Seaplace lidera el desarrollo de sistemas inteligentes de posicionamiento y atraque de buques

En su apuesta por la innovación tecnológica aplicada al sector marítimo, Seaplace ha participado recientemente en un programa de ayudas para la implementación de casos de uso de Inteligencia Artificial (IA) en la industria, con el respaldo de la Consejería de Digitalización de la Comunidad de Madrid. La iniciativa se inscribe dentro de las Redes Territoriales de Especialización Tecnológica, en el contexto del Plan de Recuperación, Transformación y Resiliencia, financiado por la Unión Europea mediante los fondos NextGenerationEU.

Las dos propuestas en desarrollo han permitido implementar IA en un sistema de Posicionamiento Dinámico (DP) para buques, y ampliar su funcionalidad con un sistema de atraque automático, también dotado de IA, a través de los proyectos.

Para el desarrollo y entrenamiento del sistema conocido como SEANAV-DP, Seaplace ha desarrollado un entorno optimizado específicamente para el entrenamiento de algoritmos de IA. En este entorno, un agente de IA basado en aprendizaje por refuerzo profundo es entrenado para minimizar los errores de posición, velocidad y consumo energético durante las operaciones en DP. Al comparar el desempeño del modelo IA con el desempeño de un sistema DP tradicional, se evidencian mejoras en precisión y eficiencia operativa.

Una de las principales mejoras que ofrece el uso de la inteligencia artificial (IA) en sistemas de posicionamiento y control de buques es el aumento en la precisión del Thrust Allocation (asignación de empuje).

Esta mejora se logra gracias a la capacidad de la IA para modelar y aprender la interacción compleja entre cada propulsor, la estructura del buque y el flujo generado por otros propulsores cercanos a través de un algoritmo SAC (Soft Actor-Critic).

Tradicionalmente, el Thrust Allocation se basaba en modelos idealizados que no siempre reflejan con exactitud el comportamiento real del sistema en condiciones operativas. Sin embargo, al entrenar algoritmos de IA con datos obtenidos de simulaciones y mediciones de fluidos reales (real fluid characterization), es posible capturar con mayor fidelidad los efectos hidrodinámicos complejos.

Como resultado, la IA permite realizar optimizaciones más precisas y eficientes en tiempo real, ajustando el empuje de cada propulsor para lograr un mejor rendimiento global del sistema, ya sea para mantener la posición del buque (posicionamiento dinámico) o para maniobrar en entornos complejos.

En las diferentes operaciones que realiza un buque, su condición de carga puede variar, afectando a parámetros como el calado y/o centro de gravedad, que influyen en las fuerzas y momentos ejercidos por los propulsores, modificando la capacidad de posicionamiento dinámico. A través del modelo de IA, entrenado en diferentes condiciones, se permite actuar con precisión ante los diversos escenarios que puede tener la operatividad del buque.

El desarrollo del proyecto SEANAV-DP representa un paso estratégico hacia la diversificación de aplicaciones del Posicionamiento Dinámico asistido por IA, abriendo la puerta a nuevos mercados como el de la eólica flotante offshore (FOWT, por sus siglas en inglés). En este contexto, el sistema facilita de forma significativa la operativa de los buques de apoyo a parques eólicos marinos, donde la precisión y estabilidad durante las maniobras de posicionamiento son críticas para la seguridad de la operación y del personal que la lleva a cabo.

El sistema norAI busca revolucionar las operaciones de aproximación, atraque y abarloado de buques a infraestructuras o muelles, optimizando la seguridad, eficiencia y precisión en maniobras que, hasta ahora, dependían en gran medida de la experiencia humana y estaban expuestas a condiciones ambientales cambiantes.

Este proyecto se centra en el control del posicionamiento dinámico del buque optimizando el uso de los propulsores mediante un algoritmo Deep Reinforcement Learning (DRL) entrenado en un simulador. Por su parte, norAI se enfoca en la capacidad del sistema para ver y comprender el entorno físico inmediato, con el fin de identificar de forma automática si existe espacio suficiente para realizar una maniobra de atraque segura.

Para ello, el sistema utiliza un conjunto de cámaras embarcadas que alimentan el modelo de visión artificial, el cual analiza en tiempo real la escena de atraque. Este modelo, entrenado con técnicas de Deep Learning, es capaz de detectar huecos disponibles, obstáculos y condiciones de contorno, evaluando si el espacio disponible y la ruta preestablecida cumplen con los requisitos de seguridad y maniobrabilidad para ejecutar la operación.

Una vez identificada la viabilidad del atraque, norAI activa su sistema de control autónomo, basado en técnicas de aprendizaje por refuerzo profundo (como SAC (Soft Actor-Critic), previamente utilizado en SEANAV DP), para llevar a cabo la aproximación y atraque del buque.

El sistema calcula continuamente la mejor trayectoria y estrategia de empuje, ajustando las acciones en tiempo real según la evolución del entorno.

Además, el sistema considera factores operativos como la velocidad del buque, condiciones meteorológicas, presencia de otras embarcaciones y geometría del entorno, lo que permite una toma de decisiones mucho más robusta y flexible que en los sistemas tradicionales basados en reglas fijas.

norAI también incorpora modelos predictivos que, a partir del historial de datos meteorológicos y operacionales, anticipan cambios súbitos en las condiciones del mar o el viento. Esta capacidad permite planificar maniobras de forma preventiva, evitando intentos de atraque fallidos que podrían poner en riesgo la seguridad del buque y su tripulación.

La interfaz gráfica de usuario desempeña un papel fundamental en sistemas como norAI, actuando como puente entre el modelo de atraque inteligente y las personas encargadas de supervisar o intervenir en la maniobra. La interfaz ha sido desarrollada siguiendo criterios de claridad, seguridad operativa, eficiencia y facilidad de uso, con el objetivo de ofrecer al operador una comprensión clara y constante del estado del sistema durante todo el proceso de atraque.

Entre sus funciones principales se encuentran:

• Visualizar el estado del buque y sus parámetros clave en tiempo real

• Permitir acciones manuales o supervisadas en situaciones críticas

• Guiar al operador a lo largo del proceso de atraque, con instrucciones contextuales

• Proveer confirmaciones explícitas en fases clave del proceso

• Registrar todas las interacciones con el operador para trazabilidad

El sistema norAI representa un paso significativo hacia la automatización avanzada en el sector marítimo y demuestra cómo la inteligencia artificial puede transformar operaciones como el atraque, haciéndolas más seguras, eficientes y precisas. Su combinación de autonomía y supervisión humana marca un avance clave hacia operaciones portuarias más inteligentes y fiables.