El modelo de aprendizaje automático del MIT proporciona una evaluación de riesgos extremos para sistemas complejos no lineales, incluidos barcos y plataformas marinas. Los buques y las plataformas marinas soportan una batería constante de olas y corrientes. Durante décadas de funcionamiento, estas estructuras pueden, sin previo aviso, enfrentarse de frente con una ola rebelde, una tormenta anormal o algún otro evento extremo, con consecuencias potencialmente dañinas.
Ahora, los ingenieros del MIT han desarrollado un algoritmo que identifica rápidamente los tipos de eventos extremos que pueden ocurrir en un sistema complejo, como un entorno oceánico, donde olas de diferentes magnitudes, longitudes y alturas pueden crear estrés y presión en un barco o plataforma offshore.
Los investigadores pueden simular las fuerzas y las tensiones que los eventos extremos, en forma de ondas, pueden generar en una estructura particular.
En comparación con los métodos tradicionales, la técnica del equipo proporciona una evaluación de riesgos mucho más rápida y precisa para los sistemas que puedan soportar un evento extremo en algún momento durante su vida útil prevista, teniendo en cuenta no solo la naturaleza estadística del fenómeno sino también la dinámica subyacente.
«Con nuestro enfoque, puede evaluar, desde la fase de diseño preliminar, cómo se comportará una estructura no con una ola, sino con la colección general o la familia de olas que pueden golpear esta estructura», dice Themistoklis Sapsis, profesora asociada de mecánica y océano de Ingeniería en el MIT. «Puede diseñar mejor su estructura para no tener problemas estructurales o tensiones que superen un cierto límite».
Sapsis dice que la técnica no se limita a barcos y plataformas oceánicas, sino que se puede aplicar a cualquier sistema complejo que sea vulnerable a eventos extremos. Por ejemplo, el método puede usarse para identificar el tipo de tormentas que pueden generar inundaciones severas en una ciudad y dónde puede ocurrir esa inundación. También podría usarse para estimar los tipos de sobrecargas eléctricas que podrían causar apagones, y dónde se producirían esos apagones en toda la red eléctrica de una ciudad.
Sapsis y Mustafa Mohamad, un ex estudiante graduado en el grupo de Sapsis, actualmente investigador científico asistente en el Instituto Courant de Ciencias Matemáticas de la Universidad de Nueva York, publicarán sus resultados esta semana en las Actas de la Academia Nacional de Ciencias .
Sin pasar por un atajo
Los ingenieros suelen medir la resistencia de una estructura a los eventos extremos utilizando simulaciones intensivas computacionalmente para modelar la respuesta de una estructura a, por ejemplo, una onda que viene de una dirección particular, con cierta altura, longitud y velocidad. Estas simulaciones son muy complejas, ya que modelan no solo la ola de interés sino también su interacción con la estructura. Al simular todo el «campo de onda» a medida que una onda particular avanza, los ingenieros pueden estimar cómo una estructura en particular puede ser sacudida y empujada por una onda en particular, y las fuerzas y tensiones resultantes pueden causar daños.
Estas simulaciones de evaluación de riesgos son increíblemente precisas y, en una situación ideal, podrían predecir cómo reaccionaría una estructura a cada tipo de onda posible, sea extrema o no. Pero tal precisión requeriría que los ingenieros simulen millones de ondas, con diferentes parámetros como la altura y la escala de longitud, un proceso que podría demorar meses en calcularse. «Ese es un problema increíblemente caro», dice Sapsis. «Para simular una posible ola que puede ocurrir en más de 100 segundos, se necesita una moderna unidad de procesamiento gráfico, que es muy rápida, alrededor de 24 horas. Nos interesa comprender cuál es la probabilidad de un evento extremo durante 100 años».
Como un atajo más práctico, los ingenieros usan estos simuladores para ejecutar solo algunos escenarios, eligiendo simular varios tipos de ondas aleatorias que creen que podrían causar el máximo daño. Si un diseño estructural sobrevive a estas ondas extremas generadas al azar, los ingenieros asumen que el diseño se enfrentará a eventos extremos similares en el océano.
Pero al elegir ondas aleatorias para simular, dice Sapsis, los ingenieros pueden pasar por alto otros escenarios menos obvios, como combinaciones de ondas de tamaño mediano, o una onda con cierta pendiente que podría convertirse en un evento extremo perjudicial.
«Lo que hemos logrado hacer es abandonar esta lógica de muestreo aleatorio», dice Sapsis.

Una nueva investigación realizada por científicos del MIT puede ayudar a los ingenieros a diseñar plataformas marinas más resistentes.
Imagen: Cortesía de los investigadores.
Un aprendizaje rápido
En lugar de ejecutar millones de ondas o incluso varias ondas elegidas al azar a través de una simulación computacionalmente intensiva, Sapsis y Mohamad desarrollaron un algoritmo de aprendizaje automático para identificar primero la onda «más importante» o «más informativa» para ejecutar tal simulación.
El algoritmo se basa en la idea de que cada ola tiene una cierta probabilidad de contribuir a un evento extremo en la estructura.
La probabilidad en sí misma tiene cierta incertidumbre o error, ya que representa el efecto de un sistema dinámico complejo. Además, es más seguro que algunas olas contribuyan a un evento extremo sobre otras.
Los investigadores diseñaron el algoritmo para que puedan alimentarse rápidamente en varios tipos de ondas y sus propiedades físicas, junto con sus efectos conocidos en una plataforma costa afuera teórica. A partir de las ondas conocidas que los investigadores conectan con el algoritmo, puede esencialmente «aprender» y hacer una estimación aproximada de cómo se comportará la plataforma en respuesta a cualquier onda desconocida. A través de este paso de aprendizaje automático, el algoritmo aprende cómo se comporta la estructura costa afuera sobre todas las olas posibles. Luego identifica una onda particular que reduce al máximo el error de probabilidad de eventos extremos. Esta ola tiene una alta probabilidad de ocurrir y conduce a un evento extremo. De esta manera, el algoritmo va más allá de un enfoque puramente estadístico y tiene en cuenta el comportamiento dinámico del sistema en cuestión.
Los investigadores probaron el algoritmo en un escenario teórico que involucraba una plataforma offshore simplificada sometida a olas entrantes. El equipo comenzó por conectar cuatro ondas típicas en el algoritmo de aprendizaje automático, incluidos los efectos conocidos de las ondas en una plataforma costa afuera. A partir de esto, el algoritmo identificó rápidamente las dimensiones de una nueva ola que tiene una alta probabilidad de ocurrir, y reduce al máximo el error para la probabilidad de un evento extremo.
Luego, el equipo conectó esta ola en una simulación de código abierto de computación más intensiva para modelar la respuesta de una plataforma offshore simplificada. Alimentaron los resultados de esta primera simulación en su algoritmo para identificar la siguiente ola mejor para simular, y repitieron todo el proceso. En total, el grupo realizó 16 simulaciones a lo largo de varios días para modelar el comportamiento de una plataforma en varios eventos extremos. En comparación, los investigadores realizaron simulaciones utilizando un método más convencional, en el que simularon a ciegas tantas ondas como fue posible y pudieron generar resultados estadísticos similares solo después de ejecutar miles de escenarios durante varios meses.
Sapsis dice que los resultados demuestran que el método del equipo se enfoca rápidamente en las olas que seguramente estarán involucradas en un evento extremo, y brinda a los diseñadores escenarios más realistas e informados para simular, a fin de probar la resistencia no solo de las plataformas marinas. , pero también redes eléctricas y regiones propensas a inundaciones.
«Este método allana el camino para realizar la evaluación de riesgos, el diseño y la optimización de sistemas complejos basados en estadísticas de eventos extremos, que es algo que no se ha considerado ni se ha hecho antes sin simplificaciones graves», dice Sapsis. «Ahora estamos en una posición en la que podemos decir que, utilizando ideas como esta, puede comprender y optimizar su sistema, de acuerdo con los criterios de riesgo para eventos extremos».
Esta investigación fue apoyada, en parte, por la Oficina de Investigación Naval, la Oficina de Investigación del Ejército y la Oficina de Investigación Científica de la Fuerza Aérea, y se inició a través de una subvención del American Bureau of Shipping.
Fuente: MIT
Más información : Mustafa A. Mohamad el al., «Sequential sampling strategy for extreme event statistics in nonlinear dynamical systems,» PNAS (2018).