Red neuronal para predecir firmas magnéticas de buques a profundidades y rumbos arbitrarios: una comparación con el...

Área de la Ciencia:

• Arquitectura Naval e Ingeniería Marina
• Física Computacional
• Inteligencia Artificial

Sus antecedentes:

• Los modelos tradicionales multi-dipolo para predecir los campos magnéticos de los buques son computacionalmente intensivos y sensibles a los errores de posicionamiento.
• La predicción precisa del campo magnético de un buque es crucial para la desmagnetización y la evaluación del riesgo operativo.

Objetivo del estudio:

• Desarrollar y evaluar un novedoso modelo de red neuronal para predecir las distribuciones del campo magnético de los buques.
• Comparar el rendimiento del modelo de red neuronal con el enfoque multi-dipolo.

Principales métodos:

• Se entrenó un modelo de red neuronal utilizando datos sintéticos generados por simulaciones de Método de Elementos Finitos (FEM).
• Se empleó optimización bayesiana para ajustar la arquitectura e hiperparámetros de la red neuronal.
• La precisión del modelo se evaluó utilizando varias métricas, comparando las predicciones con el modelo multi-dipolo bajo datos de posicionamiento perturbados.

Principales resultados:

• El modelo de red neuronal demostró una precisión de predicción comparable o superior al modelo multi-dipolo.
• El modelo de red neuronal exhibió una robustez significativamente mayor a los errores en los datos de posicionamiento del buque, con un deterioro relativo 6-7 veces menor en los índices de calidad.
• El modelo de red neuronal ofrece una reducción sustancial del costo computacional en comparación con el método multi-dipolo.

Conclusiones:

• El modelo de red neuronal desarrollado proporciona un método más rápido, robusto y preciso para predecir las distribuciones del campo magnético de los buques.
• Este enfoque es muy adecuado para aplicaciones prácticas como la desmagnetización de buques y la evaluación de riesgos marítimos.
• Aunque requiere más datos para una precisión óptima, el modelo de red neuronal representa un avance significativo sobre los métodos existentes.