por
Las olas rompen una vez que alcanzan una altura crítica, antes de alcanzar su punto máximo y chocar contra un chorro de gotas y burbujas. Estas olas pueden ser tan grandes como el punto de ruptura de un surfista y tan pequeñas como una ligera ondulación que avanza hacia la orilla. Durante décadas, la dinámica de cómo y cuándo rompe una ola ha sido demasiado compleja de predecir.
Ahora, los ingenieros del MIT han encontrado una nueva forma de modelar cómo rompen las olas. El equipo utilizó el aprendizaje automático, así como datos de experimentos de reservorios de olas para modificar ecuaciones que tradicionalmente se han utilizado para predecir el comportamiento de las olas. Los ingenieros generalmente confían en estas ecuaciones para ayudarlos a diseñar plataformas y estructuras marinas resistentes. Pero hasta ahora, las ecuaciones no han podido capturar la complejidad de las olas rompientes.
El modelo actualizado hizo predicciones más precisas de cómo y cuándo rompen las olas, encontraron los investigadores. Por ejemplo, el modelo estimó la pendiente de una ola justo antes de romperse, y su energía y frecuencia después de romperse, con mayor precisión que las ecuaciones de onda convencionales.
Sus hallazgos, publicados hoy en la revista Naturaleza Comunicación, ayudará a los científicos a comprender cómo una ola rompiente afecta el agua que la rodea. Saber con precisión cómo interactúan estas olas puede ayudar a refinar el diseño de estructuras en alta mar. También puede mejorar las predicciones de cómo interactúa el océano con la atmósfera. Tener mejores estimaciones de cómo rompen las olas puede ayudar a los científicos a predecir, por ejemplo, cuánto dióxido de carbono y otros gases atmosféricos puede absorber el océano.
«El rompimiento de las olas es lo que pone aire en el océano», dice el autor del estudio Themis Sapsis, profesor asociado de ingeniería mecánica y oceánica y afiliado al Instituto de Datos, Sistemas y Sociedad del MIT. “Puede parecer un detalle, pero si multiplicas su efecto sobre el área de todo el océano, el rompimiento de las olas empieza a tener una importancia fundamental para la predicción del clima”.
Los coautores del estudio son el autor principal y becario postdoctoral del MIT Debbie Eeltink, Hubert Branger y Christopher Luneau de la Universidad de Aix-Marseille, Amin Chabchoub de la Universidad de Kyoto, Jerome Kasparian de la Universidad de Ginebra y TS van den Bremer de Universidad Tecnológica de Delft.
tanque de aprendizaje
Para predecir la dinámica de una ola rompiente, los científicos suelen adoptar uno de dos enfoques: intentan simular con precisión la ola a la escala de moléculas individuales de agua y aire, o realizan experimentos para tratar de caracterizar las olas con medidas reales. El primer enfoque es computacionalmente costoso y difícil de simular incluso en un área pequeña; el segundo requiere una enorme cantidad de tiempo para ejecutar suficientes experimentos para producir resultados estadísticamente significativos.
En cambio, el equipo del MIT tomó prestados elementos de ambos enfoques para desarrollar un modelo más eficiente y preciso utilizando el aprendizaje automático. Los investigadores comenzaron con un conjunto de ecuaciones que se considera la descripción estándar del comportamiento de las olas. Su objetivo era mejorar el modelo «entrenando» el modelo en datos de olas rompientes de experimentos reales.
«Teníamos un modelo simple que no capta el rompimiento de olas, y luego tuvimos la verdad, es decir, experimentos que involucran el rompimiento de olas», dice Eeltink. «Entonces queríamos usar el aprendizaje automático para aprender la diferencia entre los dos».
Los investigadores obtuvieron datos sobre el rompimiento de las olas realizando experimentos en un tanque de 40 metros de largo. El tanque estaba equipado en un extremo con un remo que el equipo usaba para iniciar cada ola. El equipo ajustó la paleta para producir una ola rompiente en el medio del tanque. Los medidores que recorren la longitud del embalse miden la altura del agua a medida que las olas se propagan a través del embalse.
«Lleva mucho tiempo realizar estos experimentos», dice Eeltink. «Entre cada experimento, hay que esperar a que el agua se calme por completo antes de comenzar el siguiente experimento, de lo contrario, se influyen entre sí».
puerto seguro
En total, el equipo realizó alrededor de 250 experimentos, cuyos datos se utilizaron para entrenar un tipo de algoritmo de aprendizaje automático conocido como red neuronal. Específicamente, el algoritmo está entrenado para comparar las ondas reales en los experimentos con las ondas pronosticadas en el modelo simple y, en función de cualquier diferencia entre las dos, el algoritmo ajusta el modelo para que se ajuste a la realidad.
Después de entrenar el algoritmo con sus datos experimentales, el equipo expuso el modelo a datos completamente nuevos, en este caso, mediciones de dos experimentos independientes, cada uno ejecutado en tanques de olas separados con diferentes dimensiones. En estas pruebas, encontraron que el modelo actualizado hizo predicciones más precisas que el modelo simple sin entrenamiento, como hacer mejores estimaciones de la pendiente de una ola rompiente.
El nuevo modelo también capturó una propiedad esencial de las olas rompientes conocida como «retrogradación», en la que la frecuencia de una ola se desplaza a un valor más bajo. La velocidad de una onda depende de su frecuencia. Para las olas del mar, las frecuencias bajas viajan más rápido que las frecuencias altas. Por lo tanto, después del cambio descendente, la onda se moverá más rápido. El nuevo modelo predice el cambio de frecuencia, antes y después de cada ola rompiente, lo que podría ser particularmente relevante para prepararse para las tormentas costeras.
«Cuando desea predecir cuándo las olas altas de un oleaje golpearán un puerto, y desea abandonar el puerto antes de que lleguen esas olas, entonces, si está equivocado acerca de la frecuencia de las olas, entonces la velocidad a la que las olas son acercarse está mal”, dice Eeltink.
El modelo de onda actualizado del equipo viene como un código de fuente abierta que otros podrían usar, por ejemplo, en simulaciones climáticas del potencial del océano para absorber dióxido de carbono y otros gases atmosféricos. El código también se puede incorporar en pruebas simuladas de plataformas marinas y estructuras costeras.
«El objetivo número uno de este modelo es predecir lo que hará una ola», dice Sapsis. “Si no se modela correctamente el rompimiento de las olas, esto tendría enormes implicaciones para el comportamiento de las estructuras. Con esto, puede simular olas para ayudar a diseñar estructuras mejor, de manera más eficiente y sin grandes factores de seguridad.
Esta investigación cuenta con el apoyo, en parte, de la Fundación Nacional de Ciencias de Suiza y la Oficina de Investigación Naval de EE. UU.
