Mientras gran parte del sector marítimo apenas comienza a explorar los gemelos digitales y el mantenimiento predictivo, el ingeniero naval canario Fernando Martínez Marco ha dado un paso más allá al crear un laboratorio virtual de investigación aplicada. En este entorno, fusiona modelos físicos, redes neuronales, grafos de conocimiento y redes bayesianas para replantear el diseño, la operación y la regulación del transporte marítimo. En la convergencia entre la ingeniería naval y la inteligencia artificial surge un nuevo campo, aún poco conocido fuera de los ámbitos especializados. Entre los avances destacan gemelos digitales capaces de anticipar la fatiga de estructuras submarinas, modelos de aprendizaje profundo que reemplazan ensayos físicos de sloshing, motores de búsqueda semántica que interactúan con la normativa marítima internacional y redes bayesianas que optimizan operaciones de búsqueda y rescate. Estas innovaciones configuran un panorama emergente en la industria. Desde su AI Research Lab personal, Martínez Marco publica abiertamente los resultados en "Engineering Intelligence", una plataforma que exhibe prototipos y estudios técnicos orientados a un futuro donde los sistemas navales actúan como infraestructuras cognitivas. El laboratorio se define como un espacio de exploración en la intersección entre ingeniería naval e IA, donde se prueban arquitecturas de deep learning, grafos de conocimiento y sistemas de recuperación aumentada (RAG) en problemas como la fatiga de materiales, la inspección de buques o la aplicación de normativas SOLAS e IMO. SOLAS (Safety of Life at Sea), gestionado por la Organización Marítima Internacional (IMO), establece los estándares mínimos de seguridad marítima. Un ejemplo destacado es el gemelo digital para monitorizar la fatiga en risers de aguas profundas. En "Digital Twin for Riser Fatigue Monitoring", Martínez Marco propone una metodología que combina sensores mínimos y machine learning para estimar el daño por fatiga bajo condiciones extremas, logrando errores del 5-10% respecto a referencias de alta fidelidad y reduciendo significativamente los costes de instrumentación. En el ámbito de los buques de gas natural licuado (LNG), el laboratorio aborda tanto la operación como el diseño preliminar. El estudio "Emissions Reduction in LNG Shipping" demuestra cómo modelos predictivos de presión en tanques pueden reducir hasta un 86% las emisiones de gases de efecto invernadero durante travesías complicadas. Por otro lado, "Taming Sloshing with Neural Networks" utiliza redes neuronales profundas y grandes bases de datos experimentales para predecir cargas extremas de sloshing, acelerando el diseño preliminar y disminuyendo la necesidad de costosos ensayos físicos. IA para seguridad y análisis de riesgos Una parte esencial del trabajo de Martínez Marco se centra en la seguridad y la evaluación cuantitativa del riesgo, donde las decisiones deben tomarse bajo incertidumbre. En "Dynamic Risk Assessment in Offshore Platforms", combina el método DEMATEL con redes bayesianas para crear un marco de Evaluación Dinámica del Riesgo (DQRA) que permite actualizar el riesgo en tiempo real, identificando dependencias y relaciones entre barreras de seguridad que los enfoques tradicionales no captan. Esta lógica se aplica también a los accidentes por varada en "Ship Grounding Risk Assessment", donde se utiliza una plataforma avanzada basada en redes bayesianas dinámicas y lógica causal Noisy-OR para modelar la evolución de los daños, desde brechas estructurales hasta la pérdida de estabilidad del buque. Búsqueda y rescate marítimo El proyecto "Bayesian SAR Orchestrator" aplica este enfoque probabilístico a las operaciones de búsqueda y rescate (SAR). Mediante una red bayesiana dinámica que integra datos atmosféricos en tiempo real y coeficientes de deriva, el sistema genera mapas de calor de probabilidad que optimizan el despliegue de medios de salvamento, reemplazando patrones genéricos por estrategias basadas en datos. Así, la IA refuerza la seguridad marítima al proporcionar a los responsables un panorama probabilístico más preciso sobre la localización de personas en peligro. De los checklists a la inteligencia regulatoria Otro bloque de proyectos explora la frontera entre ingeniería y regulación marítima. En "Graph-Based LNG Inspection Intelligence", Martínez Marco desarrolla un sistema de apoyo a inspecciones Port State Control basado en grafos de conocimiento y Graph Convolutional Networks, junto con procesamiento de lenguaje natural (RoBERTa), alcanzando un 87% de precisión en la predicción de deficiencias y promoviendo inspecciones dinámicas basadas en riesgo. En "AI Semantic Search for Maritime Regulations", crea un motor de preguntas y respuestas para normativa marítima internacional basado en RAG, logrando un 94% de precisión en la recuperación de reglas complejas y permitiendo su ejecución offline en hardware convencional gracias a la cuantización de modelos. Este buscador semántico actúa como intérprete de normas SOLAS e IMO para ingenieros, operadores e inspectores. IA de dominio en el sector marítimo El conjunto de proyectos del laboratorio virtual abarca toda la cadena de valor marítima: desde el diseño de buques y la integridad estructural hasta la reducción de emisiones, la seguridad operacional, las inspecciones y la interpretación automatizada de la normativa. La sección "Technical Expertise" refleja esta doble especialización, combinando competencias en LLMs, Graph-RAG, deep learning y NLP con experiencia en buques de gas, normativas SOLAS/IMO, estabilidad y operaciones marítimas. Más que una IA genérica, el trabajo de Fernando Martínez Marco ejemplifica una "IA de dominio": modelos estadísticos y de aprendizaje automático adaptados a los lenguajes, físicas y restricciones de la ingeniería naval. Su laboratorio virtual anticipa una nueva generación de herramientas donde el conocimiento experto se codifica en grafos, redes neuronales y sistemas probabilísticos, dando paso a infraestructuras marítimas no solo mecánicas o digitales, sino también cognitivas. Fuente: elperiodico.com