Introducción

En un esfuerzo por mejorar la detección de estructuras subacuáticas, el Centro Roger F. Wicker de la Universidad del Sur de Misisipi (USM) ha desarrollado una innovadora metodología que combina modelización y simulación en COMSOL Multiphysics® y aprendizaje máquina (“machine learning”). Este enfoque se centra en entrenar vehículos submarinos no tripulados (“uncrewed underwater vehicles” - UUVs) para identificar con precisión objetos ferromagnéticos en el lecho marino, como restos antropogénicos y municiones sin detonar [1].

La detección de objetos ferromagnéticos en entornos marinos presenta múltiples desafíos. Los UUVs equipados con sensores magnéticos enfrentan interferencias tanto del entorno (como corrientes y oleaje) como del propio vehículo. Además, la similitud en las firmas magnéticas de diferentes objetos puede llevar a interpretaciones erróneas.

Trabajo experimental previo

Antes de crear los modelos en COMSOL Multiphysics®, se recopilaron datos experimentales. Para ello, el equipo se dirigió a un entorno marítimo controlado con objetivos conocidos que podían ser estudiados con sensores de gravedad y magnéticos de alta precisión. El experimento físico tuvo lugar cerca del Golfo de México, donde el equipo utilizó un sistema de cabrestante para mover una plataforma con sensores a lo largo de 70 metros entre dos puntos. La Figura 1 (a) muestra una fotografía de plataforma de sensores que utilizó la USM para registrar los datos experimentales.

Bajo la superficie, la plataforma escaneó uno de dos objetivos distintos: un imán cilíndrico de 20.3 cm de largo con un diámetro de 2.5 cm colocado verticalmente (Figura 1b), o un tubo de acero de 30.5 cm de largo con un diámetro de 11.4 cm colocado horizontalmente (Figura 1c). El equipo repitió este procedimiento en varias pruebas por cada objetivo, colocando los recipientes que contenían el imán o el tubo a profundidades de 1 metro, 3 metros y 5 metros.

Figura 1. Dispositivo experimental. (a) Plataforma de sensores para registrar los datos experimentales. (b) Imán cilíndrico de 20.3 cm de largo con un diámetro de 2.5 cm. (c) Tubería de acero horizontal de 30.5 cm de largo con un diámetro de 11.4 cm

Integración de COMSOL Multiphysics® y aprendizaje automático

Para abordar estos desafíos, el equipo de LA USM utilizó COMSOL Multiphysics® para modelizar y simular las respuestas magnéticas de diversas configuraciones de objetos en el lecho marino. Estas simulaciones se validaron con datos empíricos obtenidos en entornos controlados. Posteriormente, se desarrollaron aplicaciones de simulación que integran modelos de aprendizaje automático, permitiendo a los UUVs reconocer automáticamente patrones magnéticos y mejorar la precisión de los datos registrados.

En cuanto a los detalles del modelo, los investigadores utilizaron el módulo AC/DC de COMSOL Multiphysics® para construir modelos de campo potencial. Por otra parte, se definieron las propiedades físicas de los dominios y se creó un banco de pruebas utilizando la interfaz "Magnetic Fields, No Current" disponible en COMSOL. Luego introdujo la configuración espacial con objetivos magnéticos de baja (30,5 cm o 12 pulgadas), media (70 cm o 24 pulgadas) y alta (91,4 cm o 36 pulgadas) intensidad en el espacio de simulación (Figura 2). Finalmente, se calcularon las interacciones de los objetivos con el medio circundante. Las anomalías gravitacionales y magnéticas fueron registradas posteriormente a partir de diversas simulaciones con vehículos submarinos no tripulados, lo que proporcionó un amplio conjunto de datos que capturó las sutilezas de las variaciones del campo potencial en diferentes escenarios. Para alimentar estas simulaciones, el equipo de investigación utilizó análisis de UQ (cuantificación de incertidumbre).

Figura 2. Geometría utilizada por USM para su modelado. Las tres esferas interiores representan tuberías de 30,5; 70; y 91,4 cm (12, 24 y 36 pulgadas) de longitud, respectivamente.

Resultados y aplicaciones futuras

La combinación de simulaciones físicas y aprendizaje automático permite a los UUVs adaptarse a diferentes entornos y condiciones, aumentando su autonomía y eficiencia. Este avance tiene aplicaciones potenciales en la seguridad marítima, la arqueología subacuática y la exploración de recursos naturales.

En resumen, la integración de COMSOL Multiphysics® con técnicas de “machine learning” representa un paso significativo hacia la automatización y precisión en la exploración subacuática. Este enfoque multidisciplinario no solo mejora las capacidades de los UUVs, sino que también abre nuevas posibilidades en la investigación y monitoreo de los océanos.

Para más detalles, puedes consultar la historia completa en el sitio web de COMSOL [2].

Referencias

[1] COMSOL Multiphysics® Technical Papers and Presentations 2024. Mckenna et al. Potential Fields Modeling to Support Machine Learning Applications in Maritime Environments (2024)
[2] Joseph Carew "Potential Fields Modeling to Support Machine Learning Applications in Maritime Environments," COMSOL Conference 2024 Boston, 2024;