El mes pasado, el mundo fue testigo de cómo socorristas intentaron liberar un buque de carga que había encallado en el Canal de Suez. Este incidente bloqueó el tráfico a través de una vía navegable que es esencial para el comercio. Aunque la ubicación fue inusual, las colisiones de buques, las colisiones de buques con objetos fijos  y los encallamientos no son infrecuentes. Con toda la tecnología a la que los navegantes tienen acceso, combinada con el gran tamaño del océano, debiera ser fácil evitar un accidente, ¿verdad?

Si consideramos solo los últimos años, podemos observar que ese no es el caso. El año pasado, dos cruceros chocaron en el Golfo de México. Unos años atrás, la Armada de los EE. UU. sufrió dos colisiones importantes en el transcurso de unos meses. Cada incidente fue una tormenta perfecta de factores que llevó a un accidente. Si examina el informe de siniestros marítimos de la Agencia Europea de Seguridad Marítima (AESM) de 2011 a 2019  hubo 25.214 buques involucrados en accidentes. En términos de costos, los incidentes marítimos representan aproximadamente 197 millones de USD en pérdidas durante un año  (2017).

Aunque la causa exacta del encallamiento en el Canal de Suez todavía se investiga, debemos preguntar qué se puede hacer para evitar que este tipo de cosas ocurra en el futuro. Pero, si ocurre nuevamente, ¿cómo podemos ayudar a mitigar el impacto?

Maniobrar una embarcación involucra muchos factores, lo que se vuelve aún más complejo al hablar de una embarcación de gran calado que pasa a través de un canal restringido. Al maniobrar en un canal, un navegante debe monitorear el viento, el tráfico de otras embarcaciones, la profundidad del agua, la corriente, la posición de la carga y luego todo el movimiento del buque mismo (en la imagen).

Independientemente de lo que la tecnología pueda ofrecer, debe contarse con un navegante experto al timón. De hecho, un navegante experto con las mejores herramientas de IA disponibles mitigaría muchas situaciones antes de que se vuelvan accidentes.

El Tte. Gral. Osama Rabie, presidente de la Autoridad del Canal de Suez, señaló el lunes en una conferencia de prensa que “ningún buque pensó en tomar otra ruta, a pesar de que la crisis duró seis días, debido a que la ruta alternativa significaba más de 10.000 millas. El Canal de Suez sigue siendo el mejor, más seguro y más corto curso de servicio”.

Aunque en este caso estaba muy claro que darle vueltas al tema no ahorraría tiempo ni dinero, existen instancias en las que un redireccionamiento podría ser factible, incluso preferible. Es decir, establecer un modelo que identifique la ruta óptima, lo que incluye la descarga y el desplazamiento por tierra según el tipo de carga. La optimización de ruta por adelantado brindaría a las compañías rutas viables que pueden usarse cuando ocurran nuevamente situaciones similares.

La aplicación de IA correcta reevaluaría automáticamente el equilibrio riesgo-beneficio en función de los datos más recientes y recomendaría opciones óptimas de cambio de ruta cuando estén disponibles. Establecería líneas que le indiquen en qué punto de su travesía hacia el canal sería más eficiente modificar la ruta en función de los costos frente a cuándo sería más eficiente continuar en la ruta planificada aun si el canal está bloqueado por una cierta cantidad de días. Al crear un modelo que muestra el riesgo en comparación con la recompensa, su compañía podría tomar decisiones rápidas en función de datos en tiempo real.

La imagen de arriba muestra el Número de Identificación del Servicio Móvil Marítimo de cada embarcación, con su Latitud, Longitud, Velocidad sobre el Fondo (SOG), Curso sobre el Fondo (COG) y Rumbo. Esta información se actualiza periódicamente a medida que una embarcación se mueve y da como resultado una trayectoria rastreable.

Predicción de Ruta 

Las posiciones futuras de los buques pueden predecirse en función de modelos físicos y también de rutas de transporte marítimo estándar.  Aunque las predicciones de trayectoria de curso probablemente no habrían sido útiles para el Ever Given, porque es difícil predecir un evento inusual, podrían usarse al proyectar la densidad esperada de buques en diversas ubicaciones en el futuro.

Las predicciones de trayectoria también podrían usarse para predecir si un buque se está comportando de manera inusual. El software de machine learning podría marcar como potencialmente sospechosos los buques que están fuera de su curso previsto a una cierta distancia. Luego, alguien podría investigar si la trayectoria del buque es de verdad suficientemente inusual para ser de preocupación.

O bien, si nos interesara qué tipos de comportamiento podrían ser señal de que un buque planea salirse de su curso, podríamos crear un modelo predictivo que indique si un buque en curso probablemente se salga de este en el futuro. El gráfico a continuación muestra la importancia de las características de un modelo H2O AutoML  que prediga la probabilidad de que un buque se salga de curso en el futuro.

Las características X e Y son características de función, que indican que los buques en ciertas ubicaciones tienen mayor probabilidad de cambiar de curso. Distance_23 es la distancia recorrida entre dos de los registros más recientes, SOG_4 y speed_12 son velocidades recientes y Length y dim_1 son dimensiones de buques. Así, el modelo indica que los buques de cierto tamaño en determinadas áreas tienen mayor probabilidad de cambiar de curso. Podemos explorar la relación entre las características y los cambios de curso mediante gráficos de dependencia parcial.

Los gráficos de dependencia parcial indican que eran los buques más grandes, que habían viajado una mayor distancia recientemente, los que tenían más probabilidad de cambiar de curso.

Desde luego, podría ser que algunos de los buques marcados como de comportamiento extraño en realidad no fueran de preocupación. Pero después de una revisión humana de los resultados marcados, las etiquetas podrían refinarse y el modelo podría restringirse para que fuera más exacto y solo marcara resultados que realmente sean de preocupación.

Minimización de Impacto Económico 

La IA puede ayudar a identificar las cadenas de logística que se interrumpirán por los buques atascados en esa región; por ejemplo, al momento de redactar esta publicación, el atasco en el Canal de Suez es de 422 buques. Es esencial poder hacer seguimiento de lo que llevan esos buques y de las alteraciones que habrá en la cadena de suministro. Incluso en condiciones normales, se puede usar machine learning para predecir cuáles serán los tiempos de espera en función de la información del clima, la hora del día y el día del año. También puede usarse para predecir el tiempo que tomará atravesar el canal.

“Aparte de las demoras causadas directamente por el cierre, existe el inevitable amontonamiento de embarcaciones que ocurre mientras llaman a sus próximos puertos y a medida que resolvamos estos conflictos sentiremos los efectos dominó de este cierre en las semanas venideras”, señaló Ahmed Bashir, jefe de Centros de Ejecución Global de Maersk, en un video publicado por la compañía en YouTube.

Esfuerzos de Respuesta 

Se ha hablado mucho sobre cómo desenterrar el Ever Given en el Canal de Suez pero, tal como ocurre en la mayoría de las situaciones náuticas, no es tan fácil como aparenta ser. En el caso de Suez, una luna llena significó que la marea alta fue 46 cm más alta de lo normal. Esto significa que los socorristas tendrían 46 cm más de lo usual bajo la embarcación sobre los cuales flotar, así que debían incluirlo en sus cálculos. Además, debían tomar en cuenta el viento; no tendría ningún sentido liberar la embarcación solo para hacerla encallar inmediatamente después, de modo que viento y corriente son fundamentales para saber dónde ubicar los remolcadores.

Los datos para todas las decisiones que deben tomarse al buscar reflotar una embarcación podrían ingresarse en H2O Wave, nuestro framework de desarrollo open-source Python, a fin de generar un modelo que le indicaría la mejor forma de cumplir la labor además de una idea de cuánto podría tomar. Saber cuánto tiempo tomaría, ayudaría a las embarcaciones que están atascadas a tomar decisiones sobre sus acciones y ayudaría a calcular el impacto financiero de las demoras.

Impacto Ambiental 

A menudo, cuando un buque colisiona con algo o encalla, existe un alto riesgo de impacto ambiental. El combustible y otras sustancias químicas dentro de una embarcación pueden verse expuestos a través de una ruptura del casco, lo que daría lugar a un derrame de petróleo o sustancias químicas. Esto es algo que debe tomarse en cuenta al estudiar cómo mover un buque que podría tener un daño en el casco producto del encallamiento, de modo que se cuente con los activos correctos para evitar que un incidente se transforme en un desastre aún mayor.

Cuando se produce un derrame debido a una colisión, existen diversas formas de evitar que se derrame más líquido desde la embarcación, las que son parte del programa de control de daños del buque. Si hay una fuga desde el buque, o si la respuesta es ante un derrame desde otra fuente (como un pozo petrolero), existen varias formas en que la IA puede ayudar a los socorristas.

La IA, en particular en el campo de hidroinformática , puede ayudar con la limpieza de un derrame al combinar los datos correctos: el tipo de líquido en el agua (examinando la viscosidad), la temperatura del agua, la corriente en el área y el viento. Mediante una combinación  de simulaciones numéricas con base física y métodos de machine learning, puede obtener un modelo predictivo de hacia dónde se desplazará el derrame y también puede predecir cuánto del líquido se hundirá o evaporará a su debido tiempo.

Así que como puede ver existen muchas formas en que la IA podría ayudar a los navegantes a evitar accidentes, contribuir en la eficiencia de la respuesta ante un incidente y mantener la cadena de suministro global operando con eficacia. Con H2O las herramientas para crear esas aplicaciones están disponibles para ayudar a la comunidad náutica y socorrista de hoy en día. Visite H2O Wave  o contáctenos  para una exploración más profunda.