Configu-Par

Abstract

Actualmente, la investigación en aprendizaje automático, en especial mediante redes neuronales, está logrando obtener resultados impresionantes en muchísimos ámbitos. Tenemos conocidos ejemplos como ChatGPT: una inteligencia artificial basada en redes neuronales que ha marcado un hito en el procesamiento de lenguaje natural. Existen también implementaciones dedicadas a la genómica, la astronomía o la medicina. En el presente trabajo se utilizará la potencia del aprendizaje automático en otro ámbito de la ciencia: la ingeniería naval. En el diseño moderno de buques, el cálculo de la resistencia al avance de éstos es una de las claves para el éxito de dicho diseño. Si se realiza una mala estimación de la resistencia se puede llevar a cabo una inversión muy elevada en la construcción del buque y descubrir, a posteriori, que no alcanza los parámetros mínimos que se habían predefinido, como la velocidad punta del buque o el consumo máximo de combustible. El no alcanzar estos valores podría suponer un descalabro económico muy importante para la empresa naval. Hoy en día, como veremos más adelante, la estimación de este valor no puede calcularse matemáticamente, de modo que se usan distintos métodos estadísticos y empíricos para obtenerlo. En el presente trabajo se pretenden usar métodos de aprendizaje automático para predecir dicho valor. Este hecho podría suponer un ahorro de costes importante, ya que se dispondría un método más sencillo y fiable que los actuales.Currently, research in machine learning, particularly through neural networks, is achieving impressive results in many fields. We have well-known examples such as ChatGPT: an artificial intelligence based on neural networks that has made a breakthrough in natural language processing. There are also implementations dedicated to genomics, astronomy, and medicine. In this work the power of machine learning will be used in another area of science: in naval engineering. In modern ship design, calculating the resistance to forward motion is key to the success of the design. If a poor estimate of this resistance is made, a very high investment can be made in the construction of the ship only to discover later that it does not meet the minimum parameters that were predefined, such as the ship's top speed or maximum fuel consumption. Failing to achieve these values could be a significant economic setback for the naval company. Currently, as we will see later, this value cannot be mathematically calculated, so different statistical and empirical methods are used to obtain it. This work aims to use machine learning methods to predict this value. This could mean significant cost savings before construction, as a simpler and more reliable method than current ones could be obtained, and therefore more economical.