ii

iii

ABSTRACT RESUMEN PREFACIO Organizacin del trabajo 1. INTRODUCCIN 1.1 Clasificacin de acuerdo con la profundidad relativa 1.2 Clasificacin de las ondas ocenicas 1.3 Clasificacin del oleaje 1.3.1 Oleaje local o sea 1.3.2 Oleaje distante o swell 1.4 Fuentes de datos de oleaje 2. DESCRIPCIN ESTADSTICA DEL OLEAJE 2.1 Hiptesis bsicas 2.1.1 El oleaje como proceso estocstico 2.1.2 El oleaje como un proceso estacionario 2.1.3 El oleaje como proceso ergdico 2.2 Modelo matemtico-estadstico del oleaje 2.3 Definicin de estado de mar 2.4 Descripcin estadstica temporal y espectral de un estado de mar 3. ANLISIS TEMPORAL DE ESTADOS DE MAR 3.1 La muestra 3.1.1 Correccin del nivel medio 3.1.2 Caracterizacin de la seal 3.1.2.1 Mtodo de pasos ascendentes por cero 3.1.2.2 Mtodo de pasos descendentes por cero 3.1.2.3 Mtodo de distancia entre crestas 3.1.2.4 Mtodo de distancia entre valles 3.1.3 Determinacin de parmetros del oleaje 3.1.4 Determinacin de parmetros de las velocidades orbitales 3.1.5 Determinacin de la direccin del oleaje 3.1.6 Agrupamiento del oleaje 4. ANLISIS ESPECTRODIGITAL DE SERIES TEMPORALES 4.1 Correccin del nivel medio 4.2 Funcin ventana 4.3 Clculo de las componentes de Fourier 4.4 Estimacin del espectro 4.4.1 Formas de presentacin del espectro de energa v

ix x xi xi 1 2 3 4 5 5 6 7 7 7 10 11 13 15 16 17 17 19 24 24 27 28 28 29 36 36 39 45 47 48 50 55 56

4.5 Suavizado del espectro 4.6 Parmetros espectrales 4.7 Anlisis direccional del oleaje 4.7.1 Distribucin direccional de la energa del oleaje 4.7.2 Descomposicin clsica del espectro direccional 4.7.3 Caracterizacin de los mtodos estocsticos 4.7.4 Anlisis del espectro cruzado 4.7.5 Relacin entre el espectro cruzado y el direccional 4.7.6 Estimacin del espectro direccional 4.7.6.1 Mtodo paramtrico 4.7.6.2 Mtodo de mxima verosimilitud 4.7.6.3 Otros mtodos 5. DISTRIBUCIONES ESTADSTICAS DEL OLEAJE 5.1 Distribucin de los desplazamientos 5.1.1 Distribucin normal de desplazamientos de la superficie libre 5.1.2 Distribucin no lineal de desplazamientos de la superficie libre 5.1.2.1 Series tipo A de Gram-Charlier 5.1.2.2 Distribucin de los desplazamientos basada en un desarrollo de Stokes 5.1.2.3 Otras distribuciones de probabilidad del desplazamiento de la superficie libre 5.2 Distribucin de los desplazamientos mximos (crestas) 5.3 Distribuciones de alturas de ola 5.3.1 Distribucin de alturas de ola para un espectro de banda estrecha 5.3.1.1 Correlacin perfecta entre crestas y valles 5.3.1.2 Correlacin nula entre crestas y valles 5.3.1.3 Correlacin intermedia entre crestas y valles 5.3.2 Distribucin de alturas de ola en profundidad finita 5.3.3 Distribucin de alturas limitada por rotura 5.4 Distribuciones conjuntas de periodo y altura de ola 5.4.1 Distribucin de Cavani et al (1976) 5.4.2 Distribucin de Longuet-Higgins 5.4.2.1 Distribucin de altura de ola 5.5 Distribuciones de periodos de ola 5.5.1 Distribucin de Bretschneider (1959) 5.5.2 Distribucin de Longuet-Higgins (1975) 5.5.3 Distribucin Cavani et al (1976) 5.5.4 Distribucin Longuet-Higgins (1983) vi

59 61 66 66 67 68 69 70 71 71 75 77 79 79 80 84 84 85 88 89 92 93 93 93 95 96 99 100 101 103 104 105 105 105 105 105

6. MODELOS ESPECTRALES DE UN ESTADO DE MAR 6.1 Estado de saturacin 6.2 Modelo de Phillips 6.2.1 Espectro de Neumann 6.2.2 Espectro Pierson-Moskowitz 6.2.3 Espectro de Bretschneider 6.2.4 Espectro de Kitaigorodskii-Toba 6.2.5 Espectro ISSC 6.2.6 Espectro de Krylov 6.2.7 Espectro ITTC 6.2.8 Espectro JONSWAP 6.2.9 Espectro de Davidian et al 6.2.10 Espectro Wallops 6.2.11 Espectro de Ochi-Hubble 6.2.12 Espectro TMA 6.3 Distribucin angular 6.4 Generacin de oleaje va numrica 7. MODELOS PARAMTRICOS DE PREDICCIN DE OLEAJE 7.1 Introduccin 7.2 Modelo de prediccin de oleaje con vientos geostrficos 7.2.1 Ajuste del viento 7.2.1.1 Estimaciones y ajustes iniciales 7.2.1.2 Regin de tensin constante 7.2.1.3 Modelo de capa lmite planetaria 7.2.1.4 Ajustes finales 7.2.2 Desarrollo del oleaje 7.2.2.1 Consideraciones sobre la longitud del fetch 7.2.2.2 Fetch en mar abierto 7.2.2.3 Fetch restringido 7.2.2.4 Desarrollo del oleaje en aguas profundas 7.2.2.5 Crecimiento del oleaje en aguas someras 7.3 Modelo de prediccin de oleaje con viento ciclostrfico 7.3.1 Modelo de presin atmosfrica 7.3.2 Modelo de vientos 7.3.3 Evaluacin de la altura de ola 7.3.4 Relaciones complementarias

107 107 108 109 109 110 112 114 114 115 115 117 117 118 119 121 123 125 125 126 126 128 129 131 132 132 134 134 134 136 139 140 140 140 141 142

vii

8. ANLISIS A LARGO PLAZO 8.1 Importancia del anlisis extremal en la ingeniera 8.2 Excedencias 8.3 Periodos de retorno 8.4 Valores caractersticos 8.4.1 Estadsticos de orden 8.5 8.6 8.7 8.8 Mtodos utilizados en el diseo de obras martimas Distribuciones asintticas del mximo y el mnimo Dominios de atraccin Papeles probabilsticos 8.8.1 Tcnicas de punteo en papeles probabilsticos 8.8.2 Estimacin de parmetros y dibujo en papel probabilstico de Gumbel 8.8.3 Papel probabilstico de Weibull

145 146 148 149 151 152 153 153 154 156 159 160 164 168 171 179

8.9 Anlisis de rgimen medio 9. REFERENCIAS 10. RECONOCIMIENTO

viii

ABSTRACT This book serves as a guide for those wishing to study and predict sea waves from the perspective of probability and statistics. The first of the eight chapters gives an up to date overview of wave studies and how waves are classified in terms of relative water depth, frequency and evolution. From here the fundamental hypotheses for modern wave studies are examined. Individual chapters cover analysis from both the time domain, via discretised digital sampling, as well as the frequency domain, via the concept of the energy spectrum. In addition, the procedures most often used in engineering to determine the representative wave parameters are described. In view of the fact that it is often not possible to have reliable measurements, two chapters are given over to the analytical and the empirical wave distributions in the domain of time and frequency. In the penultimate chapter, two methodologies for wave prediction in geostrophic and ciclostrophic wind conditions are reproduced. These tools are of great value in estimating the appropriate wave parameters in such conditions and are therefore of most use when considering cold fronts or tropical cyclones. They can be applied directly and with relative ease. Finally, the last chapter revises the required bases for long and short term analyses. The latter, being generally applied for operational conditions. This is an up to date reference book, invaluable for students of coastal engineering as well as those involved in the planning and management of coastal structures.

ix

RESUMEN Este libro sirve como gua para quienes desean estudiar y predecir el oleaje desde la perspectiva de la probabilidad y la estadstica. El primero de los ocho captulos que lo integran es una resea histrica sobre el estudio del oleaje y su clasificacin en funcin de su profundidad relativa, frecuencia y evolucin. A continuacin, se examinan las hiptesis fundamentales para el estudio del oleaje. Se explican las bases que permiten analizar y caracterizar muestras de oleaje tanto en el dominio del tiempo, a travs de la discretizacin de seales digitales, cuanto en el dominio de la frecuencia, por medio del concepto de espectro de energa. Adicionalmente, se describen los procedimientos ms utilizados para determinar los parmetros representativos del oleaje. En virtud de que frecuentemente no se cuenta con mediciones in situ confiables, se dedican dos captulos a distribuciones analticas y empricas en los dominios del tiempo y la frecuencia. En el penltimo captulo se reproducen dos metodologas que permiten estimar el oleaje bajo condiciones de viento geostrfico y ciclostrfico. Estas herramientas, de aplicacin relativamente fcil y directa, son de gran ayuda para caracterizar los parmetros que definen al oleaje bajo el efecto de frentes fros y ciclones tropicales. Finalmente, el ltimo captulo revisa los fundamentos para analizar los regmenes extremal y medio. Este ltimo, normalmente aplicado para el estudio de condiciones de operatividad. Es una obra de referencia actualizada, muy til para estudiantes de ingeniera de costas, as como para todos aquellos relacionados con la planeacin y manejo de estructuras costeras.

PREFACIO Este trabajo est orientado a estudiantes tanto de licenciatura como de maestra de las carreras de ingeniera civil, ingeniera ocenica, ingeniera oceanogrfica y ciencias del mar, as como para aquellos profesionales encargados de realizar estudios y diseos costeros, portuarios y martimos. Antes de que el lector se adentre en el texto, es recomendable que haga un breve repaso sobre la mecnica de ondas y estadstica bsica, ya que algunos conceptos fundamentales estn fuera del alcance del presente trabajo. Con estas notas, que pueden servir eventualmente para la actualizacin de conocimientos o como libro de texto, simplemente se pretende presentar una serie de herramientas que potencialmente pueden ser tiles para estudios posteriores, como pueden ser el diseo de: estructuras martimas y portuarias, interaccin del oleaje con estructuras, transporte de sedimentos, morfodinmica de playas y evolucin de sistemas barrera en lagunas costeras, por citar algunos ejemplos. Organizacin del trabajo Este trabajo est integrado por ocho captulos, los siete primeros enfocados al anlisis de estados de mar y, el ltimo, al estudio del anlisis del oleaje a largo plazo. Los primeros dos captulos estn dedicados a la parte fundamental del estudio estadstico y probabilstico del oleaje, el tercero y cuarto al anlisis de estados de mar en el dominio del tiempo y la frecuencia, el quinto y sexto a las distribuciones analticas o empricas ms utilizadas para caracterizar los estados de mar; el sptimo captulo incorpora de forma integral dos modelos paramtricos de prediccin de oleaje para condiciones de frentes fros y huracanes; por ltimo, el octavo captulo aborda el estudio de regmenes de oleaje, tanto extremal como medio.

xi

El primer captulo presenta una resea histrica sobre el estudio del oleaje y su clasificacin. Las clasificaciones del oleaje que se abordan corresponden a la profundidad relativa de propagacin, las fuerzas generadoras del movimiento oscilatorio y la zona de generacin. En el segundo captulo se analizan las hiptesis fundamentales para el estudio estadstico del oleaje: es decir las bases del tratamiento del oleaje como un proceso estocstico, ergdico, estacionario y gaussianno, as como los elementos que sustentan el anlisis del oleaje en el dominio de la frecuencia a travs de la transformada de Fourier. Por ltimo, en este captulo se abordan dos definiciones para el estado de mar: la de periodo corto y la variacin de estado. El tercer captulo est dedicado al anlisis y caracterizacin de las seales o muestras de oleaje en el dominio del tiempo. Normalmente las mediciones de seales de oleaje incluyen informacin de ondas de mayor periodo, como mareas, y de la profundidad en que fueron obtenidas, por tanto, primero se debe realizar una correccin para eliminar estas tendencias. Las correcciones que se presentan en este captulo son: media aritmtica, lineal y parablica. Por otro lado, es habitual que las seales de oleaje se obtengan de forma discreta y no continua, por esto es conveniente realizar una estimacin de los mximos positivos y negativos de dichas seales, as como definir la forma de discretizar una seal, lo cual puede hacerse por medio de los mtodos de pasos ascendentes y descendentes por cero y distancia entre crestas y valles. Una vez establecida la metodologa para la discretizacin de una seal, se aborda el problema de la determinacin de los parmetros ms representativos del oleaje: direccin de propagacin y forma de evaluar el agrupamiento del mismo. El cuarto captulo incluye una descripcin de los pasos a seguir para el estudio de una seal de oleaje en el dominio de la frecuencia, es decir la forma de obtener un espectro de energa y la manera de representarlo grficamente. En este captulo tambin se abordan alguno de los mtodos para estimar la direccin del oleaje, as como los parmetros ms representativos que caracterizan un espectro de energa. Los captulos quinto y sexto estn dedicados al estudio de las distribuciones analticas y empricas en el dominio del tiempo y de la frecuencia. En particular, el captulo cinco aborda las distribuciones de la superficie libre bajo los conceptos xii

gaussiano y no gaussiano, la estimacin de diversas distribuciones de alturas de ola, y el clculo conjunto de altura-periodo del oleaje y periodos de ola. El captulo sexto presenta adems diversas aproximaciones para evaluar sintticamente el espectro de energa. Como complemento, se incluye un apartado donde se establecen las bases para la generacin numrica de seales de oleaje. El sptimo captulo explica dos metodologas, que eventualmente pueden usarse de forma complementaria a los desarrollos presentados en los captulos quinto y sexto. Estas metodologas permiten estimar de manera directa y fcil los parmetros que definen al oleaje bajo condiciones de viento geostrfico y ciclostrfico. Por ltimo, el octavo captulo presenta los fundamentos para el anlisis a largo plazo, que incluye el concepto de coeficiente de seguridad y periodo de retorno. Adems, expone la metodologa para evaluar los parmetros fundamentales de las distribuciones extremales para mnimos y mximos. Por otro lado, incluye fundamentos para analizar el rgimen medio, normalmente aplicado en el estudio de condiciones de operatividad. Aunque no ha sido un objetivo fundamental de este trabajo, en algunos casos se presentan ejemplos que ilustran tanto la aplicacin particular de las tcnicas descritas a lo largo del documento como el comportamiento de algunas distribuciones analticas.

xiii

1. INTRODUCCIN A travs de la historia de la humanidad se han registrado un sinnmero de esfuerzos por entender la generacin y transformacin del oleaje; como ejemplo, los antiguos griegos estaban conscientes de la interaccin entre el mar y la atmsfera, de hecho Aristteles, en su libro Acerca del cielo; meteorolgicos (Gredos, 1996) seal la importancia que juega el viento en el desarrollo del oleaje. As, desde la antigua Grecia hasta la etapa de oro del Renacimiento, en el siglo XV, no hubo grandes progresos documentados sobre el estudio de la generacin y transformacin del oleaje. Durante el periodo definido entre los siglos XVI y XIX, las contribuciones ms importantes se dieron en el plano terico, ya que en ese tiempo se desarrollaron la mayor parte de las teoras que se emplean para estudiar el oleaje, como las de Airy (1845) y Stokes (1847). El primer estudio de prediccin de oleaje fue desarrollado por Sverdrup y Munk (1947) durante la Segunda Guerra Mundial, aunque sus resultados no estuvieron disponibles hasta 1947. Quiz la forma ms sencilla de poder entender un estado de mar es considerndolo como ideal, es decir, con el oleaje definido por ondas sinusoidales perfectas, con crestas y valles de idntica forma, un periodo nico y un movimiento orbital progresivo. Bajo este supuesto, sobre una escala espacial, la longitud de onda, L, se determina como la distancia horizontal entre dos crestas adyacentes, mientras que la distancia vertical desde el mximo de la cresta hasta el fondo del valle definen la altura de ola, H. En la escala temporal, el tiempo necesario para que dos crestas consecutivas pasen por el mismo punto define al periodo de la onda, T, y su inverso que es la frecuencia, f. Finalmente, la velocidad con la cual una cresta se mueve horizontalmente a travs de la superficie del mar es definida como celeridad, c, o velocidad de fase. En general, la ecuacin para la celeridad (c = L/T) es directamente proporcional a la longitud de onda o periodo y a la profundidad, h.

El oleaje es un fenmeno que est determinado por la accin de las fuerzas de la naturaleza en cualquier superficie libre de agua, las cuales condicionan el tipo de ola que ser inducida. La ms obvia de estas fuerzas es la accin del viento sobre la superficie del mar. Desde hace mucho tiempo, se ha intentado estudiar al oleaje desde diferentes vertientes; no obstante, ste no puede ser representado por un modelo tan sencillo como el de la onda, dado que este fenmeno no se repite en el espacio ni en el tiempo y cuando se observa una altura de ola en un punto dado del mar, no se puede precisar cual ser la altura de ola siguiente en ese punto. Considerando la gran variabilidad del oleaje real, la forma ms razonable de caracterizarlo es a travs de los mtodos estadsticos, tratando al oleaje como un fenmeno aleatorio. Siguiendo las ideas anteriores, existen al menos tres formas de clasificar el movimiento oscilatorio que se presenta en el mar, las cuales corresponden a la profundidad relativa sobre la cual se propaga, la fuerza principal que lo genera y su periodo de onda. A continuacin se describen con cierta profundidad cada una de estas clasificaciones. 1.1 Clasificacin de acuerdo con la profundidad relativa Tericamente, las ecuaciones que representan al oleaje que se propaga en cualquier profundidad relativa, h/L, se denominan de ondas en aguas intermedias o en zona de transicin. Frecuentemente, este tipo de ecuaciones se simplifican asumiendo que las ondas slo son dependientes de su longitud o periodo, T, y de la profundidad. Esto conlleva a dos extremos de aproximaciones segn su profundidad relativa: Aguas profundas. Cuando la profundidad h es igual o mayor que la mitad de su longitud de onda, L, el oleaje no experimenta modificaciones debidas a la profundidad. Aguas poco profundas. Cuando la profundidad h es igual o menor que un vigsimo de su longitud de onda, L, el oleaje est completamente controlado por la profundidad del agua. Visto de otra forma, la clasificacin del oleaje se puede tambin realizar utilizando el concepto de la celeridad, que es una relacin directa entre la frecuencia y la longitud de onda.

1.2 Clasificacin de las ondas ocenicas Las ondas que componen un registro de oleaje son de una amplia gama de periodos, alturas y longitudes. De acuerdo con su periodo, fuerza generadora y la cantidad de energa que normalmente portan, se pueden distinguir los siguientes tipos de ondas, que se presentan en la tabla 1.1 y la fig 1.1. TABLA 1.1 CLASIFICACIN DE LAS ONDAS POR SU PERIODO (JOHNSON ET AL, 1978)
Nombre Capilares Ultragravedad Gravedad Periodo (T) 0 a 0.1 s 0.1 a 1 s 1 a 30 s Longitud (L) 2 a 7 cm Centmetros De metros a cientos de metros Altura (H) 1 a 2 mm Centmetros De centmetros a 15 m Pequea 1a5m Fuerza generadora Viento Viento Viento Fuerza restauradora Tensin superficial Tensin superficial y gravedad Gravedad

Infragravedad Periodo largo

30 s a 30 min 100 a 200 m 5 min a 24 h Pueden llegar a ser de escala planetaria Ms de 24 h -

Viento Sismo, derrumbes, atraccin de cuerpos celestes Oscilaciones climticas

Gravedad, fuerza de Coriolis Gravedad, fuerza de Coriolis Gravedad, fuerza de Coriolis

Transmarea

0 a 12 m

Como se ve en la tabla 1.1 y la fig 1.1, las ondas en el ocano pueden ser clasificadas de varias formas; una clasificacin usa las fuerzas que generan al oleaje, las cuales a su vez estn asociadas con una longitud de onda caracterstica. As, por ejemplo: Las fuerzas meteorolgicas (viento, presin del aire) generan el oleaje local y distante Los maremotos o terremotos generan grandes ondas conocidas como tsunamis, los cuales normalmente son clasificados como ondas en aguas poco profundas, ya que su longitud de onda es mucho mayor que la profundidad donde se propagan. Las mareas (fuerzas astronmicas) siempre se propagan de acuerdo con su longitud de onda en aguas poco profundas, por lo que son consideradas como ondas largas.

30 segundos

5 minutos

0.1 segundos

1 segundo

24 horas

12 horas

1 hora

Periodo

Transmarea

De largo periodo

Infragravedad

Gravedad

Ultragravedad

Capilares

Tipo de onda Fuerza generadora Fuerza restauradora

Sol y Luna Sismos, tormentas

Viento

Gravedad Fuerza de Coriolis Tensin superficial

Energa
6

10

10

10

10

10

10

10

10

Frecuencia de la onda = 1 / T

Fig 1.1 Periodo-energa de las ondas (Kinsman, 1965)

1.3 Clasificacin del oleaje En ingeniera oceanogrfica, se llama rea de generacin (fetch) a la regin donde existe transferencia de energa del viento hacia la superficie del mar. Ah el fenmeno es completamente aleatorio. El oleaje se propaga en diferentes direcciones, aunque la direccin dominante es la del viento. Las olas pueden tener diversas caractersticas dependiendo de las fuerzas que influyen en su generacin. De acuerdo con su gnesis, se suelen distinguir dos tipos extremos de oleaje, entre los cuales existen un sinnmero de estados intermedios. Se denominan por las palabras inglesas, universalmente aceptadas, sea y swell o su traduccin al espaol como oleaje local y oleaje distante, respectivamente (figs 1.2 y 1.3).

Fig 1.2 Oleaje tipo swell 1.3.1 Oleaje local o sea

Fig 1.3 Oleaje tipo sea

Este tipo de oleaje se produce en la zona de generacin en alta mar, donde raramente se aprecian crestas de cierta longitud y es difcil observar un periodo bien definido. Las caractersticas que definen este tipo de oleaje son: Gran irregularidad, ya que la altura de la superficie lquida es impredecible, carece de periodicidad Asimetra o gran desigualdad entre la forma del valle y la cresta de las olas Gran peralte de las olas. Las olas presentan una altura relativamente grande para su longitud de onda. 1.3.2 Oleaje distante o swell Cuando el oleaje se propaga y abandona el rea de generacin ocurren tres fenmenos (Losada y Gimnez-Curto, 1978): Pierden energa, las olas viajan a expensas de su propia energa (decaimiento) El oleaje sufre una doble dispersin. Una angular, en la que las olas se dispersan en todas direcciones, y otra radial, debida a que la velocidad es funcin directa del periodo, por lo que las olas ms largas viajan ms rpido que las ms cortas. Se produce un filtrado de olas. Fenmeno de soldadura, segn el cual las ondas de periodos cercanos se fusionan en largas crestas de onda, lo cual origina que la superficie catica se

simplifique. Al envejecer el oleaje y especialmente cuando abandona el rea de generacin va tendiendo a un oleaje de tipo swell. Este tipo de oleaje se puede observar sobre la plataforma costera, especialmente en profundidades reducidas, donde a los fenmenos descritos anteriormente se aade el de la refraccin, que hace que las olas tiendan a progresar en forma paralela a las lneas batimtricas. As, el oleaje que se acerca a la costa es ms regular, forma frentes de cresta muy grandes y las diferencias entre periodos y longitudes de onda son mnimas, surge una periodicidad, las direcciones no son tan dispersas, y se presentan ciertas direcciones predominantes. Todo esto proporciona un cierto orden al fenmeno. 1.4 Fuentes de datos de oleaje Dada la gran gama de equipos y tcnicas existentes en la actualidad, en este trabajo se omite la seleccin de tcnicas para obtener informacin; sin embargo y dada su trascendencia, se profundiza ms sobre el tratamiento de seales digitales y la prediccin de oleaje a travs de modelos paramtricos. Por otro lado, cabe sealar que a grandes rasgos las fuentes de datos ms comunes pueden ser de los siguientes tipos: Instrumental directo Medidores de resistencia (p ej, sensores de nivel) Equipos acsticos (p ej, los equipos que funcionan bajo el principio doppler) Sensores de presin. No instrumental o instrumental indirecto Equipos pticos (p ej, cmaras de video y stelites) Datos visuales (p ej, medidos por barcos en ruta) Retroanlisis basado en informacin de datos meteorolgicos (p ej, a travs de modelos paramtricos y de tercera generacin como el WAM, wave action model).

2. DESCRIPCIN ESTADSTICA DEL OLEAJE 2.1 Hiptesis bsicas 2.1.1 El oleaje como proceso estocstico En general, las olas en el mar no son regulares, es decir no tienen periodicidad con respecto al tiempo, sino que, por el contrario, el oleaje es un proceso esencialmente aleatorio. El oleaje puede ser considerado en trminos prcticos como un conjunto de ondas viajando en diferentes direcciones, i, con diferentes amplitudes, ai, frecuencias, i, y fases, i, de tal forma que puede ser estudiado como una superposicin lineal de ondas armnicas simples, es decir que el perfil de la superficie libre, i(x,y,t), puede ser descrito como:
i2 ( x, y, t ) = ai cos ( x cos i + y sen i ) it + i i g donde a amplitud (2.1)

frecuencia angular (2/T)

T periodo de la onda

ngulo de incidencia con respecto al eje X fase

x,y posicin espacial de la onda t tiempo.

Fig 2.1 Estructura del oleaje aleatorio, Pierson et al (1978)

En la ec 2.1 las amplitudes y fases son consideradas aleatorias. Dicho concepto, puede ser entendido ms claramente a travs de la fig 2.1, tomada de Pierson et al (1978). Dado que el oleaje es un fenmeno aleatorio, bajo este punto de vista, su estudio debe realizarse haciendo uso del anlisis estadstico.

El oleaje debe ser considerado como un proceso estocstico, es decir, resultado

de un experimento, en el cual no es un nmero sino una funcin.

En el caso del oleaje, una realizacin corresponde a una funcin muestra, la

cual ser determinada como resultado de una observacin o medicin y ser denotada por k(t), fig 2.2.

0.3 0.2

(t) [m]

0.1 0 -0.1 -0.2 -0.3 0 20 40 60 80 100 Tiempo (s)

Fig 2.2 Ejemplo de una seal aleatoria

Si se observa la superficie del mar en un instante determinado, ti, es claro que (ti) es una variable aleatoria. Considerando ahora el conjunto de n instantes, t1, t2,..., tn, se puede decir que (t1, t2,..., tn) es una variable enedimensional. De tal forma que el proceso (t) puede considerarse definido si para cualquier n instantes t1, t2,..., tn, se conoce la funcin de distribucin:

Ft1,t2 ,...,tn ( x1 , x 2 ,..., x n ) = Prob[ (t1 ) x1 , (t 2 ) x 2 ... (t n ) x n ] de la variable aleatoria enedimensional (t1,t2,...,tn). Estas distribuciones deben, por ende, satisfacer las siguientes condiciones: 1. Condicin de simetra Ft j1 ,t j 2 ,...,t jn x j1 , x j2 ,..., x jn = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm ) donde j1,j2,...,jn, es cualquier permutacin de los ndices 1,2,...,n. 2. Condicin de compatibilidad

(2.2)

(2.3)

Ft1 ,t2 ,...,tm +1 ,...,tn ( x1 , x2 ,..., xm ,..., ) = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm )
para cualquier tm+1,...,tn, si n>m.

(2.4)

Con dichas condiciones, se puede concluir que para definir el proceso (t) sera necesario conocer todas las funciones de distribucin dadas por la ec 2.2 para cualquier . Si se utiliza la teora de la correlacin es posible simplificar el estudio de
9

estos procesos, ya que sta toma en consideracin exclusivamente los dos primeros momentos del proceso. De tal forma que:

el valor medio, (k), queda definido como

(k ) = lim

1 k (t )dt T T

(2.5)

y, la funcin de correlacin (o autocorrelacin), R(k), es expresada como

R (k ) = lim

1 T k (t )k (t + )dt T T 0

(2.6)

La media y la funcin de autocorrelacin determinan completamente al proceso (t), si se considera que todas las distribuciones dadas por la ec 2.2 son normales (gaussianas). A pesar de restringir el proceso al uso de los dos primeros momentos, ste sigue siendo inabordable, por lo que se hace necesario admitir dos importantes hiptesis estadsticas: estacionariedad y ergodicidad. 2.1.2 El oleaje como un proceso estacionario Un fenmeno fsico se puede considerar estacionario si las caractersticas externas que influyen en l permanecen constantes durante cierto periodo de tiempo, es decir, un tiempo durante el cual y debido a la inercia del fenmeno existe un cierto equilibrio entre las fuerzas generadoras y las fuerzas restauradoras que intervienen, lo que mantiene su manifestacin aproximadamente estacionaria. Este periodo de tiempo es conocido como estado de mar. As, el proceso (t) es estacionario si todas las funciones de distribucin que definen el proceso permanecen constantes en un intervalo cualquiera de tiempo . Lo cual matemticamente se puede escribir como: Ft1 + ,t2 + ,...,t + ( x1 , x 2 ,..., x n ) = Ft1 ,t2 ,...,tn ( x1 , x 2 ,..., x n ) para cualesquiera n, , t1, t2,...,tn. Admitida la estacionariedad del oleaje, se deduce que el valor medio es una constante dada por 10 (2.7)

 (k ) =
y la funcin de correlacin depende slo de la diferencia = t +

(2.8)

R (k ) = R

(2.9)

Para fines prcticos, en ocasiones es suficiente con considerar al oleaje dbilmente estacionario, lo cual implica que sus funciones de covarianza dependen del paso de tiempo para todos los t. Esto es,

1 ( t ) dt = constante T T 0 lim
Por tanto,

(2.10)

1 1 ( t ) }{ ( t + ) } dt = lim ( t ) ( t + ) dt 2 = R ( ) 2 { T T T T 0 0 lim

(2.11)

2.1.3 El oleaje como proceso ergdico El teorema de ergodicidad, aplicable a la mayor parte de los procesos estacionarios, se enuncia como sigue: Si un proceso aleatorio (t) es estacionario y (k) y R(k) definidos en las ecs 2.5 y 2.6 no difieren cuando se calculan sobre diferentes muestras, se dice que el proceso es ergdico. De esta forma, la hiptesis de ergodicidad permite sustituir los promedios espaciales de realizaciones por promedios temporales sobre una realizacin. La descripcin de un estado de mar a partir de un nico registro (realizacin temporal, I(t)), se basa en admitir que se trata de un proceso ergdico y estacionario. Utilizando el teorema de Wiener-Khintchine, se ha demostrado (Khintchine, 1934) que la funcin de correlacin, R(), de cualquier proceso estocstico estacionario puede representarse por

R ( ) d ( )

(2.12)

11

donde () es la llamada funcin de distribucin espectral del proceso, la cual es una funcin acotada, real y no decreciente. Puede demostrarse que si se cumple la condicin

R ( ) d

<

(2.13)

R() puede representarse por la integral de Fourier, tal que R ( ) = entonces, ( ) =

S ( )e

(2.14)

S ( )d
d ( ) d

(2.15)

S ( ) =

(2.16)

La funcin S() se conoce como funcin de densidad espectral del proceso (t), y tiene la propiedad de ser positiva:

S ( ) 0

(2.17)

De acuerdo con la ec 2.14, R() es la transformada de Fourier de S() y por tanto, usando la frmula para evaluar la transformada inversa de Fourier, se obtiene que 1 S ( ) = 2

R ( )e

(2.18)

En caso de que el proceso S() sea real, como lo es el oleaje, la funcin () es una funcin par y por ende las expresiones dadas en las ecs 2.14 y 2.18 se pueden escribir como:

R ( ) = S ( ) cos d
0

(2.19)

S ( ) =

R ( )cos d
0

(2.20)

12

donde S() es la funcin de densidad espectral, la cual est definida solamente para

0, y est relacionada con S() por

S ( ) = 2S ( )
Por tanto, la expresin 2.19, se puede escribir como (2.21)

R (0) = S ( )d
0

(2.22)

es decir, el rea bajo la curva de S() es igual al valor medio de los desplazamientos verticales, y admitiendo que = 0 resulta que dicha rea es igual a la varianza de los desplazamientos verticales. A partir de aqu, el momento de orden n del espectro estar considerado como

mn = n S ( )d
0

(2.23)

2.2 Modelo matemtico-estadstico del oleaje En 1952, Longuet-Higgins por un lado y Pierson y Marks por otro, propusieron que los registros de los desplazamientos de la superficie libre del mar, (t), con respecto al nivel medio, pueden representarse a travs de la suma de gran nmero de ondas sinusoidales de diferentes amplitudes, as como de frecuencias y fases aleatorias. Si no se tuviera en cuenta un parmetro aleatorio, aunque se sumasen infinitas olas de altura, frecuencia y fase diferente, el conjunto constituira un fenmeno determinista. Es claro que el oleaje se representa de una forma ms aproximada a la realidad, salvo en muy raras excepciones, introduciendo una componente aleatoria. Con dicha suposicin, implcitamente se aborda el estudio del oleaje por medio de un modelo lineal, en consecuencia no es aplicable a casos en que la teora lineal no es vlida; como ocurre, por ejemplo, con el fenmeno de rotura. Para estudiar al oleaje, Longuet-Higgins (1952), basado en los trabajos de Rice (1944 y 1945), defini el modelo de fases aleatorias a travs de las siguientes hiptesis:

13

El desplazamiento de la superficie libre del agua viene dado como la suma de un gran nmero de ondas sinusoidales, de la forma

(t ) = i (t ) = ai cos( i t i )
i i

(2.24)

Las amplitudes de estas ondas se expresan por

2 a2 j +1 = 2 S ( 2 j +1 ) 2 j +1 2 j

(2.25)

donde S() es una funcin definida en el intervalo (0, ), tal que

S ( ) 0

lim S ( ) = 0

y la integral: S ( )d est acotada.

0

La fase i es una variable aleatoria con distribucin uniforme en el intervalo (0, 2), es decir,

Prob ( 2 j +1 < + d ) =

d 2

para

0 + d 2 y cero en el resto.

Como fue demostrado originalmente por Rice (1944 y 1945), y Pierson y Manks (1952), bajo estas hiptesis el modelo propuesto representa un proceso, (t), estacionario gaussiano, es decir, que la superficie libre (t) est normalmente distribuida:

(t ) = a2 j +1 cos ( 2 j +1t 2 j +1 ) = 2 S ( 2 j +1 ) 2 j + 2 2 j cos ( 2 j +1t 2 j +1 )

(2.26) Este modelo puede representarse en forma continua mediante la seudointegral

(t ) = cos( t ) 2S ( )d
0

(2.27)

14

La funcin de correlacin del proceso estocstico, definida en la ec 2.24, admitiendo ergodicidad, resulta:

R ( ) = lim

1 (t ) (t + )dt T T 0

(2.28)

Sustituyendo la ec 2.24 en la 2.28, se obtiene: R ( ) = 1 ai2 cos i 2 i (2.29)

o en forma continua, teniendo en cuenta la ec 2.25:

R ( ) = S ( ) cos d
0

(2.30)

Si se comparan las ecs 2.30 y 2.19, se puede deducir que la funcin S(), introducida en la segunda hiptesis del modelo matemtico-estadstico del oleaje (ec 2.25), es la funcin espectral del proceso. El modelo introducido define a un proceso estocstico estacionario y gaussiano, de media cero (lo que se comprueba sustituyendo la ec 2.24 en la 2.5 y operando), del cual tambin se admite que es ergdico. Puede demostrarse (Doob, 1953) que un proceso estacionario gaussiano es ergdico si y slo si la funcin de densidad espectral S() es finita para cualquier frecuencia. 2.3 Definicin de estado de mar Un estado de mar se define como aquella situacin o periodo de tiempo en que, y debido a la inercia del fenmeno, se considera que existe un cierto equilibrio entre las fuerzas generadoras y las fuerzas restauradoras que intervienen, lo cual produce que su manifestacin permanezca aproximadamente en estado estacionario. Otra definicin es la que establece que el estado de mar representa cada una de las posiciones de la dinmica del oleaje, admitiendo que stas tienen una variacin lo suficientemente lenta para considerar al proceso como estacionario. As pues, el oleaje puede considerarse formado por dos tipos de variaciones:

15

 Variacin de periodo corto. La variacin es muy rpida, del orden de segundos, durante la cual el proceso se considera estacionario. Variacin de periodo largo. La variacin es lenta, del orden de horas, y en ella evoluciona el estado del mar; hay variacin de estado.
En la prctica y con el objeto de obtener muestras estadsticamente representativas, cuando se registran variaciones de la superficie libre, se debe fijar un periodo de medicin que sea, por un lado, lo suficientemente corto para poder admitir la hiptesis de estacionariedad y, por otro, lo suficientemente largo para que al analizar la muestra se tenga un nmero representativo de olas para su tratamiento. Dicho periodo se suele fijar en el intervalo de 10 a 20 minutos por cada hora (o ms). Los parmetros estadsticos obtenidos de la muestra se extienden a toda la hora del intervalo, con lo que se admite que la duracin del estado de mar es de esa hora (o ms). 2.4 Descripcin estadstica temporal y espectral de un estado de mar Actualmente existen dos vertientes muy extendidas para el tratamiento de una seal de oleaje, cada una de ellas con sus virtudes y limitaciones, que pueden considerarse complementarias:

Descripcin estadstica temporal del estado de mar, la cual considera las propiedades estadsticas, parmetros y distribuciones de (t), directamente de una serie de tiempo. Descripcin estadstica espectral del estado de mar, que toma en cuenta el estudio del espectro y sus propiedades en el dominio de la frecuencia. El espectro o espectro de energa es una forma de representar cmo est distribuida la energa del oleaje en funcin de las frecuencias que integran una seal en particular.

16

3. ANLISIS TEMPORAL DE ESTADOS DE MAR Respetando el orden cronolgico en que ha evolucionado el uso de las diferentes metodologas para el anlisis y caracterizacin de estados de mar, este captulo se ha dedicado al anlisis de seales en el dominio del tiempo, mientras que el siguiente se dedica al anlisis de las seales en el dominio de la frecuencia. Otro orden lgico, preferido por muchos autores, es el de omitir el anlisis temporal del oleaje y reconstruir las distribuciones de altura de ola y periodos a partir de estimaciones tericas. Sin embargo, esto obliga a la asuncin de ciertas hiptesis en el comportamiento de la correlacin entre crestas y valles que componen al oleaje, las cuales no son siempre acertadas. La visin que sostiene este documento es que ambas tcnicas son complementarias y no excluyentes. 3.1 La muestra Normalmente, la muestra que se utiliza para realizar la descripcin estadstica temporal de un estado de mar es un registro de oleaje medido por un aparato, usualmente un sensor de presin, ubicado en algn punto del mar. Con carcter general, es posible afirmar que estos registros tienen un aspecto similar al de la fig 3.1. En esta misma figura, se muestran los parmetros fundamentales que definen al oleaje, los cuales son la altura de ola, H, y su periodo asociado, T. En primer trmino se considera el anlisis estadstico de la muestra, con lo que se calculan, para el caso de las alturas y periodos de ola, los parmetros estadsticos que se indican a continuacin:

17

Nmero de sucesos Media

X =

1 N

X
i =1
N i =1

Media cuadrtica

2 Xm =

1 N

2 i

Media de los N/n valores mayores Casos particulares

X 1/ n X 1 / 3 valor significante o X 1 / 10 valor un dcimo

Valor mximo del parmetro en la muestra Xmx Antes de llevar a cabo la evaluacin de los parmetros descritos, es necesario realizar algunas operaciones matemticas que ayuden a evitar errores en el clculo y que adems no alteren la informacin estadstica contenida en la muestra. Para ello se considera la metodologa resumida en la tabla 3.1, y en los apartados siguientes se detalla cada uno de los procesos involucrados.

mx=1

H NMM

H a

mn=2

Fig 3.1 Parmetros que definen el oleaje

18

TABLA 3.1

METODOLOGA PARA EL ANLISIS TEMPORAL DEL OLEAJE

Media Lineal Parablica

A. Correccin del nivel medio

B. Discretizacin de la seal (separa H y T)

Mtodo de pasos ascendentes por cero Mtodo de pasos descendentes por cero Mtodo de crestas Mtodo de valles

C. Estimacin de cruces D. Evaluacin de parmetros y velocidades orbitales E. Determinacin de la direccin del oleaje

Mtodo grfico con las velocidades

3.1.1 Correccin del nivel medio Por lo general, los registros de oleaje contienen la influencia de ondas largas; de mareas, por ejemplo, y en algunos casos llega a ser muy importante su influencia sobre el nivel medio del registro. Por esta razn, es necesario realizar la correccin de dicho nivel y evitar una distorsin en el anlisis estadstico. En el dominio del tiempo, existen tres formas muy utilizadas para llevar a cabo la correccin del nivel medio (Goda, 2000). El procedimiento es el siguiente: se calcula el valor medio que puede ser de orden cero o promedio aritmtico, de primer orden o una recta o de segundo orden o una parbola. En los dos ltimos casos, los coeficientes de la recta o parbola se pueden obtener aplicando la tcnica de mnimos cuadrados. Una vez calculado el valor medio se resta del valor original de cada uno de los datos, tal que

i _ corregida = i _ original i
ecuaciones para evaluar el nivel medio.

(3.1)

Con el objeto de ejemplificar el procedimiento, a continuacin se presentan las

Media aritmtica. Consiste en obtener la media aritmtica de la superficie libre para todo el registro, para posteriormente restarla a cada dato; as, el valor medio se obtiene como

n =

1 N

n =1

(3.2)

19

siendo N el nmero de puntos de la muestra. Es conveniente hacer mencin de que este criterio es adecuado cuando los efectos de ondas largas no tienen gran influencia sobre el registro del oleaje. Correccin lineal. A travs del uso de la tcnica de ajuste por mnimos cuadrados se obtiene una expresin que representa una variacin lineal del nivel medio, la cual se utiliza posteriormente para eliminar el efecto de ondas de ms largo periodo. La ecuacin para realizar esta correccin es

n = A0 + A1n
donde

n = 1, 2,...., N

(3.3)

A0 =

N 2Y0 N1Y1 , N 0 N 2 N12 Nr = nr ,

n =1 N

A1 =
N

N 0Y1 N1Y0 , N 0 N 2 N12

(3.4)

Yr = n rn
n =1

(3.5)

Por ejemplo, este tipo de correccin ser adecuado si se tiene un registro de oleaje superpuesto a una onda de marea semidiurna y dicho registro tiene una duracin mucho menor que el periodo de la marea, y si se encuentra en la franja de ascenso, zona 1 de la fig 3.2. Correccin parablica. Utilizando la tcnica de mnimos cuadrados, la ecuacin para realizar una correccin de tipo parablico es:

n = B0 + B1n + B2 n 2
donde

n = 1, 2,..., N

(3.6)

1 2 Y0 ( N 2 N 4 N 32 ) + Y1 ( N 2 N 3 N1 N 4 ) + Y2 ( N1 N 3 N 2 ) , 1 2 B1 = Y0 ( N 2 N 3 N1 N 4 ) + Y1 ( N 0 N 4 N 2 ) + Y2 ( N1N 2 N0 N3 ) 1 2 B2 = Y0 ( N1 N 3 N 2 + Y1 ( N1 N 2 N 0 N 3 ) + Y2 ( N 0 N 2 N12 ) ) 3 = N 0 N 2 N 4 + 2 N1 N 2 N 3 N 2 N 0 N 32 N12 N 4 B0 =

(3.7)

20

 Zona 2 Zona 1 Zona 1 t

Periodo de marea semidiurna 6h

Fig 3.2 Marea semidiurna

Este tipo de correccin se emplea en los casos en los que, adems de que la carrera de marea es importante, la muestra de oleaje que se desea analizar tiene una influencia que se puede ajustar a una parbola. Por ejemplo, si se tiene un registro de oleaje ubicado en la zona 2 de la fig 3.2. Si en un registro se observa la influencia de variaciones de periodo largo, del orden de minutos, para la determinacin correcta del nivel medio se deber aplicar un filtro espectral, que ser explicado ms adelante. Ejemplo. Utilizando los datos de una seal de oleaje, tabla 3.2 o fig 3.3, corregir la seal utilizando cada uno de los mtodos de correccin del nivel medio.

TABLA 3.2 SEAL DE OLEAJE SIN CORRECCIN DEL NIVEL MEDIO

I 1 2 3 4 5 6 7 8 ti 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 i 0.4891 0.4723 0.5085 0.5899 0.6872 0.7617 0.7813 0.7340 i 9 10 11 12 13 14 15 16 ti 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 i 0.6317 0.5040 0.3854 0.3022 0.2653 0.2717 0.3104 0.3692 i 17 18 19 20 21 22 23 24 ti 8.0 8.5 9.0 9.5 i 0.4378 0.5057 0.5589 0.5790 i 25 26 27 28 29 30 31 32 ti i

12.0 -0.0255 12.5 -0.1303 13.0 -0.1567 13.5 -0.1072 14.0 -0.0102 14.5 0.0918 15.0 0.1589 15.5 0.1686

10.0 0.5475 10.5 0.4545 11.0 0.3075 11.5 0.1339

21

0.8 0.6 (m) 0.4 0.2 0.0 -0.2 0 4 8 12 16 t(s)

Fig 3.3 Seal de oleaje sin correccin del nivel medio

Solucin Correccin de la seal usando la media aritmtica, ec 3.2,

i =

1 N

i =1

11.5779 m = 0.3618 m 32

Antes de realizar la correccin del nivel medio utilizando la ecuacin de una recta (3.3), o una parbola (3.6), se deben de evaluar los siguientes parmetros: N0 = 32 N1 = 528 N2 = 11 440 N3 = 278 784 N4 = 7 246 096 Y0 = 11.5779 m Y1 = 133.1205 m Y2 = 2 122.4531 m Sustituyendo estos valores en las ecs 3.4 y 3.3, se obtiene, para el caso de la correccin lineal:

22

A0 =

N 2Y0 N1Y1 (11440 )(11.5779 m ) ( 528 )(133.1205 m ) = = 0.7121m 2 N 0 N 2 N12 ( 32 )(11440 ) ( 528) N 0Y1 N1Y0 ( 32 )(133.1205 m ) ( 528 )(11.5779 m ) = = 0.0212 m 2 N 0 N 2 N12 ( 32 )(11440 ) ( 528 ) : n = 1, 2,....,16

A1 =

i = A0 + A1n = 0.7121m + ( 0.0212 m ) n

Para la correccin parablica, se tienen que evaluar primero los parmetros B0, B1, B2 y , definidos en la ec 3.7: = 16 193 757 184
B0 = = 1 2 Y0 ( N 2 N 4 N 32 ) + Y1 ( N 2 N 3 N1 N 4 ) + Y2 ( N1 N 3 N 2 ) , 11.5779 ( (11440)(7246096) (278784) 2 ) + 133.1205 ( (11440)(278784) (528)(7246096) ) 16193757184 2121.4531( (528)(278784) (11440) 2 ) + = 0.6058 m 16193757184

B1 = =

1 2 Y0 ( N 2 N 3 N1 N 4 ) + Y1 ( N 0 N 4 N 2 ) + Y2 ( N1 N 2 N 0 N3 ) 11.5779 ( (11440)(278784) (528)(7246096) ) + 133.1205 ( (32)(7246096) (11440) 2 ) 16193757184 2121.4531( (528)(11440) (32)(278784) ) + = 0.0025 m 16193757184

B2 = =

1 2 Y0 ( N1 N 3 N 2 + Y1 ( N1 N 2 N 0 N 3 ) + Y2 ( N 0 N 2 N12 ) ) 11.5779 ( (528)(278784) (11440) 2 ) + 133.1205 ( (528)(11440) (32)(278784) ) 16193757184 2121.4531( (32)(11440) (528) 2 ) + = 0.0006 m 16193757184

i = B0 + B1n + B2 n 2 =(0.6058 m) n + (-0.0025 m)n + (-0.0006 m) n

23

n = 1, 2,...,16

0.4 0.2 (m) 0.0 4 8 12 16 t(s)

-0.2 0 -0.4

Fig 3.4 Resultados de la seal corregida: media aritmtica, lnea recta y parablica

En la fig 3.4 se representan grficamente los resultados obtenidos al aplicar la correccin del nivel medio de la seal, (ec 3.1), utilizando los tres mtodos antes expuestos. En esta figura se puede observar que las diferencias entre la utilizacin de un mtodo u otro pueden ser muy grandes; de hecho, si no se conoce bien el mecanismo que genera dicha variacin, a priori resulta ms conveniente utilizar una correccin de tipo parablico. 3.1.2 Caracterizacin de la seal Una vez que se ha corregido el nivel medio, se debe caracterizar la seal, esto es, calcular las alturas y los periodos de ola individuales. Para este propsito existen diversos mtodos, que se enuncian a continuacin: 3.1.2.1 Mtodo de pasos ascendentes por cero Para la implementacin de este mtodo se determinan los pasos ascendentes a travs del siguiente criterio:

i i +1 < 0

i +1 > 0

(3.8)

donde i representa el isimo dato de la elevacin de la superficie despus de la correccin del nivel medio. El tiempo en el cual cruza el nivel medio se determina por medio de una interpolacin lineal entre el tiempo de muestreo de i y i+1. La diferencia temporal de este punto al siguiente paso ascendente define el periodo.

24

La condicin para definir un mximo en el perfil es

i 1 < i

i > i +1

(3.9)

Con el fin de eliminar el problema de subestimacin del mximo real entre dos puntos discretos, deben ser estimados el tiempo y la elevacin mxima despus de ajustar la curva parablica en funcin de tres puntos i-1, i y i+1. La ecuacin para el ajuste parablico se puede expresar como

mx = C
donde

B2 , 4A

tmx = ti

t B 2A

(3.10)

A=

1 (i 1 2i + i +1 ) , 2

B=

1 (i +1 i 1 ) , 2

C = i

(3.11)

Para determinar la altura de ola, el punto ms alto sobre la elevacin de la superficie libre debe ser encontrado dentro del intervalo entre dos pasos ascendentes Una vez que se identific este punto, se denota como i y entonces mx es estimada por medio de las ecs 3.10 y 3.11. El punto ms bajo o valle de la elevacin, mn, es calculado por medio de un proceso similar, y la altura de ola es calculada como la resta del valor mximo menos el mnimo, mx y mn. En la fig 3.5 se presenta el procedimiento de forma grfica.

2.5 2.0 1.5 1.0

Mximo positivo

( m)

0.5 0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0

Segundo cruce t (s)

4.5 5.0 5.5 6.0 6.5 7.0

-0.5 -1.0 -1.5 -2.0 -2.5

Primer cruce Mximo negativo

Fig 3.5 Discretizacin de la altura de ola utilizando el mtodo de pasos ascendentes 25

Ejemplo. Considere el segmento de una seal arbitraria con las variaciones de la superficie libre (tabla 3.3), y evale las alturas de la cresta y valle, los tiempos en los cuales se producen los pasos ascendentes, y determine la altura y periodo de dicha onda. El primer cruce ascendente se da entre 1 y 2. El tiempo en que esto ocurre, ta, se obtiene como

ta =

i +1 ti i ti +1 ( 0.097 m )( 0s ) ( 0.200 m )( 0.5s ) = = 0.3367 s i +1 i ( 0.097 m ) ( 0.200 m )

TABLA 3.3 SEAL DISCRETA DE OLEAJE

i 1 2 3 4 5

ti (s) 0.0 0.5 1.0 1.5 2.0

i (m) -0.200 0.097 0.551 1.399 1.872

i 6 7 8 9 10

ti (s) 2.5 3.0 3.5 4.0 4.5

i (m) 1.691 1.052 -0.242 -1.489 -2.069

I 11 12 13 14

ti (s) 5.0 5.5 6.0 6.5

i (m) -1.935 -0.964 0.283 1.397

El segundo cruce ascendente se da entre 12 y 13, en el tiempo tb,

tb =

( 0.283m )( 5.5s ) ( 0.964 m )( 6.0s ) = 5.8865s ( 0.283m ) ( 0.964 m )

Por tanto, el periodo de onda es la diferencia entre los tiempos ta y tb: T = tb ta = 5.8865 s 0.3367 s =5.5498 s Para evaluar la altura de ola, primero se calcula el mximo positivo en dicho intervalo:

A=

1 1 (i 1 2i + i +1 ) = (1.399 2 (1.872 ) + 1.691) = 0.327 m 2 2

B=

1 1 (i +1 i 1 ) = (1.691 1.399 ) = 0.146 m 2 2

26

C = i = 1.872 m

tmx = ti

( 0.5)( 0.146 ) = 2.1116s tB = 2.0 2A 2 ( 0.327 )

2

mx

( 0.146 ) = 1.8883m B2 =C = 1.872 4A 4 ( 0.327 )

Ahora, el mximo negativo se evala como:

A=

1 1 (i 1 2i + i +1 ) = ( 1.489 2 ( 2.069 ) 1.935) = 0.357 m 2 2

B=

1 1 (i +1 i 1 ) = ( 1.935 + 1.489 ) = 0.223m 2 2

C = i = 2.069 m

tmn = ti

( 0.5)( 0.223) = 4.6562s tB = 4.5 2A 2 ( 0.357 )

2

mn

( 0.223) = 2.1038 m B2 =C = 2.069 4A 4 ( 0.357 )

De tal forma que la altura de ola, H, es la diferencia entre los mximos positivo y negativo, H = mx mn = 1.8883 + 2.1038 = 3.9921m 3.1.2.2 Mtodo de pasos descendentes por cero Este mtodo es anlogo al de pasos ascendentes por cero, la nica diferencia estriba en que ahora las olas se definen en el cambio de signo de positivo a negativo, como se puede ver en la fig 3.6.

27

0.3 0.2 0.1

Punto de paso descendente por cero

0 -0.1 -0.2 -0.3 1 2 3 4 5 6 7 8 9 10 0 20 40 60

t 80

Nmero de ola

Fig 3.6 Definicin de olas con el mtodo de pasos descendentes

El criterio para definir cada ola es el siguiente:

i i +1 < 0
3.1.2.3 Mtodo de distancia entre crestas

i-1 > 0

(3.12)

Debido a la asimetra natural que se presenta en el oleaje, es decir, a que no se tiene el mismo nmero de puntos del lado positivo que del negativo, el IAHR (1989) recomend que una altura de ola se debe definir a partir de la distancia entre cresta y cresta de la serie, tal como se muestra en la fig 3.7. Como resultado de este procedimiento, si se compara con el mtodo de pasos ascendentes o descendentes por cero, se contabilizan un mayor nmero de olas. Sin embargo, tiene el inconveniente de agregar a la estadstica olas pequeas que suelen distorsionar los resultados. 3.1.2.4 Mtodo de distancia entre valles Este mtodo es anlogo al de la distancia entre crestas, la diferencia estriba en encontrar los mnimos para separar las olas, como se muestra en la fig 3.8.

28

0.3 0.2 0.1

10

11

12

13 Nmero de ola

t 0 -0.1 -0.2 -0.3 0 20 40 60 80

Fig3.7 Definicin de olas por el mtodo de distancia entre crestas

0.3 0.2 0.1

0
-0.1 -0.2 -0.3 0 20 40 60

t 80

10

11

12

Nmero de ola

Fig 3.8 Separacin de olas por medio del mtodo de valles 3.1.3 Determinacin de parmetros del oleaje Los parmetros estadsticos ms importantes para definir un estado de mar a partir de una serie de tiempo son: La variacin del nivel medio del mar:

(t ) =
donde

1 N

i =1

(3.13)

i elevacin de la superficie libre del mar en el tiempo ti

N nmero de eventos o muestras. 29

2 : La variacin de la media cuadrtica (la varianza) de superficie del agua, rms

La altura media y el periodo medio:

2 rms

1 = N

i =1 N0

2 i

(3.14)

1 H= N0 T = donde 1 N0

H
i =1 N0

(3.15) (3.16)

T
i =1

N0 nmero de olas individuales de todo el registro Hi altura de ola Ti periodo de ola. La altura cuadrtica media, Hrms, queda definida por: H rms = 1 N0

H
i =1

N0

2 i

(3.17)

La falta de oblicuidad o asimetra es evaluada a travs de la siguiente expresin:

Skw = 1
3 N 0rms

i =1

3 i

(3.18)

Para evaluar otros parmetros relevantes, como los estadsticos de orden, significante, un dcimo, etc, primero se ordenan, en funcin de la altura de ola, de mayor a menor los valores correspondientes de altura-periodo de ola (H,T), de manera que, por ejemplo:

la altura de ola un medio, H1/2, es el promedio del 50 % de las olas ms altas la altura un tercio o significante, Hs = H1/3, est definida como la media aritmtica del 33 % de las alturas de ola ms altas la altura de ola un dcimo, H1/10, es el promedio del 10 % de las olas ms altas la altura de ola un centsimo, H1/100, es el promedio del 1 % de las olas ms altas la altura de ola un milsimo, H1/1000, es el promedio del 0.1 % de las olas ms
altas, etctera.

30

Mientras que, para el caso de los periodos:

el periodo de ola un medio, T1/2, es el promedio de los periodos asociados al 50 % de las olas ms altas de un registro el periodo de ola un tercio o significante, T1/3 = Ts, es el promedio de los periodos asociados al 33 % de las olas ms altas de un registro el periodo de ola un dcimo, T1/10, es el promedio de los periodos asociados al 10 % de las olas ms altas de un registro el periodo de ola un centsimo, T1/100, es el promedio de los periodos asociados al 1 % de las olas ms altas de un registro el periodo de ola un milsimo, T1/1000, es el promedio de los periodos asociados al 0.1 % de las olas ms altas de un registro, etctera.
En ocasiones, para evaluar las estadsticas de los periodos de ola se aplica el mismo criterio que para las alturas de ola. Sin embargo, en ingeniera y sobretodo en el proceso de diseo o caracterizacin, lo ms conveniente es asociar las alturas con los periodos de ola. Otro parmetro importante de calcular en las series ordenadas son las estadsticas de orden Hi:q, donde q es el nmero de muestras e i es el lugar que ocupa desde el inicio, de tal forma que, por ejemplo, el estadstico de orden 1, H1:q, corresponde al valor mximo de la muestra, que tambin se conoce como altura de ola mxima, Hmx. Ejemplo. Utilizando los datos ya ordenados de mayor a menor altura de ola y periodos que se presentan en la tabla 3.4, evale los siguientes parmetros estadsticos: nmero de olas (N0), altura mxima de ola y su periodo de ola asociado (Hmx, Tmx), la altura de ola y periodo de ola de orden 1: N0 (H1: No, T1: No), altura de ola y periodo de ola significantes (Hs, Ts) y los valores representativos de altura de ola y periodos un medio, un tercio, un dcimo y un centsimo (H1/2, H1/3, H1/10, H1/100, T1/2, T1/3, T1/10, T1/100). Solucin. Directamente de la tabla 3.4 se puede evaluar: Nmero de olas, N0 = 154 En cuanto a las alturas de ola, los resultados son: La altura mxima de ola, Hmx = H1 = H1:154 = 2.32 m 31

TABLA 3.4 DATOS DE ALTURAS Y PERIODOS DE ONDA ASOCIADOS

i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 H(m) 2.320 2.308 2.154 2.104 2.029 1.888 1.716 1.654 1.636 1.630 1.622 1.589 1.533 1.533 1.484 1.484 1.482 1.443 1.433 1.414 1.412 1.398 1.388 1.380 1.347 1.339 1.337 1.329 1.314 1.312 1.292 1.281 1.279 1.233 1.232 1.218 1.217 1.195 1.193 T(s) 8.74 8.64 9.61 9.80 9.54 8.74 8.74 9.45 10.60 9.70 11.10 8.27 7.78 10.18 8.72 10.61 9.66 9.75 10.06 7.87 8.72 9.22 9.51 8.10 9.32 8.53 9.87 7.93 10.22 9.54 9.64 8.36 9.06 9.42 8.12 8.89 8.05 8.61 10.71 i 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 H(m) 1.175 1.154 1.151 1.134 1.127 1.120 1.118 1.100 1.099 1.088 1.083 1.066 1.059 1.057 1.037 1.030 1.027 1.008 0.970 0.969 0.969 0.948 0.930 0.929 0.927 0.907 0.905 0.886 0.881 0.877 0.854 0.853 0.853 0.853 0.850 0.844 0.840 0.837 0.837 T(s) 6.93 10.74 11.29 9.24 8.24 8.36 11.17 9.40 7.22 11.18 6.86 12.78 10.95 8.19 8.94 9.45 11.16 10.82 9.39 10.05 9.62 9.40 9.02 8.91 9.58 6.20 6.92 10.09 9.35 5.92 7.39 11.07 9.96 10.13 10.15 10.21 10.85 7.22 9.30 i 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 H(m) 0.835 0.830 0.829 0.826 0.821 0.818 0.783 0.783 0.779 0.762 0.760 0.757 0.752 0.741 0.728 0.728 0.718 0.718 0.717 0.707 0.700 0.691 0.683 0.678 0.673 0.662 0.660 0.657 0.656 0.652 0.632 0.631 0.626 0.617 0.614 0.592 0.589 0.583 0.582 T(s) 12.70 9.87 10.96 7.15 10.64 12.17 12.90 4.36 7.56 9.53 9.76 8.82 6.18 10.60 6.29 11.40 8.30 6.70 10.15 8.26 4.99 10.36 9.13 5.07 9.12 4.71 10.23 5.76 10.77 7.17 7.85 11.21 10.71 11.06 7.07 12.93 8.78 4.32 8.30 i 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 H(m) 0.576 0.575 0.570 0.565 0.553 0.550 0.543 0.528 0.517 0.508 0.507 0.502 0.490 0.489 0.485 0.481 0.478 0.464 0.441 0.424 0.372 0.348 0.342 0.305 0.292 0.273 0.267 0.251 0.247 0.238 0.199 0.165 0.157 0.150 0.136 0.100 0.090 T(s) 11.85 9.76 5.20 5.44 4.70 8.63 12.08 8.29 11.46 9.65 5.02 9.41 5.38 7.46 8.94 4.51 3.69 4.61 5.04 4.40 5.54 6.98 5.70 5.30 6.40 4.44 3.45 2.69 2.85 5.29 4.09 2.36 3.21 2.48 2.17 2.49 2.21

Altura media de ola,

H=

1 154 H i = 0.904 m 154 i =1

32

Altura cuadrtica media, H rms = Altura de ola un medio, 1 154 2 H i = 1.011m 154 i =1

H1/ 2 =

2 77 H i = 1.255 m 154 i =1

Altura de ola significante o un tercio, H s = H1/ 3 = Altura de ola un dcimo, H1/10 = Altura de ola un centsimo, 10 15 H i + 0.4 H16 = 1.805 m 154 i =1 3 51 1 H i + H 52 = 1.421m 154 i =1 3

H1/100 =

100 ( H1 + 0.54 H 2 ) = 2.316 m 154

Mientras que los valores de los periodos correspondientes a las alturas de ola son: Periodo de ola mxima, Tmx = T1 = T1:154 = 8.74 s Periodo de ola media,

T =
Periodo de ola un medio,

1 154 Ti = 8.31s 154 i =1

T1/ 2

2 77 = Ti = 9.27 s 154 i =1

33

Periodo de ola significante o un tercio, Ts = T1/ 3 = 3 51 1 Ti + T52 = 9.28s 154 i =1 3

Periodo de ola un dcimo, T1/10 = 10 15 Ti + 0.4T16 = 9.34s 154 i =1

Periodo de ola un centsimo,

T1/100 =

100 (T1 + 0.54T2 ) = 8.70s 154

Siguiendo el mismo ejemplo, conviene aqu presentar las formas convencionales de evaluar las probabilidades de presentacin de un evento: La primera manera es reportar la probabilidad de forma discreta. Para ello, se dividen los datos en rangos la altura o periodos de ola y se genera una tabla que refleje el nmero o porcentaje, sea individual, por rango, acumulado o de excedencia. En las figs 3.9 y 3.10, se ilustran los resultados de evaluar el nmero de olas y su porcentaje individual y acumulado, respectivamente, segn el ejemplo presentado en la tabla 3.4. Aunque el mtodo anterior proporciona una forma muy sencilla de conocer las probabilidades, lo usual es presentar los resultados de manera continua y para ello la probabilidad acumulada, P, se puede evaluar mediante la siguiente expresin:

Pn =

n N0 + 1

(3.19)

donde n es igual a n = N0 i +1, siendo i el orden de mayor a menor que ocupa H o T en la serie. Es conveniente mencionar que la probabilidad de excedencia PE, es igual a la probabilidad acumulada menos uno, PE = P-1.

34

30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 H (m ) 1.4 1.6 1.8 2.0 2.2 2.4

20 18 16 14 12 10 8 6 4 2 0

Nmero de olas

Fig3.9 Ejemplo de probabilidad discreta por rangos de altura de ola

150 140 130 120 110 100 90 80 70 60 50 40 30 20 10 0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 H (m ) 1.4 1.6 1.8 2.0 2.2 2.4

100 90 80

Nmero de olas

60 50 40 30 20 10 0

Fig 3.10 Ejemplo de probabilidad acumulada discreta de alturas de ola Para evaluar la funcin de distribucin de probabilidad de la altura de ola o periodo, H o T, la primera parte del procedimiento es igual que en el caso discreto, pero adems, se considera que el valor medio es representativo del rango y se divide por la diferencia entre el valor mximo y mnimo del intervalo. Siguiendo el mismo ejemplo de la tabla 3.4, en la fig 3.11 se presentan los resultados de evaluar la probabilidad acumulada y la densidad de probabilidad de alturas de ola. Ntese que la densidad de probabilidad lleva unidades y que el rea bajo la curva de un intervalo especfico o de todo el intervalo es igual a la probabilidad.

35

Probabilidad (%)

70

Probabilidad (%)

1.0 0.9

1.0 0.9

0.7

Densidad de probabilidad (1/m)

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 H (m)

0.8

0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 H (m)

Probabilidad

0.6 0.5 0.4 0.3 0.2 0.1 0.0

Fig 3.11 Ejemplo de probabilidad acumulada y densidad de probabilidad de alturas de ola De la misma forma que se ha realizado la evaluacin de la densidad de probabilidad, p, y la probabilidad acumulada, P, para las alturas de ola, el mismo procedimiento se sigue para estimar el periodo de ola o la estimacin conjunta altura-periodo. 3.1.4 Determinacin de parmetros de las velocidades orbitales Es comn que cuando los equipos de medicin proporcionan datos de corriente se determine el valor mximo y la media para ambas componentes. A partir de las siguientes expresiones, se puede evaluar el valor medio:

1 Ux = N
Uy = 1 N

Ux
i =1

(3.20)

Uy
i =1

(3.21)

3.1.5 Determinacin de la direccin del oleaje En la naturaleza, normalmente el oleaje no se propaga en una direccin especfica, por el contrario, se distribuye a lo largo de varias direcciones, dependiendo de factores como la intensidad del viento, que el oleaje se encuentre en el rea de generacin o no, efectos de refraccin, difraccin, reflexin, por citar algunos de los ms importantes. Para mediciones de oleaje cerca de la costa, fuera del rea de generacin, la direccin del oleaje tiende a
36

asemejarse a la direccin del viento; sin embargo, para determinarla a travs de las mediciones temporales, se utilizan los datos de velocidades orbitales asociadas al oleaje. La metodologa para lograr esto se basa principalmente en utilizar los registros de Ux y Uy, junto con el dato de brjula para determinar la orientacin del sistema de referencia del equipo. En la fig 3.12, se muestra un esquema tipo de la ubicacin de un aparato de medicin cerca de la costa, y se puede observar que los ejes que conforman el sistema de referencia del aparato estn rotados con respecto al norte, este ngulo es el dato que normalmente se almacena en la brjula y se emplea para obtener la direccin del oleaje respecto al norte. A continuacin se presenta la metodologa recomendada para determinar la direccin del oleaje a partir de datos temporales de velocidad: 1. Obtener las velocidades orbitales, Ux y Uy 2. Estimar los valores medios por registro 3. Dibujar ambas velocidades en el sistema de referencia del aparato XY 4. Rotar el sistema de referencia XY los grados que indica la brjula en el aparato 5. Determinar el sentido del oleaje de acuerdo con la posicin de la costa.

Fig 3.12 Ubicacin de un aparato de medicin en la costa

37

N
Ux (cm/s )

Uy (cm/s )

Comps () Orientacin del sistema de referencia del aparato con respecto al Norte

Direccin predominante respecto al Norte 130 Este-Sur-Este

S
Fig 3.13 Determinacin de la direccin a partir de las velocidades orbitales

En la fig 3.13 se presenta un ejemplo con datos medidos en las costas de Cancn, Quintana Roo. Se puede observar que si se dibuja la correlacin entre los dos componentes de velocidad (Ux y Uy), tal como aparece en la fig 3.13, se obtiene una lnea de tendencia muy clara; sin embargo, de acuerdo con el resultado existen dos probables sentidos que se pueden asociar al oleaje a partir de sus velocidades orbitales, stos son este-sur-este y oeste-norte-oeste. El sentido, y por tanto la direccin correcta, se conoce a partir de la posicin de la costa, que se encuentra del lado izquierdo del Norte con una deflexin de 12 con respecto a ste.

38

8.7 8.6

(m)

8.5 8.4 8.3 8.2 0 100 200

Tiempo (s)

300

400

500

Fig 3.14 Ejemplo de un registro de oleaje con agrupamiento

3.1.6 Agrupamiento del oleaje Estudios recientes han comprobado que la caracterizacin de un estado de mar puede ser ms adecuada si se analizan factores como el agrupamiento de las olas en un registro de oleaje, pues a pesar de su naturaleza aleatoria, se sabe que las olas de mayor magnitud no se dan de forma individual sino que tienden a aparecer en grupos o paquetes de olas que poseen mayor energa. Como ejemplo, la fig 3.14 muestra un perfil de oleaje que exhibe dicho agrupamiento. En 1987, Johnson et al (1978) mostraron que dicho fenmeno es muy relevante, pues se sabe que tiene influencia en:

El nmero de olas necesarias para generar resonancia en las estructuras o para

voltear embarcaciones

La estabilidad de las piezas del manto de rompeolas y estructuras de proteccin

costera. Adems, algunos autores, como Goda (2000), han hecho notar que un agrupamiento bien desarrollado de un campo de oleaje est regularmente asociado a la presencia de ondas de periodo largo. El agrupamiento del oleaje puede ser cuantitativamente descrito si se agrupan conjuntos de olas que exceden un cierto valor umbral de altura de ola, Hc. A la sucesin de estas alturas de ola se les denomina paquetes de alturas de ola de magnitud importante y el nmero de olas que constituyen el conjunto se conoce como longitud del conjunto.

39

Altura de ola (m)

0.4

0.8

1.2

1.6

j1

Hc
0 25 50 75 100 125 150

0.0

Nmero de ola

Fig 3.15 Definicin de los paquetes de olas

La fig 3.15 es un esquema que define grficamente un conjunto de olas, su longitud, j1, y el valor umbral que los define. Como se observa, los paquetes se delimitan de forma muy parecida a como se define el periodo por medio del mtodo de pasos ascendentes por cero. Existe otro mtodo para describir el agrupamiento del oleaje, mediante la envolvente de energa del oleaje, que fue originalmente desarrollado por Funke y Mansard (1979). Ellos proponen una funcin envolvente conocida como SIWEH (Smoothed instantaneous wave energy history). Se seleccion este nombre para evitar confusiones con respecto a otras energas del oleaje, pues cada palabra describe una caracterstica en particular, Historia de energa de ondas instantnea suavizada; as, historia hace referencia a que se trata de una funcin del tiempo, instantnea se refiere a que la energa est dada para un instante determinado y suavizado implica una operacin de suavizado. Se define al SIWEH como
1 E (t ) = 2 ( t + ) Q1 ( ) T =Tp
Tp

para Tp t Tn Tp

(3.22)

donde Tn es el tiempo total del registro. Para el inicio y el final, se tiene: 2 2 E (t ) = t (t + )Q1 ( ) Tp + t =
n 2 2 (t + )Q1 ( ) Tp + t =Tp

Tp

para 0 t Tp

(3.23)

T 1

E (t ) =

para Tn Tp t Tn

(3.24)

40

Para estos casos, se utiliza:

Q1 ( ) = 1 Q1 = 0

Tp

para Tp < Tp para los dems valores.

(3.25)

El factor de agrupamiento se obtiene a partir del SIWEH, por medio de la siguiente expresin:

GF =
Tn

m 0 m0
2

(3.26)

GF =

1 Tn

( E (t ) E )
0

(3.27)

donde m0 y m0 son los momentos de orden cero de la funcin de densidad espectral del SIWEH y dentro del oleaje original respectivamente. Las figs 3.16, 3.17 y 3.18 presentan el aspecto que guardan tres seales con diferente factor de agrupamiento, 1.46, 0.78 y 0.14.

SI W E H (m 2 )

1.50 1.00 0.50 0.00 -0.50 -1.00 -1.50 1.50 1.00 0.50 0.00 0 200 400 600 T iem p o (s) 800 1000 1200

(m )

Fig 3.16 Ejemplo de SIWEH con un factor de agrupamiento GF = 1.46

41

SIWEH (m 2 )

1.50 1.00 0.50 0.00 -0.50 -1.00 -1.50 1.50 1.00 0.50 0.00 0 200 400 600 Tiemp o (s) 800 1000 1200

(m)
(m)

Fig 3.17 Ejemplo de SIWEH con un factor de agrupamiento GF = 0.78

SIW EH (m 2 )

1.50 1.00 0.50 0.00 -0.50 -1.00 -1.50 1.50 1.00 0.50 0.00 0 200 400 600 Tiem p o (s) 800 1000 1200

Fig 3.18 Ejemplo de SIWEH con un factor de agrupamiento GF = 0.14

Como puede observarse, a medida que el oleaje es ms regular, el factor de agrupamiento tiende a valores ms pequeos. A manera de resumen, en la fig 3.19 se presenta un diagrama de flujo para llevar a cabo la metodologa necesaria para realizar el anlisis temporal del oleaje.

42

9.8 Presin (m) 9.6 9.4 9.2 9 0 200

Seal de oleaje

400 600 Tiempo (s)

800

1000

Correccin del nivel medio 1. Media 2. Lineal 3. Parablica

Anlisis temporal

Discretizacin de la seal: 1. Pasos ascendentes 2. Pasos descendentes 3. Distancia entre crestas 4. Distancia entre valles

Evaluacin de parmetros y velocidades orbitales Ej. Hrms, Hs, Hmx, T, Tp, ux, uy

Determinacin de la direccin del oleaje

Fig 3.19 Diagrama de flujo para el anlisis temporal de seales de oleaje sin considerar la evaluacin del agrupamiento del oleaje

43

4. ANLISIS ESPECTRODIGITAL DE SERIES TEMPORALES Este modelo matemtico del oleaje supone que una seal de superficie libre del mar es resultado de la suma de un gran nmero de ondas sinusoidales, cuyas amplitudes vienen dadas por:
ai2 = 2 S ( fi ) fi

(4.1)

donde S( fi ) es la densidad espectral de energa (subcap 4.4), y ai es la amplitud de una onda cualquiera. Si se asume vlida la aplicacin de la teora lineal de Airy (1845), es posible afirmar que la energa contenida en la banda de frecuencia f est asociada a una onda, obtenida por unidad de superficie, que se define como:

1 1 1 gH 2 = ga 2 = a 2 8 2 2
donde representa el peso especfico del agua de mar.

(4.2)

Al sustituir la ec 4.1 en la 4.2, la energa por unidad de superficie contenida en la banda de frecuencias f i se expresa:

1 2S ( fi ) fi 2
con lo que la energa total del oleaje por unidad de superficie ser:

(4.3)

1 2 S ( f i ) f i (4.4) 2 i Si se representa la sumatoria como una integral, la energa total del oleaje por unidad de superficie es expresada por:
Energa = S ( ) d
0

(4.5)

45

Se puede afirmar que el fenmeno queda perfectamente definido a travs del espectro si se aceptan las hiptesis estadsticas que permiten estudiarlo. La precisin en el clculo de la funcin de distribucin espectral es muy importante para la validacin del estudio a travs de este tipo de anlisis. La eleccin del tratamiento al cual ser sometida la serie es, en consecuencia, bastante subjetiva y en cada caso debe estudiarse la resolucin espectral y el nivel de confianza que se desea tener para la estimacin de los parmetros. Para calcular los valores del espectro se utilizan las series de Fourier. A fin de simplificar este procedimiento se utiliza la transformada rpida de Fourier (FFT) (verbigracia, Bendat y Piersol, 1986), la cual reduce en gran medida el nmero de operaciones necesarias para su obtencin; este algoritmo tiene como base la propiedad de la transformada discreta de Fourier (DFT) que permite calcular la FFT de una sucesin a travs de la DFT de subsucesiones ms cortas. En la tabla 4.1 se presenta la metodologa para realizar un anlisis del oleaje bajo esta perspectiva. Para realizar un anlisis espectral adecuado es conveniente que los registros contengan al menos 100 olas y que el intervalo de muestreo sea de una dcima a una vigsima parte del periodo significante. Una vez seleccionado el intervalo de muestreo, t, la frecuencia mxima, conocida como frecuencia de Nyquist, para la cual el espectro es estimado se determina por la expresin:

fc =

1 2t

(4.6)

TABLA 4.1 METODOLOGA PARA EL ANLISIS ESPECTRAL DEL OLEAJE

A. Correccin del nivel medio

Media Ec lineal Ec parablica Filtro espectral Ventana tipo trapezoide Ventana tipo coseno

B. Aplicacin de una funcin ventana C. Estimacin de las componentes de Fourier D. Clculo del espectro de energa E. Suavizado del espectro de energa F. Parmetros espectrales G. Estimacin de la direccin del oleaje

Espectro direccional

46

4.1 Correccin del nivel medio

De la misma forma que con el anlisis temporal, se debe llevar a cabo una correccin del nivel medio, ya que si ste no es corregido se introducir en el espectro una distorsin denominada efecto de solapamiento o aliasing. Si no existe influencia de ondas largas, en principio la correccin se puede hacer con las mismas consideraciones expuestas en la seccin 3.1.1. Cuando se tiene un efecto de marea importante en el sitio, como es el caso de la fig 4.1, es necesario implementar una correccin espectral del nivel medio, es decir eliminar o filtrar la energa contenida en las frecuencias propias de la marea o en su caso de ondas largas, normalmente menores de 0.02 Hz. Para realizar el filtrado de ondas largas, se acepta que el oleaje est formado por una suma de ondas sinusoidales, de manera que la superficie libre puede ser representada por la ec 4.7:

(t ) = an cos ( 2 f n t ) + bn sin ( 2 f nt )
n =1

N /2

(4.7)

donde an y bn son los coeficientes de Fourier. Por ejemplo, si la seal que se presenta en la fig 4.1, se descompone en cada uno de sus armnicos y despus se hace F( fn ) = 0, para aquellas frecuencias fn que satisfagan la desigualdad fn< 0.02 Hz, es decir para las ondas largas, se elimina su influencia, con lo que se obtiene una seal como la que se presenta en la fig 4.2.
9.8 9.6
Superficie libre (m)

9.4 9.2 9 0 200 400

Tiem po (s)

600

800

1000

Fig 4.1 Registro de oleaje con influencia de onda larga

47

9.8

Superficie libre (m)

9.6

9.4

9.2

9 0 200 400
Tiempo (s)

600

800

1000

Fig 4.2 Seal reconstituida sin la influencia de la onda larga

En el subcap 4.3 se abundar con mayor detalle en la evaluacin de las componentes armnicas de Fourier.
4.2 Funcin ventana

Cuando se realiza el anlisis armnico de Fourier a una seal, se asume implcitamente que la muestra es peridica, en otras palabras que dicha seal se repite desde hasta +. Para evitar las discontinuidades que se pudieran presentar al unir los extremos de la seal, es comn que antes de hacer el anlisis armnico de un perfil de ondas se realice una correccin a los datos que la conforman. Dicha operacin es conocida como la aplicacin de una funcin ventana y se expresa como

( t* ) b ( t* ) ( t* ) , tal que t* = 1,2,..., N .

(4.8)

donde b(t), se conoce como profundidad de peso, la cual se debe multiplicar por toda la muestra a fin de reducir las oscilaciones en los extremos de la serie. Las ventanas ms utilizadas son la trapezoidal y la cosenoidal, las cuales se expresan de la siguiente forma: a) Ventana tipo trapezoide t* l b1 (t* ) = 1 N t * l : 0 t* l : l t* N l : N l < t* N (4.9)

48

b) Ventana tipo coseno

1 t 1 cos * : 0 < t * < l 2 l b2 (t* ) = 1 : l t* N 1 1 1 cos ( N t* ) : N - 1 < t N * 2 l

donde normalmente se acepta que l = 0.1N.

(4.10)

Un inconveniente de la aplicacin de la funcin ventana a los datos es la reduccin de los grados de libertad. La proporcin en la cual se ven reducidos los grados de libertad puede ser estimada a travs de la siguiente relacin:

N 2 b ( t* ) dt* 1 0
N

(4.11)

b ( t ) dt
4 * 0

Si se aplica una ventana al registro, la energa total decrece y los valores espectrales estimados son menores que los reales, por lo que deben multiplicarse por un factor de correccin en el momento de evaluar la funcin de densidad espectral. Dicho factor est dado por

b(t )
n =1 n

(4.12)
2

Ejemplo. Considrese un registro con una duracin de 1800 s, medido con un intervalo de muestreo t = 0.3125 s, con un total de muestras N = 4096, al cual se aplican en la parte inicial y en la final, 400 muestras, que es aproximadamente el 10 % de registro total, una funcin ventana tipo coseno, ec 4.10. En la fig 4.3 se presentan de arriba hacia abajo: la seal original, la funcin ventana tipo coseno y la seal despus de aplicarle la funcin ventana; de izquierda a derecha; la parte inicial y final, respectivamente, de las seales y funciones. 49

Al evaluar la ec 4.12, se obtiene que el factor para corregir la funcin de densidad espectral es 1.139. 4.3 Clculo de las componentes de Fourier Mediante el anlisis en el dominio de la frecuencia, una funcin peridica puede ser descompuesta en sus componentes armnicos (Newland, 1984). Si (t) es una funcin peridica del tiempo, t, con duracin Tr, (t) se puede expresar como una serie infinita de trminos trigonomtricos de la siguiente manera:

(t ) = a0 + an cos
n =1

2 nt 2 nt + bnsen Tr Tr

(4.13)

donde a0 expresa el valor del nivel medio, an y bn son los coeficientes de Fourier, an bn, expresados como: a0 = 1 Tr
T /2

T / 2
T /2

(t ) dt (t ) cos (t )sen
2 nt dt Tr 2 nt dt Tr

2 an = Tr bn = 2 Tr

T / 2
T /2

T / 2

n 1 n 1

(4.14)

Si se ha realizado previamente la correccin del nivel medio, subcap 4.1, entonces el coeficiente a0 ser igual a cero y los valores an y bn sern diferentes entre s. La frecuencia angular del ensimo coeficiente queda definida como:

n =
La distancia entre armnicos adyacentes es

2 n Tr

(4.15)

2 Tr

(4.16)

En la ec 4.16 se puede observar que entre mayor sea el periodo del registro, Tr, el espacio se hace ms pequeo y los coeficientes de Fourier estarn menos separados.

50

1.5 1.0 0.5

Seal or iginal

(m)
Fun cin ventan a (b)

0.0 -0.5 -1.0 -1.5 1.0 0.8 0.6 0.4 0.2 0.0 1.5 1.0 0.5

Seal despes de aplicar la ventana

(m)

0.0 -0.5 -1.0 -1.5

40

80 t (s)

120

160 1120

1160

1200 t (s)

1240

1280

Fig 4.3 De arriba hacia abajo: seal original, funcin ventana tipo coseno y seal despus de aplicarle la funcin ventana, respectivamente. De izquierda a derecha, parte inicial y final, respectivamente, de las seales y funciones

51

Sustituyendo las ecs 4.14 en la ec 4.13 e integrando, para a0 = 0, se obtiene: 2 (t ) = n =1 Tr

2 nt 2 nt 2 ( t ) cos dt cos + Tr Tr n =1 Tr T / 2
T /2

T /2

T / 2

(t ) sen

2 nt 2 nt dt sen Tr Tr (4.17)

Ahora, sustituyendo las ecs 4.15 y 4.16 en la ec 4.17, se tiene:

(t ) =
n =1

T /2

T / 2

(t ) cos n t dt cos nt +

n =1

T /2

T / 2

(t ) sen nt dt sen n t (4.18)

Si Tr , entonces d y la funcin se convierte en una integral con lmites

= 0 y = , por tanto,
d d (t ) = (t ) cos t dt cos t + (t ) sen tdt sen t = 0 = 0

(4.19)

Si se hacen las siguientes consideraciones: 1 A( ) = 2

(t ) cos t dt;

1 B( ) = 2

(t ) sen t dt

(4.20)

Sustituyendo la ec 4.20 en la 4.19, se obtiene la siguiente relacin:

(t ) = 2 A( ) cos t d + 2 B( ) sen t d
0 0

(4.21)

Donde A() y B() son los componentes de la transformada de Fourier de (t). La ec 4.21 es una representacin de (t) mediante una integral de Fourier, conocida como transformada inversa de Fourier. La teora clsica del anlisis de Fourier introduce la siguiente condicin:

f (t ) dt <

(4.22)

la cual debe cumplirse para que la ec 4.21 sea cierta. Esta teora es vlida solamente para funciones que tienden a cero cuando t , de forma que se satisfaga la

52

ec 4.22. Una integral de Fourier puede ser considerada como el lmite formal de una serie de Fourier cuando el periodo tiende a infinito. La manera ms frecuente de representar las ecs 4.20 y 4.21 es de forma compleja, para lo cual es necesario hacer las siguientes consideraciones:

ei = cos + i sen F ( ) = A( ) iB( )

donde i = 1 y es el argumento del exponencial. Haciendo uso de las ecs 4.23 y 4.24, la ec 4.20 se puede expresar como: 1 F ( ) = 2

(4.23) (4.24)

(t )e

i t

dt

(4.25)

Si se sustituye la ec 4.20 en la ec 4.19, se obtiene:

(t ) =

A( ) cos t d + B( ) sen t d

(4.26)

donde los lmites de las integrales van de - a + en lugar de 0 a y el factor "2" desaparece, ya que A() es una funcin par y sen t es una funcin impar de , A() sen t es una funcin impar; por tanto se tiene:

A( ) sen td = 0

(4.27)

y de manera similar,

B ( ) cos t d = 0

(4.28)

Si se suman las integrales 4.27 y 4.28 a la ec 4.26, sin que esto altere el valor (t), despus de operar, se tendr:

(t ) =

F ( )ei t d = 2 F ( )ei t d
0

(4.29)

53

Las ecs 4.25 y 4.29 reciben el nombre de par transformado de Fourier, donde F() es la transformada compleja de Fourier de (t). Es frecuente encontrar en la literatura que la transformada de Fourier, ec 4.25, est expresada en funcin de la frecuencia, f, en lugar de la frecuencia angular, (donde = 2 ), de la siguiente forma:

F( f ) =

(t )e

i t

dt

(4.30)

En la prctica, los datos producto de mediciones estn siempre registrados de forma discreta y tienen una longitud finita, por lo que es ms conveniente expresar las ecs 4.25 y 4.29 de esa forma. En particular, la ec 4.25, puede ser representada, para el caso de tener datos con un espaciamiento regular, de forma discreta:

F ( j ) =

1 1 N 2

e
n =0 n

N 1

i j nt

j = 0,1, 2....N / 2

(4.31)

o considerando la ec 4.30,

F( f j ) =

1 N

e
n=0 n

N 1

i 2 f j nt

j = 0,1, 2....N / 2

(4.32)

donde N es el nmero total de datos de la seal por analizar y t es el intervalo de muestreo. La frecuencia angular j, y la frecuencia fj, se pueden evaluar a travs de la siguiente relacin:

j = 2 f j =

2 j 2 j = = 2 jf T N t

(4.33)

Una forma muy sencilla de calcular los coeficientes de Fourier, una vez corregido el nivel medio, es como sigue: Inicie con un valor de j = 0 Evale j =j Calcule F( fj) Incremente j en 1 Vuelva al paso 2 hasta que j = N/2

54

Dado que las componentes de Fourier son simtricas, F( fj) =F(-fj ), no es necesario calcular las componentes para las frecuencias negativas. Cuando se tiene un nmero de datos muy grande, este mtodo estndar de clculo puede consumir mucho tiempo de cmputo, ya que el nmero de operaciones es del orden de N 2. En la actualidad, este clculo se hace usando la tcnica de la trasformada de rpida de Fourier (p ej, Newland, 1984, y Bendat y Piersol, 1986), sin embargo, los algoritmos convencionales para su clculo presentan una limitacin en cuanto a que la longitud del registro debe ser una potencia de 2, esto es, el nmero de puntos N debe cumplir N = 2m. Por tanto, cuando se programan los aparatos de medicin de oleaje se procura que los datos cumplan con esta restriccin, y en caso contrario el nmero de datos es ajustado, ya sea eliminando el exceso de datos de la parte inicial o final del registro o aadiendo los ceros necesarios al final del registro. La adicin de ceros es normalmente realizada en la parte final del registro, despus de la aplicacin de una ventana, en caso de que sta sea aplicada. El problema fundamental de la adicin de ceros es que se reduce el nivel de la energa total. La correccin a este problema se puede tratar de forma anloga al de la funcin ventana, b(t*) = 0, para los valores que se encuentren ms all de la longitud original del registro.

4.4 Estimacin del espectro

La funcin de densidad espectral S( fn), se calcula a travs de la transformada rpida de Fourier de la serie de datos de superficie libre (t), y se define a partir de las siguientes expresiones:

S ( fn ) = 0 S ( fn ) =
2 1 2F ( fn ) 2 f

para n = 0 para n = 1,...

(4.34)

N 2

(4.35)

donde n =n . El intervalo de frecuencia f, se define a partir de la duracin de la serie de tiempo, tmx, tal que:

f =

1 tmx
55

1 N t

(4.36)

En la prctica, el espectro obtenido a partir de este procedimiento tiene una gran resolucin estadstica, sin embargo, para los casos de seales que contienen mucho ruido, es decir perturbaciones, la fiabilidad estadstica disminuye. Por este motivo, hay ocasiones en que es conveniente emplear un procedimiento de suavizado del espectro, con el fin de aumentar la fiabilidad a costa de perder resolucin. 4.4.1 Formas de presentacin del espectro de energa En la literatura especializada se pueden encontrar diversas formas de representar al espectro de energa, todas ellas estn relacionadas a travs de la definicin de la frecuencia angular:

= 2 f =

2 T

(4.37)

Con base en lo anterior, el espectro se puede expresar en funcin de la frecuencia, de la frecuencia angular o del periodo. La condicin que debe cumplirse es que se conserve la energa, es decir que la energa asociada con la banda de frecuencias (1,

1 + d) debe ser igual a la correspondiente en periodos o frecuencias, o sea,

1 + d
1

S ( ) d =

f1 + df f1

S ( f ) df =

T1 + dT

T1

S (T ) dT

(4.38)

y teniendo en cuenta que

df =

d 2

(4.39)

dT =
se obtiene,

(4.40)

1 + d
1

S ( ) d =

f1 + f1

d 2

S ( f ) df =

T1

2 d 2

T1

S (T ) dT

(4.41) (4.42)

S ( 1 ) d = S f ( f1 )

d 2 d = ST (T1 ) 2 2

y por tanto, se pueden establecer las relaciones entre dichos espectros como:

56

S f ( f ) = 2 S ( 2 f )

(4.43) (4.44)

ST (T ) =

2 2 S T2 T

S ( ) =

1 Sf 2 2

2 2 = 2 ST

(4.45)

En otras palabras, el espectro no se obtiene del otro sustituyendo directamente, sino que existe un factor de modulacin. Para que la energa que representan sea la misma, se verificar por tanto,

S ( ) d = S ( f ) df = S (T ) dT
0 0 0

(4.46)

Ejemplo. Evaluar el espectro de energa de una seal que representa un escaln,

fig 4.4. El nmero de muestra es N = 8, con un espaciamiento temporal t = 0.5 s.

0.50 0.25 (m ) 0.00 1.0 -0.25 -0.50

Fig 4.4 Seal discreta Solucin: El intervalo de frecuencia f, se evala a travs de la ec 4.36,

2.0

3.0

4.0 t (s )

f =

1 1 = = 0.25 Hz N t ( 8 )( 0.5 )

Los coeficientes de Fourier se obtienen utilizando la ec 4.32, haciendo j =j:

57

F ( f 0 = 0) =

1 N

e
n =0 n

8 1

i 2 f 0 nt

1 i 2 0Hz 0 0.5s i 2 0Hz 1 0.5s = ( 0.5 m ) e ( )( )( ) ( 0.5 m ) e ( )( )( ) 8

( 0.5 m ) ei 2 ( 0 Hz )( 2)( 0.5s) ( 0.5 m ) ei 2 ( 0Hz )(3)(0.5s) + ( 0.5 m ) ei 2 ( 0 Hz )( 4)( 0.5s) + ( 0.5 m ) ei 2 ( 0Hz )(5)(0.5s) + ( 0.5 m ) ei 2 ( 0 Hz )( 6)( 0.5s) + ( 0.5 m ) ei 2 (0 Hz )( 7)( 0.5s) = 0m
8 1 1 i 2 0.25Hz )( 0 )( 0.5s ) i 2 0.25Hz )( 7 )( 0.5s ) F ( f1 = 0.25 Hz) = t n e i 2 f1nt = ( 0.5 m ) e ( ... + ( 0.5 m ) e ( 8 n=0

= ( 0.1250 + 0.3018 i ) m

F ( f 2 = 0.50 Hz) = 0 m
F ( f 3 = 0.75 Hz) = ( 0.1250 + 0.0518 i ) m

F ( f 4 = 1.0 Hz) = 0 m

Ahora, utilizando la ec 4.35, se obtiene: S ( f 0 ) = 0 m 2 / Hz

S ( f1 = 0.25 Hz ) =
2 1 1 2F ( fn ) = 2 ( 0.1250 + 0.3018 i ) m 2 f 2 ( 0.25 Hz ) 2

= 0.8536 m 2 / Hz

S ( f 2 = 0.5 Hz ) = 0 m 2 / Hz

S ( f 3 = 0.75 Hz ) = 0.1464 m 2 / Hz
S ( f 4 ) = 0 m 2 / Hz

De forma grfica, en la fig 4.5 se presenta el resultado obtenido.

1.00 0.75
S (m2/Hz)

0.50 0.25 0.00 0.00 0.25 0.50 0.75 1.00

f(Hz)

Fig 4.5 Espectro de energa de la seal de ejemplo

58

4.5 Suavizado del espectro Los valores espectrales estimados fluctan entorno a los valores del espectro real. Para atenuar estas oscilaciones es posible suavizar el espectro con una funcin de peso W( f ), de forma que

S ( f ) = S ( f* )W ( f* f )df*
0

(4.47)

donde W( f ) debe ser una funcin normalizada, esto es:

W ( f )df
0

=1

(4.48)

En la prctica, el espectro alisado se calcula como un promedio ponderado de los valores espectrales de las frecuencias prximas a ella:

) S( f ) =

j =k + m j =k m

W( f

f j )S ( f j )

(4.49)

Cuando el registro es lo suficientemente largo, algunos tramos del mismo pueden considerarse representativos del estado de mar que se est estudiando. Por tanto es posible elegir varios segmentos de la misma longitud y promediar las estimaciones obtenidas para cada uno de ellos,

) 1 ns S ( f* ) = S n ( f j ) n n =1
donde ns es el nmero de segmentos tomados. Los filtros o funciones de peso ms comunes se explican a continuacin. Filtro rectangular

(4.50)

Es el mtodo ms simple para llevar a cabo este procedimiento y est dado por la expresin:

W1 ( f j ) =

1 ; m

(m 1) m j 2 2
59

(4.51)

donde m, representa el nmero de valores espectrales no suavizados que se utilizaron para el promedio. Filtro triangular

W2 ( f j ) =

1 W2

j 1 ; [ (m 1/ 2]

(m 1) m j 2 2

(4.52)

Filtro parablico
2 1 j W3 ( f j ) = ; 1 (m 1) / 2] W3 [

(m 1) m j 2 2

(4.53)

donde W2 y W 3 son constantes de normalizacin que se utilizan para satisfacer la condicin dada por la ec 4.48. El filtro rectangular tiene 2m grados de libertad y el ancho de banda para la resolucin espectral est dada por la siguiente ec:

fB =

m N t

(4.54)

Koopmans (1974) propone para los dems filtros, que los grados de libertad se calculen a travs de la ec 4.55:

r=

2
j = ( m 1) / 2

n/2

(f )
j

(4.55)

Para los casos en que m sea grande, se aceptan las siguientes aproximaciones:
r 1.5m , para el filtro triangular

(4.56) (4.57)

5 r m , para el filtro parablico 3

equivalente a los valores dados por:
60

El ancho de banda de la resolucin espectral se evala de forma similar y es

fB
fB

3m , para el filtro triangular 4 N t

5n , para el filtro parablico. 6 N t

(4.58)

(4.59)

Los filtros triangular y parablico dan una estimacin espectral a un intervalo de frecuencia de la mitad del filtro rectangular; sin embargo, se debe recordar que dos estimaciones espectrales adyacentes no son estadsticamente independientes para estos filtros. La resolucin espectral se puede mejorar nicamente si se utiliza un registro de oleaje ms largo, tal como se observa en la ec 4.54. 4.6 Parmetros espectrales Todos los parmetros espectrales se calculan a partir de sus diferentes momentos. El momento de orden n respecto al origen se define mediante la siguiente expresin:

mn = f n S ( f )df
0

(4.60)

donde S( f ) es la funcin densidad espectral y f es la frecuencia. Cartwright y Longuet-Higgins (1956) proponen un parmetro para describir la anchura espectral
2 m2 = 1 m0 m4 1/ 2

(4.61)

Si el espectro es de banda angosta tiende a 0; por el contrario, si el espectro es de banda ancha tiende a 1. Debido a que la estimacin del momento de cuarto orden es muy sensible a los valores que se tienen en las altas frecuencias, para espectros que definen un estado de mar este parmetro no es representativo ya que puede inducir a fuertes errores. Para hacer ms claro este problema, Longuet-Higgins (1983) propuso otro parmetro de anchura espectral, el cual depende de los momentos de orden inferior.

m m = 0 2 2 1 m1
61

1/ 2

(4.62)

Otro parmetro que define la forma del espectro es el de agudeza de pico Qp, propuesto por Goda (1970):

Qp =

2 2 m0

f ( S ( f ))
0

df

(4.63)

Goda (1985) seala que Qp es cercano a 2 para olas generadas por viento. Para la estimacin del periodo medio de las olas a partir del espectro hay dos ecuaciones:

T01 =
T02 =

m0 m1
m0 m2

(4.64)

(4.65)

En cuanto a parmetros asociados con la superficie libre, se tienen las siguientes relaciones: Variacin cuadrtica media de la superficie libre

rms = m0
Altura de ola cuadrtica media H rms = 8m0 Altura de ola de momento de orden cero H m0 = 4.004 m0

(4.66)

(4.67)

(4.68)

Para el caso particular de un espectro de banda estrecha con una distribucin de alturas de ola tipo Raleigh, la altura de ola significante es igual a la altura de ola de momento de orden cero, Hs = H m0 . Ejemplo. Evaluar los parmetros caractersticos del espectro de oleaje que se presenta en la fig 4.6 y en la tabla 4.2: anchura espectral de cuarto orden, , anchura espectral de segundo orden , agudeza espectral Qp, periodo medio de orden uno y dos, T01 y T02, variacin cuadrtica media de la superficie libre, altura de ola cuadrtica media y altura de ola de momento de orden cero. 62

TABLA 4.2 DATOS CORRESPONDIENTES A LA FIG 4.6

f (Hz) 0.05625 0.06250 0.06875 0.07500 0.08125 0.08750 0.09375 0.10000 0.10625 0.11250 S(m2/Hz) 0.00004 0.00214 0.02032 0.07476 0.16182 0.29755 0.62772 0.98125 0.73726 0.41829 f (Hz) 0.11875 0.12500 0.13125 0.13750 0.14375 0.15000 0.15625 0.16250 0.16875 0.17500 S(m2/Hz) 0.27027 0.21033 0.17649 0.14983 0.12698 0.10745 0.09093 0.07705 0.06542 0.05570 f (Hz) 0.18125 0.18750 0.19375 0.20000 0.20625 0.21250 0.21875 0.22500 0.23125 0.23750 S(m2/Hz) 0.04756 0.04074 0.03501 0.03019 0.02612 0.02267 0.01974 0.01725 0.01512 0.01329 f (Hz) 0.24375 0.25000 0.25625 0.26250 0.26875 0.27500 0.28125 0.28750 0.29375 0.30000 S(m2/Hz) 0.01172 0.01036 0.00918 0.00816 0.00727 0.00650 0.00582 0.00522 0.00470 0.00423

1. 0. 0.
S (m2/Hz)

0. 0. 0. 0. 0. 0.
f (Hz)

0.

0.

Fig 4.6 Espectro de oleaje Solucin: El primer paso es evaluar los diferentes momentos del espectro; para ello, de la tabla 4.2 se puede obtener el incremento de frecuencia f = 0.00625 Hz. De manera discreta, el momento de orden cero se puede calcular como:
N m2 m0 = f S ( f i ) = ( 0.00625 Hz ) 0.00004 + Hz i =1

m2 m2 2 + + 0.00214 ... 0.00423 = 0.03141m Hz Hz

N m2 m1 = f fi S ( f i ) = ( 0.00625 Hz ) ( 0.05625Hz ) 0.00004 + Hz i =1

( 0.0625Hz ) 0.00214

m2 m2 2 + + ... 0.03Hz 0.00423 ( ) = 0.00374m Hz Hz Hz

63

m2 = f
i =1

m2 2 f i S ( fi ) = ( 0.00625 Hz ) ( 0.05625Hz ) 0.00004 + Hz

2 2

m2 m2 2 ( 0.0625Hz ) 0.00214 + ... + ( 0.03Hz ) 0.00423 = 0.00049m 2 Hz 2 Hz Hz m3 = f

i =1 N

m2 3 fi S ( f i ) = ( 0.00625 Hz ) ( 0.05625Hz ) 0.00004 + Hz

3 3

( 0.0625Hz )

m2 m2 3 2 3 0.00214 + ... + ( 0.03Hz ) 0.00423 = 0.00008m Hz Hz Hz

N m2 4 4 m4 = f f i S ( fi ) = ( 0.00625 Hz ) ( 0.05625Hz ) 0.00004 + Hz i =1

( 0.0625Hz )
m
0 2 2

m2 m2 4 2 4 + + 0.00214 ... 0.03Hz 0.00423 ( ) = 0.00001m Hz Hz Hz

1/ 2

= 1 mm
4

1/ 2

2 0.00049m 2 Hz 2 ) ( = 1 ( 0.03141m 2 )( 0.00001m 2 Hz 4 )

= 0.6591

m m = 0 2 2 1 m1

1/ 2

( 0.03141m 2 )( 0.00049m 2 Hz 2 ) = 1 2 2 0.00374m Hz ( )

1/ 2

= 0.3294

0.03141m 2 ) ( m0 T01 = = = 8.41 s m1 ( 0.00374m 2 Hz )

m0 T02 = = m2

( 0.00049m Hz )
2 2 2

( 0.03141m )
2

= 7.99s

rms = m0 =

( 0.03141m ) = 0.177 m

H rms = 8 ( 0.03141m 2 ) = 0.50 m H m0 = 4.004

( 0.03141m ) = 0.717 m
2

64

2 Qp = 2 m0

f ( S ( f ))
0

df =

( 0.03141m )
2

2 2

2 m2 ( 0.05625Hz ) 0.00004 + Hz 2

m2 m2 ( 0.0625Hz ) 0.00214 + ... + ( 0.03Hz ) 0.00423 Hz Hz

= 3.2

A continuacin, se presenta un diagrama de flujo (fig 4.7) a fin de dar seguimiento a la metodologa para realizar el anlisis espectral del oleaje.

Seal de oleaje 1.5 Presin (m) 0.0

-1.5

200

400

600 Tiempo (s)

800

1000

1200

Correccin del nivel medio: 1. Lineal 2. Parablica 3. Media

Funcin ventana: 1. Trapezoide 2. Coseno

Estimacin de las componentes de Fourier (TRF)

Estimacin del espectro

Clculo de parmetros espectrales

Estimacin de la direccin del oleaje: Espectro direccional

Fig 4.7 Diagrama de flujo para el anlisis espectral de seales de oleaje

65

4.7 Anlisis direccional del oleaje

En el mar, el oleaje generado por el viento no se propaga en una sola direccin, por el contrario, su energa se distribuye a lo largo de varias direcciones, esto es, la energa asociada a las frecuencias con un valor cercano a la frecuencia modal se propagan principalmente con la direccin del viento, mientras que la energa asociada con frecuencias mayores o menores, se distribuye sobre un rango de diferentes direcciones. Un anlisis direccional del oleaje consiste en determinar la forma en que se distribuye su energa sobre frecuencias (o nmeros de onda) y direcciones de propagacin, de forma simultnea. 4.7.1 Distribucin direccional de la energa del oleaje Esta distribucin espectral y angular est representada matemticamente por la expresin que define al espectro de energa direccional del oleaje, tal que la energa se representa slo en funcin de la frecuencia y la direccin de propagacin. Si se toma como base la hiptesis de que el oleaje se puede descomponer en un gran nmero de componentes sinusoidales, es posible dar una explicacin ms clara de lo que representa el espectro direccional definiendo la elevacin de la superficie libre como una funcin del tiempo y de su posicin, tal que:

( x, y, t ) = a n cos[k n ( x cos n + y sen n ) n t + n ]

n =1

(4.69)

En este caso, se asume que el oleaje es una superposicin de N ondas sinusoidales, cada una de ellas viajando con su propia amplitud an, frecuencia angular n = 2 fn, nmero de onda kn, direccin n y fase n. Por tanto, cada componente satisface la ecuacin de dispersin dada por:

n 2 = gkn tanh(kn h)
donde h, representa la profundidad.

(4.70)

Bajo la suposicin de que las fases n estn distribuidas de forma aleatoria en un rango entre 0 y 2, con una densidad de probabilidad uniforme, la siguiente expresin mantiene a la varianza del espectro y a las amplitudes de los componentes del oleaje

66

dentro de un rango bidimensional definido entre f y f + f, para las frecuencias, y entre y + , para las direcciones, tal que:
f +f + f

a 2

2 n

= S ( f , ) dfd

(4.71)

4.7.2 Descomposicin clsica del espectro direccional La forma clsica para representar al espectro direccional est dada por la siguiente ec:

S ( f , ) = S ( f ) D ( f , )

(4.72)

donde S( f ) es el espectro de energa que puede ser estimado a partir de un registro de superficie libre y se relaciona con el espectro direccional por medio de:

S( f )=

S ( f , ) d
0

(4.73)

siendo D( f, ) la funcin de dispersin angular, que debe satisfacer dos propiedades dadas por:

D ( f , ) 0

entre [ 0, 2 ]

(4.74) (4.75)

D ( f , ) d =1

La primera condicin indica que la funcin de dispersin angular es no negativa, mientras que la segunda es consecuencia de la definicin del espectro direccional. El problema del anlisis direccional consiste en determinar el espectro direccional del oleaje, o dicho de otra forma, estimar el espectro y su funcin de dispersin angular asociada. Es conveniente resaltar que el espectro puede ser expresado tambin en funcin del nmero de onda y la direccin (k, ), a travs del vector del nmero de onda definido por (kx, ky) = (kcos, ksen ), de tal forma que:

S ( f , ) =

2 2 k S ( k , ) = S ( kx , k y ) Cg Cg

(4.76)

67

donde Cg es la celeridad de grupo asociada con la frecuencia f, dada por la teora lineal. Las tcnicas de medicin pueden ser divididas dentro de tres grandes grupos, dependiendo de la forma en que la informacin es adquirida (tabla 4.3). TABLA 4.3 TCNICAS DE MEDICIN PROPUESTAS PARA CAMPO Y LABORATORIO
Tcnica de medicin Sistemas de un solo punto Arreglos de sensores de presin Consiste en La medicin simultnea en la misma vertical de diversas propiedades del oleaje, como son superficie libre, velocidades etc. Ejemplos 1. Boya 2. Olmetro con corrientmetro en dos componentes

Incluyen la medicin de la superficie libre en 1. Sensores de presin diversos puntos sobre un marco de referencia idnticos fijo 2. Sensores de presin en algunos puntos y corriente en otros Se basan ms en las correlaciones espaciales que en las temporales. Su principio bsico de funcionamiento es tomar una fotografa del campo de oleaje sobre un rea dada 1. Radares de microondas 2. Satlite 3. Tcnicas de estreofotografa

Sistemas de percepcin remota

En aos recientes se han realizado muchos esfuerzos en la bsqueda de una expresin para el espectro direccional, y se han propuesto diversas tcnicas de medicin para ser desarrolladas en experimentos realizados en campo y laboratorio. A continuacin se presenta una sntesis de las diferentes tcnicas de medicin de acuerdo con la forma en que se realiza el anlisis. 4.7.3 Caracterizacin de los mtodos estocsticos Los mtodos de este tipo se basan en la hiptesis de que el campo de oleaje se expresa como la superposicin lineal de las ondas que lo componen. Es importante resaltar que la funcin de fase , de la ec 4.70, est distribuida de forma aleatoria entre 0 y 2 (con una densidad de probabilidad uniforme), con lo que se admite que cada componente es independiente uno de otro.

68

En la llamada aproximacin estocstica, la informacin de la distribucin de la fase en el campo de oleaje es ignorada, ya que se asume que no hay ondas asociadas a determinados valores de fase, y por tanto se enfoca al clculo del espectro direccional. Para la implementacin de estos mtodos se deben seguir los siguientes pasos:

Realizar un anlisis espectral de las seales de superficie libre que se tengan y calcular sus respectivos espectros cruzados entre cada par de seales. Determinar el espectro direccional (o su funcin de dispersin angular para cada frecuencia) a travs de la inversin de la expresin que relaciona el espectro cruzado con el direccional.
4.7.4 Anlisis del espectro cruzado Cuando se considera un sistema de medicin compuesto por N sensores destinados a medir superficie libre, velocidades, pendiente de la superficie, etc, y se denota a cada una de sus seales con Pn(t), para n igual a 1 y hasta N, y a la posicin de cada sensor con una coordenada relativa a un origen arbitrario, las seales se graban simultneamente en los N sensores del arreglo, todos con una duracin T y un intervalo de muestreo t. Entonces, el anlisis de la correlacin entre seales se realiza en el dominio de la frecuencia, calculando los correspondientes espectros cruzados entre cada par de seales, por medio de la siguiente ecuacin:

Gmn ( f ) =
donde

Rmn ( ) e i 2 f d

(4.77)

Rmn ( ) =

1 T

Pm (t ) Pn (t + )dt

(4.78)

En la prctica, el espectro cruzado se calcula a partir de muestras discretas con duracin finita, por medio de una metodologa basada en la transformada estndar o rpida de Fourier y se estima solamente para los casos en que m n, de tal forma que se concluye que Gmn( f ) y Gnm( f ) son cantidades complejas conjugadas. Por tanto, se deduce que para un sistema de medicin compuesto por N seales o sensores, el nmero total de espectros cruzados que se deben calcular son N(N+1)/2. 69

Debido a que el espectro cruzado es una cantidad compleja, a las partes reales Cmn( f ) se les denomina funciones de coincidencia espectral y a las imaginarias Qmn( f ), funciones de cuadratura espectral. 4.7.5 Relacin entre el espectro cruzado y el direccional Dentro del marco de la teora lineal y asumiendo que las diferentes fases asociadas a los componentes del oleaje estn distribuidas de forma aleatoria sobre (0,2), se obtiene la siguiente ec para el espectro cruzado en funcin del espectro direccional:
* Gmn ( f ) = H m ( f , ) H m ( f , )e 0 2
ik ( xn xm )

S ( f , ) d

(4.79)

Si se hace uso de la funcin de dispersin direccional D( f, ), la ec 4.79 se puede escribir como:

* Gmn ( f ) = E ( f ) H m ( f , ) H n ( f , )e ik ( xn xm ) D ( f , ) d 0 2

(4.80)

donde Hm(, ) es una funcin de transferencia entre la seal de superficie libre y la seal asociada al oleaje (velocidad, presin, etc). En este apartado, el smbolo * se utiliza para indicar el conjugado de la funcin compleja. La funcin Hm(, ) se puede descomponer de la siguiente forma:

H m ( f , ) = hm ( f ) cos m sen m

(4.81)

Los valores de hm, m y m dependen del tipo de seal que se tiene. En la tabla 4.4 (Frigaard, 1997), se presentan los valores que corresponden para dichas expresiones, dependiendo del tipo de seal medida Pm(t). En la tabla 4.4, la funcin (x,y, z, t) representa el potencial de velocidades para oleaje monocromtico lineal, definido por:

( x, y , z , t ) = i

g H cosh ( k (h + z ) ) exp ( i (kx t ) ) cosh(kh) 2

(4.82)

70

4.7.6 Estimacin del espectro direccional El problema de la estimacin del espectro direccional se centra en encontrar la funcin de dispersin angular dada para la ecuacin del espectro cruzado y para su estimacin se consideran los siguientes mtodos: 4.7.6.1 Mtodo paramtrico Modelos unimodales-ajuste directo a modelos paramtricos El principio de este tipo de mtodos consiste en asumir a priori una expresin dada para la funcin de la dispersin angular y determinar el menor nmero de parmetros para esta expresin a partir del espectro cruzado. La presente aproximacin contribuye a disminuir el nmero de incgnitas relacionadas en dicha funcin; para el caso de un modelo unimodal, el problema se reduce solamente a la determinacin de dos parmetros: la direccin principal de propagacin y un factor de dispersin direccional que representa el esparcimiento angular de la energa del oleaje sobre la direccin principal. Dentro de este tipo de aproximaciones se encuentra el de Mitsuyasu (1975), quien propuso el siguiente modelo:
2s 0 D 1MFM ( f , ) = ( s ) cos 2

(4.83)

TABLA 4.4 FUNCIONES DE TRANSFERENCIA PARA DIFERENTES SEALES MEDIDAS ASOCIADAS AL OLEAJE
Tipo de seal medida Superficie libre Pendiente de superficie (eje x) Pendiente de superficie (eje y)

Pm

hm 1 ik ik

m
0 1 0

m
0 0 1

1 g t

=
z =0

H exp(i (kx t )) 2

= [ik cos ] x
= [iksen ] y

71

TABLA 4.4 (Continuacin)

Tipo de seal medida Velocidad (eje x) Velocidad (eje y) Velocidad (eje z) Velocidad vertical de la superficie Aceleracin (eje x) Aceleracin (eje y) Aceleracin (eje z) Aceleracin vertical de la superficie Desplazamiento (eje x) Desplazamiento (eje y) Desplazamiento (eje z)

Pm

hm

m
0

ux =

cosh ( k (h + z ) ) cos = senh ( kh ) x

cosh ( k (h + z ) ) sen = senh ( kh ) y senh ( k (h + z ) ) = i senh ( kh ) z
= t z = i
z =0

cosh ( k (h + z ) ) senh ( kh )
cosh ( k (h + z ) ) senh ( kh ) senh ( k (h + z ) ) senh ( kh )
-i

uy =

uz =

ax =

cosh ( k (h + z ) ) cosh ( k (h + z ) ) u x = i 2 cos i 2 1 senh ( kh ) senh(kh) t

ay =

u y

cosh ( k (h + z ) ) cosh ( k (h + z ) ) = i 2 sen i 2 0 senh ( kh ) senh(kh) t

az =

u z 2 senh ( k (h + z ) ) = senh(kh) t

senh ( k (h + z ) ) senh ( kh )
-2
cosh ( k (h + z ) ) senh ( kh )
cosh ( k (h + z ) ) senh ( kh ) senh ( k (h + z ) ) senh ( kh )

2 = 2 2 t

x = u x dt = i

cosh ( k (h + z ) ) cos senh(kh) cosh ( k (h + z ) ) sen senh(kh) senh ( k (h + z ) ) senh(kh)

y = u y dt = i

z = u z dt =

Presin dinmica

cosh ( k (h + z ) ) P = = g cosh kh ( )

cosh (k (h + z ) ) cosh (kh )

72

El coeficiente de normalizacin se calcula partiendo de la condicin de que la integral de la funcin de dispersin direccional entre 0 y 2 es igual a 1 ( es la funcin Gamma):

( s) =

22 s 1 ( ( s + 1) )

( 2 s + 1)

(4.84)

La direccin principal, 0, y el ndice direccional, s, se calculan a partir de los coeficientes de Fourier de primero y segundo orden, tal que: Primer orden

0 = Arg ( a1 + ib1 )
Segundo orden

s=

r1 1 r1

(4.85)

0 =
donde

1 Arg ( a2 + ib2 ) 2

s=

1 + 3r2 + r22 + 14r2 + 1 2(1 r2 )

(4.86)

2 2 rn = a n + bn

Los coeficientes de Fourier, para la funcin de dispersin direccional se definen por: an = D ( f , ) cos(n )d
0 2

(4.87) (4.88)

bn = D ( f , )sen (n )d
0

Para sistemas de un solo punto es necesario calcular los coeficientes a1, b1, a2, b2, ya que en stos se concentra toda la informacin disponible de la transformada de Fourier. Las expresiones que los definen se presentan en las tablas 4.5 y 4.6. Como se mencion en secciones anteriores, las expresiones Cmn( f ), que aparecen en ambas tablas, hacen referencia a las funciones de coincidencia espectral, es decir a la parte real del espectro cruzado entre las seales m y n, y las expresiones Qmn( f ), a la parte imaginaria del mismo espectro; a estas ltimas se les denomina funciones de cuadratura espectral.
73

Otro modelo comnmente usado para direcciones que caen en el intervalo determinado por ( 0 ; 0 + ) es el Gaussiano, definido por: ( f , ) = D 1 ( 0 )2 1 exp 2 2 2 (4.89)

Una vez ms la direccin principal, 0, y el ancho direccional, , se calculan por medio de los coeficientes de Fourier, tal que: Primer orden

0 = Arg ( a1 + ib1 )
Segundo orden

= 2Ln(r1 )

(4.90)

0 =

1 Arg ( a2 + ib2 ) 2

2Ln(r2 ) 2

(4.91)

TABLA 4.5 EXPRESIONES DE LOS COEFICIENTES DE FOURIER a1, b1, PARA DIVERSOS SISTEMAS DE MEDICIN DE UN PUNTO Tipo de medicin Boya ; x ; y Superficie libre y corrientes 2D ; u x ( z ); u y ( z )
C11

E(f)

a1(f)

b1(f)

Q12 C11 (C 22 + C 33 ) Q12 C11 (C 22 + C 33 )

Q13 C11 (C 22 + C 33 ) Q13 C11 (C 22 + C 33 )

C11

Presin y corrientes 2D 1 cosh (kh ) C11 p ( z ); u x ( z ); u y ( z ) g cosh (k (h + z ))

Q12 C11 (C 22 + C 33 ) Q12 C11 (C 22 + C 33 )

Q13 C11 (C 22 + C 33 ) Q13 C11 (C 22 + C 33 )

Q13 C11 (C 22 + C 33 )

Tres desplazamientos ; x (0); y (0)

C11 1 sinh (kh ) C11 sinh (k (h + z )) 1 sinh (kh ) C11 sinh (k (h + z ))

2

[ [

Tres velocidades u z ( z ); u x ( z ); u y ( z )

] ]

Q12 C11 (C 22 + C 33 )

Tres aceleraciones a z ( z ); a x ( z ); a y ( z )

Q12 C11 (C 22 + C 33 )

Q13 C11 (C 22 + C 33 )

74

TABLA 4.6 EXPRESIONES DE LOS COEFICIENTES DE FOURIER a2 Y b2, PARA SISTEMAS DE MEDICIN DE UN PUNTO Tipo de medicin Para todos los sistemas a2(f) C 22 C 33 C 22 + C 33 b2(f) 2C 23 C 22 + C 33

Modelos bimodales Estos modelos son resultado de la combinacin lineal de dos modelos unimodales, como los que se presentaron en la seccin anterior; de igual forma existen diversas expresiones que pueden ser utilizadas. Como ejemplo se presenta la estimacin bimodal basada en el modelo de Gauss: D 2 MFG ( f , ) = ( 1 ) exp 2 2 1 2 1
2

1 ( 2 )2 exp + ; [ 0,1] (4.92) 2 2 2 2 2

Este tipo de modelos tienen cinco incgnitas 1,1, 2, 2, y son capaces de representar tanto estados de mar unimodales como bimodales, es decir con dos picos en la misma frecuencia. Sin embargo, para sistemas de medicin en un solo punto, el nmero de datos disponibles est limitado a cuatro coeficientes independientes de Fourier; para resolver el problema, es necesario aadir una condicin adicional. Por ejemplo, para el caso que se presenta es posible imponer 1= 2, lo cual restringe las capacidad del modelo. 4.7.6.2 Mtodo de mxima verosimilitud Este modelo fue introducido por Capon et al (1967) y completado por diversos autores, entre los que destacan Isobe (1984) y Krogstad (1988). El modelo de mxima verosimilitud se basa en la suposicin de que la funcin de dispersin angular puede ser expresada como una combinacin lineal del espectro cruzado, tal que: D MLM ( f , ) = 1 mn ( f , ) Gmn ( f ) E ( f ) m ,n (4.93)

75

Esta estimacin se relaciona con la funcin de dispersin angular normal, por medio de la siguiente expresin:
D MLM ( f , ) = D ( f , ) w ( , ' ) d ' 0

(4.94)

donde

w ( , ' ) = mn ( f , ) H m ( f , ' ) H n ( f , ' )

m,n

(4.95)

Es posible afirmar que este mtodo es producto de la convolucin de la funcin de dispersin estndar con una funcin ventana w(,). Mtodo de mxima verosimilitud iterativo Con el objeto de obtener resultados consistentes, Pawka (1983) y Oltman-Shay (1984) proponen un mtodo iterativo del mtodo de mxima verosimilitud. Los dos esquemas iterativos se basan en las siguientes expresiones:
i i i 1 D IMLM ( f , ) = DIMLM ( f , ) + ( f , )

0 ( f , ) = D con D IMLM MLM ( f , ) (4.96)

Primer esquema

i 1 ( f , ) D ( f , ) = IMLM
i

+1

con

= 1

1 iMLM ( f , ) D ( f , ) MLM

(4.97)

Segundo esquema

( f , ) =
i

+1

con

i 1 =D MLM ( f , ) MLM ( f , )

(4.98)

Los parmetros y controlan la convergencia del algoritmo iterativo, sus valores ms comunes son =1 y =10. Las iteraciones se detienen despus de un nmero fijo de pasos, cuando el criterio de convergencia ha sido satisfecho. Benoit (1992) demostr que en la mayora de los casos el segundo esquema proporciona mejores resultados que el primero. Por lo general, son necesarias de 10 a 20 iteraciones para alcanzar una convergencia adecuada.

76

4.7.6.3 Otros mtodos En la literatura especializada se pueden encontrar otros dos mtodos: El mtodo de mxima entropa Este mtodo fue originalmente desarrollado para medir la incertidumbre en teora de informacin estadstica y ha sido utilizado para determinar la funcin de densidad probabilstica de una variable aleatoria de datos, en los cuales la informacin en torno a su distribucin es inadecuada. El fundamento de esta teora consiste en que la probabilidad de distribucin, la cual maximiza la entropa, tiene tendencia a presentar mnimos bajo ciertos lmites sobre la funcin de densidad. Mtodo bayesiano Este mtodo es un procedimiento probabilista que estima la causa-efecto de un fenmeno a travs del anlisis de resultado. Dado que en este mtodo no se realiza ninguna suposicin en la funcin de forma de la funcin distribucin direccional, tiene una gran flexibilidad para ajustarse bien a cualquier distribucin angular. En particular, este mtodo es muy fiable cuando el nmero de mediciones simultneas es de al menos cuatro; sin embargo, cuando el nmero de mediciones es tres, el mtodo de mxima entropa es ms adecuado. Un anlisis ms exhaustivo de este tema puede encontrarse en Goda (2000).

77

5. DISTRIBUCIONES ESTADSTICAS DEL OLEAJE En la prctica, es muy comn que cuando se disean estructuras martimas o se estudia algn fenmeno oceanogrfico se cuente slo con informacin de los parmetros caractersticos ms relevantes que definen a un estado de mar, debido esencialmente a que: cuando se tienen mediciones de estados de mar, no es econmico reportar toda la estadstica del oleaje en ocasiones se utiliza el espectro de energa para caracterizar los estados de mar normalmente, los mtodos de prediccin de oleaje no proporcionan la estadstica del oleaje. Sin embargo, para un diseo o estudio de las caractersticas ocano-meteorolgicas de alguna zona en particular, es comn que se requiera ms informacin estadstica aunque se cuente con los parmetros estadsticos ms representativos. Por esto, resulta imprescindible contar con herramientas estadsticas que permitan estimar de manera confiable las funciones de probabilidad de la superficie libre, altura de ola, periodo y la altura conjunta ola-periodo. 5.1 Distribucin de los desplazamientos En la aproximacin al proceso estocstico realizada hasta el momento, se ha asumido que el oleaje tiene una distribucin normal o gaussiana. Sin embargo, dicha aproximacin slo es vlida en aguas relativamente profundas y cuando el oleaje no ha experimentado ningn proceso de rotura, (Ochi, 1998 y Massel, 1996).

79

En general, la superficie libre del oleaje deja de presentar una distribucin normal por efectos tales como rotura del oleaje tanto en aguas profundas como someras y someramiento, ya que las crestas se hacen ms acusadas y los valles menos profundos y ms largos, por citar dos de los fenmenos ms importantes. 5.1.1 Distribucin normal de desplazamientos de la superficie libre Siguiendo con el mismo esquema planteado, considrese ahora que la superficie libre puede ser tratada como la suma de contribuciones de un gran nmero de ondas con frecuencia m y direccin n (- n ) superpuestas de manera aleatoria; por ejemplo

mn = amn cos km ( x cos n + ysen n ) mt + mn

donde km es el nmero de onda.

(5.1)

El nmero de onda, km, est asociado con la frecuencia angular, m, a travs de la relacin de la dispersin al primer orden:
2 m = gk m tanh k m h

(5.2)

Se asume que las fases mn son variables aleatorias normalmente distribuidas en el intervalo (-, ). Las amplitudes amn son tambin variables aleatorias asociadas al espectro bidimensional, S( f, ), de la siguiente forma:
amn = S ( f , )f (5.3)

Asumiendo que las contribuciones 1, 2, 3 ...N son variables aleatorias estadsticamente independientes y si adems se desprecian todas las interacciones entre componentes y se usa el teorema del limite central, Ochi (1998), se llega a la conclusin de que el desplazamiento de la superficie libre del oleaje (t) es una
2 funcin normalmente distribuida con media y varianza , mientras que la funcin de densidad de probabilidad se define como:

p ( ) =

1 2
80

( )2 2 2

(5.4)

La media y la varianza, momentos centrados de primero y segundo orden, 1 y 2, pueden ser calculados a travs de las siguientes expresiones:

1 = = p ( ) d

(5.5) (5.6)

2 = =
2

( ) p ( ) d
2

La varianza de la oscilacin de la superficie libre tambin puede ser obtenida a travs del momento de orden cero del espectro de energa:

var [ ] = m0 = S ( f ) df
0

(5.7)

Ambas notaciones (ecs 5.6 y 5.7) son frecuentemente utilizadas; por ejemplo, en Massel (1996). Si se expresa la ec 5.4 en su forma generalizada:

p ( ) =
donde

1 2

1 e 2 2

(5.8)

(5.9)

Puede demostrarse (Massel, 1996, y Ochi, 1998) que todos los momentos de orden non son iguales a cero, mientras que los momentos de orden par cumplen con la siguiente relacin:

2 n = {1 3 5 ( 2n 1)} 2 n
donde

(5.10)

=
n

( ) p ( ) d
n

(5.11)

La distribucin de la ec 5.8 en algunos textos es abreviada como N(0,1) (Massel, 1996 y Ochi, 1998), dado que los dos primeros momentos de la funcin de distribucin de probabilidad estandarizada son 0 y 1, respectivamente. En general, los momentos de la ec 5.8 pueden ser expresados como: 81

n = m y, por tanto,

p ( ) d
n

(5.12)

1 3 5 ( n 1) para momentos de orden par n = m para momentos de orden non 0

n = m

(5.13)

n n

(5.14)

Cuando se comparan los resultados obtenidos tericamente y los obtenidos de mediciones directas, usualmente hay dos parmetros importantes que miden la discrepancia entre ambos resultados, la asimetra o sesgo y la curtosis:

1 = 2 =

3 3 =m 3

(5.15) (5.16)

4 4 3 3 = m 4

La asimetra y la curtosis son cantidades de orden superior y determinan la no linealidad del oleaje. La asimetra, por ejemplo, sirve para medir la desigualdad que existe entre crestas acusadas y valles ms suaves del oleaje. La curtosis representa el grado de apuntalamiento de la distribucin cuando se toma como referencia una distribucin normal. As, por ejemplo, si 1 = 2 = 0, la variable aleatoria est normalmente distribuida. En muchos de los casos, la densidad de probabilidad de los desplazamientos de la superficie libre, p(), tiene una asimetra positiva. Esto significa que la moda de la distribucin est localizada en un valor menor que la media. Un valor positivo de la curtosis 2, corresponde a una distribucin con una cresta ms abrupta que la distribucin normal. Para establecer la funcin de distribucin de los desplazamientos de la superficie libre, ec 5.8, de forma dimensional, basta con realizar la siguiente operacin: p ( ) = p ( ) d d (5.17)

En la ecuacin anterior se debe considerar que = 0 y = rms ; por tanto, se obtiene:

82

p ( ) =

rms 2

1 2 2 2 rms

(5.18)

En particular, la funcin densidad de probabilidad de la elevacin de la superficie del mar es simtrica alrededor de la elevacin media, donde la funcin es mxima. De tal forma que para una elevacin positiva en particular, la funcin de probabilidad ser igual para la misma elevacin en sentido negativo. Esta distribucin presenta los siguientes puntos crticos (desde el punto de vista del modelo matemtico aceptado, dado que no es vlida cuando intervienen procesos no lineales):

El modelo lineal no tiene en cuenta la interaccin entre componentes, entre

otros la cesin de energa de unos componentes a otros

En profundidades reducidas, prximas a la rotura, hay ms probabilidad de que

(t) > 0 que (t) < 0, y el oleaje tiende a peraltarse

Esta distribucin admite, aunque con muy pequea probabilidad, que son
posibles desplazamientos tan grandes como se quiera (tericamente (t) puede ser igual a infinito). Esto es fsicamente imposible ya que la ola rompera antes de alcanzar esas alturas. Kinsman (1965) y Longuet-Higgins (1963) han realizado estudios ms detallados de la distribucin de la variable (t), en los que han encontrado mayor aproximacin a la realidad en la distribucin de Gauss modificada, distribucin de Gram-Charlier, aunque sta tiene discrepancias en los extremos. No obstante, la experimentacin confirma que la distribucin de Gauss puede aceptarse como vlida, excepto en condiciones de franca rotura. Ejemplo. En la fig 5.1 se presenta una comparacin entre la funcin de densidad de probabilidad terica y otra medida en campo. Los parmetros estadsticos ms 2 2 2 relevantes de la seal medida son: varianza = rms = 0.125 m , asimetra o sesgo

1 = 0.02363, y curtosis 2 = 0.02813, lo cual se puede interpretar analticamente como

un sesgo hacia la izquierda, es decir que la moda est en un valor menor que el nivel medio de reposo, adems de que la distribucin medida presenta una cresta ms abrupta que la distribucin normal.

83

1.60

Distribucin de seal medida Distribucin terica

1.20

p (1/m)

0.80

0.40

0.00 -1.50 -1.00 -0.50 0.00 0.50 1.00 1.50

(m)

Fig 5.1 Comparacin entre la funcin de distribucin de probabilidad medida y terica 5.1.2 Distribucin no lineal de desplazamientos de la superficie libre Hasta el momento, el anlisis estadstico se ha realizado considerando al oleaje como un proceso aleatorio, gaussiano, estacionario, ergdico y de media cero, asumiendo vlido el teorema del lmite central, Ochi (1998). Por otro lado, se ha comprobado a travs de mediciones de oleaje local, sea, y oleaje distante, swell, as como en ensayos de laboratorio, que el oleaje puede ser considerado como un proceso aleatorio normal, inclusive para estados de mar muy severos, si la profundidad relativa del agua es grande. Sin embargo, cuando el oleaje encuentra profundidades relativamente menos profundas, intermedias o bajas, debido principalmente a efectos de refraccin y rotura, deja de presentar una distribucin normal en su desplazamiento alrededor del nivel medio del agua. Por tanto, para estas condiciones el teorema del lmite central de Ochi (1998) no ser cumplido, los parmetros de asimetra y curtosis tendrn un valor diferente a cero y el proceso ser de tipo no gaussiano. Se han desarrollado dos diferentes aproximaciones para la funcin de distribucin de un proceso no gaussiano, las cuales se describen a continuacin. 5.1.2.1 Series tipo A de Gram-Charlier Longuet-Higgins (1963), aplicando la funcin de generacin acumulada, desarroll la funcin de probabilidad p (), que en su forma normalizada puede ser expresada como: 84

p ( ) =

2 3 10m 3 m 1 m m e 2 1 + 3 H 3 ( ) + 4 H 4 ( ) + 5 H 5 ( ) + 4! 5! 2 3! (5.19) 6 15m 4 + 30 m H 6 ( ) + ... 6!

donde Hn son los polinomios de Hermite definidos como:

H 4 ( ) = 4 6 2 + 3 H 5 ( ) = 5 10 3 + 15 H 6 ( ) = 6 15 4 + 45 215 etc.

H 3 ( ) = 3 3

(5.20)

n es el momento de orden ensimo de la variable aleatoria normalizada (ec 5.12). y m La ec 5.19 tambin puede ser desarrollada usando el concepto de polinomios ortogonales:
10 1 m 1 p ( ) = e 2 1 + 1 H 3 ( ) + 2 H 4 ( ) + 5 H 5 ( ) + 4! 5! 2 3! 6 15m 4 + 30 m H 6 ( ) + ... 6! 1
2

(5.21)

Para cierto intervalo de desplazamientos, especialmente cuando el peralte de la ola es importante (Bitner, 1980 y Ochi, 1984), las ecs 5.19 y 5.21 dan valores de densidad negativos, lo cual fsicamente no puede ser aceptado. El inconveniente ms importante que tiene esta distribucin es que los parmetros de asimetra, curtosis y momentos de orden superior deben ser conocidos a priori. 5.1.2.2 Distribucin de los desplazamientos basada en un desarrollo de Stokes Otra aproximacin para derivar la distribucin de probabilidad no gaussiana consiste en asumir que el oleaje puede expresarse como una expansin de Stokes (1847), al segundo y tercer orden. Para ello, Huang et al (1983) consideraron que el oleaje no lineal asociado a un espectro de banda estrecha se puede representar de la siguiente forma: 85

 = a 2 k + a cos + a 2 k cos 2 + a 3k 2 cos 3 + ...

3 = a cos + a k cos + a 3 k 2 cos 3 + ... 8
2

1 2

1 2

3 8

(5.22)

donde a(x,y,t) es la amplitud, k es el nmero de onda y = k x cos + k y sen t +. Asumiendo que la amplitud, a y la fase , son variables aleatorias que cambian lentamente y siguen una distribucin tipo Rayleigh, subcap 5.3.1, y una distribucin uniforme, respectivamente, Huang et al (1983) derivaron la funcin de distribucin de probabilidad hasta el tercer orden, y obtuvieron la siguiente relacin:
2 1 A 1 9 ( k ) 2 B + p ( ) = e R 8 N 2

1 R3

(5.23)

donde
2 13 A = N k ( 2 1) + ( k ) 3 2 8 2 2

(5.24)

2 39 B = N 1 2 k + ( k ) 2 2 8

(5.25)

R = 1+

2 9 k ) 2 ( 4 2

(5.26)

N = 1 + ( k )

(5.27)

Para dar solucin a las ecs 5.24 y 5.27, el nmero de onda k es evaluado utilizando la frecuencia de pico espectral fp y la profundidad local h. Continuando con el ejemplo presentado en la fig 5.1, en la fig 5.2 se presenta una comparacin entre la funcin de densidad de probabilidad medida, normal y la desarrollada hasta el tercer orden, ec 5.23, con una frecuencia de pico espectral fp = 0.1 Hz y a una profundidad local h = 2 m.
86

1.60

Distribucin de seal medida Distribucin normal Tercer orden

1.20

p (1/m)

0.80

0.40

0.00 -1.50 -1.00 -0.50 0.00 0.50 1.00 1.50

(m)

Fig 5.2 Comparacin entre la funcin de distribucin de probabilidad medida, normal y la desarrollada hasta el tercer orden (con fp = 0.1 Hz y h = 2 m)

Tayfun (1980), haciendo uso de un desarrollo de Stokes al segundo orden, deriv la funcin de densidad de probabilidad de los desplazamientos del perfil de oleaje en funcin de la modulacin de la amplitud, como se muestra a continuacin:

= an cos ( n + n ) + k an cos ( n + n ) ansen ( n + n ) 2

2

} (5.28)
(5.29)

Y obtuvo la siguiente relacin para la funcin de probabilidad acumulada, P():

1 P ( ) = 2 donde A ( , ) + + erf A ( , ) } d e {erf
2

( )

para > 0 a ( ) = 1/ 2 2 1 + 2 para <

2 2

(5.30)

k m0 2

(5.31)

87

A ( , ) = 1 +

2 2

(5.32)

= 1 + k 2 m0

(5.33)

Para evaluar las funciones de probabilidad acumulada y de densidad de probabilidad, P() y p(), se requiere hacerlo va integracin numrica, donde es la variable de integracin. Es importante mencionar que no obstante que la distribucin propuesta por Tayfun (1980) es ms compleja que la normal, ec 5.18, ajusta mejor los resultados de campo (Ochi, 1998). 5.1.2.3 Otras distribuciones de probabilidad del desplazamiento de la superficie libre Complementariamente Massel (1996) presenta dos distribuciones que no se abordan en el presente trabajo: Influencia de la rotura del oleaje en la distribucin de los desplazamientos de la superficie libre en aguas profundas. Esta se debe a que el flujo de energa de la atmsfera al ocano genera una superficie aerodinmica de la superficie del mar, si el flujo de energa es substancialmente intenso, en algunos puntos la superficie libre del agua se desestabilizar y eventualmente romper en forma de espuma blanca de varias escalas. En este caso, la rotura es muy localizada y el fenmeno es no estacionario. Distribucin de probabilidad del desplazamiento de la superficie libre en aguas de profundidad finita. Las olas en aguas poco profundas tienen muchas propiedades especficas, mismas que las distinguen de las ondas que se propagan en aguas de profundidad indefinida. A medida que las ondas viajan hacia aguas menos profundas, su dinmica se hace menos lineal y disipativa. En aguas poco profundas, las ondas tienen crestas ms altas y valles ms largos comparadas con aquellas que se propagan en aguas ms profundas. Ms an, en zonas costeras existe una asimetra con respecto a una lnea vertical pasando a travs de la cresta. Por tanto, en general, las ondas que se propagan en aguas de profundidad finita no pueden ser clasificadas como un proceso Gaussiano y la densidad de probabilidad no es vlida, a excepcin de estados de mar compuestos con olas muy pequeas.

88

5.2 Distribucin de los desplazamientos mximos (crestas) La obtencin de la distribucin terica de mx(t) o desplazamientos mximos, crestas, con respecto al nivel medio fue realizada originalmente por Rice (1945) para funciones aleatorias. Es importante mencionar que mx(t) puede tomar tanto valores positivos como negativos, siendo estos ltimos los que definen la situacin cuando la cresta queda por debajo del nivel medio. Los estudios de Rice fueron ampliados por Cartwright y Longuet-Higgins (1956), que demostraron que la funcin de densidad de crestas, mx(t), puede ser definida a travs de la siguiente relacin: 1 P( ) = 2 donde
1 1 1 2 1 2 (1 2 ) 2 2 x2 2 12 e dx exp + (1 ) exp 2 2

(5.34)

mx
m0

(5.35)

siendo m0 el momento de orden cero, ec 4.60, y el parmetro de anchura de cuarto orden, ec 4.61. La distribucin de mnimos de (t), o valles, se puede obtener teniendo en cuenta que la funcin (t) es estadsticamente simtrica con respecto al nivel medio. Si a cada fase del modelo matemtico se le suma no afecta el carcter aleatorio, se cambian todos los signos de (t). Por tanto, la funcin de densidad de mnimos de (t), o valles, es simtrica respecto a la funcin de densidad de las crestas con respecto al nivel medio = 0. Si en la funcin de densidad de los desplazamientos, ec 5.34, se hace tender el parmetro de anchura espectral, , propuesto por Cartwright (1956) a cero, la funcin de desplazamientos mximos toma la siguiente forma:

P ( mx ) =

mx
m0

1 2 mx 2 m0

para mx 0

(5.36) (5.37)

P ( mx ) = 0

para mx < 0

89

Las ecs 5.36 y 5.37 definen la distribucin de Rayleigh. Para la segunda condicin lmite, cuando el parmetro de anchura tiende a uno, se tiene una condicin completamente distinta:

P( mx ) =

1 e 2 m0 2m0

2 1 mx

(5.38)

La ec 5.38 define la distribucin normal o de Gauss. Cartwright y Longuet-Higgins (1956) tambin relacionaron la proporcin de crestas negativas, r, con el parmetro de anchura espectral de cuarto orden, . Para ello, se deben analizar los siguientes parmetros de un registro:
+ NO nmero de cruces de (t) con el nivel medio con pendiente positiva
NO nmero de cruces de (t) con el nivel medio con pendiente negativa

+ nmero de crestas positivas (sobre el nivel medio) NC NC nmero de crestas negativas (sobre el nivel medio)
+ NV nmero de valles positivos (sobre el nivel medio)

nmero de valles negativos (sobre el nivel medio). NV

Si el registro es lo suficientemente largo, se deben cumplir las siguientes condiciones:

+ + + NO = NC NV
NO = NV NC

(5.39) (5.40)

Adems, admitiendo que la funcin (t) es estadsticamente simtrica respecto al nivel medio, es decir, que las crestas y valles estn normalmente distribuidos con respecto al nivel medio, se tiene:
+ NV = NC = rN C

(5.41)

+ donde N C = N C + NC es el nmero total de crestas y r la proporcin de crestas

negativas. 90

Por tanto,
+ + + NO = NC NV = (1 r ) N C rN C = N C (1 2r )

(5.42)

de donde, al operar algebraicamente, se obtiene: 1 N+ r = 1 O 2 NC (5.43)

Es claro que el nmero de crestas ser siempre mayor o igual que el nmero de cruces con pendiente positiva, por tanto los valores lmite para r sern:

NC 1 + NO NC + NO
donde

r0 1 2

( 0 ) ( 1)

(5.44)

(5.45)

2 = 4r (1 r )

(5.46)

Las ecs 5.44 y 5.45 definen los valores lmite para la anchura de la base del espectro, y la proporcin de las crestas en un registro dado. El caso r = 0 se presenta si
+ NO = N C , es decir, cuando el nmero de cruces ascendentes por el nivel medio en el

registro, es igual al nmero total de crestas. Definido lo anterior y utilizando la ec 5.39, se obtiene:
+ + + NO = NC = NC NV

(5.47)

+ + , de donde N V Es claro que se debe satisfacer la condicin N C N C = NC = 0.

Es posible afirmar, para el caso en que no existan crestas negativas ni valles positivos el nmero de crestas positivas y de valles negativos ser el mismo, es decir que toda la energa est contenida en una banda de frecuencias o periodos muy estrecha. Dicha situacin se muestra en la fig 5.3.

91

3 2 1 0 -1 0 -2 -3
+ Fig 5.3 Seal sinusoidal con N C = NV

Lado (+)

10

20

30

40

50

60

70

Lado (-)

5.3 Distribuciones de alturas de ola La altura de ola es uno de los parmetros de mayor importancia, tanto en ingeniera de costas como en oceanografa, y se define como la suma aritmtica del desplazamiento mximo positivo y del subsiguiente desplazamiento mximo negativo, H = mx + mn. A pesar de la importancia que tiene este parmetro no se ha podido desarrollar una ecuacin universal que sea sencilla y se pueda aplicar para representar de manera vlida todos los estados de mar que se presentan en la naturaleza. Es por ello que en la literatura especializada se pueden encontrar diversas hiptesis, entre las cuales destacan las siguientes: 1. El desplazamiento de la superficie libre sigue una distribucin normal 2. Espectro de banda estrecha 3. La correlacin entre los desplazamientos mximos positivos y negativos es uno 4. La correlacin entre los desplazamientos mximos positivos y negativos es cero 5. La correlacin entre los desplazamientos mximos positivos y negativos es arbitraria 6. La altura de ola est limitada por efectos de rotura. Si se utilizan ciertas combinaciones de estas hiptesis, se obtienen como resultado las siguientes distribuciones de probabilidad para alturas de ola: 1, 2 y 3, la distribucin de Rayleigh (1956) 1, 2 y 5, la distribucin de crestas y valles (Tayfun, 1981) 92

1, 2 y 4, la distribucin de Carter (1986) 1, 2, 3 y 6, la distribucin de Tayfun (1981). Las cuales se exponen a continuacin. 5.3.1 Distribucin de alturas de ola para un espectro de banda estrecha 5.3.1.1 Correlacin perfecta entre crestas y valles Si se considera un estado de mar tipo swell puro, con un ancho de espectro = 0 y se asume que hay una correlacin perfecta entre una cresta y el siguiente valle, la descripcin de la distribucin de probabilidad de alturas de olas dada por Rayleigh ser exacta. La distribucin adimensional de alturas de ola, p(H/Hrms), queda definida como la suma de 2mx, ec 5.36, tal que
H H H p e rms =2 H rms H rms H
2

(5.48)

En forma dimensional se puede expresar como:

2 H H rms H 8 m0 p( H ) = 2 e e = 2 4m0 H rms

H2

H2

(5.49)

Esta distribucin fue originalmente propuesta por Cartwright y Longuet-Higgins (1956). 5.3.1.2 Correlacin nula entre crestas y valles Carter (1986), asumiendo el caso opuesto al presentado por Cartwright y LonguetHiggins (1956), donde la correlacin entre crestas y valles consecutivos es nula, desarroll la distribucin de probabilidad de alturas de ola haciendo las siguientes suposiciones: Las distribuciones de las crestas y valles son de la forma de Rayleigh, ec 5.36, y por tanto la distribucin conjunta est dada por:

p ( 1 , 2 ) = 1 2 e
93

2 + 22 1 2

(5.50)

donde 1 y 2, son las amplitudes de cresta y valle adimensionales, respectivamente, definidas segn la ec 5.35. Si se define y como las suma de ambas amplitudes adimensionales, y y2 como la resta, es decir,
y = 1 + 2 y y2 = 1 2

(5.51) (5.52)

1 =

y + y2 2

2 =

y y2 2

La funcin de distribucin p(y, y2) estar dada por: 1 y 2 y 1 y2

y 2 + y2 2 4 y 2 + y2 2 4

p ( y , y2 ) =

1 2 y 2 y2 e 2 4 y2

1 2 = y 2 y2 e 8

(5.53)

Por tanto, la distribucin de probabilidad de y est dada por:

p ( y) =

y1

y1

1 4 1 2 2 p ( y, y2 ) dy2 = e y y e 2 8 y1

y2 y

y2 2 4

dy2

(5.54)

Operando, la ecuacin anterior tambin se puede expresar como:

2 y2 y2 y1 y2 4 4 1 4 2 + ( y 2) e p ( y) = e dy2 2 ye 4 0

(5.55)

Mientras que su distribucin de probabilidad acumulada quedara de la siguiente forma:

P ( y ) = p ( y ) dy = 1 e
0

y1

y2 2

1 1 4 ye e 2 0

y2 y

y2 2 4

dy2

(5.56)

Las ecs 5.55 y 5.56 se pueden expresar tambin en forma dimensional como:
H2 H2 4m 4m H2 1 H 2 Erf p(H ) = e 0 2 e 0 + m0 4 m0 m0

H 2 m0

(5.57)

94

H2 2 m0 + P ( H ) = 1 e 2

H 4m e 0 Erf m0

H2

H 2 m0

(5.58)

donde u(u = y2/2) es una constante de integracin y la funcin error, Erf, est definida como:

Erf ( X ) =

e
0

u2

du

(5.59)

5.3.1.3 Correlacin intermedia entre crestas y valles En la practica, la correlacin en los valores de los mximos positivos y negativos puede esperarse que est entre un valor de 1 y 0; es decir, que la distribucin conjunta entre valles y crestas sea del tipo bivariado de Rayleigh. Rice (1944) propuso la siguiente distribucin conjunta de dos elevaciones de la envolvente de un estado de mar de banda estrecha:
2 p ( 1 , 2 ) = 1 22 I 0 1 2 e 2 1 1 1 12 + 22 1 2

(5.60)

donde I0 es la funcin modificada de Bessel de orden cero. Battjes (1971) seala que es el coeficiente de correlacin entre 12 y 22, mientras que es el coeficiente de correlacin entre 1 y 2, los cuales se expresan como:

=
2

132 + 14 2
m0
2

(5.61)

2 4 6 + + 16 4 16 64

(5.62)

donde 13 y 14 son las autocorrelaciones de las partes de la seal separada unidades. Sustituyendo las ecs 5.51 y 5.52 en la ec 5.60, se obtiene:
1 y 2 y2 2 1 2 4 2 p ( y , y2 ) = I y y e ( ) 0 2 2 8 1 2 1 4 1 y 2 + y2 2 1 2

(5.63)

Por tanto, la distribucin de probabilidad de y est dada por:

95

p ( y) = =

p ( y, y2 ) dy2 = 2 p ( y, y2 ) dy2
0

1 e 4

1 y2 y 2 2 1
0

y y2 1 2 2 I0 y y2 e 2 2 1 1 4
2 2

1 y 2 y2 2 1 2 4

(5.64)

dy2

mientras que la distribucin de probabilidad acumulada quedara de la siguiente forma:

P ( y ) = p ( y ) dy
0 y

(5.65)

Las ecs 5.64 y 5.65 son anlogas a las derivadas por Tayfun (1981), mismas que se pueden expresar tambin en forma dimensional como:
H 2 2 m H 2 u2 1 1 H 2 u2 1 p(H ) = e 0 1 I e 2 0 2 m0 4m0 1 4m0 1 0
H

1 H2

H 2 u 2

1 4 m0 1 2

du

(5.66)

P ( H ) = p ( H ) dH
0

(5.67)

Las ecs 5.66 y 5.67, tienden a la distribucin de Rayleigh y de correlacin nula, cuando el parmetro tiende a uno y cero, respectivamente. En la fig 5.4 se presenta la densidad de probabilidad y probabilidad de excedencia adimensional para diferentes correlaciones del parmetro . Para cuando = 0, la distribucin corresponde a la distribucin de correlacin nula, mientras cuando = 1, la distribucin corresponde a la distribucin de Rayleigh. En dicha figura puede verse que para una probabilidad de excedencia de 0.0001 las diferencias entre ambos extremos ( = 0 y = 1) es mayor de un treinta por ciento. 5.3.2 Distribucin de alturas de ola en profundidad finita Hasta el momento se han tratado distribuciones de tipo normal o gaussiano, sin embargo el desplazamiento de la superficie libre, y en particular en aguas poco profundas, es no guassiano. El fondo marino condiciona el movimiento del oleaje y la superficie libre se vuelve ms asimtrica, siendo estos efectos no lineales ms importantes a medida que la profundidad relativa es menor.

96

0.5 0.4 0.3 0.2 0.1 0 0

D en sid a d d e p r ob a b ilid a d
= = = = = = 0 0.2 0.4 0.6 0.8 1.0

P r ob a b ilid a d d e e xced en cia

1 0.1 0.01 0.001 0.0001 10 0

6 1/2 H /m 0

10

H /m 01/2

Fig 5.4 Densidad de probabilidad y probabilidad de excedencia para diferentes factores de correlacin Normalmente, la aplicacin de la distribucin de Rayleigh o sus modificaciones son validas para describir la distribucin de alturas de ola, sin embargo ninguna de ellas contiene explcitamente su dependencia con la profundidad. Glukhovskiy (1996) desarroll una extensin de la distribucin de Rayleigh para profundidades finitas de agua en la siguiente forma: b H H H
1+ n 1 n
2 a H 1n H

p(H ) = donde

(5.68)

a=

n 4 1 + 2

(5.69)

b=

2a 1 n

(5.70)

El coeficiente n es la relacin de la altura de ola media y la profundidad, el cual vara entre 0 y 0.5. Cuando n = 0 coincide con la distribucin de Rayleigh. El lmite superior, n = 0.5, corresponde a la condicin limite de la zona de resaca (surf zone). Massel (1996) presenta la ec 5.68 en funcin de la altura de ola cuadrtica media, Hrms, de forma adimensional, como sigue:

97

p ( ) = b 1e
donde

(5.71)

H H rms
1 2

(5.72) (5.73)

2 b 1+ 2 = a 1 +

2 1 n

(5.74)

Si el parmetro n es igual a cero, la ec 5.71 se simplifica en la distribucin de Rayleigh, mientras que si n = 0.5, p ( ) = a1 e donde a1 = 4 1 + 2 2
a1 4 3 4

2.055 3e

( 0.514 )
4

(5.75)

( 2 )

3/ 2

0.654

(5.76)

Ejemplo. En la fig 5.5 se presenta el aspecto que guarda la densidad de probabilidad y la probabilidad de excedencia adimensional para diferentes valores de n.

5 4 3 2 1 0 0

Densidad de p r obabilidad
n=0 n = 0.1 n = 0.2 n = 0.3 n = 0.4 n = 0.5

Pr obabilidad de e xcedencia
1

0.1

0.01

0.001 1 2 3 0 1 2 3

H/Hrms

H/Hrms

Fig 5.5 Densidad de probabilidad y probabilidad de excedencia para diferentes relaciones de n 98

5.3.3 Distribucin de alturas limitada por rotura Tayfun (1981), asumiendo tambin un espectro de banda estrecha con la energa concentrada alrededor de la frecuencia media, propone una ecuacin para evaluar la densidad de probabilidad de alturas de olas limitada por la rotura de la misma y un parmetro N, que combina el estado de mar con la profundidad. Esta distribucin supone que existe una correlacin intermedia entre una cresta y el siguiente valle, en este caso si la cresta es grande, la probabilidad de que el prximo valle sea grande es alta, sin embargo, existe una cierta probabilidad de que el valle pueda ser mediano o pequeo. El parmetro N est relacionado, como se dijo anteriormente, con el estado de mar y es funcin del periodo de onda y de la profundidad. Si el parmetro N tiende a infinito, entonces se tiene un estado de mar swell y la distribucin de Tayfun se iguala a la de Rayleigh. La distribucin propuesta por Tayfun esta expresada de la siguiente forma: N u p ( , N ) = uJ o 1 0 N2

J o ( u ) du

0 N 1/ 2

(5.77)

1/ 2 4 N u 1 N p ( , N ) = 1 cos uJ o 1/ 2 J o ( u ) du N 0

N 1/ 2 (2 N )1/ 2

(5.78)

donde N es el parmetro de Tayfun que se define como: tanh(k0 h) N = 7 2 k 2m 0 0 donde (5.79)

H H rms

(5.80)

siendo J0 la funcin de Bessel de orden cero y k0 el nmero de onda asociado a la frecuencia media, el cual se obtiene a partir de la relacin de la dispersin:

2h
g

= k0 h tanh ( k0 h ) 99

(5.81)

1 0.8 0.6 0.4 0.2 0 0

Densidad de p r obabilidad
N=5 N=6 N=8 N = 10 N = 20 N = 100

Pr obabilidad de excedencia
1

0.1

0.01

0.001 1 2 3 0 1 2 3

H /H rm s

H /H rm s

Fig 5.6 Densidad de probabilidad y probabilidad de excedencia para diferentes relaciones de N Diversos estudios han sido realizados con el fin de encontrar aquellas distribuciones que describen de mejor manera el fenmeno del oleaje para sus diversos tipos. Green (1994) lleg a la conclusin que para estados de mar muy desordenados (tipo sea) la ecuacin de Carter es la que mejor representa al fenmeno. Si se tiene un estado de mar ms ordenado (al salir del rea de generacin y propagarse el oleaje) la distribucin de Tayfun es la que mejor se ajusta. Por ltimo, en un estado de mar muy ordenado (tipo swell) la distribucin de Rayleigh puede utilizarse de manera adecuada. Ejemplo. En la fig 5.6, se presenta la funcin de densidad de probabilidad y probabilidad de excedencia adimensional para diferentes profundidades relativas dadas por los valores de N. 5.4 Distribuciones conjuntas de periodo y altura de ola En estudios recientes se ha demostrado la importancia que tiene el periodo de las olas para el diseo de estructuras marinas, en fenmenos tales como el run-up o la estabilidad de piezas en un rompeolas, de ah la trascendencia de las distribuciones de probabilidad conjuntas de periodo y altura de ola. Sin embargo y en contraste con los estudios realizados sobre la distribucin de la altura de ola, la atencin puesta sobre este parmetro es mucho menor.

100

A continuacin se presentan las distribuciones ms utilizadas. Cabe sealar que es importante considerarlas en su forma dimensional y adimensional, la primera por su utilidad para clculos prcticos y la segunda para poder hacer una comparacin entre ellas. 5.4.1 Distribucin de Cavani et al (1976) Cavani, Arhan y Ezraty (1976) propusieron una distribucin terica que, al igual que la de Longuet-Higgins (1975), est basada en un modelo gaussiano de banda estrecha, solo que sta s toma en cuenta la asimetra en la distribucin de los periodos. Esta ecuacin presenta una buena concordancia con los datos observados, pero tiene el defecto de utilizar el parmetro de anchura espectral, , que depende del cuarto momento de la funcin de densidad espectral. Este momento tiene el inconveniente de estar asociado a la cuarta potencia de la funcin de densidad espectral, por lo que cualquier error en la distribucin resulta muy amplificado, sobre todo para altas frecuencias. Para la derivacin de dicha distribucin, primero se obtuvo la distribucin conjunta de los mximos y su aceleracin asociada, y entonces se transform en la distribucin conjunta de alturas de ola y periodos, asumiendo que los mximos positivos y negativos son simtricos, con una metodologa similar a la presentada en el apartado 5.3.1.3. Su forma adimensional est representada por:
3h 2 p ( h, ) = e 4 2 (1 2 ) 4 5

h 2 ( )4 2 2 2 2 ( ) + 2 4 8 2

(5.82)

donde h= H m0 (5.83)

T TC
m2 m4

(5.84)

TC =

(5.85)

101

T TC

Si 0.95 = 1

(5.86) (5.87) (5.88)

1 1+ 1 2 2

2 = 1 2
2

En este punto es conveniente mencionar que esta ecuacin fue obtenida midiendo el periodo de ola entre cresta y cresta, TC, por lo que no sera correcto aplicarla a olas definidas por el mtodo de pasos ascendentes por cero; sin embargo, Goda (1978) seala que aun para este caso la distribucin da buenos resultados. Haciendo TC = T ,

T T

y h=

H m0

(5.89)

En su forma dimensional la expresin queda determinada por:

p( H , T ) =

T H e 4 5 4 2 m (1 ) TZ
1
3 4 2 3/ 2 0

TZ4 8 m0
2 4

2 2 H 2 2 TZ 2 + 4 2 4 4 TZ TZ

(5.90)

donde Tz es el periodo entre pasos sucesivos de olas. Ejemplo. En la fig 5.7 se presenta el aspecto que guarda la distribucin de probabilidad conjunta de Cavani para Hrms = 1 m y T = 8s con a) = 0.9 y b) = 0.3.

a)

b)

H (m)

H (m)

T (s)

12

T (s)

12

Fig 5.7 Distribucin de probabilidad conjunta para Hrms = 1m y T = 8s . a) = 0.9 y b) = 0.3

102

5.4.2 Distribucin de Longuet-Higgins Longuet-Higgins (1975) propuso una ecuacin para la distribucin conjunta de alturas periodos de ola que se sustenta en un modelo de oleaje estacionario y gaussiano con espectro de banda estrecha. Dicha expresin tiene el inconveniente de que est basada en un espectro de banda estrecha (oleaje swell), y no toma en cuenta la asimetra en la distribucin de los periodos de ola que se presenta cuando el espectro es de banda ancha. Longuet-Higgins (1983) propone otra ecuacin que tiene los mismos mritos que la de Cavani et al (1976) al tomar en cuenta la asimetra en los periodos, adems de que posee la gran ventaja de utilizar un parmetro de ancho espectral de orden menor: (dependiente del segundo y no del cuarto momento). Su forma adimensional es:
2 2 1+ 2 1 2 R R p( R, ) = 1/ 2 2 e L( )

(5.91)

donde m0 es el momento de orden cero, y

=
R=

T T
H

(5.92)

2 2m0

(5.93)

1 1 1 = 1 + (1 + 2 ) 2 L( ) 2

(5.94)

T =

m0 = T01 m1

(5.95)

La ec 5.91 se puede expresar en forma dimensional como:

H T p( H , T ) = 8 2 m3/ 2T 2 e 0
2

2 H2 1 T 1+ 2 1 8 m0 T

L( )

(5.96)

103

a)

b)

H (m)

H (m)

T (s)

12

T (s)

12

Fig 5.8 Distribucin de probabilidad conjunta para Hrms = 1m y T = 8s . a) = 0.6 y b) = 0.2

Ejemplo. En la fig 5.8 se presenta el aspecto que guarda la distribucin de probabilidad conjunta de Longuet-Higgins (1983) para Hrms = 1m y T = 8s con a) = 0.6 y b) = 0.2. 5.4.2.1 Distribucin de altura de ola Un caso particular de la distribucin anterior resulta de integrar la ec 5.96 con respecto al tiempo, con lo que se obtiene: L( ) H 8m0 e
H2 8 m0

p( H ) =

H Erfc 2 2 m 0

(5.97)

donde Erfc es la funcin error complementaria, definida por:

2 H 2 Erfc e =1 2 2m 0 0 2 m0
H
2

dH

(5.98)

Longuet-Higgins (1983) propone una distribucin de crestas que es posible aplicar cuando la anchura espectral, , es diferente de cero. Para el caso en el que = 0 se tiene una distribucin Rayleigh mientras que para un espectro de banda ancha se tiene una distribucin normal truncada en cero.

104

5.5 Distribuciones de periodos de ola Estas distribuciones se derivan a travs de las distribuciones conjuntas de periodo y altura de ola, por lo que este apartado estar limitado slo a presentar las ecuaciones respectivas. La nomenclatura utilizada es la misma que en los apartados anteriores. 5.5.1 Distribucin de Bretschneider (1959) Esta distribucin fue encontrada por Bretschneider (1959) a partir de la distribucin de Rayleigh, al aplicar sta al cuadrado de los periodos; queda expresada en su forma matemtica por medio de la siguiente ecuacin:

p (T ) = 2.7

T3 T
4

T 0.675 T

(5.99)

5.5.2 Distribucin de Longuet-Higgins (1975) p (T ) =

2 2T01 2 2 2 2 T01 + (T T01 ) 3/ 2

(5.100)

5.5.3 Distribucin Cavani et al (1976)

p (T ) =

3 2 T
2 2 2 T T 2 4 2 T
3/ 2

(5.101)

5.5.4 Distribucin Longuet-Higgins (1983) L( )T T 1 + 1 p (T ) = 2 T 2 T

2 1 2

3 / 2

(5.102)

Ejemplo. En la fig 5.9, se presenta una comparacin entre la probabilidad de distribucin de excedencia medida en Baja California, durante una tormenta de invierno, y las distribuciones de excedencia tericas.

105

1.00 0.80 0.60 0.40 0.20 0.00 0.00

MEDICIN BRETSCHNEIDER LONGUETT-HIGGINS (1983) CAVANIE

3.00

6.00 T (s)

9.00

12.00

Fig 5.9 Comparacin entre la probabilidad de distribucin de excedencia medida en Baja California y las distribuciones de excedencia tericas

106

6. MODELOS ESPECTRALES DE UN ESTADO DE MAR A trav s del an lisis de una gran cantidad de espectros de oleaje se ha encontrado que stos presentan caractersticas similares que pueden ser relacionadas mediante el empleo de par metros fsicos: velocidad y duraci n del viento, fetch (distancia sin obstrucciones sobre la cual el viento sopla a trav s de la superficie del agua) y profundidad sobre la cual se propaga el oleaje. Las formas de un espectro de un estado de mar varan considerablemente dependiendo, como ya se ha dicho, de muchos factores; sin embargo, la forma del mismo no es arbitraria ya que existen muchas propiedades fsicas del oleaje que est n representadas en l. Un espectro de oleaje puede ser generado sint ticamente por medio de los par metros que caracterizan su desarrollo. Los modelos espectrales est n basados generalmente en uno o m s par metros. A continuaci n se describen los modelos m s comunes para este prop sito. 6.1 Estado de saturacin La superficie del oc ano se encuentra siempre sometida a la acci n del viento, por tanto es posible pensar que el oleaje debe aprovechar la energa de manera infinita. Si se acepta lo anterior, parecera que el fen meno crecera de manera indefinida. Sin embargo, se sabe que el crecimiento de las olas bajo la influencia del viento no es infinito, la energa proporcionada por el viento est balanceada por la disipaci n de energa y por las interacciones del oleaje, el cual transfiere energa de una frecuencia dada a otras. En aguas profundas, la disipaci n toma la forma de espuma (white caps) de menor escala que la longitud de onda. Dicho fen meno sucede cuando dos crestas son superpuestas o cuando ondas m s cortas pasan sobre ondas m s largas.

107

El crecimiento del oleaje est limitado tambi n por la formaci n de olas capilares, las cuales obtienen energa de las crestas de ondas primarias con gran curvatura (Phillips, 1977). Es conveniente mencionar que la capa superficial de la corriente producida por el esfuerzo cortante del viento incrementa la rotura de las olas, produciendo una gran reducci n de su amplitud. La presencia de cualquiera de los mecanismos anteriormente descritos es un indicador de que se ha llegado al estado de saturaci n de los componentes del oleaje, donde se produce un balance entre la energa suministrada por el viento y las p rdidas debidas a la disipaci n; dicho estado se caracteriza porque existe un lmite superior para la densidad de la energa espectral. Debido a esto, el estado de saturaci n debe ser exclusivamente descrito por los par metros fsicos locales que gobiernan la configuraci n extrema de las olas; por ejemplo, la aceleraci n de la gravedad ( g), la velocidad del viento sobre la superficie libre (U ), de la dimensi n del fetch (x) y de la frecuencia local ( f ). 6.2 Modelo de Phillips Phillips (1958), al estudiar la variaci n de la energa del oleaje en funci n de la velocidad del viento, observ dicho estado de saturaci n y determin que el espectro puede ser definido a partir de los siguientes par metros: la frecuencia, la gravedad, la velocidad del viento y el fetch. Sin embargo, para tomar en consideraci n el efecto de saturaci n en el espectro de energa hizo depender su modelo de dos par metros: la velocidad al cortante del viento el fetch ste es expresado por: S ( f ) = g 2 f 5 (2 ) 4 donde g es la aceleraci n de la gravedad y depende del fetch y del viento. Es importante remarcar que este modelo ha sido la piedra angular para desarrollos posteriores en la predicci n de oleaje a trav s de informaci n meteorol gica. (6.1)

108

6.2.1 Espectro de Neumann Neumann desarroll un modelo espectral analtico, en 1953, que fue el primero en ser usado para el dise o ingenieril; ste est en funci n de la velocidad del viento medida a diez metros sobre el nivel medio del mar, U10, y queda expresado como: S ( f ) = 1.466 H
2 m0

f 2 exp 3 f6 f p f p5

(6.2)

donde Hm0, es la altura de ola del momento de orden cero, la cual es aproximadamente igual a la altura de ola significante, H s H m0 = 4 m0 . fp, es la frecuencia de pico espectral que puede ser obtenida a trav s de la siguiente expresi n: fp = 1 g 6 U 10 (6.3)

6.2.2 Espectro Pierson-Moskowitz En 1964, Pierson y Moskowitz estudiaron los espectros de oleaje del Atl ntico Norte y crearon una expresi n que representa estados de mar completamente desarrollados generados por el viento. Es decir, su modelo no depende del fetch, sino nicamente de la velocidad del viento. La expresi n propuesta para generar el espectro es la siguiente:

S ( f ) = 8.1 103 ( 2 ) g 2 f 5e0.24(2U19.5 f / g )

4

(6.4)

donde U19.5 es la velocidad del viento a 19.5 metros sobre la superficie del mar. Si se emplea la frecuencia de pico espectral, puede ser representado por
S ( f ) = 8.1 103 g 2 (2 ) 4 f e
5 fp 4 f 5
4

(6.5)

dada por En este caso la frecuencia de pico espectral fp, est

fp =

0.0805 g Hs

(6.6)

109

Dado que normalmente la velocidad del viento se reporta sobre una altura de 10 m sobre el nivel del mar, la siguiente relaci n puede ser de mucha utilidad:

UW = U10 ( y /10)1/ 7

(6.7)

donde y es la distancia vertical sobre el nivel medio del mar (snmm) y U10 es la velocidad a una altura de 10 m snmm. 6.2.3 Espectro de Bretschneider Bretschneider (1959), asumiendo que un espectro es de banda estrecha y que las alturas y periodos de ola individuales siguen una distribuci n tipo Rayleigh, obtuvo la siguiente expresi n para su modelo espectral:
4 fs f s4 S ( f ) = 0.1687 H 5 exp 0.675 f f 2 s

(6.8)

donde fs = 1/ Ts. De dicho modelo es posible deducir que

Ts = 0.946Tp

(6.9)

n iguala el modelo al propuesto por donde Tp es el periodo pico espectral. Esta expresi Pierson y Moskowitz. Este modelo ha sido derivado para un estado de mar totalmente desarrollado. Sin embargo, parece razonable que tambi n pueda ser utilizado para estados de mar parcialmente desarrollados. Las relaciones entre la altura de ola, periodo de ola y velocidad del viento fueron presentadas por Bretschneider (1959) empricamente. Para un estado de mar desarrollado,
gH s = 0.282 2 Uw (6.10)

gTs = 6.776 Uw

(6.11)

110

Mientras que para un estado de mar casi totalmente desarrollado, gH s = 0.254 (90%) 2 Uw gH s = 0.226 (80%) 2 Uw (6.12)

gTs = 4.764 Uw

(6.13)

Ejemplo. Para ilustrar el uso de las expresiones anteriores, consid rese un estado de mar parcial y totalmente desarrollado de Uw = 50 kt. Solucin Primero, se transforma la velocidad del viento a m/s (1 kt = 0.514 444 m/s), tal que Uw = 25.722 m/s. Sustituyendo este valor en las ecs 6.10 y 6.11, para el caso de un estado de mar totalmente desarrollado, se obtiene: 0.282* ( 25.722m/s ) 0.282U w Hs = = = 19.2 m g 9.81m/s 2
2 2

Ts =

6.776U w 6.776* 25.722m/s = = 17.77 s g 9.81m/s 2

De manera similar, pero ahora considerando un estado de mar parcialmente desarrollado al 90 % y al 80 %, respectivamente, se obtiene:
2 0.254* ( 25.722m/s ) 0.254U w H s (90%) = = = 17.13m g 9.81m/s 2 2 2 0.226* ( 25.722m/s ) 0.226U w Hs = = = 15.24 m g 9.81m/s 2 2

Ts (80% y 90%) =

4.764U w 4.764* 25.722m/s = = 12.49s g 9.81m/s 2

Segundo, si ahora se utiliza la ec 6.8, pueden obtenerse los espectros de energa que se representan en la fig 1.2.

111

700 600 500 S (m 2/Hz) 400 300 200 100 0 0 0.1 Totalmente desarrollado Parcialmente desarrollado (90%) Parcialmente desarrollado (80%)

f (Hz)

0.2

0.3

Fig 6.1 Espectros de energa para el ejemplo desarrollado 6.2.4 Espectro de Kitaigorodskii-Toba En 1961, Kitaigorodskii present un modelo espectral, que depende de la frecuencia y el fetch, dado por:

g2 S ( f ) = 5 F ( f , x) f donde fu* g gx x= 2 u* f = n del viento (cortante) u* = velocidad de fricci x = fetch.

(6.14)

Toba (1973), con base en el trabajo de Kitaigorodskii (1961), encontr de forma emprica que la mejor aproximaci n a los datos de su t nel de viento eran proporcionados por la funci n espectral dada por S ( f ) = u* gf 4 (6.15)

112

u* = 0 / a

(6.16)

donde a es la densidad del aire y 0 es la fricci n tangencial del viento. A partir de datos de laboratorio, se determin que = 0.02; por su parte, Wu (1969, 1980 y 1982) realiz una serie de ensayos para modelar las caractersticas sobre una superficie del mar y obtuvo la velocidad del cortante como una funci n de la velocidad media a 10 m de altura: u* = C10 U10 (6.17)

donde C10 es el coeficiente de superficie de arrastre evaluado con una velocidad del viento a 10 m de altura (sus unidades est n dadas en m/s),

C10 = (0.8 + 0.065U10 ) 103

(6.18)

La evaluaci n del viento a cualquier altura puede hacerse a trav s de la siguiente relaci n

z U z = U10 + u* ln 10

(6.19)

Ejemplo. Si se tuviera una velocidad de viento sostenido de 80 km/h medidos a 19.5 m snmm, calcular el espectro de energa de oleaje correspondiente. Solucin s de las ecs 6.17 a 6.19. Es importante Primero se debe de estimar el valor de u* a trav mencionar que existen diversos m todos que son m s eficientes num ricamente; sin embargo, para fines de este ejemplo se utilizar la t cnica de aproximaciones sucesivas, los resultados de la misma se muestran en la tabla 6.1. Por conveniencia, se trabajar con la velocidad de viento en metros por segundo, es decir U19.5 = 22.22 m/s. Como se puede observar en la tabla 6.1, el resultado de u* es 1.01071 m/s. Con este valor, ahora se est en posibilidad de evaluar el espectro de energa de oleaje, ec 6.15. Sin embargo, como puede verse en dicha ecuaci n, a medida que la frecuencia es m s peque a la energa tiende al infinito.

113

TABLA 6.1 RESULTADO DE APLICAR LA T CNICA DE APROXIMACIONES SUCESIVAS Iteraci n

U10 propuesto C10 u* U19.5 calculado

1 20 0.0021 0.916515139 20.61207573

2 21 0.002165 0.977121 21.65255

3 21.5 0.002198 1.007866 22.17308

4 21.546 0.0022 1.01071 22.22098

6.2.5 Espectro ISSC En el International Ship Structures Congress de 1964, se sugiri una ligera modificaci n a la forma del espectro proporcionado por Bretschneider:
4 4 fs f S ( f ) = 0.1107 H 5 exp 0.4427 f f 2 s

(6.20)

La relaci n entre la frecuencia de pico, fp, y la frecuencia media f para el espectro ISSC es: f = 1.296 f p (6.21)

6.2.6 Espectro de Krylov En 1966, Krylov propuso un modelo espectral que tiene como base la frecuencia media. Este modelo est definido por la siguiente expresi n:
4 m0 f f0 S( f ) = e f0 f0 7
4 f

(6.22)

donde f0 = 1 1 = T02 m0 / m2 (6.23)

114

6.2.7 Espectro ITTC En el congreso International Towing Tank Conference (1966, 1969 y 1962) se propusieron cambios al espectro de Pierson y Moskowitz en t rminos de la altura de ola significante y de la frecuencia media, fz = 1/ T02, donde T02 es el periodo medio de orden dos, ya definido en los captulos previos. S ( f ) = 1.272m0 f f
4 z
5

4 fz exp 0.318 f

(6.24)

6.2.8 Espectro JONSWAP Hasselman et al (1973) propusieron el espectro JONSWAP, el cual fue generado con datos tomados a finales de la d cada de los sesenta por un proyecto de medici n de oleaje conocido como JONSWAP, por sus siglas en ingl s (Joint North Sea Wave Project). Este espectro fue generado para estados de mar formados por el viento, con fetch limitado y para una profundidad de agua indefinida. La expresi n que representa este espectro es

f S J ( f ) = S P ( f ) PM J ( f , f P , , ) f p
donde n de Phillips dada por la ec 6.1 SP (f) es la ecuaci

(6.25)

PM (f/fP) es la funci n de forma de Pierson-Moskowitz

PM

f 4 fP e = fP

5 f

(6.26)

J es el factor de forma del espectro JONSWAP

J = e
donde

( f f )2 p 2 2 f 2 P

(6.27) (6.28)

A B 115

fP f fP > f

Sustituyendo las ecs 6.1, 6.26 y 6.27, se tiene

S ( f ) = g 2 f 5 (2 ) 4 e

5 f 4 fP

( f f )2 p 2 2 f 2 P

(6.29)

Los valores medios de los par metros que se utilizan para generar el espectro JONSWAP son los siguientes:

, conocido como el factor de forma pico del espectro, cuyo valor normalmente es = 3.3. , que representa el ancho de la base del espectro antes (A) y despu s ( B) de la frecuencia pico. Los valores mas habituales son A = 0.07 y B = 0.09. , que se conoce como el factor de escala y est asociado con la energa total del n directa del fetch y de la velocidad del viento, espectro. El par metro es funci
como se puede observar en las siguientes expresiones:

= 0.076 x

()

0.22

(6.30)

De igual forma se ha observado que la frecuencia pico del espectro est relacionada tambi n con el fetch y la velocidad del viento, tal que:

g 0.33 f P = 3.5 ( x) U10 donde

(6.31)

x=

gx 2 U10

(6.32)

x = Fetch U10 = Velocidad del viento a 10 metros sobre la superficie. Goda (1988) deriv una expresi n aproximada del espectro JONSWAP en t rminos de la altura de ola significante Hs y de la frecuencia de pico espectral fp,

S ( f ) = BJ H s 2 f P 4 f e donde Bj =

5 f 4 fP 5

( f f )2 p 2 2 2 fP

(6.33)

0.0624 (1.094 0.01915ln ) 0.230 + 0.0336 0.185 (1.9 + )

1

(6.34)

116

Es conveniente mencionar que cuando = 1, la ec 6.33 se reduce al espectro de Pierson-Moskowitz, ec 6.5. En ocasiones es difcil tener una estimaci n del periodo de pico espectral, Tp, ya que es m s normal que se reporte el periodo de ola significante, Ts; por ello Goda (1988) sugiere la siguiente relaci n: Tp 1 0.132 ( + 0.2 ) Ts
0.559

(6.35)

Aunque hay muchos estudios posteriores al realizado por Jonswap, es importante mencionar que este espectro es uno de los m s utilizados alrededor del mundo dada la posibilidad de modificar la forma en la cual se distribuye la energa. 6.2.9 Espectro de Davidian et al Davidian et al (1985) llegaron al modelo dado utilizando un procedimiento similar al de Krylov, pero considerando la frecuencia de pico espectral con la siguiente expresi n:

6.5m0 f S( f ) = fp fp
6.2.10 Espectro Wallops

6.5

f 1.18 fp

5.5

(6.36)

Huang et al (1981) propusieron un modelo espectral de dos par metros bas ndose en los datos del laboratorio de la NASA en Wallops Center. Dicho modelo espectral est expresado por medio de la siguiente ecuaci n:
m f 4 fp

S ( f ) = H s f m f p

m 1

(6.37)

La relaci n aproximada entre el periodo de pico espectral, Tp, y el periodo de ola significante, Ts, queda planteada como Tp Ts 1 0.283(m 1.5) 0.684 (6.38)

En este caso, y m son funci n de la pendiente significante sl: 117

sl =

m0 Lp

(6.39)

donde m0 es el momento de orden cero del espectro y Lp es la longitud de onda asociada al periodo de pico espectral. Huang et al (1981 y 1983) obtuvieron las siguientes relaciones para estimar el valor de m: Aguas profundas

m=

log

2 sl

log 2

(6.40)

Aguas intermedias y someras

2 3 2 2 2 log 2 ( sl ) coth ( k p h ) 1 + 2senh 2 k h p m= para 1 < k p h log 2

(6.41)

Mientras que

( 2 sl ) m
2

m 1 4

m 5 4

m 1 4

(6.42)

De acuerdo con Goda (2000), se puede estimar a trav s de la siguiente ecuaci n,

0.0624 1 + 0.7458 ( m + 2 ) = m 5 m 1 4 4 4 6.2.11 Espectro de Ochi-Hubble

1.057

(6.43)

Ochi y Hubble (1976) desarrollaron un modelo espectral de seis par metros que consiste de dos partes: una para componentes de energa de baja frecuencia y otra que
118

cubre componentes de alta frecuencia. El espectro total es expresado como la combinaci n lineal de ambos componentes, los cuales se expresan en t rminos de tres par metros cada uno, dicha combinaci n lineal hace posible modelar, aparentemente, casi todos los estados de mar que se presentan durante una tormenta y hace viable la representaci n de un doble pico espectral; por ejemplo oleaje distante (baja frecuencia), swell, y oleaje local (alta frecuencia). El espectro de Ochi y Hubble es el siguiente:
4 4 j + 1 2 f 0 j ) ( 2 4 S( f ) = 2 j =1 ( j )

4 j + 1 f 0 j 4 exp (6.44) 4 +1 4 f ( 2 f ) j
2 H sj

donde Hs1, f01 y 1 representan la altura de ola significante, la frecuencia modal y el factor de forma para las componentes de baja frecuencia, mientras que Hs2, f02 y 2 corresponden a las componentes de alta frecuencia. Por tanto, j, es el llamado par metro de forma espectral ya que si 1 = 1 y 2 = 0, se obtiene un espectro de tipo Pierson-Moskowitz. En la ec 6.44 la altura de ola significante, Hs, se obtiene por medio de la siguiente f rmula:
H s = H s21 + H s22

(6.45)

Si se supone un espectro de banda estrecha, generalmente el valor de 1, es mucho mayor que el de 2. Los valores m s comunes para estos par metros son

1 = 2.72
donde Hs est dada en metros. 6.2.12 Espectro TMA

2 = 1.82e H

/ 121.5

Para aguas poco profundas, Bows et al (1985) asumieron la validez del espectro tipo Jonswap, expresado en funci n del n mero de onda k, e incluyeron el factor de transformaci n, k ( H), dado explcitamente por:

(H ) = tanh 2 (kh) 1 +

2kh senh 2kh

(6.46)

donde h, es la profundidad del agua y kh puede obtenerse para cada H dado, mediante 119

 h 2 H = 2 f g
n de dispersi n, donde k y f se relacionan a partir de la relaci

(6.47)

( 2 f )

= gk tanh kh

(6.48)

Se supone que dentro de k se encuentran implcitos varios efectos de aguas someras, como son la fricci n de fondo, rompiente y refracci n. Adaptando el factor de transformaci n inicialmente introducido para aguas poco profundas, el espectro queda definido por
S
TMA

= S J ( H )

(6.49)

Goda advierte que este tipo de espectro debe utilizarse con reservas, ya que est formulado para oleaje en crecimiento en el rea de generaci n.
Ejemplo. En la fig 6.2 se presentan los resultados de evaluar el espectro TMA, ec 6.49,

con una altura de ola significante, Hs = 1.4142 m, y un periodo de pico espectral, Tp = 10 s, para diferentes profundidades (h = 2, 5, 10, 25 y 100 m). En el caso de h = 100 m, el resultado es propiamente el mismo que se obtendra con el espectro JONSWAP.

4 h=2m h=5m h = 10 m h = 25 m h = 100 m

3 S (m 2/Hz)

0 0 0.1 0.2

f (Hz)

0.3

0.4

0.5

Fig 6.2 Comportamiento del espectro tipo TMA en funcin de la profundidad para ( Hs = 1.4142 m y Tp = 10 s)

120

6.3 Distribucin angular

El concepto de espectro direccional se introdujo para describir el estado de mar resultante de la superposici n de componentes con distintas direcciones de propagaci n. El espectro direccional representa la distribuci n de energa del oleaje no solamente en el dominio frecuencial, sino tambi n en el direccional ( ngulo ). Generalmente se expresa como

S(f, ) = S(f ) G(f ; )

(6.50)

donde S( f, ) es la funci n de densidad espectral del oleaje direccional o simplemente espectro de oleaje direccional, y G ( f; ) es la funci n de distribuci n direccional, tambi n llamada funci n de distribuci n angular o distribuci n angular. La funci n G ( f; ), representa la distribuci n direccional de energa del oleaje, y se ha comprobado que vara con la frecuencia, aunque algunas formulaciones simplificadas no lo contemplan. La funci n de distribuci n angular es adimensional y se normaliza mediante

G(f ; ) d = 1
-

(6.51)

n de pico. donde se usa como funci Por tanto, el espectro frecuencial S(f) da el valor absoluto de la densidad de energa del oleaje en cada frecuencia, mientras que la funci n G(f; ) representa la distribuci n de la energa del oleaje por direcciones. Mitsuyasu et al (1975) han propuesto la siguiente funci n, basada en datos medidos en diferentes campa as de campo:
mx G ( f ; ) = cos 2 s ( / 2 )d mn
1

(6.52)

donde s es un par metro dependiente de la frecuencia. La funci n anterior tiene como caracterstica al par metro s, el cual representa el grado de concentraci n de energa por direcciones, que adquiere un valor m ximo alrededor de la frecuencia de pico espectral. El valor de s decrece a medida que el valor de la 121

frecuencia se desplaza hacia frecuencias menores o mayores, es decir, la distribuci n direccional de energa del oleaje es de banda m s estrecha alrededor de la frecuencia de pico espectral. A pesar de que la propuesta original de Mitsuyasu et al (1975) relacionaba el par metro de concentraci n s con la velocidad del viento U, Goda y Suzuki (1975) han redefinido la expresi n original de la siguiente forma, introduciendo el valor de pico s, como smx, como par metro principal, para el prop sito de aplicaci n ingenieril,

s mx ( f / f p )5 : f f p s= 2.5 s mx ( f / f p ) : f f p

(6.53)

n envolvente normal para Por otro lado, Briggs et al (1995) sugieren utilizar la funci representar el efecto direccional. La representaci n en series de Fourier se expresa como:

D(f, ) =

1 1 + 2

e
n=1

(n m )2 2

cos n( - m )

(6.54)

la cual es una funci n de la direcci n principal m y la desviaci n est ndar circular m en radianes, definida por

m = 0 + 1 (f - f p ) m = 0 + 1 (f - f p )
Es muy com n asignar tanto a 1 como a 1 un valor igual a cero.

(6.55) (6.56)

Con el fin de ilustrar el efecto de la distribuci n direccional, se presentan en la fig 6.3 diferentes tipos de espectros direccionales, abarcando desde los de banda ancha hasta los de banda estrecha, tanto a nivel direccional como a nivel frecuencial y sus diferentes combinaciones. En todos los casos, la frecuencia de pico es fp = 0.1 Hz, la altura cuadr tica media Hrms = 1 m, la profundidad h = 10 m, el incremento de frecuencia
f = 0.0125 Hz, y un ngulo principal de 0 = 0. Las restantes caractersticas de los

espectros se resumen en la tabla 6.2. El espectro utilizado es del tipo TMA (apartado 6.2.12).

122

Fig 6.3 Ejemplo de espectros con diferente anchura espectral y direccional y misma energa y periodo de pico espectral

TABLA 6.2 PAR METROS DE LOS DIFERENTES ESPECTROS Caso a b c d

6.4 Generacin de oleaje va numrica Smx

10 75 10 75

1 1 10 10

En ocasiones para cierto tipo de estudios, particularmente en laboratorio, es necesario contar con series de tiempo del oleaje. Una limitaci n que tiene todas las t cnicas de predicci n de oleaje espectral es que s lo estiman la distribuci n energ tica del oleaje sobre ciertas frecuencias. Por ello, algunos autores han propuesto metodologas para la generaci n num rica de oleaje. Uno de los m todos m s utilizados para la generaci n sint tica de oleaje es el llamado
esquema de fases aleatorias, donde la oscilaci n de la superficie libre est compuesta por

la superposici n de ondas sinusoidales con fases de ngulo aleatorio y con amplitudes

123

basadas en un espectro dado, S(fn). La superficie libre, (t), como una funci n del tiempo, es expresada por

(t ) = c n cos (2f n t + n ) 0 t < t mx

n 1

N/2

(6.57)

con

C n = [ 2 S ( f n ) f ]
f = 1 N t

1/ 2

(6.58) (6.59)

En las ecuaciones anteriores, N es el numero de puntos en la serie de tiempo, t el n de las serie de tiempo, Cn son las amplitudes intervalo de muestreo, tmax la duraci reales de Fourier, f es el ancho de la banda de frecuencias, fn = n f es la frecuencia, y n son las fases aleatorias de los ngulos distribuidos uniformemente entre (0 y 2). Este m todo representa un estado de mar gaussiano solamente cuando el numero de arm nicos, N/2, se aproxima a infinito. Para un numero finito de N y f = constante, el n de perfil de la superficie libre se repite despu s de t = tmx. Casi siempre, la duraci s, y el uso de = constante es normalmente suficiente si f es 0 < t < tmx es de inter peque o. Para regresar la serie de tiempo en funci n de determinados coeficientes de Fourier, es posible haciendo uso de la siguiente ecuaci n:

(t ) = [a n cos (2 f n t + n ) + bn sen (2 f n t + n )] 0 t < t mx

n 1

N/2

(6.60)

donde an y bn son los coeficientes de Fourier, definidos como

an = Cn cos n
n n

( ) b = C sen ( ) n

(6.61) (6.62)

Para calcular las fases aleatorias, n, se puede utilizar cualquier t cnica de generaci n de n meros aleatorios uniformemente distribuidos entre (0 y 2); por ejemplo, la de Williams (1993).

124

7. MODELOS PARAMTRICOS DE PREDICCIN DE OLEAJE Los primeros modelos espectrales de oleaje, de tipo numrico, desarrollados a principios de la dcada de los sesenta del siglo pasado, slo tomaban en cuenta el crecimiento de la energa del oleaje y su disipacin. Con el tiempo, a estos modelos se les denomin modelos de oleaje de primera generacin. De los resultados obtenidos con este tipo de modelos se infiri claramente que las interacciones entre el oleaje de diferente frecuencia eran importantes para determinar la distribucin de la energa del oleaje en un espectro. Esas interacciones no lineales son muy difciles y laboriosas de calcular explcitamente; entonces, se realiz un gran esfuerzo por desarrollar modelos de tipo paramtrico que tomaran en cuenta dicho efecto. Los modelos de oleaje que utilizan una parametrizacin de la interaccin de los efectos no lineales son conocidos como modelos de segunda generacin. En las dos ltimas dcadas se han desarrollado herramientas numricas que permiten aproximar de mejor manera la transferencia de energa no lineal entre componentes, los cuales a su vez permiten que el espectro de oleaje sea forzado a una forma particular, de acuerdo con las condiciones meteorolgicas. Estas aproximaciones se han dado a conocer como modelos de tercera generacin, los cuales comparados con los modelos de tipo paramtrico son ms exigentes desde el punto de vista computacional. Por todo lo anterior, a continuacin slo se abordan modelos de tipo paramtrico, y se deja a juicio del lector abundar ms sobre el tema. 7.1 Introduccin En los ltimos aos son muchos los esfuerzos realizados para desarrollar un modelo universal aplicable para la estimacin del oleaje en funcin de la informacin 125

meteorolgica. Sin embargo, casi todos los esfuerzos han llevado a la sofisticacin de modelos, que en trminos de ingeniera no son abordables. Entre los pocos esfuerzos que escapan de esta filosofa se encuentran los trabajos desarrollados por Leenknecht et al (1992) y Silva et al (2002). El trabajo desarrollado por Leenknecht et al (1992) es un compendio de herramientas muy tiles para la estimacin del oleaje generado por vientos geostrficos, de escala planetaria, como puede ser el caso de los frentes fros que viajan de las zonas polares hacia el trpico durante la poca del invierno. Mientras que para el caso especfico de la generacin de oleaje por la presencia de circulaciones meteorolgicas cerradas que se propaga sobre aguas tropicales o ciclones tropicales, el modelo Silva et al (2002) ha probado ser muy confiable. De hecho, el modelo de Silva es un refinamiento de una serie de trabajos previos desarrollados, entre otros, por Snchez et al (1998), Silva et al (2000), Holland (1980) y Bretchsneider (1990). Estos modelos pueden ser utilizados en combinacin con modelos de prediccin y caracterizacin de oleaje (caps 5 y 6), dado que los modelos de prediccin paramtricos que se abordarn en este captulo slo permiten estimar los valores ms representativos de un estado de mar. 7.2 Modelo de prediccin de oleaje con vientos geostrficos Esta seccin est basada en el trabajo desarrollado por Leenknecht et al (1992), al cual se le han realizado una serie de modificaciones, particularmente en una serie de parmetros que se apegan ms a la prediccin de valores reales. 7.2.1 Ajuste del viento Con el fin de utilizar las ecuaciones que describen el desarrollo del oleaje, la metodologa para adecuar las observaciones de velocidad del viento est basada en un modelo idealizado de capa lmite planetaria, como se ilustra en la fig 7.1. Para condiciones tpicas de latitud media, esta capa lmite planetaria existe solamente en los kilmetros ms bajos de la atmsfera y contiene alrededor del diez por ciento de la masa atmosfrica (Holton, 1979).

126

Regin geostrfica

Regin de Ekman

Regin de tensin constante Superficie del agua

Fig 7.1 Capa lmite atmosfrica idealizada sobre la superficie libre del agua (Leenknecht, 1992) En esta teora, se considera que en los niveles ms bajos el viento acta directamente sobre la superficie del agua, en la cual existe una regin que presenta una zona de tensin relativamente constante entre la interfase aire-agua. Esta capa de la superficie es designada regin de tensin constante, consideracin que se supondr como permanente de aqu en adelante. En la parte superior de la zona de tensin constante se localiza la regin de Ekman, donde actan fuerzas adicionales como la de Coriolis, gradiente de presiones, tensin viscosa, etctera. Finalmente, sobre la regin de Ekman, los vientos geostrficos son considerados como el resultado del balance entre las fuerzas ejercidas por el gradiente de presiones y las fuerzas de Coriolis para un sistema sinptico de escala. Para hacer uso de las ecuaciones que describen el desarrollo del oleaje, los vientos observados son clasificados en seis categoras, como se muestra en la tabla 7.1. Aunque se consideren seis categoras para los diferentes tipos de observaciones de la velocidad del viento, por conveniencia, en la metodologa que se desarrollar en lo subsiguiente, se considerarn slo dos casos separados: observaciones en la capa de tensin constante y observaciones en la regin geostrfica. Los ajustes necesarios a la velocidad del viento reportados por observaciones de barcos se llevan a cabo antes de proceder a cualquier tipo de clculo. Para los casos en que el viento sopla desde tierra y que son medidos en la lnea costera en direccin hacia el mar, se toman como equivalentes los vientos observados en estaciones tierra adentro. Las caractersticas complejas del viento causadas por friccin local o topografa accidentada obviamente no se analizan en este captulo. 127

TABLA 7.1 CARACTERSTICA Y TIPO DE ACCIN PARA VIENTOS OBSERVADOS (LEENKNECHT, 1992)
Tipo de observacin Sobre el agua (no procedente de barcos) Sobre el agua (reporte de barcos) En la costa (vientos procedentes de tierra) En la costa (vientos procedentes del mar) Sobre tierra Vientos geostrficos Accin inicial Ajustar Dominio de solucin Capa de tensin constante Capa de tensin constante Capa de tensin constante

Vientos geostrficos estimados Modelo de capa lmite planetaria Vientos geostrficos estimados Modelo de capa lmite planetaria Modelo de capa lmite planetaria

7.2.1.1 Estimaciones y ajustes iniciales Por lo general, las observaciones de la velocidad del viento sobre el mar son la condicin ideal de todas las diferentes fuentes para predecir el oleaje. Con frecuencia, los marinos, en sus rutas de navegacin registran una serie de datos de forma muy cualitativa, por lo que Cardone (1969), revisando los registros basados en observaciones de barcos, sugiri el siguiente ajuste:
7/9 U = 1.86 U obs

(m/s)

(7.1)

donde U velocidad ajustada de la velocidad del viento basada en registros de barcos Uobs observaciones de la velocidad del viento basada en registros de barcos. Para los casos en que las observaciones de velocidades de vientos sean predominantemente sobre superficies en tierra, algunas veces se utilizan modelos similares al de capa lmite para otros propsitos de prediccin. En este captulo, las siguientes estimaciones son realizadas para estimar los vientos geostrficos, Vg, (unidades en el sistema centmetros-gramos-segundos):

Vg =

U* CD _ tierra

(7.2)

128

donde la velocidad friccionante, U*, se evala como:

U* =

U obs
z ln obs z0

(7.3)

y donde es la constante de von Karman ( 0.4), zobs es la elevacin de la observacin del viento, z0 es la longitud de superficie rugosa (supuesta z0 = 30 cm), CD_ tierra es el coeficiente de arrastre en tierra, mismo que se puede evaluar a travs de la siguiente relacin: C D _ tierra 0.00255 ( z 0 ) 7.2.1.2 Regin de tensin constante Las caractersticas de la regin de tensin constante se pueden resumir como sigue: La regin de tensin constante est confinada en los ltimos metros de la capa lmite El flujo del viento se supone paralelo a la superficie del agua La velocidad del viento se ajusta para que la tensin de friccin horizontal sea casi independiente de la altura La tensin permanece constante entre la capa y est caracterizada por la velocidad de friccin U*. La estabilidad (gradiente aire-agua) tiene un efecto importante sobre el desarrollo del oleaje. El perfil de velocidades del viento entre esta regin se define por medio de la siguiente relacin logartmica modificada:
0.1639

(7.4)

Uz=

U* z z ln z0 L '

(7.5)

donde Uz es la velocidad del viento a la elevacin z, z0 es la longitud de rugosidad superficial dada como C z0 = 1 + C2U *2 + C3 (7.6) U* 129

con

C1 = 0.1525;

C2 =

0.019 ; 980

C3 = 0.00371

(7.7)

donde L es la longitud de estabilidad de Obukov, T el gradiente de temperatura aireagua y es la funcin universal de similaridad (Keyps, 1964),

L ' = 1.79
=0 =C z L'

U *2 T

z z ln L ' z0
| | T = 0 z >0 L' z 0 L'

(7.8)

(7.9)

1 + u = 1 u 3ln u + 2 ln 2

1 + u2 1 + + 2 tan ln | u 2 2

u =
Ri =

1 1 18Ri1/ 4

(7.10) (7.11)

z 1/ 4 (1 18Ri ) L'

Sherlock (1996) sugiere un valor para la constante C = - 1.5, cuando se resuelva sobre la condicin de regin de tensin constante. Para dar solucin a las ecuaciones anteriores se debe de utilizar un mtodo iterativo, que normalmente converge muy rpidamente. El criterio de convergencia () para U* y L est dado por

U 0.1(cm/s)
*

L ' 1(cm)

(7.12)

Las ecuaciones que describen la evolucin del oleaje, las cuales se presentan en los siguientes apartados, requieren la velocidad del viento equivalente a una elevacin de 10 m sobre condiciones de estabilidad neutra (T = 0). Una vez resueltas las ecuaciones en la regin de tensin constante para U*, la velocidad del viento equivalente, Ue, se puede calcular fcilmente por medio de la ec 7.5, usando (U*, z = 10 m, T = 0):

U e1000 =

U * 1000 ln 0 z0

(7.13)

130

7.2.1.3 Modelo de capa lmite planetaria Para los casos en que los vientos geostrficos son conocidos o han sido estimados, se deben resolver las ecuaciones de similitud que describen la capa lmite planetaria. Adems de las relaciones descritas anteriormente para la regin de tensin constante, se consideran vlidas las siguientes relaciones que describen el modelo desde el nivel superficial del mar hasta la zona geostrfica:

U* ln = A ln uu r + fz0 Vg
sen =

uu r Vg

( ) V
2

uu r
g

2 *

B2

(7.14)

BU * uu r Vg

(7.15)

uu r donde Vg es el viento geostrfico, f la aceleracin de Coriolis, A y B funciones

adimensionales de estabilidad, que se pueden evaluar a travs de:
( A = A0 + ( 7 A0 ) 1 e ( 0.03 ) B = B0 B1 1 e
0.015 )

(7.16)

A = A0 0.96 + ln( + 1) B = B0 + 0.7

>0

(7.17)

La ec 7.16 se modific de acuerdo con las sugerencias de una comunicacin personal de Shelock (1996), quien tambin propone los siguientes valores para las constantes (A0 = 0.8, B0 = B1 = 3.5). El parmetro adimensional de estabilidad est dado por:

U *
fL '

(7.18)

uu r mientras que es el ngulo entre Vg y la tensin superficial.

Las ecs de la 7.14 a la 7.18 se resuelven simultneamente con las ecs 7.5 a 7.11, hasta que se tiene una convergencia adecuada para U*, L y A. En la ec 7.7 se da un valor de C2 = 0.0144/980 y de C = -7.0 en la ec 7.9. El criterio de convergencia usado para el sistema iterativo en las ecuaciones antes mencionadas es como se indica a continuacin:

U 0.1(cm/s)
*

L ' 1(cm)
131

y A 0.1

(7.19)

El procedimiento de solucin converge muy rpidamente. Como se mencion anteriormente, se utiliza la ec 7.13 para determinar la velocidad neutra del viento a una elevacin de diez metros, considerando (U*, z = 10 m, T = 0). 7.2.1.4 Ajustes finales Se hace un ajuste adicional para los casos en que la longitud del fetch sea relativamente pequea, antes de la aplicacin de las ecuaciones que evalan el desarrollo del oleaje. Para longitudes de fetch inferiores de 16 km, se aplica la siguiente reduccin: U e = 0.9U e (7.20)

Finalmente, es necesario evaluar los efectos del viento con duracin variable, ti, sobre el crecimiento del oleaje. Para ajustar la velocidad del viento a una duracin de inters se emplean las siguientes ecuaciones:

45 Ui = 1.277 + 0.296 tanh 0.9 ln U 3600 ti Ui = 0.15ln ti + 1.5334 U 3600

1 < ti < 3600s

(7.21)

3600 < ti < 36000s

(7.22)

En primer lugar, se determina la velocidad de viento en una hora, U3600, (usando ti = tobs). Luego, se estima la velocidad del viento (Ui) con la duracin requerida, seleccionando la duracin deseada (ti) y usando la ecuacin apropiada. 7.2.2 Desarrollo del oleaje Una vez estimada la velocidad del viento sobre la superficie de agua para la duracin de inters, el objetivo se centra en hacer una estimacin del desarrollo del oleaje causado por la accin del viento. Las ecuaciones simplificadas que describen el crecimiento del oleaje ayudan a evaluar rpida y eficientemente el oleaje, tanto en aguas profundas como en aguas someras. Las expresiones para mar abierto corresponden a las presentadas en el Shore Protection Manual (1984) y en Vincent (1984). Las expresiones para longitudes de fetch restringido en aguas profundas, se 132

encuentran en Smith (1991). Se debe hacer notar que la ley de arrastre (Garratt, 1977) aqu empleada difiere de la presentada en el Shore Protection Manual. Las suposiciones ms importantes al realizar cualquier clculo de las caractersticas del oleaje, contemplan lo siguiente:

Se desprecia la energa debida a la presencia de otros trenes de oleaje existentes Es vlida para geometras con un fetch no muy grande (F 120 km) Las velocidades de viento son relativamente constantes (U 5 Kts), as como
su direccin ( 15o)

La velocidad del viento se mide a diez metros sobre el nivel del mar (z = 10 m) Las condiciones son de estabilidad neutra (T = 0) Los valores del coeficiente de arrastre son fijos (CD = 0.001).
Vincent (1984) sugiri que la velocidad del viento debe ser ajustada de forma que se consideren los efectos no lineales que ejerce el esfuerzo cortante del viento, que son los que generan el oleaje, por lo que se aplica la ley de arrastre presentada por Garratt (1977):

= a CDU 2
CD = 0.001(0.75 + 0.067U )

(7.23) (7.24)

donde p es la densidad del aire. Entonces, la velocidad del viento neutra equivalente se ajusta o lineariza para un coeficiente de arrastre CD = 0.001, antes de la aplicacin de la ecuacin para calcular el crecimiento del oleaje:
Ua = Ue CD 0.001

(7.25)

La ecuacin anterior est dada en metros. 133

7.2.2.1 Consideraciones sobre la longitud del fetch Las expresiones que describen el crecimiento del oleaje se dividen en cuatro categoras: aguas profundas y aguas someras, para ambas formas con longitud de fetch en mar abierto o longitudes de fetch limitadas por una geometra en particular (tambin designado fetch restringido). A continuacin se presenta una breve explicacin al respecto. 7.2.2.2 Fetch en mar abierto En mar abierto, la generacin del oleaje est limitada por las dimensiones del evento meteorolgico y el ancho del fetch es del mismo orden de magnitud que sus longitudes. Las estimaciones simplificadas para el crecimiento del oleaje en mar abierto tienen una relacin directa con la longitud del fetch, pero no con el ancho o forma. Se supone que el crecimiento del oleaje ocurre a lo largo del fetch en la misma direccin del viento. 7.2.2.3 Fetch restringido En este caso, se considera esencialmente el impacto que sufre la generacin de oleaje a causa del viento en geometras complejas, tales como bahas, lagos, ros, etctera. Esta metodologa, para fetch restringidos, toma en cuenta el concepto de desarrollo del oleaje en direccin del viento que sopla desde tierra hacia los cuerpos de agua, considerando la geometra particular de cada caso. Los detalles de esta metodologa pueden consultarse en Smith (1991), que a su vez est basado en los conceptos desarrollados por Donelan (1980), en los cuales se maximiza el periodo del oleaje como una funcin de la longitud del fetch en la misma direccin que el viento. Para esta aproximacin, se utilizan las longitudes radiales del fetch (como medida de varias localizaciones a lo largo de la lnea de costa del cuerpo de agua en cada punto de inters) para describir la geometra del cuerpo de agua. Adems se debe especificar la direccin del viento. La fig 7.2 ilustra los parmetros ms relevantes de la geometra para la aproximacin de fetch limitado. En la fig 7.3 se representa la convencin para especificar tanto la direccin del viento cuanto la geometra del fetch. La direccin del viento , as como el ngulo radial del fetch, 1, y , se deben especificar en el sentido de las manecillas del reloj, a partir del norte del punto de inters, donde la prediccin del oleaje es requerida. De los datos especificados de las distancias radiales del fetch, los valores intermedios pueden ser interpolados en los 360o. 134

Norte Punto de inters

Fetches radiales

Viento

Fig 7.2 Parmetros geomtricos para fetch restringido

Norte

Punto de inters

Viento Oleaje

Fetchi Fetchn

Fetch1 Fetch2

Fig 7.3 Convencin para fetch restringido (Leenknecht, 1992)

135

La direccin de desarrollo del oleaje , se resuelve por medio de la maximizacin de la siguiente expresin:
F0.28 (cos )0.44

(7.26)

Este procedimiento maximiza los trminos ms relevantes en la expresin para el periodo de pico espectral del oleaje, Tp, ec 7.36. El ngulo define la direccin del viento asociada con el valor de interpolacin de la longitud promedio del fetch. Los resultados de la ec 7.26 se evalan desde = 0 90o para cada grado de incremento. Los productos de la ec 7.26 han sido maximizados, representa el ngulo entre las direccin de propagacin del oleaje y del viento, y representa la direccin del comps desde la cual el desarrollo del oleaje ocurre a lo largo de F. Para una direccin determinada del viento, habr una direccin de desarrollo del oleaje, donde Tp ser un mximo. 7.2.2.4 Desarrollo del oleaje en aguas profundas Las ecuaciones que describen el crecimiento del oleaje en aguas profundas consideran los efectos del fetch y la duracin del evento. Las frmulas para el crecimiento del oleaje en aguas profundas con un fetch y duracin limitados son tomadas de Vincent (1984) y estn basadas en los resultados proporcionados por Hasselmann et al (1973 y 1976). Las ecuaciones para un fetch limitado y con forma totalmente desarrollada en aguas profundas estn basadas en Smith (1991). En todos los casos, la estimacin del crecimiento del oleaje est condicionada por las expresiones para un espectro en equilibrio totalmente desarrollado. El procedimiento se describe a continuacin: Determinacin de la duracin mnima, tfetch, requerida para que el campo de oleaje pueda llegar a ser un fetch limitado: Mar abierto t fetch = 68.8 Fetch restringido F 2/3 1/ 3 g 1/ 3U a (7.27)

t fetch = 5.

F 0.72 0.44 g 0.28U

a

(7.28)

136

Determinacin del tipo de crecimiento (duracin limitada o fetch limitado): 2. Duracin limitada (ti < tfetch) Mar abierto

U 2 gt H = 0.0000851 a i g Ua
U gt T = 0.0702 a i g U a
Fetch restringido 2 gt U H = 0.000103 a i g Ua gt U T = 0.082 a i g U a 3. Fetch limitado (ti tfetch) Mar abierto

5/ 7

(7.29)

0.411

(7.30)

0.69

(7.31)

0.39

(7.32)

U a2 gF H = 0.0016 2 g Ua

1/ 2

(7.33)

U gF T = 0.2857 a 2 g Ua
Fetch restringido

1/ 3

(7.34)

2 gF U H = 0.0015 a 2 g Ua gF U T = 0.3704 a 2 g Ua

1/ 2

(7.35)

0.28

(7.36)

137

4. Determinacin de la condicin de oleaje totalmente desarrollado: Mar abierto

U 2 H fd = 0.2433 e g U T fd = 8.134 e g Fetch restringido (7.37)

(7.38)

H fd

2 U = 0.2433 e g

(7.39)

U T fd = 8.134 e g

(7.40)

5. Verificar que en la condicin de oleaje totalmente desarrollado no se excedan:

H m0 = mn (H , H fd ) T p = mn (T , T fd )
donde g aceleracin de la gravedad ti duracin del viento en las expresiones de duracin limitada

(7.41) (7.42)

a = Ua cos () componente del fetch paralelo a Ua para la aproximacin de fetch restringido e = Ue cos () componente del fetch paralelo a Ue para la aproximacin de fetch restringido H altura de ola determinada por medio de las expresiones de duracin limitada o fetch limitado T periodo de ola determinado por medio de las expresiones de duracin limitada o fetch limitado Hfd altura de ola significante limitada por el criterio de espectro totalmente desarrollado

138

Tfd periodo de ola limitado por el criterio de espectro totalmente desarrollado Hm0 altura de ola final determinada con base en mtodos espectrales Tp periodo de pico final determinado por mtodos espectrales. 7.2.2.5 Crecimiento del oleaje en aguas someras Las expresiones para estimar el crecimiento del oleaje en aguas someras tambin consideran el caso de fetch limitado, pero modificado para poder incluir los efectos de friccin del fondo y percolacin (Bretschneider, 1954). Se supone que la profundidad es constante sobre la regin en que el fetch ejerce su influencia. Los efectos de duracin limitada no se incluyen en estas expresiones. Para el caso de mar abierto se usan las expresiones descritas en el Shore Protection Manual (1984). Mar abierto:
0.5 0.0016 gF 0.75 2 2 0.283 U a gd Ua 0.283 tanh 0.530 2 tanh (7.43) = 0.75 g Ua gd tanh 0.530 U 2 a

H m0

0.333 0.2857 gF 0.375 2 2 7.54 U a gd U Tp = a 7.54 tanh 0.833 2 tanh 0.375 g U a gd tanh 0.833 2 Ua

(7.44)

Con fetch limitado:

0.5 0.0016 gF 0.75 2 2 0.283 U a gd U = a 0.283 tanh 0.530 2 tanh (7.45) 0.75 g U a gd tanh 0.530 2 Ua

H m0

139

0.28 0.3704 gF 0.375 2 2 7.54 U gd Ua Tp = a 7.54 tanh 0.833 2 tanh 0.375 g gd Ua tanh 0.833 2 Ua

(7.46)

7.3 Modelo de prediccin de oleaje con viento ciclostrfico El modelo paramtrico de ciclones que se describe en este captulo fue desarrollado por Silva et al (2002). Este modelo est basado a su vez en los trabajos de Snchez et al (1998) y Silva et al (2000), que son una adecuacin de los modelos HydrometRankin Vortex de Holland (1980) y Bretchsneider (1990). El modelo est compuesto por los submodelos de presin, viento y oleaje. 7.3.1 Modelo de presin atmosfrica El modelo de viento est representado por la siguiente relacin:

Pr = P0 + ( PN P0 ) e R / r

(7.47)

donde P0 es la presin en el centro del huracn, Pr la presin a una distancia radial r,

PN la presin normal y R el radio de mximos vientos ciclostrficos. La presin est

dada en milibares y la distancia en kilmetros. 7.3.2 Modelo de vientos El mximo gradiente de vientos UR (en km h-1), para un cicln estacionario puede ser evaluado a travs de la siguiente relacin:

U R = 21.8 PN P0 0.5 fR

(7.48)

donde f es parmetro de la fuerza de Coriolis, f = 2 sin , es la velocidad angular de la Tierra, 0.2618 rad/h , y es la latitud. La velocidad del viento evaluada a diez metros sobre el nivel del mar, en km.h-1, para un cicln en movimiento y para una distancia r medida desde el centro del cicln, est dada por:

140

W = 0.886 ( FvU R + 0.5VF cos ( + ) )

(7.49)

donde ( + ) representa el ngulo total entre la velocidad de traslacin, VF (en km.h-1), y la velocidad del viento Ur (en km.h-1), a una distancia radial, r, desde el centro del huracn y es positiva en el lado derecho y negativa en el lado izquierdo; Fv es un factor de amortiguamiento que se evala como la relacin de la velocidad del viento en r, Ur (en km.h-1) y UR. El factor Fv es aproximado a travs de un polinomio de cuarto orden:

y = aX + bX 2 + cX 3 + dX 4

(7.50)

donde y = log10 ( Fv ) = log10 (U r / U R ) , y X = log10 ( r / R ) . Los coeficientes a, b, c y d estn dados en la tabla 7.2, para diferentes rangos de nmero de Coriolis ciclostrfico (Nc = f R /UR ).

TABLA 7.2 PARMETROS UTILIZADOS EN LA EC 7.50

X 0

X >0 N c 0.005
2

N c > 0.005
2 3 4

a = -0.233 0.033 16.1N c + 161.9 N c 0.175 0.76 N c + 11.7 N c 28.1N c + 17 N c b = -12.91 0.43 + 38.9 N c 316 N c d = -8.311 1.818 N c + 80.6 N c
2

2
2

0.235 + 2.71N c 67.6 N c + 189 N c 155 N c

0.468 9 N c + 87.8 N c 224 N c + 183 N c
2 3 2 3 4

c = -19.38 0.113 28.6 N c + 71.1N c

0.082 + 3.33 N c 26 N c + 63.8 N c 51.4 N c

7.3.3 Evaluacin de la altura de ola Para evaluar la altura de ola significante Hs, para un cicln no estacionario, se aplica la siguiente ecuacin:
V cos ( + ) 6.69 N C H s = 0.2887 FH 1 R ( PN P0 ) 1 + F 2 2U R FV 1 + 10.3 N C - 3.25 N C
2

(7.51)

141

donde FH puede ser aproximado de manera similar a Fv, a travs de la siguiente relacin: y1 = aX + bX 2 + cX 3 (7.52)

donde y1 = log10 ( FH ) = log10 ( H r / H R ) y X = log10 ( r / R ) 0 . Los parmetros a, b y c estn dados en la tabla 7.3. TABLA 7.3 PARMETROS UTILIZADOS EN LA EC 7.52 N c 0.06 a= b= c=
0.0322 6.703N c 43.472 N c
2

N c > 0.06
0.0031 11.49 N c + 29.71N c 17.22 N c
2 3

0.29 + 3.806 N c + 15.58 N c

0.147 1.41N c 7.778 N c
2

0.312 + 6.974 N c 32.79 N c + 28.01N c

0.1542 2.494 N c + 8.75 N c 8.95 N c
2 3

El periodo de ola asociado a la altura de ola significante puede ser estimado a travs de la siguiente ecuacin: Ts = 12.1 H s g 7.3.4 Relaciones complementarias Los modelos paramtricos de presin, viento y oleaje que se reportan en la literatura especializada dependen de la informacin siguiente: posicin del centro del huracn, presin central, valor de presin de la ltima isobara cerrada y del radio ciclostrfico, conocido tambin como radio de mximo gradiente. Hasta 1979 en algunos reportes meteorolgicos se omite la presin central. Para resolver esta deficiencia, Silva et al (2002) proponen dos curvas para estimar este valor en funcin de la velocidad superficial mxima del viento, una para el ocano Atlntico y la otra para el ocano Pacfico, que son respectivamente: (7.53)

P0 = 1019.08 0.182Vv 0.0007175Vv 2 P0 = 1017.45 0.1437Vv 0.00088Vv 2

(7.54) (7.55)

142

donde P0 es la presin central del huracn en milibares (mb) y Vv es la velocidad mxima del viento promedio en un minuto, en km.h-1. sta es la velocidad que normalmente se reporta en los boletines meteorolgicos. Actualmente todos los parmetros pueden ser encontrados en muchos boletines climatolgicos, a excepcin del radio ciclostrfico que propiamente nunca se reporta. Despus de analizar el comportamiento de 26 huracanes, Silva et al (2002) proponen la siguiente relacin: R = 0.4785 P0 413.01 donde el radio ciclostrfico, R, est dado en kilmetros. Es importante hacer notar que las relaciones anteriores slo son vlidas para presiones centrales superiores a 888 milibares. (7.56)

143

8. ANLISIS A LARGO PLAZO En ingeniera martima, la diferencia ms clara e importante del diseo probabilstico comparado con el diseo convencional (determinista) es que el diseo probabilista toma en cuenta de manera explcita la incertidumbre involucrada en las caractersticas de la estructura o medio en consideracin. Durante las ltimas dcadas el progreso realizado en el diseo probabilista es considerable. En este captulo se intenta introducir brevemente los mtodos de trabajo probabilstico con independencia del tipo de estructura que se desee estudiar. El primer paso en un anlisis de fiabilidad de cualquier estructura (p ej rompeolas, ducto, playa, boca de un estuario, etctera) consiste en definir sus funciones de trabajo. Cuando las funciones de trabajo de la estructura estn definidas, las formas en las cuales se pueden presentar diferentes tipos de fallo se pueden delimitar; stas simplemente son conocidas como modos de fallo. Una funcin que describe el funcionamiento o fallo de una estructura o alguno de sus componentes es llamada funcin de fiabilidad o ecuacin de estado lmite. Es importante sealar que estado lmite se define como aquel estado de la estructura en el cual se presenta un modo de fallo. Dentro de los estados lmite se distinguen dos tipos: los relacionados con la seguridad estructural (estados lmite ltimos y de servicio) y los relacionados con la explotacin de la obra (estados lmite operativos). Los estados lmite ltimos son aquellos que ocasionan la destruccin total de la obra o de una parte de ella y se pueden clasificar en: prdida del equilibrio esttico, agotamiento resistente o rotura, deformacin, inestabilidad, fatiga y colapso progresivo. Los estados lmite de servicio son aquellos que ocasionan la prdida de funcionalidad de la obra o de una parte de ella, se clasifican en: prdida de durabilidad, alteraciones geomtricas acumuladas, vibraciones excesivas, fisuracin 145

excesiva, deformaciones excesivas y estados lmites estticos, ambientales y legales. Los estados lmite operativos son todos aquellos que ocasionan que se suspendan temporalmente las actividades para las que sirve la obra, sin que exista dao estructural. El xito en el diseo de una obra, cualquiera que sta sea, radica en la adecuada modelacin de los agentes externos a los que estar sometida. El objetivo es erradicar en lo posible las incertidumbres inherentes a la modelacin de los fenmenos naturales; cuanto mayor grado de certidumbre se tenga en los datos que servirn para el diseo, menor ser el riesgo de obtener obras sobrestimadas, que absorben ms recursos de los necesarios, u obras subestimadas, que pueden fallar en cualquier momento. Normalmente, los estados lmites ltimos son estudiados a travs del concepto de anlisis de rgimen extremal, mientras que los operativos se estudian mediante el anlisis del comportamiento del rgimen medio. Ambos conceptos son abordados en el presente captulo. Muchos de los conceptos fundamentales de este captulo estn basados en el trabajo desarrollado por Castillo (1987), por lo que, si el lector necesita profundizar ms sobre el tema de anlisis extremal, la mencionada referencia puede ser de gran ayuda. 8.1 Importancia del anlisis extremal en la ingeniera En ingeniera martima, el xito que se puede tener cuando se disean estructuras depende esencialmente de la adecuada seleccin de las condiciones ambientales a las que puede verse sometida dicha estructura. El modelado o idealizacin del problema debe ser lo suficientemente simple, con una lgica irrefutable, que admita una solucin matemtica y al mismo tiempo, que reproduzca suficientemente bien el problema real. El objetivo en el diseo de algn elemento es garantizar que dicho elemento no llegue a los estados lmites de falla a lo largo de su vida til. Para ser ms especficos, el elemento debe satisfacer en todo momento la siguiente desigualdad: Cactuales Creal (8.1)

donde Cactuales representa a las condiciones actuales de operacin (cargas, demandas, etctera) y Creal representa la capacidad real del elemento para ese mismo tiempo. 146

Ambos componentes son variables aleatorias, cuyas funciones de distribucin pueden ser establecidas nicamente por un anlisis sistemtico de la historia disponible y de las condiciones a las cuales han estado sometidos elementos similares. Afortunadamente no existe dependencia estadstica de dichas variables aleatorias y sus funciones de distribucin pueden ser examinadas por separado. La naturaleza aleatoria de los parmetros fundamentales de diseo se toma en cuenta a travs del llamado factor o coeficiente de seguridad, el cual resume, de una forma simple, el carcter aleatorio de dichos parmetros. Consecuentemente las capacidades disminuyen y las condiciones de operacin aumentan; esto significa que bajo las tcnicas clsicas de diseo la ec 8.1 es remplazada por Cop FSo Cap FSc (8.2)

donde Cop representa las condiciones de operacin, FSo el factor de seguridad asociado a las condiciones de operacin, Cap las capacidades del elemento y FSc es el factor de seguridad asociado a las capacidades del elemento. Dado que la seguridad proporcionada con los factores de seguridad es tan simple que normalmente no es insuficiente, particularmente para aquellos problemas cuya solucin es slo posible mediante el empleo de teoras probabilsticas y mtodos estadsticos. Para lograr un diseo adecuado, a lo largo de la vida til del elemento se debe satisfacer que la condicin descrita por la ec 8.1 se cumpla, ya que es posible que ciertas condiciones de operacin y capacidad ocurran en un determinado tiempo. Por ello, la condicin que hay que estudiar ser:

Mx (C op C ap ) 0
o

(8.3)

Mx (C op ) < Mn (C ap )

(8.4)

Las variables Mx(Cop-Cap), Mx(Cop) y Mn(Cap) tambin son de tipo aleatorio. Es conveniente resaltar que cuando se seleccionan las variables ambientales de diseo normalmente no se est interesado en la funcin de distribucin de las variables aleatorias, sino en la distribucin de los valores extremos de dichas variables. Adems

147

de que estos valores son los nicos que afectan directamente la falla de cualquier sistema dado. 8.2 Excedencias En muchas situaciones, se est interesado en los eventos asociados con las excedencias de ciertos valores de la variable en estudio. Por ejemplo, si una ola destruye un rompeolas, no importa si mide 10 o 20 m, ya que los daos causados no estn en funcin de su magnitud sino del hecho de que excede el estado lmite de falla. Generalmente se conoce cules son los valores crticos de una altura de ola y su nico inters es conocer la frecuencia con la que ocurren las excedencias de dichos lmites. Al concepto de excedencia va siempre asociado al de umbral, ya que la primera nunca se presentar si el valor de la variable en estudio no rebasa el umbral definido, es decir un lmite de falla. Un problema prctico importante es el siguiente: Supngase que se han realizado n observaciones independientes y que se est interesado en determinar la probabilidad de que, en las prximas N observaciones, se produzcan r excedencias de la observacin que ocupa el lugar emsimo ms grande de las n observaciones pasadas. Se puede demostrar que el nmero de estas excedencias, r, es una variable aleatoria con media:

r (n, m, N ) = Npm f ( pm )dpm = N U m:n =

0

Nm n +1

(8.5)

y varianza

2 (n, m, N ) =

Nm(n m + 1)( N + n + 1) (n + 1) 2 (n + 2)

(8.6)

La varianza toma el valor mnimo cuando m = (n+1)/2. Sin embargo, el coeficiente de variacin decrece con m, tal como cabe esperar. Las expresiones 8.5 y 8.6 permiten elegir el valor de diseo cuando hay suficientes aos de observacin, pero es intil cuando la informacin es escasa. Ejemplo. La velocidad mxima del viento registrado en alguna localidad durante los ltimos 50 aos ha sido 42 m/s. Determinar el valor medio y la varianza del nmero de excedencias de 42 m/s del mximo anual durante los prximos 25 aos. 148

Solucin: De las ecs 8.5 y 8.6, se obtiene r (n = 50, m = 1, N = 25) =

( 25)(1) = 0.4902
50 + 1

2 (n = 50, m = 1, N = 25) =

( 25)(1)( 50 1 + 1)( 25 + 50 + 1) = 0.7024 2 ( 50 + 1) ( 50 + 2 )

Ejemplo. Las alturas de ola mximas registradas en una cierta localidad en los ltimos 50 aos estn dadas en la tabla 8.1. Elegir la altura de diseo para que se tenga una media de dos excedencias en los prximos 25 aos. TABLA 8.1 ALTURAS DE OLA MXIMAS ANUALES EN UNA CIERTA LOCALIDAD Alturas de ola, en metros 4.84 5.29 5.89 5.90 6.06 6.32 6.58 6.61 6.73 7.03 7.05 7.12 7.18 7.19 7.21 7.30 7.30 7.43 7.50 7.60 7.64 7.71 7.78 7.85 7.89 8.06 8.07 8.10 8.14 8.21 8.21 8.31 8.52 8.56 8.58 8.77 8.94 9.01 9.12 9.20 9.66 9.75 9.86 10.03 10.09 10.15 10.38 10.51 10.59 10.80

Solucin: Segn la ec 8.5, se tiene que

r (50, m, 25) =

25m 2m=4 51

lo que muestra que debe elegirse el valor que ocupa el cuarto lugar, empezando por el extremo derecho, es decir, 10.38 m. 8.3 Periodos de retorno Supngase ahora que un determinado suceso (fallo de una estructura, excedencia de una altura de ola, etctera) es tal que su probabilidad de ocurrir en un periodo de 149

tiempo (normalmente un ao) es p y que las ocasiones de que dicho suceso ocurra en periodos diferentes no superpuestos son independientes. Entonces, al paso del tiempo se tiene una sucesin de experimentos Bernoulli idnticos (solo dos resultados: ocurre o no ocurre el suceso). Por ello, el tiempo que transcurre hasta la primera vez que ocurre es una variable geomtrica Ge( p), con media 1/p. Esto motiva la siguiente definicin (Castillo, 1987): Sea A un suceso y T el tiempo aleatorio que transcurre entre ocurrencias sucesivas de ese evento. Al valor medio, , de la variable T se llama periodo de retorno A, es decir que es el tiempo medio que tarda en retornar ese suceso. Ntese que una obra falla si y slo si ocurre el suceso A, entonces su vida media coincide con el periodo de retorno A. La importancia del periodo de retorno en ingeniera estriba en que muchos criterios de diseo estn basados en este concepto, es decir, se debe disear una obra para resistir una media de N aos (normalmente 50, 100 o 500 aos) Si F(x) es una funcin de distribucin del mximo anual de una variable aleatoria X, el periodo de retorno del suceso (X > x) es 1/(1-F(x)) aos. Similarmente, si F(x) es la funcin de distribucin del mnimo anual de una variable aleatoria, X, el periodo de retorno del suceso (X < <} es 1/F(x) aos. Adems, la probabilidad de que el suceso ocurra antes del periodo de retorno es F ( ) = 1 (1 p ) = 1 (1 p )1/ p que para (p 0) tiende al valor 0.63212. Ejemplo 1. La funcin de distribucin del mximo viento generado por huracanes (en m /s) en una zona del ocano Pacfico mexicano est dada por x 75 F ( x) = exp exp 20 Estimar el periodo de retorno para un viento de 50, 100 y 150 km/h. Solucin: Los periodos de retorno de vientos mximos anuales de valores 50, 100 y 150 km/h, son en aos (8.7)

50 =

1 = 1.03; 1 F (50)

100 =

1 = 4.01 1 F (100)

150 =

1 = 43.02 1 F (150)

150

Esto significa que los vientos mximos anuales de 50, 100 y 150 km/h ocurren en media cada 1.03, 4.01 y 43.02 aos, respectivamente. Ejemplo 2. Si un dique se disea para resistir una media de 50 aos y si se sabe por la experiencia pasada que la altura de ola mxima anual (en metros) sigue una distribucin del tipo: H 7.5 F ( H ) = exp exp 3.5 Solucin: La altura de diseo H debe satisfacer la ecuacin 1 = 50 ; 1 F (H )

F (H ) =

49 = 0.98 50

1 H = 7.5 3.5ln ln = 21.16m 0.98 8.4 Valores caractersticos Si el suceso A consiste en las excedencias del nivel x de la variable X, se puede escribir A(x) en vez de A, y entonces p se transforma en p(x) = 1 - F(x) y

( x) =

1 1 F ( x)

(8.8)

En este caso, el valor esperado del nmero de sucesos A(x) en n periodos es (media de la variable bimodal)

n[1 F ( x)]

(8.9)

Un inters especial tiene el nivel x que conduce a una media de valor unitario. Este valor es el llamado valor caracterstico de ese periodo, que se define de la siguiente forma: Se dice que un valor un es el valor caracterstico para mximos de un periodo de duracin n si el valor medio del nmero de excedencias de ese valor en dicho periodo es unitario. Ntese que este valor verifica la ecuacin

n[1 F (un )] = 1 F (un ) = 1

1 n

(8.10)

151

De forma similar se define el valor caracterstico para mnimos, vn:

n[1 F (vn )] = 1 F (vn ) =

1 n

(8.11)

La probabilidad de que sea excedido el valor caracterstico en su periodo asociado es

1 1 F (un ) = 1 1 n
n

(8.12)

que para valores grandes de n converge a 1 - exp(-1) = 0.6321. Ejemplo. Siguiendo el ejemplo anterior, determinar el valor caracterstico de la altura de ola de una dcada, H 7.5 F ( H ) = exp exp 3.5 Solucin: Por tanto, segn la ec 8.10, el valor caracterstico para mximos de la altura de ola mxima anual en una dcada es la solucin de la ecuacin

F (u10 ) = 1

1 = 0.9 10

1 H = 7.5 3.5ln ln = 15.38m 0.9 8.4.1 Estadsticos de orden Las distribuciones de valores extremos no pueden ser totalmente entendidas si no se establece una completa comprensin del concepto estadstico de orden, ya que este concepto es la base sobre la cual se sustenta la teora de dichas funciones. Para entender el concepto de estadstico de orden, considrese una muestra procedente de una poblacin (X1, X2,...,Xn). Si los valores de la secuencia X1, X2,...,Xn se ordenan de forma creciente de magnitud, X 1:n X 2:n ... X n:n , entonces el miembro errsimo de esta nueva secuencia se denomina estadstico de orden r de la muestra dada. Ntese que el tamao de la muestra, n, se incluye en la notacin X r:n , y que cualquier estadstico de orden debe tener asociado un tamao de muestra.

152

El estadstico de orden proporciona, como su nombre lo indica, un orden a la muestra, el cual para casos de valores extremos debe ser ascendente; donde el ltimo valor es el mximo y el primero el mnimo. Estos valores quedan expresados respectivamente como: el mximo Xn:n = Mx(X1, X2,,Xn) y el mnimo X1:n = Mn(X1, X2,,Xn) que son los que pertenecen a los extremos y juegan un papel preponderante en las aplicaciones. 8.5 Mtodos utilizados en el diseo de obras martimas Como se mencion, el diseo de estructuras martimas est gobernado por los valores extremos. En el pasado se han utilizado muchos mtodos para determinar las condiciones de diseo; sin embargo, no existe un mtodo universal que sea aceptado por todos. Algunos de estos mtodos son los siguientes: El mtodo basado en los mximos de las series anuales, que utiliza los valores mximos de cada ao El mtodo basado en los picos, que utiliza los picos de los temporales El mtodo basado en las series completas, que emplea todos los valores registrados durante el periodo de observacin El mtodo basado en las excedencias, que emplea todos los valores que excedan un cierto umbral. 8.6 Distribuciones asintticas del mximo y el mnimo Desde un punto de vista prctico, los puntos lmite de una funcin de distribucin acumulativa son los valores mnimos y mximos que estn asociados a la variable aleatoria en estudio. Si la variable aleatoria no est delimitada en alguno o ambos de sus extremos stos se transforman en y +, respectivamente. La funcin de distribucin del mximo, Zn, y del mnimo, Wn, de una muestra de tamao n procedente de una poblacin con funcin de distribucin F(x) son:
H n ( x) = P [ Z n x ] = F n ( x)

(8.13)

Ln ( x) = P [Wn x ] = 1 [1 F ( x) ]
153

(8.14)

La estructura de estas dos funciones muestra que los percentiles de mximos y mnimos se mueven hacia la derecha y hacia la izquierda, respectivamente, si se incrementa n. Aproximando los lmites superior e inferior a infinito, se tiene: 1 si F ( x) = 1 lim H n ( x) = lim F n ( x) = n n 0 si F ( x) < 1 0 si F ( x) = 0 n lim Ln ( x) = lim1 [1 Fn ( x) ] = n n 1 si F ( x) 1 (8.15)

(8.16)

Esto significa que las distribuciones lmite toman exclusivamente valores de 0 y 1; son degeneradas. Con objeto de evitar la degeneracin se buscan transformaciones lineales Y = an + bn x, donde an y bn son constantes que dependen de n, y tales que las distribuciones lmite no degeneren

lim H n (an + bn x) = lim Fn (an + bn x) = H ( x)

n n

;
;

x
x

(8.17)
(8.18)

lim Ln (cn + d n x) = lim1 [1 Fn (cn + d n x) ] = L( x)

n n n

8.7 Dominios de atraccin Se dice que una distribucin F(x), pertenece al dominio de atraccin para mximos de una distribucin dada H(x), cuando satisface la ec 8.17 para algunas sucesiones an y bn > 0. De la misma forma, cuando F(x) satisface la ec 8.18 se dice que pertenece al dominio de atraccin para mnimos de L(x). El problema de las distribuciones asintticas de extremos puede plantearse como sigue:

Encontrar condiciones bajo las cuales se verifican las ecs 8.17 y 8.18. Dar reglas para construir las sucesiones an, bn, cn y dn. Encontrar qu distribuciones pueden ocurrir como H(x) y L(x).
Los nicos tres tipos de distribuciones para mximos y mnimos no degeneradas, H(x) y L(x), que satisfacen a las ecs 8.17 y 8.18, respectivamente, son Frechet, Weibull y Gumbel.

154

Frechet

H ( x; , , ) = exp x
L( x; , , ) = 1 exp x
Weibull

(8.19)

(8.20)

x H ( x; , , ) = exp

(8.21)

x L( x; , , ) = 1 exp
Gumbel x H ( x; , ) = exp exp x L( x; , ) = 1 exp exp ;

(8.22)

< x < ; > 0

(8.23)

< x < ; > 0

(8.24)

Las tres distribuciones lmites (ecs 8.19, 8.21 y 8.23, y 5.28 a 5.30) pueden incluirse simultneamente en la siguiente expresin analtica:
1/ c x H c ( x; , ) = exp 1 + c

x 1+ c 0

(8.25)

que se denomina forma de Von Mises. Para c > 0, c < 0 o c = 0 se obtienen las familias de Frechet, Weibull y Gumbel, respectivamente. Ntese que para c = 0, la ec 8.25 debe interpretarse en un sentido lmite, es decir para c = 0 resulta: ( x ) H 0 ( x; , ) = exp exp 155 ; < x < (8.26)

Similarmente, las tres distribuciones lmites (ecs 8.20, 8.22 y 8.24) pueden ser incluidas en la forma de Von-Mises:
1/ c x Lc ( x; , ) = 1 exp 1 + c

x 1+ c 0 (8.27)

donde para c > 0, c < 0 y c = 0 se obtienen las familias de Frechet, Weibull y Gumbel, respectivamente. Para c = 0 se tiene: ( x ) L0 ( x; , ) = 1 exp exp ; < x < (8.28)

Castillo (1987) presenta de manera resumida los dominios de atraccin para mximos y mnimos de las distribuciones ms comunes, en la tabla 8.2.

TABLA 8.2 DOMINIOS DE ATRACCIN DE LAS DISTRIBUCIONES MS COMUNES Distribucin Normal Exponencial Lognormal Gamma GumbelM Gumbelm Rayleigh Uniforme WeibullM Weibullm Cauchy Pareto Dominio de atraccin Mximos (M) Gumbel Gumbel Gumbel Gumbel Gumbel Gumbel Gumbel Weibull Weibull Gumbel Frechet Frechet Mnimos (m) Gumbel Weibull Gumbel Weibull Gumbel Gumbel Weibull Weibull Gumbel Weibull Frechet Weibull

8.8 Papeles probabilsticos La idea bsica del papel probabilstico, asociado a una familia paramtrica de funciones de distribucin, es modificar las escalas de la variable aleatoria X, y la 156

probabilidad P, de tal manera que al representar grficamente X contra cualquier funcin de distribucin acumulativa F(x), perteneciente a esa familia, tenga la apariencia de una lnea recta. Esto implica que el dibujo de cualquier funcin de distribucin acumulativa en este papel permite decidir si pertenece o no a esa familia, y si la respuesta es afirmativa, estimar sus parmetros. De forma que si F(x; ) es una familia paramtrica de funciones de distribucin acumulativa, donde es el vector parmetro, en la siguiente transformacin, se observa que

= g ( x) = h( y )
con la familia de curvas dada por la ecuacin

(8.29)

F ( x; )

(8.30)

la cual, al ser transformada por la ec 8.29, se convierte en una familia de lneas rectas. En particular, si F ( x; ) , se puede escribir como
y = F ( x; ) = h 1 ( ag ( x) + b ) h( y ) = ag ( x) + b

(8.31)

donde g ( x) y h( y ) son funciones y h( y ) es invertible; entonces la transformacin dada por la ec 8.29 convierte y = F ( x; ) en una familia de lneas rectas,

= a + b
donde la variable es la llamada variable reducida.

(8.32)

En la prctica no se dispone de la funcin de distribucin emprica como una aproximacin de ella. Ahora bien, debido al carcter aleatorio de las muestras, incluso en el caso de que la muestra proceda de una distribucin de la familia asociada al papel probabilstico, su grfica no ser una lnea recta sino una aproximacin. Por tanto, en el papel probabilstico se representa la funcin de distribucin emprica, que es una funcin que toma valores entre 0,1/n,...,1. Cuando se aplica la transformacin de escala a los dos extremos, 0 y 1, se transforman en el caso de muchas familias en - e , respectivamente, por lo que se hace imposible dibujarlos.

157

Si se representa en papel de Gumbel para mximos la familia de Von-Mises (ec 8.25), se obtiene
c( ) 1 ln 1 + c( ) c ; = ln ln exp 1 + = c c ( ) 1 + 0

(8.33) donde y son la ordenada y la abscisa. Derivando con respecto a dos veces, se obtiene

'=

1 c( ) 1 +
c
2

(8.34)

'' =

c( ) 1 +
2

(8.35)

Ntese que cuando c < 0, tiende a infinito, y si c > 0, a cero. Este hecho es muy til en la identificacin de los dominios de atraccin de Weibull y Frechet, pues muestran pendientes verticales y horizontales en el extremo de inters, respectivamente. Ntese, tambin, que puede tender a cero o infinito para distribuciones tipo Gumbel, si 0 o , respectivamente. Tambin se tiene

> 0, si y slo si c < 0 = 0, si y slo si c = 0 < 0, si y slo si c > 0

Si se tratara del extremo izquierdo, los smbolos > y < deben ser intercambiados. En consecuencia, el papel de Gumbel para mximos (mnimos) y en el extremo de inters, las distribuciones de tipo Weibull aparecen como curvas cncavas (convexas), las de tipo Frechet como convexas (cncavas) y las de tipo Gumbel como rectas.

158

8.8.1 Tcnicas de punteo en papeles probabilsticos La importancia del problema de punteo fue sealada por Kimball (1960), quien indic que radicaba en el hecho de tener en mente el objetivo del papel probabilstico, el cual se encuentra generalmente incluido en alguno de los que se presentan a continuacin:

Probar si la muestra proviene o no de una familia de distribuciones dada Para estimar los parmetros de la familia Para extrapolar de manera grfica uno de los extremos.
Este ltimo es el objetivo ms utilizado en el caso de problemas de punteo de valores extremos. Se puede decir que la seleccin de la ecuacin ptima para el punteo de datos depende del objetivo de la tcnica con que se van a dibujar los mismos y del tipo de papel probabilstico que ser utilizado. Por otro lado, es interesante hacer notar que los papeles probabilsticos fueron pensados para un ajuste visual de los valores dados por la funcin de distribucin acumulada, a una lnea recta; por lo que se puede asumir que un ajuste a ojo de la ecuacin de punteo a estos datos es un mtodo adecuado para la seleccin de la formula de punteo por emplear. En la tabla 8.3 se presentan las ecuaciones ms comunes para el punteo de valores en papeles probabilsticos. TABLA 8.3 DIFERENTES FORMAS DE PUNTEO Formula de punteo Autor Blom (1962) Hazen (1930) Gringorten (1963)

x( i ) , x( i ) ,

i n +1

i 3/8 n + 1/ 4

x( i ) ,
x(i ) ,

i 1/ 2 n

i 0.44 n + 0.12

159

8.8.2 Estimacin de parmetros y dibujo en papel probabilstico de Gumbel La curva de la funcin de distribucin acumulativa de la familia de Gumbel para mximos est dada por x y = H ( x; , ) = exp exp (8.36)

Al tomar logaritmos dos veces de 1/y y en comparacin con las ecs 8.29 y 8.31, se tiene

= g ( x) = x = h ( y ) = ln ln = ln ln ( y ) y

tal que

(8.37)

= a + b =
donde

(8.38)

a=

b=

(8.39)

La estimacin de los parmetros y puede ser realizada notando que para = 0 y

= 1, resulta que
0 = =
(8.40) (8.41)

1=

= +

Cuando se trabaja con toda la muestra completa, una posibilidad para estimar los parmetros de la distribucin de Gumbel es realizarla a partir de la media y la desviacin estndar de la muestra, respectivamente:

= x + 0.5772

(8.42) (8.43)

sx 6

160

Sin embargo, en ocasiones, cuando interesa trabajar slo con parte de los datos, otra alternativa es encontrar los parmetros a y b a travs de un ajuste por mnimos cuadrados, tal que

a=

N Datos xk k xk k
k =1 k =1 k =1

2 N Datos xk xk k =1 k =1
N N

(8.44)

b=

a xk + k
k =1 k =1

N Datos

(8.45)

donde NDatos son el nmero de datos con el cual se ajustan los valores de a y b. En las ecs 8.44 y 8.45, los valores de xk corresponden a la funcin discreta que se quiere ajustar y k es su probabilidad asociada calculada con cualquiera de las ecuaciones que aparecen en la tabla 8.3. Para el caso de la distribucin de Gumbel para mnimos, se puede hacer la siguiente transformacin: x L( x; , ) = 1 exp exp (8.46)

= g ( x) = x = h ( y ) = ln ln (1 y )
tal que

(8.47)

= a + b =
a=
1 y

b=

(8.48)

(8.49)

La estimacin de los parmetros y puede ser realizada notando que para = 0 y

= 1:
0 = =
(8.50) (8.51)

1=

= +
161

Por tanto, las ecs 8.44 y 8.45 pueden tambin ser usadas para el caso de mnimos, siempre y cuando se respete la transformacin realizada. Ejemplo. Siguiendo el ejemplo de los datos presentados en la tabla 8.1, ajustar con la distribucin de probabilidad para mximos de Gumbel. Solucin: Utilizando la formula para punteo de Hazen, se calculan las probabilidades asociadas a cada valor y se evala la variable reducida, k (tabla 8.4). Ahora se calculan las diferentes sumatorias, tal que

xk = 467.07 ;
k =1

k = 31.46 ;
k =1

xkk = 407.97 ;
k =1

x
k =1

= 4181.49

Si se sustituyen estos valores en las ecs 8.44 y 8.45, se obtiene: a = 0.63 m-1, b = -4.79, y en la ec 8.39, = 1.58 m y = 7.59 m. La fig 8.1 presenta grficamente el resultado. Al emplear el mtodo de los momentos para estimar los parmetros de la distribucin, se obtienen los siguientes valores: = 1.56 m y = 7.59 m.

TABLA 8.4 EVALUACIN DE LA VARIABLE REDUCIDA k H

0.009 0.027 0.045 0.064 0.082 0.100 0.118 0.136 0.155 0.173 0.191 0.209 0.227 0.245 0.264 0.282 0.300 0.318

k
-1.55 -1.28 -1.13 -1.01 -0.92 -0.83 -0.76 -0.69 -0.62 -0.56 -0.50 -0.45 -0.39 -0.34 -0.29 -0.24 -0.19 -0.14

xk
4.84 5.29 5.89 5.90 6.06 6.32 6.58 6.61 6.73 7.03 7.05 7.12 7.18 7.19 7.21 7.30 7.30 7.43

H
0.336 0.355 0.373 0.391 0.409 0.427 0.445 0.464 0.482 0.500 0.518 0.536 0.555 0.573 0.591 0.609 0.627 0.645

k
-0.09 -0.04 0.01 0.06 0.11 0.16 0.21 0.26 0.31 0.37 0.42 0.47 0.53 0.58 0.64 0.70 0.76 0.83

xk
7.50 7.60 7.64 7.71 7.78 7.85 7.89 8.06 8.07 8.10 8.14 8.21 8.21 8.31 8.52 8.56 8.58 8.77

H
0.664 0.682 0.700 0.718 0.736 0.755 0.773 0.791 0.809 0.827 0.845 0.864 0.882 0.900 0.918 0.936 0.955 0.973 0.991

k
0.89 0.96 1.03 1.11 1.18 1.27 1.36 1.45 1.55 1.66 1.78 1.92 2.07 2.25 2.46 2.72 3.07 3.59 4.70

xk
8.94 9.01 9.12 9.20 9.66 9.75 9.86 10.03 10.09 10.15 10.38 10.51 10.59 10.80 11.57 12.02 12.19 13.55 15.14

162

0.995 0.99 0.98

5 4 3

0.95

Pr obabilidad

0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01 0.001

2 1 0

-1

10

12

14

16

Altur a de ola (m)

Fig 8.1 Papel probabilstico de Gumbel para mximos y datos de oleajes extremos TABLA 8.5 EVALUACIN DE LA VARIABLE REDUCIDA k PARA EL CASO DE PRESIONES MNIMAS
K (ao) 44 45 46 47 48 49 50 51 52 53 L 0.821 0.840 0.858 0.877 0.896 0.915 0.934 0.953 0.972 0.991 k 0.542 0.604 0.671 0.741 0.818 0.903 1.000 1.116 1.271 1.540 xk (presin mbs) 950.00 947.00 945.00 942.00 939.00 936.00 932.00 927.00 920.00 910.00

La lnea recta corresponde a la ec 8.38, la probabilidad de alturas de ola se obtiene por medio de una ecuacin de punteo y la transformacin de la escala de dicha probabilidad a la de la variable reducida se realiza por medio de la ec 8.37. Ejemplo. En los ltimos 53 aos por una localidad dada en el Caribe mexicano se han registrado diez huracanes con la presin mnima que presenta la tabla 8.5. Evaluar la distribucin de Gumbel para mnimos de estos datos. 163

0.999 1.80

1.60 0.99

Pr obabilidad

1.40 0.975 1.20 0.95 1.00 0.9 0.88 0.86 0.84 0.82 0.8

0.80

0.60

900

920

940

960

Pr esin atmosfr ica (mbs)

Fig 8.2 Papel probabilstico de Gumbel para mnimos y datos de presiones atmosfricas mnimas

Solucin: Utilizando la frmula para punteo de Hazen, se calculan las probabilidades asociadas a cada valor y se evala la variable reducida, k (tabla 8.5). Luego se calculan las diferentes sumatorias, tal que:

k = 44

53

= 9348 ;

k = 44

53

= 9.206 ;

k = 44

x
k

53

= 8569.13 ;

k = 44

53

= 8739968

Si se sustituyen estos valores en las ecs 8.44 y 8.45, se obtiene: a = -0.0248 mbs-1, b = 24.138, y en la ec 8.49, = 40.262 mbs y = 971.864 mbs. La fig 8.2 ilustra el resultado obtenido.

8.8.3 Papel probabilstico de Weibull Las curvas de distribucin acumulativa de la familia de Weibull para mximos est dada por:

x y = F ( x; , , ) = exp ;

< x

(8.52)

164

Al aplicar logaritmos dos veces, se obtiene:

x log log ( y ) = log = log ( x ) + log

y al comparar con las ecs 8.29 y 8.31, se tiene:

(8.53)

= h ( y ) = log log ( y )
y b = log la familia de lneas rectas se convierte en a=

= g ( x ) = log ( x )

(8.54)

(8.55)

= a + b = ( + log )

(8.56)

Para determinar a y b, se pueden utilizar las siguientes ecuaciones, las cuales han sido deducidas mediante la tcnica de mnimos cuadrados:

a=

N Datos k k k k
k =1 k =1 k =1

N Datos k k k =1 k =1
N 2 N

(8.57)

b=

a k + k
k =1 k =1

N Datos

(8.58)

Se debe notar que la escala () coincide con la del papel probabilstico de Gumbel; sin embargo, la gradacin ( ) se encuentra en este caso en escala logartmica en lugar de aritmtica. Se puede observar que la distribucin de Weibull depende de tres parmetros, uno ms que la distribucin de Gumbel, ste es el parmetro umbral , que es desconocido y el cual normalmente no se puede inferir a travs de fenmenos fsicos. Para la estimacin de , se recomienda representar grficamente los datos con un parmetro umbral propuesto que satisfaga la condicin dada por la ec 8.52 y
165

observar el ajuste de la recta a los valores de probabilidad dados. Este procedimiento se repite iterativamente hasta que se est conforme con el ajuste realizado con la recta descrita por la ec 8.56. Dicho punteo de datos debe hacerse para distintos valores del parmetro umbral, hasta que la tendencia lineal que se busca sea obtenida para el intervalo de inters. Con el valor del parmetro umbral propuesto, se procede a estimar los parmetros restantes y , lo que se puede realizar notando que para = 0 y = 1, se tiene
0 = ( + log ) = log

(8.59) (8.60)

1 = ( + log ) =

log

En el caso de la distribucin de mnimos, simplemente se debe de realizar un cambio de signos, dado que la distribucin est dada por:

x y = L( x; , , ) = 1 exp
tal que ahora,

(8.61)

= h ( y ) = log log (1 y )

= g ( x ) = log ( x )

(8.62)

Ejemplo. A continuacin se presenta el procedimiento iterativo para una serie de datos de oleaje registrados durante veinticinco aos y de los cuales slo se han considerado los diez datos mayores. Solucin: De evaluar las ecs 8.52 a 8.58, se obtienen los siguientes resultados (parte del proceso aparece en la tabla 8.6): Para el caso de = 20 m; a = 3.47, Para el caso de = 40 m; a = 14.12, Para el caso de = 100 m: a = 45.50, b = 8.90, b = 48.81, b = 205.52, = 3.47 = 14.12 = 45.50 y = 13.01 m y = 31.74 m y = 91.53 m.

166

TABLA 8.6 DATOS Y DETALLES DEL PROCESO DE CLCULO

= 20 m # 16 17 18 19 20 21 22 23 24 25 H 10.0 10.2 10.5 10.9 11.2 11.6 12.2 12.9 13.9 16.0 P 0.62 0.66 0.70 0.74 0.78 0.82 0.86 0.90 0.94 0.98 0.74 0.88 1.03 1.20 1.39 1.62 1.89 2.25 2.78 3.90 17.68 -2.30 -2.28 -2.25 -2.21 -2.17 -2.13 -2.05 -1.96 -1.81 -1.39 -1.70 -2.00 -2.32 -2.65 -3.03 -3.44 -3.89 -4.41 -5.03 -5.41 2 5.30 5.21 5.07 4.88 4.73 4.53 4.22 3.84 3.27 1.92 -3.40 -3.39 -3.38 -3.37 -3.36 -3.35 -3.33 -3.30 -3.26 -3.18 = 40 m -2.51 -2.98 -3.49 -4.05 -4.68 -5.41 -6.29 -7.43 -9.08 -12.40 2 11.57 11.52 11.45 11.36 11.29 11.20 11.06 10.89 10.64 10.10 = 100 m 2

-4.50 -3.32 20.25 -4.50 -3.95 20.23 -4.49 -4.63 20.20 -4.49 -5.39 20.16 -4.49 -6.25 20.13 -4.48 -7.25 20.09 -4.48 -8.47 20.03 -4.47 -10.05 19.95 -4.46 -12.40 19.85 -4.43 -17.29 19.63

-20.56 -33.88 42.97

-33.32 -58.31 111.08 -44.78 -78.99 200.51

0.990 0.985 Probabilidad 0.975 0.950 0.900 0.800 0.700 0.600 9.3

= 20

4.5 4 3.5 3 2.5 2 1.5 1 13.2 H (m) -1.8 14.5 15.5 16.1 16.5

10.3

11.6

-2.2

-2

-1.6

-1.4

Fig 8.3 Resultado del ajuste de Weibull para mximos = 20 m, a = 3.47, b = 8.90, = 3.47 y = 13.01 m

Los resultados correspondientes se presentan en las figs 8.3, 8.4 y 8.5, respectivamente. Para evaluar las distribuciones Frechet para mximos y mnimos, se sigue un proceso anlogo al presentado aqu para la distribucin de Weibull. 167

0.990 0.985 0.975

Probabilidad

= 40

0.950 0.900 0.800 0.700 0.600 9.7 10.5 -3.40 11.5 -3.35 12.9 -3.30 H (m) 14.3 15.5 -3.20 16.4 17.1 -3.15

4.5 4 3.5 3 2.5 2 1.5 1

-3.25

Fig 8.4 Resultado del ajuste de Weibull para mximos = 40 m, a = 14.12, b = 48.81, = 14.12 y = 31.74 m

0.990 0.985 0.975

Probabilidad

= 100

0.950 0.900 0.800 0.700 0.600 9.8 10.5 11.4 12.9 H (m) 14.3 15.6 16.5 17.3

4.5 4 3.5 3 2.5 2 1.5 1

-4.50 -4.49 -4.48 -4.47 -4.46 -4.45 -4.44 -4.43 -4.42 Fig 8.5 Resultado del ajuste de Weibull para mximos = 100 m, a = 45.50, b = 205.52, = 45.50 y = 91.53 m 8.9 Anlisis de rgimen medio La funcionalidad de una obra o la caracterizacin de muchos procesos en la ingeniera oceanogrfica suele definirse a partir del rgimen medio de oleaje expresando, para un determinado umbral de altura de ola significante (Hs), el nmero medio de horas al ao en que se supera dicha condicin. 168

10 8 6

Di+1 Di

Hs (m)

4 2 0 0 50 100

150

200

250

300

Tiempo (horas)

Fig 8.6 Ejemplo de la determinacin de las duraciones en funcin de una intensidad dada La disponibilidad de series temporales de estados de mar hace posible el conocimiento de la distribucin de las duraciones de una excedencia de un parmetro del estado de mar, lo que algunas ocasiones no es factible. En este caso particular, se define a la duracin (D) como el intervalo de tiempo que dura una excedencia de un valor determinado de un parmetro de estado de mar (por ejemplo, Hs) en un sector direccional determinado () (fig 8.6). El objetivo es obtener el espacio muestral de la variable aleatoria bidimensional (Hs, D) para cada sector direccional , para poder ajustar un modelo matemtico y obtener la distribucin de la variable aleatoria, f (Hs,D).

169

9. REFERENCIAS Airy, G B (1845), Tides and waves, Encycl Metrop, Art 192, 241-396 Aristteles (1996), Acerca del cielo; Meteorolgicos, Gredos, Madrid, 430 pp Battjes, J A (1971), Run-up distributions of waves breaking on slopes, Jour Wat, Port, Coast and Oce Eng, 97, 91-114 Bendat, J S P, y Piersol, A G (1986), Random data, John Wiley & Sons, Nueva York, 556 pp Benoit, M (1992), Practical comparative performance survey of methods used for estimating directional wave spectra from heave-pitch-roll data, Proc 23rd Int Conf on Coastal Eng, ASCE, Venecia, Italia Bitner, E M (1980), Nonlinear effects of the statistical model of shallow-water wind waves, Appl Ocean Res, 2(2), 63-73 Blom, G (1962), Nearly best linear estimates of locations and scale parameters, S G, 34-46 Bouws, E, Gnther, H, Rosenthal, W, y Vincent, C L (1985), Similarity of the wind wave spectrum in finite depth water 1 spectral form, Jour Geoph Res, 90(C1), 975-986 Bretschneider, C L (1959), Wave variability and wave spectra for wind-generated gravity waves, Beach Erosion Board, US Army Corps of Engineers, Washington, DC Bretschneider, C L (1990), Tropical cyclones, Handbook of coastal and ocean engineering, Gulf Publishing Co, 249-370 Bretschneider, C L R (1954), Modification of wave height due to bottom friction, percolation and refraction, The Agricultural and Mechanical College of Texas, Texas Brigg, M, Thompson, E, y Vincent, Ch (1995), Wave diffraction around breakwater, J Wtrway, Port, Coast and Ocean Engng, 121(1), 23-35 Capon, J, Greenfield, R J, y Kolker R J (1967), Multidimensional maximum-likelihood processing of a large aperture seismic array, Proc IEEE 171

Cardone, V J (1969), Specification of the wind distribution in the marine boundary layer for wave forecasting, Geophysical Sciences Laboratory, Department of Meteorology and Oceanography, School of Engineering and Science, New York University, Nueva York Carter, D J T, Challenor, P G, y Srokosz: M A (1986), Estimating wave parameters for engineering applications, Dept of Energy, Londres, 92 pp Cartwright, DE, y Longuet-Higgings, M S (1956), The statistical distribution of the maxima of a random function, Proc of the Royal Society of London, Series A (Mathematics and Physical Science), 237, 212-232 Castillo, E (1987), Extreme value theory in engineering, Statistical modeling and decision science, Academic Press, San Diego, California, 389 pp Cavani, A, Arhan, M, y Ezraty, R (1976), A statistical relationship between individual height and periods of storm waves, Int Conf on Behavior of Offshore Structures, Trondheim, BOSS'76 Davidian, I N, Lopatukhin, L I, y Rozhkov, W A (1985), Vetzovoye Volneniye kak Veroyatnostnyy Gidrodinamicheskiy Process (Wind waves as Stochastical Hydrodinamics Process, consultado en Massel (1996)) Gidrometeoizdat, Leningrado, 226 pp Donelan, M A (1980), Similarity theory applied to the forecasting of wave heights, periods and directions, Canadian Coastal Conference, Canada Doob, J L (1953), Stochastic Processes, John Wiley & Sons, Nueva York Frigaard, P, y Brorsen, M (1997), Notes for PhD course in experimental and numerical wave generation and analysis, Hydraulics and Coastal Engineering Laboratory, Department of Civil Engineering, Aalborg University, Aalborg Funke, ERM, y Mansard, E P D (1979), Synthesis of realistic sea states in a laboratory flume, National Research Council of Canada, Ottawa, 54 pp Garratt, JR, Jr (1977), Review of drag coefficients over oceans and continents, Monthly Weather Review, 115, 915-929 Glukhovskiy, BH, y Terray, E A (1966), Issledovaniye morskogo vetrovogo (Study of sea waves) Gidrometeoizdat, Leningrado (consultado en Massel, 1996), 284 pp Goda, Y (1970), Numerical experiments on wave statistics with spectral simulations, Port and Harbour Res Inst, 3-57 Goda, Y (1978), The observed joint distribution of the periods and heights of sea waves, 16th Int Conference on Costal Engineering, Hamburgo

172

Goda, Y (1985), Random seas and design of maritime structures, University of Tokyo Press, 323 pp Goda, Y (1988), Statistical variability of sea state parameters as a function of a wave spectrum, Coastal Engineering in Japan, 31(1), 39-52 Goda, Y (2000), Random seas and design of maritime structures, 2nd ed, Advances Series on Ocean Engineering, Singapur, World Scientific, 15, 443 pp Goda, Y, y Suzuki, Y (1975), Computation of refraction and difraction of sea waves with Mitsuyasu's directional spectrum, Tech, Note of Port and Harbour Res Inst, 45 pp Green, M O (1994), Wave-height distribution in storm sea effect of wave breaking, J Wtrway, Port, Coast and Ocean Engng, 120(3), 283-301 Gringorten, I I (1963), A plotting rule for extreme probability paper, Jour Geoph Res, 815-826 Hasselmann, K, Barnett, T P, Bonws, E, Carlson, H, Cartwright, D C, Enke, K, Ewing, J, Gienapp, H, Hasselmann, D E, Kruseman, P, Meerburg, A, Muller, P, Olbers, D J, Richter, K, Sell, W, y Walden, H (1973), Measurements of wind-wave growth and swell decay during the joint north sea wave project (JONSWAP), Deutches Hydrographisches Institut, Hamburgo, 95 pp Hasselmann, K, Ross, D B, Muller, P, y Sell, W (1976), A parametric prediction model, Journal of Physical Oceanography, 6, 220-228 Hazen, A (1930), Flood flows, a study of frequencies and magnitudes, John Wiley & Sons, Inc, Nueva York Holland, G L (1980), An analytical model of wind and pressure profiles in hurricanes, Monthly Weather Review, 108, 1212-1218 Holton, J R (1979), A introduction to dynamic meteorology, Academic Press, Inc, Nueva York, 102-108 Huang, N E, Long, S R, Tung, G G, y Yuan, Y (1983), A non-Gaussian statistical model for surface elevation of nonlinear random waves, J Geoph Res, 88(C12), 7597-7606 Huang, N E, Long, S R, Tung, G G, Yuen, Y, y Bliven, L F (1981), A unified two parameter wave spectral model for a general sea state, J Fluid Mechanics, 112, 203224 IAHR, W G (1989), List of sea-state parameters, Jour Wat, Port, Coast and Oce Eng, 115(6), 793-808 Isobe, M K, y Kondo, K (1984), Estimation of directional spectrum expressed in standard form, Proc 19th Int Conf on Coastal Eng 173

ISSC (1964), Proceeding of the Second International Ship Structures Congress, Delf, Holanda ITTC (1966), Recommendations of the 11th International Towing Tank Conference, Proccedings 11th ITTC, Tokio ITTC (1972), Technical decisions and recommendations of the sea keeping committee, Proceedings 12th and 13th ITTC, Rome (1969) and Berlin (1972) Johnson, R, Mansard, E y Ploeg, J (1978), Effects of wave grouping on breakwater stability, Int Conference on Coastal Enginiering, ASCE, Hamburgo Khintchine, A (1934), Korrelations theorie de stationaren stochastischen prozesse, Math Ann, 109 pp Kimball, B F (1960), On the choice of plotting positions on probability paper, J Amer Statist Assc, 55, 546-560 Kinsman, B (1965), Wind waves, Printice-Hall, Englewood Cliffs, Nueva Jersey Kitaigorodskii, S A (1961), Application of the theory of similarity to the analysis of wind-generated wave motion as a stochastic process (traducido del ruso 73-80), Bull Akad, Nauk SSSR, Ser, Geophys, 105-117 Koopmans, L H (1974), The spectral analysis of time series, Academic Press, Nueva York Krogstad, H E (1988), Maximum likelihood estimation of ocean wave spectra from maximum entropy principle, Identification and Control, 81-97 Krylov, Y M (1966), Spektralnyye Metody Issledovaniya i Razcheta Vetrovykh Voln (Sepectral methods of studying and predicting of wind waves, Consultado en Massel, 1996), Leningrad, Gidrometeoizdat, 256 pp Leenknecht, D A, Szuwalski, A, y Sherlock, A R (1992), Automated Coastal Engineering System, Department of the Army, Waterways Experiment Station, Corps of Engineers, Vicksburg Longuet-Higgins, M S (1952), On the statistical distribution of the heights of sea waves, J Marine Research, 11, 245-266 Longuet-Higgins, M S (1963), The effect of nonlinearities on statistical distributions in the theory of sea waves, Jour of Fluid Mechanics, 17, 459-480 Longuet-Higgins, M S (1975), On the join distribution of the period and amplitudes of sea waves, J Geophys Res, 80(18), 2088-2094 Longuet-Higgins, M S (1983), On the join distribution of wave periods and amplitudes in a random wave field, Proc Roy Soc, 389, 241-258

174

Losada, M A y Jimnez-Curto, L A (1978), Anlisis estadstico y espectral de regmenes, Curso de Puertos, Universidad de Santander, Escuela Tcnica Superior de Ingenieros de Caminos, Canales y Puertos, Santander, Espaa, 56 pp Lumley, J L, y Panofsky, H A (1964), The structure of atmospheric turbulence, Wiley, Nueva York Massel, S R (1996), Ocean surface waves; their physics and prediction, Advances series on coastal engineering, World Scientific, 11, Singapur, 491 pp Mathews, S T (1972), A critical review of the 12th ITTC Wave Spectrum Recommendations, Review of Seakeeping Committee, Appendix 9, Proceedings of 13th ITTC, Berln Mitsuyasu, H, Suhaya, T, Mizuno, S, Okhuso, M, Honda, T, y Rikiishi, K (1975), Observation of the directional spectrum of ocean waves using a cloverleaf buoy, J Physical Oceanogr, 5, 750-760 Newland, E D (1984), An introduction to random vibrations and spectral analysis, John Wiley & Sons, Inc, Nueva York, 377 pp Ochi, M K (1998), Ocean waves: The stochastic approach, Cambridge Ocean Technology, Cambridge University Press, Cambridge, 6, 319 pp Ochi, M K, y Hubble, E N (1976), Six parameter wave spectra, Proceedings of the 15th International Conference on Coastal Engineering, ASCE, Honolulu, Hawai Ochi, M K, y W, W C (1984), Non-Gaussian characteristics of coastal waves, Proc 19th International Conference on Coastal Engineering, Houston, ASCE Oltman-Shay, J, y Guza, R T (1984), A data-adaptative ocean wave directional-spectrum estimator for pitch-roll type measurements, J Phys Oceanogr, 14, 1800-1810 Pawka, S (1983), Island shadows in wave directional spectra, J Phys Res, 88, 2579-2591 Phillips, O M (1958), The equilibrium range in the spectrum of wind-generated waves, Journal of Fluid Mechanics, 4, 426-434 Phillips, O M (1977), The dynamics of the upper ocean, Cambridge Univ Press, 336 pp Pierson, W J, Neumann, G, y James, R W (1958), Practical methods for observing and forecasting ocean waves by means of wave spectra and statistics, U S, Navy Hydrogr, Washington, D C Pierson, W J, y Moskowitz, L A (1964), A proposed spectral form for fully developed wind seas based on the similarity theory of S A Kitaigorodskii, J Geoph Res, 69(24), 5181-5203

175

Pierson, W J, y Marks, W (1952), The power spectrum analysis of ocean wave records, Trans Amer Geophys, Union, 33, 834-44 Press, W H, Flannery, B P, Teukolsky, S A, y Vetterling, W T (1993), Numerical recipes: the art of scientific computing, Cambridge University Press, Inglaterra Rice, S O (1944), The mathematical analysis of random noise, Bell System Technical Journal, 23, 282-332 Rice, S O (1945), The mathematical analysis of random noise, Bell System Technical Journal, 24, 46-156 Sanchez, C, Silva, R, Govaere, G, y Contreras, A (1998), Comparison of 4 wave prediction models, 5th International Workshop on Wave Hindcasting and Forecasting, Merburne, Florida Silva, R, Daz, G, Contreras, A, Bautista, G, y Snchez, C (2000), Determination of oceanographic risks from hurricanes on the Mexican coast, 6th International workshop on wave hindcasting and forecasting, Monterey, California Silva, R, Govaere, G, Salles, P, Bautista, G, y Daz, G (2002), Oceanographic vulnerability to hurricanes on the Mexican coast, International Conference on Coastal Engineering, ASCE, Cardiff, Wales Smith, J M (1991), Wind-wave generation on restricted fetches, US Army Engineer Waterways Experiment Station, M S, Vicksburg SPM (1984), Shore Protection Manual, US Army, Engineer Waterways Experiment Station, Coastal Engineering Research Center, US Government Printing Office, Washington, 24-66 Stokes, G G (1847), On the oscillatory waves, Transactions Cambridge Phil Soc, 8(441), 157-229 Sverdrup, H U, y Munk, W H (1947), Wind, sea and swell: theory of relation for forecasting, U S, Navy Hydrographic Office Publication, 44 pp Tayfun, M A (1980), Narrow-band nonlinear sea waves, J Geoph Res, 85(C3), 1548-1552 Tayfun, M A (1981), Breaking limited wave heights, J Wtrway, Port, Coast and Ocean Engng, 107(WW2), 59-69 Tayfun, M A (1981), Distribution of crest-to-trough wave height, J Wat, Port, Coast and Oce Eng, 107, 149-158 Toba, Y (1973), Local balance in the air-sea boundary process III; On the spectrum of wind waves, J Oceanogr Soc, 29, 209-220

176

Vincent, C L (1984), Deepwater wind wave growth with fetch and duration, US Army Engineer Waterways Experiment Station, MS, Vicksburg Wu, J (1969), Wind stress and surface roughness at air-sea interface, J Geoph Res, 74(2), 444-455 Wu, J (1980), Wind-stress coefficients over sea surface near natural conditions - A revisit, J Phys Oceanorg, 10(5), 727-740 Wu, J (1982), Wind stress coefficients over sea surface from breeze to hurricane, J Geoph Res, 87(C12), 9704-9706.

177

10. RECONOCIMIENTO La fuente de inspiracin de este trabajo fueron unas copias del documento titulado Anlisis estadstico y espectral de regmenes, editado por Miguel ngel Losada y Luis Alberto Gimnez-Curto (1978), que fue mi primer acercamiento al estudio estadstico y probabilstico del oleaje al iniciar mis estudios de posgrado en la Universidad de Cantabria. Aprovecho estas lneas para expresar mi gratitud al Grupo de Ingeniera Oceanogrfica y Costera de la Universidad de Cantabria por haberme brindado la oportunidad de aprender una filosofa de trabajo y muy en particular a Miguel ngel Losada, actualmente trabajando en la Universidad de Granada, quien me ha permitido extraer algunos conceptos que se reproducen en este documento. Tambin manifiesto mi agradecimiento a todos mis alumnos y muy singularmente a Adrin Pedrozo Acua y Alberto vila Armella, quienes fueron mis caballos de batalla a lo largo del presente documento y quienes muy generosamente me ayudaron a su realizacin. Externo, adems, mi sincera gratitud y reconocimiento a los rbitros que annimamente y de forma desinteresada realizaron un trabajo de revisin y correccin muy profesional del primer manuscrito, as como a Olivia Gmez Mora, Mximo Ren Olvera Salgado y Gabriel Snchez Domnguez, de la Seccin Editorial del Instituto de Ingeniera, ya que gracias a ellos este manuscrito sale a la luz en la forma en que est editado.

179