sencillo que el polinomio a la hora de
ajustar los parámetros.
Las redes neuronales ofrecen ventajas para funciones de aproximación en espacios de
muchas dimensiones, el precio que se ha de pagar por esta ventaja es que el
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

13
procedimiento para determinar los valores de los parámetros es un problema de
optimización no lineal, lo cual es computacional mente intensivo y lo cual presenta un
número adicional de complicaciones como la presencia de múltiples mínimos en la
función error.

En este trabajo utilizaremos las redes neuronales del tipo perceptrón multicapa, que
tienen como unidad básica las neuronas denominadas perceptrones.


5.1. La neurona artificial, el perceptrón

En el año 1962 F. Rosenblatt ideó una modelo informático basado en el funcionamiento
de las neuronas humanas. Las neuronas humanas se estructuran en tres partes
diferenciadas , dentritas, núcleo o soma y axón . Las dentritas son las vías de entrada, a
la neurona, de los impulsos nerviosos, es decir, transmiten los potenciales de las
neuronas adyacentes hacia el soma. En el soma se lleva acabo la integración de toda la
información obtenida en las dentritas. El axón transmite a otras neuronas el mensaje
resultante de la integración, mediante una señal electroquímica.


Figura 3. Estructura neuronal.

En base a esta estructura neuronal F. Rosenblatt diseñó el modelo de perceptrón, el cual
equivaldría a la neurona humana.



Figura 4. Modelo de neurona perceptrón.

El perceptrón recibe unas señales de entrada, procesa la información recibida y la
transforma en una señal de salida. En el proceso de transformación de la información
intervienen tres elementos básicos :

· Un conjunto de parámetros libres, constituido por un vector de pesos sinápticos
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

14
( )
n
w w ,...,
1
y una tendencia, o bias, b .
· Una función de combinación que combina las señales de entrada con los parámetros
libres, dando lugar a una señal de salida neta u .


=
+ = =
n
t
t t
x w b w b x h u
1
· ) , ; (

· Una función de activación g , que teniendo como argumento la señal de salida neta,
da lugar a la señal de salida.

) (u g y =

Las funciones de activación utilizadas en este trabajo son la función de activación
sigmoidal (1) y la función de activación lineal (2).

) tanh( ) ( u u g = (1)
u u g = ) ( (2)


Figura 5. Función de activación sigmoidal.


Figura 6. Función de activación lineal.


5.2. Perceptrón multicapa.

Las neuronas se pueden combinar formando una red neuronal. La arquitectura de la red
se refiere al número de neuronas que la constituyen , a su posición y a sus conexiones.
La arquitectura de red del perceptrón multicapa está constituida por modelos de
neuronas del tipo perceptrón.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

15
El modelo de perceptrón multicapa está formado por un conjunto de nodos sensoriales
que constituyen la capa de entrada, una o más capas de neuronas ocultas y un conjunto
de neuronas que constituyen la capa de salida.
El modelo de red neuronal utilizado en este trabajo es del tipo perceptrón multicapa, con
una única capa de neuronas ocultas.


Figura 7. Perceptrón multicapa con una única capa de neuronas ocultas. Dos capas de perceptrones, la
capa oculta y la capa de salida.

Si tenemos una red de una capa con n entradas, h
1
neuronas y m salidas. Cada una de las
neuronas realiza el proceso anteriormente descrito en el modelo de perceptrón, combina
las entradas mediante unos parámetros libres

=
+ ⋅ =
n
i
j i ji j
w x w y
1
) 1 (
0
) 1 ( ) 1 (

, dónde el índice
(1)
indica que es el peso correspondiente a la primera capa de neuronas,
la capa de neuronas ocultas.
Si añadimos la tendencia como el peso de la variable 1
0
= x , queda

=
⋅ =
n
i
i ji j
x w y
0
) 1 ( ) 1 (
,
que se denomina salida neta.

La salida de cada neurona se obtiene aplicando como argumento la salida neta a la
función de activación, que en nuestro caso, para las neuronas ocultas, es del tipo
sigmoidal ) tanh( ) (
) 1 ( ) 1 (
j j j
y y g z = = . A estas funciones es a las que denominamos
funciones ocultas.
La salida de la red se obtiene transformando la activación de las neuronas de la capa
oculta utilizando una segunda capa de procesado, cada una de las variables de salida nos
la da un perceptrón con función de activación lineal . En el perceptrón de la salida se
hace una combinación de las funciones ocultas dadas por las neuronas ocultas.

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

16


=
=
=
+ ⋅ =
1
1
0
) 2 ( ) 2 (
1
) 2 (
0
) 2 ( ) 2 (
·
h
j
j kj k
h
j
k j kj k
z w y
w z w y

La activación de la salida k se obtiene transformando esta combinación usando la
función de activación lineal . ) (
~
) 2 ( ) 2 (
k k k
y y g y = =

El número de capas de la red se refiere al número de capas de neuronas ocultas que
contiene la red. La red con la que trabajamos tiene dos capas de neuronas, las de la capa
oculta y las de la capa de salida, pero al tener una única capa de neuronas ocultas la
denominamos como red neuronal de una capa de neuronas.
Una misma capa puede generar una amplia variedad de diferentes funciones
simplemente escogiendo diferentes valores de los pesos y las tendencias.

La red neuronal se somete a un proceso de aprendizaje basado en la definición de una
función de error apropiada, la cual se minimiza variando los pesos y las tendencias de la
red.


=
− =
c
k
k d i k
n
t w x x y E
1
2
) ) ; ,..., ( ( ·
2
1


Para minimizar el error se pueden usar diferentes métodos matemáticos, como es el
método del gradiente descendiente o el de quasi-Newton. El cálculo en el que se busca
minimizar este error es lo que se denomina entrenamiento o aprendizaje de la red, y se
realiza mediante un algoritmo basado en el método de quasi-Newton, en nuestro caso
[13], [14].

Es conveniente, a fin de lograr la convergencia, someter los datos a un preproceso. Este
preproceso generalmente es la normalización de los datos de entrada, posteriormente los
datos de salida de la red se han de postprocesar.

Datos de entrada

Pre-proceso

Red neuronal

Post-proceso

Datos de salida


En los ajustes estadísticos se puede dar el caso de intentar ajustar los datos mediante un
polinomio demasiado sencillo por lo que el ajuste de la función no es acertado, se
produce el fenómeno del under-fitting.


Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

17

Figura 8. Ajuste insuficiente de una función, under-fitting.

También se puede dar el caso de realizar un ajuste demasiado complicado, este
fenómeno se denomina over-fitting.


Figura 9. Ajuste exagerado de una función, over-fitting.

El ajuste óptimo se consigue con un polinomio de grado adecuado a nuestros datos. De
la misma manera que podemos variar la complejidad de los polinomios mediante el
grado del polinomio, en las redes neuronales podemos controlar la complejidad del
modelo controlando el número de parámetros libres que esta posea. Los parámetros
libres aumentan al aumentar el número de neuronas y al aumentar el número de capas
de la red. En la red utilizada para el trabajo, una red de una capa, se aumenta el número
de parámetros libres simplemente aumentando el número de neuronas de la capa oculta.

Para no sufrir el fenómeno de under-fitting o over-fitting hemos de encontrar la
arquitectura óptima de la red, es decir, el número de neuronas necesarias en la capa
oculta para obtener un ajuste óptimo.
Para poder comprobar que no se producen ninguno de estos fenómenos, una vez
entrenada la red , es decir, una vez ajustados los pesos y las tendencias de la red, ésta ha
de ser validada. Para validar la red introducimos unas variables de entrada con sus
correspondientes salidas, se buscan las salidas que da la red para las variables de entrada
introducidas y se compara con las salidas introducidas. La red óptima será aquella que
de un error mínimo en la validación.


5.3. Arquitectura óptima de red

Ya se ha comentado que en este estudio se ha trabajado con una red de una única capa
de neuronas por lo que la arquitectura óptima está determinada por el número de
neuronas.
Para obtener la arquitectura óptima se fija el número de neuronas y se entrena la red,
con unos datos denominados datos de entrenamiento. Una vez entrenada la red se
introducen unos datos de validación, para determinar el error existente entre la salida de
la red y las salidas de los datos de validación. Seguidamente se realiza el mismo proceso
variando el número de neuronas de la red.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

18
La arquitectura óptima, o el número óptimo de neuronas será aquel que de un error
mínimo en la validación de los datos de validación.
Si el número de neuronas es demasiado pequeño para la complejidad del problema
obtendremos un error de validación grande, ya que se está produciendo under-fitting. En
cambio si el número de neuronas es demasiado elevado para la complejidad de nuestro
problema obtendremos un error en la validación, se produce over-fitting.


6. DESCRIPCIÓN DEL ESTUDIO REALIZADO

Anteriormente se ha expuesto la necesidad de calcular la resistencia que sufre el barco
al navegar y dos de los estudios realizados para poder calcularla. Los modelos descritos
anteriormente son esencialmente de tipo polinómico.
En la actualidad las redes neuronales se utilizan para cualquier tipo de modelización,
por eso en este estudio hemos realizado modelos de redes neuronales que permitan
calcular ciertas partes de la resistencia, del mismo modo que se pueden calcular con los
modelos matemáticos descritos anteriormente.
El modelo de red neuronal utilizado en este trabajo es el desarrollado por Roberto Lopez
en CIMNE, Flood [13].


6.1. Estudio relacionado con las Series de Delft.

Los polinomios que forman las series de Delft permiten calcular la relación entre la
resistencia residual y el peso de la embarcación,
3
10 ·
C
R
R

, teniendo como variables
cuatro coeficientes de formas y el número de Froude, en total cinco variables de entrada.

En esta parte del estudio se ha generado una red neuronal para calcular la relación
3
10 ·
C
R
R

.
Para crear la red neuronal se han utilizado los datos experimentales con los que se
realizaron los polinomios de Delft (Tablas 2.a., 2.b. y 2.c). Estos datos se han dividido
en dos grupos, uno para el entrenamiento de la red (75% de los datos totales) y otro para
validar la red (25% de los datos totales).
Una vez entrenadas y validadas las redes, se han vuelto a entrenar y validar con todos
los datos experimentales, a fin de mejorar el ajuste.
Para determinar la arquitectura óptima de la red se han realizado tres redes, una con tres
neuronas, otra con nueve y otra con doce, en cada una de ellas se ha calculado el error
medio entre los valores experimentales y los valores dados por la red neuronal, para los
datos de validación. En la siguiente gráfica se representa el error de validación respecto
el número de neuronas que configuran la red.

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

19

Figura 10. Error de validación en función de las neuronas que constituyen la red.


Se observa que el error es mínimo para la red de nueve neuronas, en la red de tres
neuronas se produce under-fitting y en la de 12 over-fitting. La red que da un error
mínimo de validación es la que tiene la arquitectura óptima, en este caso la red
constituida por nueve neuronas. Así pues, ésta será la red con la que trabajaremos y la
que podremos mejorar con más datos experimentales.

Para comparar los resultados obtenidos con la red de nueve neuronas y los resultados
dados por las Series de Delft, éstos se representan en forma de recta de regresión entre
los valores
3
10 ·
C
R
R

experimentales y los correspondientes valores dados por ambos
métodos. El ajuste perfecto daría una recta de regresión del tipo x y ⋅ =1 .

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

20

Figura 11. Recta de regresión para las Series de Delft.


Figura 12. Recta de regresión para la Red Neuronal.

Si comparamos ambas rectas se observa que los resultados obtenidos con la red
neuronal se ajustan mucho mejor a los resultados experimentales, que los resultados
obtenidos con las Series de Delft. También cabe destacar que los polinomios de Delft
son válidos para valores discretos del número de Froude, en cambio la red neuronal está
definida para valores continuos del número de Froude, por lo que podemos considerar
nuestro modelo más preciso que el desarrollado en Delft.

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

21
6.2. Estudio relacionado con el método de Holtrop y Mennen

El método de Holtrop y Mennen permite calcular de manera independiente cada una de
las componentes de la resistencia que sufre la embarcación. Como ya se ha comentado
las componentes más significativas son la resistencia viscosa y la resistencia por
formación y rotura de ola, por lo que en el estudio nos centraremos en el cálculo de
estas componentes.

Podemos expresar cada una de las componentes de manera adimensional como función
de los parámetros de escala y de las formas del casco.

( ) ( )
F
V
F F V
C g
R
k C g k R k R
· · ·
1 · · · · 1 · 1
ρ
ρ

= + → ∇ + = + =

ρ · ·g
R
C
w
w

=

En esta parte del trabajo se desarrolla una red neuronal que teniendo como variables de
entrada el coeficiente prismático ( )
P
C , la relación eslora manga
|
¹
|

\
|
B
L
,la relación
manga-calado
|
¹
|

\
|
T
B
, el coeficiente que indica la forma de la popa (
stern
C ) y el número
de Froude (
n
F ), y como variables de salida los coeficientes k + 1 y
w
C .

Para poder generar la red son necesarios datos experimentales, y como el cálculo está
basado en el método de Holtrop y Mennen se han intentado conseguir los datos
experimentales que se utilizaron para generar este método. Los datos no aparecen en la
bibliografía consultada y el instituto donde se realizaron los experimentos no nos los ha
podido facilitar, por lo que a falta de datos experimentales, los datos con los que se ha
entrenado la red han sido generados utilizando el método de Holtrop y Mennen.

El rango de las variables que se consideraron en los experimentos está dentro de los
siguientes límites:

0 . 4 1 . 2
5 . 9 0 . 6
85 . 0 55 . 0
45 . 0
< <
< <
< <
<
T
B
B
L
C
F
P
n


Los coeficientes de formas que más influyen en la resistencia son el coeficiente
prismático ( )
P
C y la relación eslora manga
|
¹
|

\
|
B
L
y de entre todas las variables de
entrada, el número de Froude (
n
F ) es la que más influye en la resistencia.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

22
Para generar los datos se han variado las variables de entrada teniendo en cuenta la
influencia que tienen en la resistencia, de manera que en las variables más influyentes se
han hecho más variaciones que en las menos influyentes.

{ }
{ }
{ }
{ } 4 , 525 . 3 , 05 . 3 , 575 . 2 , 1 . 2
5 . 9 , 915 . 8 , 332 . 8 , 749 . 7 , 166 . 7 , 583 . 6 , 0 . 6
85 . 0 , 808 . 0 , 765 . 0 , 722 . 0 , 679 . 0 , 636 . 0 , 593 . 0 , 55 . 0
10 , 0 , 10
=
=
=
− =
T
B
B
L
C
C
p
stern


n
F → El número de Froude se ha variado de 0.05 a 0.45 centésima a centésima, por lo
que se ha trabajado con 41 números de Froude diferentes.

Para generar los datos se ha creado un programa en C++ que calculara los coeficientes
k + 1 y
w
C , siguiendo las fórmulas expuestas en el método de Holtrop y Mennen, para
todas las combinaciones posibles de las variables de entrada expuestas anteriormente.
En el cálculo de Holtrop y Mennen es necesario conocer del área trasversal del bulbo
de proa,
BT
A ,y el coeficiente
T
A que representa el área sumergida transversal del
espejo, a velocidad cero, los cuales se han considerado nulos para nuestro cálculo.

El total de datos generados ha sido de 20664, el 82% de los cuales se han utilizado
como datos de entrenamiento y el 18% restante como datos de validación.

Se han generado tres redes neuronales, una formada por tres neuronas, otra por nueve
neuronas y otra con doce. Inicialmente se han entrenado con en 82% de los datos
generados con el programa en C++, y se han validado con el resto de los datos.
Hubiera sido más favorable entrenarla y validarla directamente con datos
experimentales, pero los datos experimentales encontrados no eran suficientes para
entrenar y validar la red (se han encontrado en las bibliografías [9], [10], [11] y [12]
aproximadamente unos 60 datos experimentales) por eso hemos utilizado estos datos a
posteriori. Una vez entrenada y validada la red para los datos generados, se han vuelto a
entrenar con los datos experimentales y se han validado con los mismos.

La arquitectura óptima de la red es aquella que nos da un error de validación mínimo,
representamos pues el error de validación para ambos coeficientes en función del
número de neuronas que constituyen la red.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

23

Figura 13. Error de validación en función de la Neuronas de la Red


Observamos que el error de validación es mínimo en la red de nueve neuronas, ésta será
pues la arquitectura óptima de nuestra red. En la red de tres neuronas se produce under-
fitting y en la de doce neuronas se produce over-fitting.

Para comprobar que tal se ajustan los resultados de la red neuronal a los valores
experimentales realizamos una recta de regresión entre los valores k + 1 dados por la
red neuronal y los valores experimentales correspondientes a las mismas variables de
entrada, y realizamos otra recta de regresión con los valores
w
C . Si el ajuste de la red
fuera perfecto obtendríamos rectas del tipo x y ⋅ =1 .

Hacemos la misma comprobación entre los valores de los coeficientes calculados con
las fórmulas de Holtrop y Mennen y los valores experimentales, para las mismas
variables de entrada. De esta manera podemos comparar qué método se ajusta mejor a
los datos experimentales, el método de Holtrop y Mennen o la Red Neuronal
desarrollada en este trabajo.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

24

Figura 14. Recta de regresión del coeficiente k + 1 , para la Red Neuronal.




Figura 15. Recta de regresión del coeficiente k + 1 , para el método de Holtrop y Mennen.

Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

25

Figura 16. Recta de regresión del coeficiente
w
C , para la Red Neuronal


Figura 17. Recta de regresión del coeficiente
w
C , para el método de Holtrop y Mennen.

Si comparamos las rectas de regresión de nuestro modelo con las del modelo de Holtrop
y Mennen observamos, que las rectas obtenidas para nuestro modelo se ajustan mucho
mejor a los datos experimentales , ya que las rectas obtenidas se acercan a la recta para
el caso ideal x y ⋅ =1 . En las rectas para el coeficiente k + 1 , podemos apreciar que la
correspondiente a nuestro modelo se ajusta mejor a los datos experimentales, con el
coeficiente de correlación de la recta, el cual es mayor en nuestro modelo.
Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

26
7. CONCLUSIONES

Los resultados obtenidos con los modelos de Redes Neuronales se ajustan, casi de
manera ideal, a los datos experimentales de coeficientes relacionados con la resistencia.
Comparando los resultados obtenidos con las Redes Neuronales, con los resultados
dados por los modelos matemáticos descritos, se ha observado que con las Redes
Neuronales se pueden superar los modelos matemáticos utilizados hasta ahora.

Las Redes Neuronales generadas, una para el método de Delft y otra para el método de
Holtrop, están formadas por nueve neuronas. No es coincidencia que en ambos casos la
arquitectura óptima haya resultado ser la de nueve neuronas. Los dos casos tratados,
están definidos para diferentes tipos de barcos, pero la complejidad del cálculo de la
resistencia es muy similar en ambos casos, y ya indicamos que el número de neuronas
va ligado a la dificultad del problema.
Un punto positivo de las redes neuronales es que se pueden mejorar constantemente.
Las redes generadas en este trabajo se pueden mejorar entrenándolas con más datos
experimentales, consiguiendo así un ajuste perfecto de Red Neuronal, y de esta manera
se podrían calcular los coeficientes relacionados con la resistencia de manera muy
fiable. Esta aplicación podría ser de gran interés a la industria, pues permitiría disponer
de una herramienta de predicción que de manera muy sencilla pudiera mejorar con la
experiencia.

Con esto podemos concluir que las redes neuronales son una herramienta muy potente y
relativamente sencilla para ajustar las variables de entrada a un modelo. No obstante,
hemos de puntualizar que hay un punto que se debe mejorar, el hecho de poder
discriminar a la salida de la red aquellos valores espurios, como los valores negativos
que aparecen por ejemplo al estimar valores de resistencia para bajos números de
Froude. Este trabajo queda pendiente para el futuro.






















Sistema de predicción de resistencia basado en Redes Neuronales
Inma Ortigosa Barragán

27
REFERENCIAS

[1] J. Holtrop , A statistical analysis of performance test results, International
Shipbuilding Progress Vol. 24 nº 270. February 1977.

[2] J. Holtrop and G.G.J. Mennen, A statistical power prediction method, International
Shipbuilding Progress Vol. 25. October 1978.

[3] J.Holtrop and G.G.J. Mennen, An aproximate power prediction method,
International Shipbuilding Progress Vol. 29. July 1982.

[4] J. Holtrop ,“A statistical re-analysis of resistance and propulsion data”,
International Shipbuilding Progress Vol. 31. November 1984.

[5] Lars Larsson and Rolf Eliasson, Principles of Yacht design, Adlard Coles Nautical.
London 2000

[6] J. Gerritsma, R. Onnink and A. Versluis, “Geometry, resistance and stability of the
Delft Systematic Yacht Hull Serires, International Shipbuilding Progress 28(328):
276-97, 1981.

[7] J. García Espinosa, El proyecto del buque, Apuntes de la asignatura de “Proyectos”
de la Facultad de Náutica de Barcelona (U.P.C.)

[8] , R. Alvariño, J.J. Azpíroz y M.Meizoso. El proyecto básico del buque
mercanteFEIN, Madrid 1997.

[9] W. Beaver, W. Day and Chwng-Wen Lin , Resistance and propulsion
characteristics of the MarC Guardian tanker design, MARINEX International,
Advanced double-hull Technical Symposium, October 1994.

[10] M.G.. Parsons, Power prediction program, January 1996.

[11] A. Olivieri, F. Pistani, A. Avanzini, F. Stern and R. Penna, Towing tank
experiments of resistance, sinkage and trim, boundary layer, wake, and free surface
flow around a naval combatant Insean 2340 model.

[12] ITTC- Quality Manual, Resistance Uncertainly Analysis, Example for Resistance
test. ITTC 1999. Vol. 22.

[13] R. Lopez. Flood: An Open Source Neural Networks C++ Library,
www.cimne.com/flood, 2007.
[14] C. Bishop. Neural Networks for Pattern Recognition, Oxford University Press,
1995.

Sistema de predicción de resistencia basado en redes neuronales
I. Ortigoza J. Garcia

Publicación CIMNE Nº-305, Junio 2007

Centro Internacional de Métodos Numéricos en Ingeniería Gran Capitán s/n, 08034 Barcelona, España

27 1 ....………………....... el perceptrón………………………………...... Series de Delft……………………………………………………….. Estudio relacionado con las Series de Delft........18 6.....1......…4 3... Método de Holtrop y Mennen……………………………………..........13 5..26 REFERENCIAS…………………………………………………………………..12 5.………..2.. Estudio relacionado con el método de Holtrop y Mennen………………21 7.. Perceptrón multicapa………………………………………………........... INTRODUCCIÓN……………………………………………………………..Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán ÍNDICE 1.……12 5. La neurona artificial......18 6.......8 4.2 2..2......1. DESCOMPOSICIÓN DE LA RESISTENCIA AL AVANCE……………..1.4 3..3. DESARROLLO DE UN MODELO……………………………….. CÁLCULO DE LA RESISTENCIA………………………………………... CONCLUSIONES………………………………………………………….. REDES NEURONALES………………………………………………..………...2 3. Arquitectura óptima de la red…………………………………………….14 5...17 6.2.... DESCRIPCIÓN DEL ESTUDIO REALIZADO……………………..

las cuales constituyen la base de los ensayos de experiencias en canales. la resistencia por fricción y la resistencia de presión por fricción. [4] y [5]. por lo que ambas resistencias se pueden calcular por separado. por lo que trataremos con coeficientes que se refieren a la resistencia. DESCOMPOSICIÓN DE LA RESISTENCIA AL AVANCE La hidrodinámica aplicada al buque presenta una gran complejidad para buques que navegan en superficie. William Froude supuso que la resistencia de un buque estaba compuesta de dos partes independientes. con la misma o mejor fiabilidad y además que permita ser mejorada constantemente con datos experimentales. INTRODUCCIÓN Un punto muy importante en el proceso de diseño de una embarcación es el cálculo de la resistencia que sufre la embarcación por el hecho de moverse en un fluido. Se considera que la resistencia al avance del buque está constituida por diferentes componentes. que se pueden calcular por separado. el hecho de navegar en la separación entre dos fluidos (agua y aire) complica el estudio teórico por lo que se ha intentado suplir esta carencia mediante estudios experimentales. que se integran de manera aditiva para dar lugar a la resistencia total al avance. los resultados obtenidos con las funciones son bastante fiables. cada una de las cuales fracciona la resistencia total en componentes. La primera componente de la resistencia al avance es la resistencia viscosa. que a su vez se puede descomponer en dos. Generalmente los cálculos se realizan de manera adimensional. Por esta razón en este trabajo intentamos superar esa barrera y desarrollar una herramienta que sea capaz de realizar los mismos cálculos. la resistencia de fricción y la resistencia residual. La experimentación con modelos tomó fuerzas a partir de los ensayos de William Froude. quien enunció las leyes de semejanza mecánica. que permiten determinar aproximadamente el coeficiente de resistencia residual del velero y el coeficiente viscoso y coeficiente por formación de olas en el caso de mercantes. 2. pero es difícil mejorar el modelo ya que el ajuste estadístico es complicado. a lo largo de la historia se han desarrollado diferentes técnicas. Hace aproximadamente un siglo.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán 1. Ambos métodos utilizaron datos experimentales para ajustar una función. Para la determinación de estas componentes. La herramienta utilizada es la red neuronal. [3]. 2 . y para el cálculo de la resistencia residual en mercantes el método más extendido es el de Holtrop y Mennen [2]. Para el cálculo de la resistencia residual en veleros el método más utilizado es el de los polinomios de Delft [6]. pero no calcularemos resistencias propiamente dichas. Estos coeficientes se explicaran a continuación. En este trabajo nos basaremos en dos técnicas estadísticas de base experimental.

La resistencia de presión por fricción se debe a un desequilibrio en las fuerzas de presión sobre el casco que se produce por fenómenos viscosos. El cálculo del coeficiente adimensional que se refiere a la resistencia por fricción requiere de técnicas experimentales o numéricas. las moléculas de agua que se encuentran en contacto directo con el casco del barco se quedan enganchadas a él de manera que se mueven a la misma velocidad que el barco. esta contribución a la resistencia es lo que se denomina resistencia de presión por fricción. la denominada ITTC 57. Dado que el agua es un fluido viscoso. Esquema del comportamiento del flujo hidrodinámico alrededor de una carena tipo 3 . este desprendimiento hace aumentar la velocidad del agua.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán La resistencia por fricción es debida a la fricción directa entre el barco y el agua. la capa límite. que es la fórmula más utilizada ya que se acordó como estándar por la ITTC. por lo que en esta zona disminuye la presión. Debido a las formas del casco. La presión en proa es entonces mayor a la presión en popa. ya que la fórmula anterior sólo es válida para placas planas y es evidente que el casco del barco no es una placa plana. con un gradiente de velocidad. CF = 0. El coeficiente de corrección es diferente dependiendo del método utilizado para el cálculo de la resistencia. Para el cálculo de la resistencia por fricción de la embarcación hemos de introducir un coeficiente de corrección.075 (log10 ( Rn ) − 2) 2 La resistencia friccional se obtendría multiplicando el peso de la embarcación por el coeficiente ITTC 57. antes mencionada. se desprende en la popa debido al cambio brusco de forma. Figura 1. La resistencia viscosa es la suma de la resistencia por fricción y la resistencia de presión por fricción. este desequilibrio produce un aumento de la resistencia sufrida por el barco. A medida que nos alejamos del casco las moléculas de agua dejan de verse tan afectadas por el contacto con el casco por lo que desde el casco hacia fuera se crea una fina capa de agua. velocidad igual al barco para las partículas en contacto y velocidad cero para las más alejadas. denominada capa límite. RF = ∇·ρ ·g ·C F . aunque existen fórmulas experimentales obtenidas para placas planas.

Cada uno de estos modelos tiene en cuenta otros factores que también incrementan la resistencia. A continuación expongo los dos modelos a fin de reseñar las diferencias que existen entre ambos. Se realizaron pruebas de canal 4 . De esta manera. origina sistemas de olas perfectamente definidas. En este trabajo se tratan dos modelos diferentes. Estas dos componentes de la resistencia son las que tienen una mayor contribución a la resistencia total. utilizadas para el cálculo en veleros.1. Representación esquemática de los trenes de olas transversales generados por el barco para Fn = 0. Este campo de presiones que afecta al contorno del buque.40 . y el método de Holtrop y Mennen. El desplazamiento de la carena a través del agua. utilizado para mercantes. Este modelo se desarrolló gracias a una exhaustiva investigación de la resistencia en veleros en el Delft Ship Hydromechanics Laboratory.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán La segunda componente principal en la resistencia al avance es la resistencia por formación de olas. por lo que están consideradas en todos los modelos matemáticos diseñados para calcular la resistencia al avance. siendo por tanto la energía gastada en acelerar las partículas de agua verticalmente contra la fuerza de la gravedad. con zonas de altas presiones en los extremos de proa y popa y de bajas presiones en la parte central del buque. Figura 2. Los factores que considera cada modelo dependen del tipo de barco que se estudie y de los experimentos que se han realizado para desarrollar el modelo matemático. Series de Delft Las series de Delft son la herramienta más utilizada para el cálculo de la resistencia al avance en veleros. crea una perturbación de presiones a lo largo de toda la eslora del buque. 3. las series de Delft. aunque de manera menos significativa. CÁLCULO DE LA RESISTENCIA 3. podemos definir la resistencia por formación de olas como la energía disipada por el buque y que hay que suministrar continuamente el sistema de olas creado en la superficie del agua.

565 0.64 2.11 4. LWL BWL 3.78 5.4 -2.530 0.76 4.565 0.530 0. R F = · ρ ·V 2 ·(S c ·C Fc + S k ·C Fk + S r ·C Fr ) .24 3.78 4.78 4.99 3.565 0.600 LWL ∇1 / 3 4.73 BWL TC 3.96 2.78 4.10 5.3 -2. resistencia friccional más resistencia residual.4 -2. Anteriormente ya se ha descrito la resistencia y sus diferentes componentes.3 -2.99 3.3 -2.23 Cp 0.34 5.78 5. dónde S c .75 4.2 0. Exponemos a continuación la estimación de la resistencia que se consideró para desarrollar el modelo de Delft.0 -5.4 -2.3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Tabla 1. la orza y el timón. aunque cada modelo las estima de manera diferente.17 3.34 LCB % -2.3 -2.15 3. la resistencia viscosa y la resistencia por formación de olas están consideradas en todos los modelos.94 3.84 4.0 -5.77 5.15 3.99 3.17 3. el ‘Stanfast 43’ diseñado por Frans Maas.600 0.17 4.568 0. S k y S r 2 5 .0 -5. desarrollar un modelo matemático para calcular la resistencia del velero.585 0.78 4.76 3.565 0.3 -2. relación eslora desplazamiento LWL / ∇1 / 3 y relación ( ) Modelo nr.51 3.78 4.81 4.530 0.0 0. La resistencia friccional del velero se obtuvo de la suma de las contribuciones del 1 casco.78 4.68 2.0 -2.16 3.51 3.15 3.530 0.51 3.95 3.565 0. relación manga calado (BWL / TC ) .562 0.10 5.600 0.75 3.600 0.78 4.69 3.07 3.98 4.13 3.15 3.15 3.04 5.10 4.10 4.34 4.3 0.3 -2. En las pruebas de canal se tomaron datos de la resistencia con el fin de.76 3.77 4. Coeficientes de forma para los modelos utilizados en los experimentos.569 0. Para el estudio se consideró que la resistencia total del velero se podía descomponer como RT = RF + RR .564 0. Los coeficientes de la geometría del casco utilizados para definir las formas son el coeficiente prismático (C p ).574 0.14 4.0 0.35 3.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán para veintidós modelos con formas diferentes.51 2. aunque todos ellos basados en las formas de un velero ya diseñado. eslora manga (LWL / BWL ) .3 -2. la posición longitudinal del centro de carena (LCB ) . mediante un análisis estadístico.530 0.15 3.546 0.24 4.0 -5.0 -2.15 3.32 3.94 3.95 3.53 2.568 0.3 -2.36 4. y como ya habíamos puntualizado.15 3.

Los coeficientes de resistencia friccional se calcularon con la fórmula ITT-57.125 0. que debido a las formas del casco se producía un desequilibrio de presiones entre la zona de proa y popa.35 0. ν = 1. Rnr = Siendo la viscosidad cinemática.07 0. Este modelo introduce un factor de corrección.29 0. La resistencia residual engloba todas la componentes de la resistencia excepto la resistencia friccional.19 4.26 0. Con este fin sometieron a los 22 veleros a pruebas de canal y tomaron datos V de la resistencia residual que padecían variando el número de Froude Fn = .56 0.1413·10 m / s para agua dulce a 15º y 6 2 ν ν ν ν = 1.20 0.300 3.82 1. g ·L Modelo Fn 1 2 3 4 5 6 7 8 0.65 0.06 1.06 3. el coeficiente de forma denominado k.82 5.43 0.78 0. Anteriormente se había indicado también.11 0.09 4. y esto es lo que pretendía el estudio desarrollado en el Delft Ship Hydromechanics Laboratory. C k y C r son las longitudes características de la orza y la quilla respectivamente. dando lugar a la resistencia de presión por fricción.69 1.325 4.075 CF = . Los coeficientes C Fc .28 0.86 0. La longitud característica es un promedio de la longitud del cuerpo que atraviesa el agua teniendo en cuenta su forma. Al no ser el casco una placa plana en la mayoría de modelos se incluye un factor de corrección.97 0.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán son las áreas mojadas del casco.64 0.99 1.7 que introduce en el cálculo del número de Reynolds.85 1.99 4.44 0.62 5.59 1.98 0. por lo que la resistencia por formación de olas está considerada en esta componente.23 1.37 0. Teniendo en cuenta estas correcciones.54 0.97 1.29 4.31 1. era necesario pues desarrollar un modelo matemático para calcular la resistencia residual.08 2.61 2.36 0.35 0.21 3.175 0.49 4.04 0. 0.67 2. considerando que el casco no es una placa plana y que se produce un desequilibrio en las presiones.150 0.46 3.38 0. la resistencia friccional denominada en este modelo equivale a la resistencia viscosa descrita anteriormente en el apartado de descomposición de la resistencia al avance.66 0.1907·10 6 m 2 / s para agua salada a 15º.12 0.33 2.225 1.23 0.35 0. la orza y el timón respectivamente.93 0.37 0.94 2.250 1.16 0.275 2.20 0.09 1. (log10 ( Rn ) − 2) 2 El número de Reynolds se determina por separado para cada una de las partes del barco consideradas: V ·0.70 0.57 1.47 0.27 0.83 2.43 4.99 3.09 0.54 5.76 3. La resistencia friccional se podía calcular con las fórmulas anteriormente indicadas.18 1.79 6 .200 0.7·LWL V ·C k V ·C r Rnc = .31 1.61 5. Rnk = . este factor es el valor 0.09 2. anteriormente descrita.91 0.17 0. C Fk y C Fr son los correspondientes coeficientes de resistencia friccional. La fórmula ITTC-57 da el coeficiente de fricción para una placa plana con la misma superficie mojada que el casco.

350 7.18 0.55 37.70 0.26 0.50 18 0.c.06 0.24 0.94 20 0.16 0.09 0.73 23.85 7.09 0.04 0.45 16.48 47.95 13.44 51.325 4.57 1.07 0.28 1.275 0.47 12.27 4.14 19.39 0.225 0.77 51.12 3.31 27.40 14.73 3.16 11.80 12.01 0.42 17 0.99 24.250 0.21 1. ·1000 ∆c Modelo 19 0.05 20.450 8.24 12.45 4.34 6.88 2. r ·1000 ∆c 16 0.01 51.35 0.18 32.34 30.07 55.93 20.02 1.09 47.38 R Tabla 2.07 7.98 3.37 9.25 0.150 0.24 1.68 2.32 0.92 1.300 3.39 12. Resistencia residual por unidad de peso de desplazamiento.55 0.28 1.95 37.96 1.15 6.87 Estos datos experimentales se sometieron a un análisis estadístico.30 2.31 6.06 7.65 0.76 3.15 34.71 14.77 60.77 30.03 12.74 7.85 2.64 1.14 23.62 3.94 2.59 31.05 2.19 1.99 49.350 0.76 1.225 1.23 37.41 0.23 0.18 41.45 0.69 11.17 0.62 3.53 19.150 0.77 0.40 0.76 1.14 1.69 5.09 35.17 2.125 0.36 15.49 20.04 2.73 1.40 33.49 2.84 7.86 11.90 1.76 14.15 20.83 0.85 2.250 1. a fin de expresar la resistencia residual en forma de polinomios para valores discretos del número de 7 .86 0.80 8.24 0.35 5.59 0.24 1.78 1.25 23. Resistencia residual por unidad de peso de desplazamiento.51 33.14 55.11 1.50 0.325 0.46 4.73 0.75 49.05 0.63 34.62 12.02 23.13 46.450 53.175 0.91 24.47 0.24 0.50 54.62 51.34 0.77 0.13 1.56 20.18 0.66 R Tabla 2.76 0.40 0.83 5.400 21.97 50. Resistencia residual por unidad de peso de desplazamiento.11 13.41 32.41 19.55 32.08 21.85 2.59 2.63 1.79 0.00 8.300 0.19 13.46 50.12 34.400 0.46 0.36 0.14 4.07 7.49 7.83 1.425 0.28 8.90 50.87 7.57 5.29 44.15 0.75 0.62 3.58 35.51 0.425 35.38 0.68 8.32 0.14 8.46 33.42 4.14 50.375 0.64 38.375 12.34 62.a.03 0.11 0.27 20.20 8.450 21 22 0.63 4.46 Rr Tabla 2.400 0.15 0.99 21.47 0.36 6.23 Fn 0.96 1.11 32.77 2.17 0.41 5.96 0.17 56.425 0. r ·1000 ∆c Modelo Fn 9 10 11 12 13 14 15 0.175 0.70 5.25 13.16 0.15 0.87 8.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán 0.275 2.28 0.08 0.10 0.76 7.08 0.14 10.45 6.b.96 25.93 12.04 12.84 4.45 9.13 21.375 0.200 0.01 1.63 1.49 0.200 0.11 11.08 0.96 5.34 41.14 55.125 0.43 2.37 1.350 0.16 3.86 21.

76 -33.0481 0.0214 -0.0021 0.2 -687. Coeficientes de los polinomios de Delft.150 0.203 24.1 196.3532 0.3431 -0.00 -13.8 414..1 A1 46.4526 0. Los polinomios obtenidos eran de la forma:  1000·R R  B L 2   = Aio + Ai1 ⋅ C p + Ai 2 ⋅ C p + Ai 3 ⋅ LCB + Ai 4 ⋅ ( LCB ) 2 + Ai 5 ⋅ WL + Ai 6 ⋅ Wl/ 3 1  ∆  TC ∇c C  i i = 1.1211 0.16 195.15 46. y la resistencia residual con los polinomios de Delft.175 0..196 29.26 -4..4519 A5 0.2246 0. 1 + k .325 0.7.1 1117 877. Método de Holtrop y Mennen El estudio comenzado por J.1711 0.53 -42.34 -45.1476 0.156 6. Fn 0.30 -98.01 -14. Con este modelo matemático es posible calcular la resistencia total del velero. factor de forma que describe la resistencia viscosa de la forma del casco en relación con la resistencia friccional.934 2.3313 0.1425 0.5725 1.3 588.3365 0. RTotal = R F ⋅ (1 + k ) + R APP + RW + R B + RTR + R A R F .2240 0.400 0. modificada con el factor 0..501 A6 0.0478 0.275 0.G.0043 0.88 100.3408 0.0190 -0.151 -0.450 A0 -13.6776 0.0 379.11 +10.3463 0.0046 -0.1504 0.0570 0.425 0.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Froude y teniendo los coeficientes de la geometría del casco como variables.0273 0. por lo que en la representación numérica de la resistencia consideraron estas componentes por separado.053 -4.68 -2.4640 0.0041 0.0872 -1.87 85.417 Tabla 3.250 0. 8 .2 -1321 -1085 -1666 A2 -42.8 -901.0585 0.009 1. resistencia friccional de acuerdo con la fórmula ITTC-1957.0930 0.1746 -1. La resistencia total se subdivide en componentes de origen diferente.6 272.540 1.84 50.2.0674 0.106 -27.0062 -0.3168 0.225 0.58 36.0062 -0.55 -315.8 617.300 0.064 -1.81 3.14 .2142 0.41 -12.4662 0.8 1362 A3 -0.2690 0.350 0.0967 0. Se calcula la resistencia friccional con las fórmulas de la ITTC-57.0 777.Holtrop en 1974 tenía como objetivo desarrollar una descripción numérica de la resistencia al avance [1].0153 -0. En 1978 se unió al estudio G. siendo ambos los que desarrollaron el modelo matemático utilizado en este trabajo [3].0085 0.Mennen [2].J.200 0. correspondientes a los catorce valores discretos del número de Froude. 3. para cada valor del número de Froude.2965 0.871 A4 -0.0757 0.265 2.3266 0.125 0.0176 0.375 0. sumando ambas se obtiene la resistencia total.06 13.0341 0.

58 < C p < 0. R A .0 < T 2 . La evaluación de cada una de las componentes se desarrolló aplicando múltiples análisis de regresión a los resultados de 1707 pruebas.3 < < 8 .0 < L < 7 .3 B L 6 < < 9 .0 < 3 .2 < 4 . llevadas a cabo con 147 modelos de barcos y con 82 medidas en 46 barcos.24 0.56 < C p < 0. Rango de parámetros para los diferentes tipos de barcos. resistencia por formación y rotura de olas.4 < T B 2 .5 B 5 .1 < 6. resistencia de los apéndices RW . resistencia de correlación modelo-buque. El modelo matemático con el que se ha trabajado en este proyecto ha sido el presentado en 1982 [3].30 0.0 < 4 .55 < C p < 0. 0.38 0. R B . Los tipos de barcos utilizados en los experimentos. resistencia por presión adicional de la parte sumergida del espejo de popa.73 < C p < 0. Los estudios se empezaron en el año 1974 y se concluyeron en el 1984.0 Cp 0. Se realizaron diferentes ensayos de canal a fin de poder ajustar cada una de las componentes a una fórmula matemática con los coeficientes de geometría del barco y el número de Froude como variables. Estos datos fueron seleccionados de los archivos del Netherlands Ship Model Basin.72 0.1 < T B 3 .4 < 3 .30 Tabla 4. resistencia por presión adicional del bulbo RTR . el rango de sus coeficientes de forma y de los números de Froude se muestran en la siguiente tabla: Tipo de barco Petroleros Bulkcarriers Carga general Costeros Remolcadores Porta contenedores fragatas Varios L/B L < 7 .3 B B /T B T B 2 .45 B < 4 .1 B L 5 .75 Fn máx. el cual presentamos a continuación: 9 .85 0.9 < < 6 .0 B L 3 .0 T 0.65 0. Holtrop y Mennen sometieron modelos y resultados de pruebas a métodos de análisis de regresión. El objetivo de su estudio era desarrollar una descripción numérica de la resistencia al avance y los efectos de escala entre el modelo y el barco correspondiente.2 < < 3 .55 < C p < 0.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán R APP .67 0. durante este tiempo se fue mejorando el modelo matemático obtenido inicialmente.

05 c12 = 48. respecto a la mitad de la eslora. pero negligendo la forma local de la popa. i E .521448 ⋅ (1 − C P + 0.93 + c12 ⋅  L   R  LR 0.25 L L B L  0.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán   B  (1 + k ) = c13 ·0.07961 ·(90 − i E ) −1.6367  L R  i E = 1 + 89·exp −   ·(1 − CWP ) ·(1 − C P − 0. en referencia al plano central.11 0. y dado en porcentaje de la eslora. en grados.95 − C P ) − 0.0225 ⋅ lcb ) 0.229577·  L L  B B  c7 =  → 0.92497 ⋅ (0.78613 ·  B 1.80856  ∇    0.05   L  L  2.02  L L    T 0.2228446 T → > 0.479948 → < 0.02 < < 0.20· − 0. RW = c1 ·c 2 ·c5 ·∇· ρ · g ·exp m1 ·Fnd + m 2 ·cos(λ ·Fn−2 ) { } T  3 c1 = 2223105·c7 .16302   L  0.8· AT B·T ·C M ( ) 10 . Para secciones en forma de V este coeficiente vale -10. para secciones normales el coeficiente vale 0 y para secciones en forma de U el coeficiente vale 10.06·C P ·lcb = 1 − CP + 4·C P − 1 L     0.6906       T  0.11 < < 0.5 − 0.0625· B → L > 0.02 L   c13 = 1 + 0. El factor lcb representa la posición longitudinal del centro de carena. es el ángulo de la línea de agua en la proa.89· c3 c5 = 1 − 0. la cual fue obtenida a partir del análisis de regresión de 200 formas del casco.25   c 2 = exp − 1.34574 0. Si este ángulo no se conoce se puede calcular utilizando la fórmula anterior. 0.37565 0.078  T  T  + 0.30484 0.0225·lcb ) ·  ·100· 3   L     B   B    La mitad del ángulo de entrada.33333  B B → < 0.003 ⋅ C stern Dónde C stern es el coeficiente que indica la forma de la popa.479948 → 0.

en cualquier caso son las que más contribuyen a la resistencia total. L L  1.69385 → < 512 ∇   L3  c15 = 0.36 ∇  d = − 0 . aproximadamente el 27% de la resistencia total. ABT . a velocidad cero.7067·C P → C P > 0. del espejo. Estos porcentajes son válidos para números de Froude alrededor de 0. hB es la posición del centro del área trasversal.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán El coeficiente c 2 es un parámetro que cuantifica la reducción de la resistencia por olas debida a la acción del bulbo de proa. por encima de la línea de la quilla y TF es el calado delantero del barco.0 → > 1727 ∇   L    1 − 8 .8 c16 =  1.36 → L > 12 P   B L B ∇ 3 m1 = 0.56· A1.9 c3 = B·T · 0.69385 +  ∇  2. El coeficiente AT representa el área sumergida transversal.80 2 m2 = c15 ·C P ·exp − 0.03· B → B < 12  λ= 1.984388·C P → C P < 0. La resistencia por correlación modelo-buque representa el 10% de la resistencia total.0140407· − 1.0    3 3  → 512 < L < 1727 − 1.446·C P −0. El coeficiente c5 expresa la influencia del espejo de popa en la resistencia de ola. aproximadamente el 63% de la resistencia total y la resistencia dada por las olas representa. para un mismo barco.79323· − c16 T L L 2 3 8.30.446·C − 0. 11 .1·Fn− 2 1 ( )   L3 − 1.73014 − 0. La resistencia de los apéndices. La resistencia viscosa RF ·(1 + k ) representa. resistencia por presión adicional del bulbo y la resistencia por presión adicional de la parte sumergida del espejo de popa contribuyen en muy pequeña proporción a la resistencia total. En este trabajo nos centraremos en el cálculo la resistencia viscosa y la resistencia por formación y rotura de ola.75254· − 4. pero las dos componentes anteriormente mencionadas. ya que son las componentes que más contribuyen a la resistencia total. Los porcentajes varían según el número de Froude.5 BT ) El coeficiente c3 determina la influencia del bulbo de proa en la resistencia por olas.8673·C P + 6.07981·C P − 13.31· ABT + TF − hB ( 0.

El aumento del número de variables de entrada. Las redes neuronales ofrecen ventajas para funciones de aproximación en espacios de muchas dimensiones. denominadas funciones ocultas. En el caso de tener d variables de entrada y una salida. inspirado en la biología. En la actualidad se posee una herramienta informática muy potente que permite ajustar las variables de entrada a un modelo. El ajuste polinómico resulta sencillo si se trabaja con una variable de entrada y una de salida. El proceso de ajuste de estos parámetros se denomina aprendizaje o entrenamiento. siendo los resultados que ofrece satisfactorios. estos datos se trataron de manera estadística a fin de ajustarlos a un polinomio. 5. Las redes neuronales ofrecen una estructura general y potente para representar relaciones no lineales entre varias variables de entrada y varias variables de salida. El número de tales funciones sólo crece con la complejidad del problema no simplemente por que aumente la dimensión del problema. el precio que se ha de pagar por esta ventaja es que el 12 . típicamente sólo crece linealmente o cuadráticamente con la dimensión del espacio de entrada. por lo que se necesitan muchos datos “experimentales” para poder determinar de manera correcta el valor de los coeficientes. en generalmente todos los casos. el cual es una clase de aproximación universal. Una de las redes neuronales más utilizadas es el Perceptrón Multicapa. donde la forma del ajuste está gobernada por un número de parámetros ajustables. Ya se ha comentado que los modelos se desarrollaron a partir de un conjunto de datos obtenidos de manera experimental. para un número dado de funciones ocultas. en el caso de trabajar con más de una variable de entrada el ajuste se complica. constituido por una arquitectura de red formada por neuronas artificiales. que se definen como un modelo computacional. DESARROLLO DE UN MODELO Anteriormente se han expuesto los modelos matemáticos desarrollados por el instituto de Delft y por Holtrop y Mennen. El número de parámetros libres en estos modelos. REDES NEURONALES Las redes neuronales se entienden como una extensión de las técnicas convencionales de modelos estadísticos de reconocimiento. Generalmente los modelos de redes neuronales representan funciones no lineales de muchas variables como superposición de funciones de una única variable. de manera relativamente sencilla. Las funciones ocultas se adaptan a los datos de entrada como parte del proceso de entrenamiento. y se realiza mediante un algoritmo. Esta herramienta son las Redes Neuronales. que comparado con la dependencia dM de los polinomios es evidente que el modelo de red neuronal es mucho más sencillo que el polinomio a la hora de ajustar los parámetros. aumenta los grados de libertad del problema. si realizamos un ajuste polinómico de tercer orden la fórmula sería: y = w0 + ∑ wi1 · xi1 + ∑ ∑ wi1i 2 · xi1 · xi 2 + ∑∑∑ wi1i 2i 3 · xi1 · xi 2 · xi 3 i1 i1 i2 i1 i2 i3 d d d d d d Para un polinomio de orden M el número de parámetros a ajustar es dM.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán 4.

Figura 3. mediante una señal electroquímica.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán procedimiento para determinar los valores de los parámetros es un problema de optimización no lineal.1. el cual equivaldría a la neurona humana. Modelo de neurona perceptrón. El perceptrón recibe unas señales de entrada. Figura 4. es decir. de los impulsos nerviosos. constituido por un vector de pesos sinápticos 13 . Estructura neuronal. La neurona artificial. núcleo o soma y axón . dentritas. Las dentritas son las vías de entrada. En el proceso de transformación de la información intervienen tres elementos básicos : · Un conjunto de parámetros libres. En el soma se lleva acabo la integración de toda la información obtenida en las dentritas. transmiten los potenciales de las neuronas adyacentes hacia el soma. el perceptrón En el año 1962 F. Rosenblatt diseñó el modelo de perceptrón. El axón transmite a otras neuronas el mensaje resultante de la integración. 5. lo cual es computacional mente intensivo y lo cual presenta un número adicional de complicaciones como la presencia de múltiples mínimos en la función error. Rosenblatt ideó una modelo informático basado en el funcionamiento de las neuronas humanas. En este trabajo utilizaremos las redes neuronales del tipo perceptrón multicapa. procesa la información recibida y la transforma en una señal de salida. que tienen como unidad básica las neuronas denominadas perceptrones. a la neurona. En base a esta estructura neuronal F. Las neuronas humanas se estructuran en tres partes diferenciadas .

. a su posición y a sus conexiones. 14 . Las neuronas se pueden combinar formando una red neuronal. b...2.. Figura 6. o bias.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán (w1 . da lugar a la señal de salida. w) = b + ∑ wt · xt t =1 n · Una función de activación g . g (u ) = tanh(u ) g (u ) = u (1) (2) Figura 5. Perceptrón multicapa. La arquitectura de la red se refiere al número de neuronas que la constituyen . Función de activación lineal. La arquitectura de red del perceptrón multicapa está constituida por modelos de neuronas del tipo perceptrón. que teniendo como argumento la señal de salida neta. dando lugar a una señal de salida neta u . y = g (u ) Las funciones de activación utilizadas en este trabajo son la función de activación sigmoidal (1) y la función de activación lineal (2). · Una función de combinación que combina las señales de entrada con los parámetros libres. wn ) y una tendencia. Función de activación sigmoidal. u = h( x. 5. b .

Dos capas de perceptrones. la capa oculta y la capa de salida. Si tenemos una red de una capa con n entradas. El modelo de red neuronal utilizado en este trabajo es del tipo perceptrón multicapa. cada una de las variables de salida nos la da un perceptrón con función de activación lineal . i =0 n que se denomina salida neta. que en nuestro caso. Figura 7. A estas funciones es a las que denominamos funciones ocultas. con una única capa de neuronas ocultas. Cada una de las neuronas realiza el proceso anteriormente descrito en el modelo de perceptrón. una o más capas de neuronas ocultas y un conjunto de neuronas que constituyen la capa de salida. la capa de neuronas ocultas. para las neuronas ocultas. Perceptrón multicapa con una única capa de neuronas ocultas. combina las entradas mediante unos parámetros libres y (1) (1) j 1 = ∑ w (ji ) ⋅ xi + w (j10) i =1 n . es del tipo sigmoidal z j = g ( y (j1) ) = tanh( y (j1) ) . La salida de la red se obtiene transformando la activación de las neuronas de la capa oculta utilizando una segunda capa de procesado. queda y (j1) = ∑ w (ji ) ⋅ xi . h1 neuronas y m salidas. dónde el índice indica que es el peso correspondiente a la primera capa de neuronas. En el perceptrón de la salida se hace una combinación de las funciones ocultas dadas por las neuronas ocultas. La salida de cada neurona se obtiene aplicando como argumento la salida neta a la función de activación. 1 Si añadimos la tendencia como el peso de la variable x0 = 1 .Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán El modelo de perceptrón multicapa está formado por un conjunto de nodos sensoriales que constituyen la capa de entrada. 15 .

posteriormente los datos de salida de la red se han de postprocesar. x d . 1 c E n = ·∑ ( y k ( xi . la cual se minimiza variando los pesos y las tendencias de la red. Es conveniente.. se produce el fenómeno del under-fitting. en nuestro caso [13]. y se realiza mediante un algoritmo basado en el método de quasi-Newton. a fin de lograr la convergencia. [14].. las de la capa oculta y las de la capa de salida. La red neuronal se somete a un proceso de aprendizaje basado en la definición de una función de error apropiada. w) − t k ) 2 2 k =1 Para minimizar el error se pueden usar diferentes métodos matemáticos.. El número de capas de la red se refiere al número de capas de neuronas ocultas que contiene la red. Una misma capa puede generar una amplia variedad de diferentes funciones simplemente escogiendo diferentes valores de los pesos y las tendencias.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán ( ( ( y k 2) = ∑ wkj2) ⋅ z j + wk 2) 0 j =1 h1 h1 ( ( y k 2) = ∑ wkj2) ·z j j =0 La activación de la salida k se obtiene transformando esta combinación usando la ( ~ ( función de activación lineal y k = g ( y k2 ) ) = y k 2) . como es el método del gradiente descendiente o el de quasi-Newton. someter los datos a un preproceso. Este preproceso generalmente es la normalización de los datos de entrada.. La red con la que trabajamos tiene dos capas de neuronas. El cálculo en el que se busca minimizar este error es lo que se denomina entrenamiento o aprendizaje de la red. Datos de entrada ↓ Pre-proceso ↓ Red neuronal ↓ Post-proceso ↓ Datos de salida En los ajustes estadísticos se puede dar el caso de intentar ajustar los datos mediante un polinomio demasiado sencillo por lo que el ajuste de la función no es acertado. pero al tener una única capa de neuronas ocultas la denominamos como red neuronal de una capa de neuronas. 16 .

17 . Ajuste exagerado de una función. en las redes neuronales podemos controlar la complejidad del modelo controlando el número de parámetros libres que esta posea. El ajuste óptimo se consigue con un polinomio de grado adecuado a nuestros datos. una vez ajustados los pesos y las tendencias de la red. Para validar la red introducimos unas variables de entrada con sus correspondientes salidas. Figura 9. Seguidamente se realiza el mismo proceso variando el número de neuronas de la red. En la red utilizada para el trabajo. el número de neuronas necesarias en la capa oculta para obtener un ajuste óptimo.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Figura 8. under-fitting. Una vez entrenada la red se introducen unos datos de validación. over-fitting. se aumenta el número de parámetros libres simplemente aumentando el número de neuronas de la capa oculta. se buscan las salidas que da la red para las variables de entrada introducidas y se compara con las salidas introducidas. es decir. Los parámetros libres aumentan al aumentar el número de neuronas y al aumentar el número de capas de la red. es decir. 5. Para no sufrir el fenómeno de under-fitting o over-fitting hemos de encontrar la arquitectura óptima de la red. Para obtener la arquitectura óptima se fija el número de neuronas y se entrena la red. ésta ha de ser validada. este fenómeno se denomina over-fitting. para determinar el error existente entre la salida de la red y las salidas de los datos de validación. Arquitectura óptima de red Ya se ha comentado que en este estudio se ha trabajado con una red de una única capa de neuronas por lo que la arquitectura óptima está determinada por el número de neuronas. La red óptima será aquella que de un error mínimo en la validación. También se puede dar el caso de realizar un ajuste demasiado complicado. Para poder comprobar que no se producen ninguno de estos fenómenos.3. Ajuste insuficiente de una función. una vez entrenada la red . una red de una capa. De la misma manera que podemos variar la complejidad de los polinomios mediante el grado del polinomio. con unos datos denominados datos de entrenamiento.

por eso en este estudio hemos realizado modelos de redes neuronales que permitan calcular ciertas partes de la resistencia. se han vuelto a entrenar y validar con todos los datos experimentales. en cada una de ellas se ha calculado el error medio entre los valores experimentales y los valores dados por la red neuronal. uno para el entrenamiento de la red (75% de los datos totales) y otro para validar la red (25% de los datos totales). o el número óptimo de neuronas será aquel que de un error mínimo en la validación de los datos de validación. En cambio si el número de neuronas es demasiado elevado para la complejidad de nuestro problema obtendremos un error en la validación. R ·10 3 .1. Flood [13].. Si el número de neuronas es demasiado pequeño para la complejidad del problema obtendremos un error de validación grande. en total cinco variables de entrada. Estos datos se han dividido en dos grupos.b. otra con nueve y otra con doce.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán La arquitectura óptima. del mismo modo que se pueden calcular con los modelos matemáticos descritos anteriormente. 6. Los polinomios que forman las series de Delft permiten calcular la relación entre la R resistencia residual y el peso de la embarcación. teniendo como variables ∆C cuatro coeficientes de formas y el número de Froude. En la actualidad las redes neuronales se utilizan para cualquier tipo de modelización.a. Los modelos descritos anteriormente son esencialmente de tipo polinómico. una con tres neuronas. Para determinar la arquitectura óptima de la red se han realizado tres redes. se produce over-fitting. Estudio relacionado con las Series de Delft. y 2. El modelo de red neuronal utilizado en este trabajo es el desarrollado por Roberto Lopez en CIMNE. ya que se está produciendo under-fitting. Una vez entrenadas y validadas las redes. En la siguiente gráfica se representa el error de validación respecto el número de neuronas que configuran la red. DESCRIPCIÓN DEL ESTUDIO REALIZADO Anteriormente se ha expuesto la necesidad de calcular la resistencia que sufre el barco al navegar y dos de los estudios realizados para poder calcularla. 18 . 2. a fin de mejorar el ajuste. 6.c). para los datos de validación. En esta parte del estudio se ha generado una red neuronal para calcular la relación RR 3 ·10 . ∆C Para crear la red neuronal se han utilizado los datos experimentales con los que se realizaron los polinomios de Delft (Tablas 2.

La red que da un error mínimo de validación es la que tiene la arquitectura óptima.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Figura 10. 19 . Error de validación en función de las neuronas que constituyen la red. Se observa que el error es mínimo para la red de nueve neuronas. Para comparar los resultados obtenidos con la red de nueve neuronas y los resultados dados por las Series de Delft. ésta será la red con la que trabajaremos y la que podremos mejorar con más datos experimentales. en este caso la red constituida por nueve neuronas. éstos se representan en forma de recta de regresión entre R los valores R ·10 3 experimentales y los correspondientes valores dados por ambos ∆C métodos. El ajuste perfecto daría una recta de regresión del tipo y = 1 ⋅ x . Así pues. en la red de tres neuronas se produce under-fitting y en la de 12 over-fitting.

por lo que podemos considerar nuestro modelo más preciso que el desarrollado en Delft.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Figura 11. Recta de regresión para la Red Neuronal. También cabe destacar que los polinomios de Delft son válidos para valores discretos del número de Froude. 20 . en cambio la red neuronal está definida para valores continuos del número de Froude. Figura 12. que los resultados obtenidos con las Series de Delft. Recta de regresión para las Series de Delft. Si comparamos ambas rectas se observa que los resultados obtenidos con la red neuronal se ajustan mucho mejor a los resultados experimentales.

Para poder generar la red son necesarios datos experimentales. RV = (1 + k )·RF = (1 + k )·∇·ρ ·g ·C F → 1 + k = Rw ∇· g · ρ RV ∇·ρ ·g ·C F Cw = En esta parte del trabajo se desarrolla una red neuronal que teniendo como variables de L entrada el coeficiente prismático (C P ) .la relación B B manga-calado   . y como variables de salida los coeficientes 1 + k y C w .0 T Los coeficientes de formas que más influyen en la resistencia son el coeficiente L prismático (C P ) y la relación eslora manga   y de entre todas las variables de B entrada.45 0.55 < C P < 0.5 B B 2 .1 < < 4 . Los datos no aparecen en la bibliografía consultada y el instituto donde se realizaron los experimentos no nos los ha podido facilitar. por lo que a falta de datos experimentales. El rango de las variables que se consideraron en los experimentos está dentro de los siguientes límites: Fn < 0. la relación eslora manga   . Estudio relacionado con el método de Holtrop y Mennen El método de Holtrop y Mennen permite calcular de manera independiente cada una de las componentes de la resistencia que sufre la embarcación.85 6 . el número de Froude ( Fn ) es la que más influye en la resistencia. el coeficiente que indica la forma de la popa ( C stern ) y el número T  de Froude ( Fn ).Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán 6. por lo que en el estudio nos centraremos en el cálculo de estas componentes. los datos con los que se ha entrenado la red han sido generados utilizando el método de Holtrop y Mennen. Como ya se ha comentado las componentes más significativas son la resistencia viscosa y la resistencia por formación y rotura de ola. y como el cálculo está basado en el método de Holtrop y Mennen se han intentado conseguir los datos experimentales que se utilizaron para generar este método. 21 . Podemos expresar cada una de las componentes de manera adimensional como función de los parámetros de escala y de las formas del casco.2.0 < L < 9 .

3.y el coeficiente AT que representa el área sumergida transversal del espejo.0.0.722. Hubiera sido más favorable entrenarla y validarla directamente con datos experimentales.0.808.5} B B = {2.−10} 10 C p = {0. una formada por tres neuronas. el 82% de los cuales se han utilizado como datos de entrenamiento y el 18% restante como datos de validación. pero los datos experimentales encontrados no eran suficientes para entrenar y validar la red (se han encontrado en las bibliografías [9].749.0.332.7. [11] y [12] aproximadamente unos 60 datos experimentales) por eso hemos utilizado estos datos a posteriori.8. representamos pues el error de validación para ambos coeficientes en función del número de neuronas que constituyen la red.0. 22 .575. ABT .4} T Fn → El número de Froude se ha variado de 0.55. se han vuelto a entrenar con los datos experimentales y se han validado con los mismos.166. por lo que se ha trabajado con 41 números de Froude diferentes.05.593.45 centésima a centésima. de manera que en las variables más influyentes se han hecho más variaciones que en las menos influyentes.7. El total de datos generados ha sido de 20664.0. siguiendo las fórmulas expuestas en el método de Holtrop y Mennen. En el cálculo de Holtrop y Mennen es necesario conocer del área trasversal del bulbo de proa. otra por nueve neuronas y otra con doce.9. Se han generado tres redes neuronales.765. [10].915.3.85} L = {6. los cuales se han considerado nulos para nuestro cálculo. y se han validado con el resto de los datos.583.1.8. La arquitectura óptima de la red es aquella que nos da un error de validación mínimo.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Para generar los datos se han variado las variables de entrada teniendo en cuenta la influencia que tienen en la resistencia. Inicialmente se han entrenado con en 82% de los datos generados con el programa en C++.0.525. para todas las combinaciones posibles de las variables de entrada expuestas anteriormente.2.0. Una vez entrenada y validada la red para los datos generados. C stern = { . Para generar los datos se ha creado un programa en C++ que calculara los coeficientes 1 + k y C w .6.679. a velocidad cero.0.05 a 0.636.

ésta será pues la arquitectura óptima de nuestra red. Hacemos la misma comprobación entre los valores de los coeficientes calculados con las fórmulas de Holtrop y Mennen y los valores experimentales. el método de Holtrop y Mennen o la Red Neuronal desarrollada en este trabajo. De esta manera podemos comparar qué método se ajusta mejor a los datos experimentales. para las mismas variables de entrada. y realizamos otra recta de regresión con los valores C w .Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Figura 13. Error de validación en función de la Neuronas de la Red Observamos que el error de validación es mínimo en la red de nueve neuronas. Si el ajuste de la red fuera perfecto obtendríamos rectas del tipo y = 1 ⋅ x . 23 . Para comprobar que tal se ajustan los resultados de la red neuronal a los valores experimentales realizamos una recta de regresión entre los valores 1 + k dados por la red neuronal y los valores experimentales correspondientes a las mismas variables de entrada. En la red de tres neuronas se produce underfitting y en la de doce neuronas se produce over-fitting.

Recta de regresión del coeficiente 1 + k . para el método de Holtrop y Mennen. para la Red Neuronal. Recta de regresión del coeficiente 1 + k .Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Figura 14. 24 . Figura 15.

para la Red Neuronal Figura 17. Si comparamos las rectas de regresión de nuestro modelo con las del modelo de Holtrop y Mennen observamos. Recta de regresión del coeficiente C w . que las rectas obtenidas para nuestro modelo se ajustan mucho mejor a los datos experimentales . 25 . Recta de regresión del coeficiente C w . el cual es mayor en nuestro modelo. En las rectas para el coeficiente 1 + k . con el coeficiente de correlación de la recta.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán Figura 16. ya que las rectas obtenidas se acercan a la recta para el caso ideal y = 1 ⋅ x . podemos apreciar que la correspondiente a nuestro modelo se ajusta mejor a los datos experimentales. para el método de Holtrop y Mennen.

a los datos experimentales de coeficientes relacionados con la resistencia. se ha observado que con las Redes Neuronales se pueden superar los modelos matemáticos utilizados hasta ahora. están definidos para diferentes tipos de barcos. Un punto positivo de las redes neuronales es que se pueden mejorar constantemente. Comparando los resultados obtenidos con las Redes Neuronales. Esta aplicación podría ser de gran interés a la industria. CONCLUSIONES Los resultados obtenidos con los modelos de Redes Neuronales se ajustan. con los resultados dados por los modelos matemáticos descritos. pues permitiría disponer de una herramienta de predicción que de manera muy sencilla pudiera mejorar con la experiencia. están formadas por nueve neuronas. Las Redes Neuronales generadas. el hecho de poder discriminar a la salida de la red aquellos valores espurios. Los dos casos tratados. casi de manera ideal. una para el método de Delft y otra para el método de Holtrop. Con esto podemos concluir que las redes neuronales son una herramienta muy potente y relativamente sencilla para ajustar las variables de entrada a un modelo. consiguiendo así un ajuste perfecto de Red Neuronal. pero la complejidad del cálculo de la resistencia es muy similar en ambos casos. hemos de puntualizar que hay un punto que se debe mejorar. No obstante.Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán 7. Este trabajo queda pendiente para el futuro. Las redes generadas en este trabajo se pueden mejorar entrenándolas con más datos experimentales. y de esta manera se podrían calcular los coeficientes relacionados con la resistencia de manera muy fiable. y ya indicamos que el número de neuronas va ligado a la dificultad del problema. No es coincidencia que en ambos casos la arquitectura óptima haya resultado ser la de nueve neuronas. 26 . como los valores negativos que aparecen por ejemplo al estimar valores de resistencia para bajos números de Froude.

International Shipbuilding Progress 28(328): 276-97. International Shipbuilding Progress Vol. [4] J. W.) [8] .Sistema de predicción de resistencia basado en Redes Neuronales Inma Ortigosa Barragán REFERENCIAS [1] J. 22.G. Flood: An Open Source Neural Networks C++ Library. J. International Shipbuilding Progress Vol. Vol. Stern and R. www. Mennen. boundary layer.G. [5] Lars Larsson and Rolf Eliasson.J.Holtrop and G. A statistical analysis of performance test results. Penna.. [14] C. Beaver. “Geometry. An aproximate power prediction method.C. [3] J. January 1996. London 2000 [6] J. [2] J. A statistical power prediction method. 1981. Versluis. wake.J.com/flood. Pistani. El proyecto del buque.“A statistical re-analysis of resistance and propulsion data”. Olivieri. Holtrop .G. Advanced double-hull Technical Symposium. Adlard Coles Nautical. and free surface flow around a naval combatant Insean 2340 model. [11] A. Neural Networks for Pattern Recognition. Principles of Yacht design. July 1982. Day and Chwng-Wen Lin .J. Azpíroz y M. F. [10] M. 2007. El proyecto básico del buque mercanteFEIN. [12] ITTC. MARINEX International. García Espinosa. resistance and stability of the Delft Systematic Yacht Hull Serires. Holtrop and G. R. Example for Resistance test. Oxford University Press. November 1984.cimne. R. 25. October 1978. 24 nº 270. ITTC 1999. Towing tank experiments of resistance. [13] 27 . International Shipbuilding Progress Vol.P. 1995. [7] J. Onnink and A. R. Parsons. International Shipbuilding Progress Vol. F. Bishop. Power prediction program. Lopez. 31. Resistance and propulsion characteristics of the MarC Guardian tanker design. A. October 1994. Alvariño. February 1977. Apuntes de la asignatura de “Proyectos” de la Facultad de Náutica de Barcelona (U. 29. sinkage and trim.Quality Manual. Holtrop . Gerritsma. Resistance Uncertainly Analysis. Madrid 1997. [9] W. Mennen. Avanzini.Meizoso.