Herramientas predictivas para la toma de decisiones en la gestión portuaria basadas en machine learning. Inclusión de criterios de permanencia en atraque, onda larga y rebase

Abstract

[Resumen]:La gestión de la operatividad buque-infraestructura se desarrolla tratando de garantizar la mayor seguridad posible, al mismo tiempo que se optimizan las operaciones en sus instalaciones durante el atraque y proceso de carga. Los dos términos de este binomio son opuestos, por lo que surge la necesidad de disponer de información fiable que facilite la optimización de las operativas del puerto. Esta Tesis Doctoral tiene como objetivo el desarrollo de una serie de herramientas basadas en inteligencia artificial que sirvan de apoyo en la toma de decisiones portuarias. La investigación se ha llevado a cabo en el Puerto Exterior de Punta Langosteira (A Coruña), recurriendo a una combinación de registros procedentes de campañas de campo y datos de previsión de modelo numérico. En base a lo anterior, se diseñaron herramientas de machine learning capaces de predecir los movimientos del buque atracado en puerto, y su implementación junto con la onda larga en un sistema que pretende anticipar las roturas de amarres y la necesidad de fondear ante condiciones océano-meteorológicas críticas. La herramienta propone un traslado de los umbrales operativos tradicionales basados en conceptos ingenieriles hacia la idea de la probabilidad, más vinculada a la matemática. Por otro lado, la Tesis propone una última herramienta centrada en la anticipación del fenómeno del rebase sobre el dique principal del puerto, atajando con ella uno de los mayores riesgos dentro de la instalación. La metodología y propuestas realizadas en esta Tesis están testeadas en un puerto en particular, siendo empleadas como herramientas de ayuda en la toma de decisiones e implementadas en el CMA de dicho puerto, con lo que su transferencia a otras localizaciones es algo totalmente viable.[Resumo]:A xestión da operatividade buque-infraestrutura desenvólvese tratando de garantir a maior seguridade posible, ao mesmo tempo que se optimizan as operacións nas súas instalación durante o atraque e o proceso de carga. Os dous termos deste binomio son contrapostos, polo que aparece a necesidade de dispoñer de información fiable que facilite a optimización das operacións do porto. Esta Tese Doutoral ten como obxectivo o desenvolvemento dunha serie de ferramentas baseadas en intelixencia artificial que sirvan de apoio á toma de decisión portuarias. A investigación levouse a cabo no Porto Exterior de Punta Langosteira (A Coruña), recurrindo a unha combinación de rexistros procedentes de campañas de campo e datos de previsión de modelo numérico. En base ao anterior, deseñáronse ferramentas de machine learning capaces de predicir os movementos do buque atracado en porto, así como a súa implementación conxunta coa onda longa nun sistema orientado a anticipar as roturas de amarras e a necesidade de fondeo ante condicións océano-meteorolóxicas críticas. A ferramenta propón unha transición dos límites operativos tradicionais, baseados en conceptos de enxeñaría, cara a un enfoque fundamentado na probabilidade, máis vinculado á formulación matemática do risco. Por outra banda, a Tese propón unha última ferramenta centrada na anticipación do fenómeno do rebase sobre o dique principal do porto, abordando así un dos maiores riscos existentes na instalación. A metodoloxía e as propostas desenvolvidas nesta Tese foron validadas nun porto concreto, sendo empregadas como ferramentas de axuda na toma de decisións, e implementadas no CMA de dito porto, polo que a súa transferencia a outras localizacións é algo totalmente viable.[Abstract]:The management of ship–infrastructure operations is carried out with the aim of ensuring the highest possible level of safety, while optimizing operations at the facilities during berthing and the loading process. These two elements of the binomial are inherently opposed, which creates the need for reliable information to support the optimization of port operations. This Doctoral Thesis aims to develop a set of tools based on artificial intelligence to support port decision-making processes. The research was carried out at the Outer Port of Punta Langosteira (A Coruña), using a combination of field campaign records and forecast data obtained from numerical models. Based on this framework, machine learning tools were designed to predict the motions of a vessel moored at berth. Their implementation, together with long-wave components, forms a system intended to anticipate mooring line breakages and the need for anchoring under critical ocean-meteorological conditions. The proposed tool represents a shift from traditional operational thresholds grounded in engineering criterio toward a probability-based approach, more closely linked to the mathematical formulation of risk. In addition, the Thesis proposes a final tool focused on anticipating wave overtopping at the main breakwater of the port, thereby addressing one of the most significant risks within the facility. The methodology and proposals developed in this Thesis have been validated at a specific port, where they are used as a decision-support tools and implemented in the port’s CMA, making their transfer to other locations entirely feasible.