Vous êtes sur la page 1sur 186

ii

iii

ABSTRACT

ix

RESUMEN

PREFACIO
Organizacin del trabajo

xi
xi

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

1
2
3
4
5
5
6

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

7
7
7
10
11
13
15
16

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

17
17
19
24
24
27
28
28
29
36
36
39

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

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

107

6.1 Estado de saturacin

107

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

108
109
109
110
112
114
114
115
115
117
117
118
119

6.3 Distribucin angular

121

6.4 Generacin de oleaje va numrica

123

7. MODELOS PARAMTRICOS DE PREDICCIN DE OLEAJE

125

7.1 Introduccin

125

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

126
126
128
129
131
132
132
134
134
134
136
139

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

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

8.9 Anlisis de rgimen medio

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

9. REFERENCIAS

171

10. RECONOCIMIENTO

179

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

Periodo
(T)

Longitud
(L)

Altura
(H)

Fuerza generadora

Fuerza restauradora

Capilares

0 a 0.1 s

2 a 7 cm

1 a 2 mm

Viento

Tensin superficial

Ultragravedad

0.1 a 1 s

Centmetros

Centmetros

Viento

Tensin superficial y
gravedad

Gravedad

1 a 30 s

De metros a
cientos de
metros

De
centmetros
a 15 m

Viento

Gravedad

Infragravedad

30 s a 30 min 100 a 200 m

Pequea

Viento

Gravedad, fuerza de
Coriolis

Periodo largo

5 min a 24 h Pueden llegar a


ser de escala
planetaria

1a5m

Sismo, derrumbes,
atraccin de cuerpos
celestes

Gravedad, fuerza de
Coriolis

Transmarea

Ms de 24 h

0 a 12 m

Oscilaciones
climticas

Gravedad, fuerza de
Coriolis

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.

Infragravedad

De largo periodo

Sol y Luna

Gravedad

Ultragravedad

0.1 segundos

1 segundo

30 segundos

5 minutos

1 hora

12 horas

24 horas

Transmarea

Periodo

Tipo de
onda

Capilares

Fuerza
generadora

Viento
Sismos, tormentas
Gravedad

Fuerza
restauradora

Tensin
superficial

Energa

Fuerza de Coriolis

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

Fig 1.3 Oleaje tipo sea

1.3.1 Oleaje local o 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

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.

(2.1)

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

(t) [m]

0.2
0.1
0
-0.1

20

40

60

80

-0.2

100
Tiempo (s)

-0.3

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 ]

(2.2)

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 )

(2.3)

donde j1,j2,...,jn, es cualquier permutacin de los ndices 1,2,...,n.


2. Condicin de compatibilidad

Ft1 ,t2 ,...,tm +1 ,...,tn ( x1 , x2 ,..., xm ,..., ) = Ft1 ,t2 ,...,tm ( x1 , x2 ,..., xm )

(2.4)

para cualquier tm+1,...,tn, si n>m.


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

1
k (t )dt
T T

(k ) = lim

(2.5)

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

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

R (k ) = lim

(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 )

(2.7)

para cualesquiera n, , t1, t2,...,tn.


Admitida la estacionariedad del oleaje, se deduce que el valor medio es una constante
dada por
10

(k ) =

(2.8)

y la funcin de correlacin depende slo de la diferencia = t +

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,
T

1
( t ) dt = constante
T T
0
lim

(2.10)

Por tanto,
T

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 ( )

11

(2.12)

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 ( ) =

S ( )e

(2.14)

entonces,

( ) =

S ( )d

(2.15)

d ( )
d

(2.16)

S ( ) =

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

(2.19)

S ( ) =

R ( )cos d
0

12

(2.20)

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

0, y est relacionada con S() por


S ( ) = 2S ( )

(2.21)

Por tanto, la expresin 2.19, se puede escribir como

R (0) = S ( )d

(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

(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

(2.24)

Las amplitudes de estas ondas se expresan por

a22 j +1 = 2S ( 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

14

(2.27)

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


ergodicidad, resulta:

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

R ( ) = lim

(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

(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 m2 =

Media cuadrtica

X
i =1

1
N

X
i =1

2
i

Media de los N/n valores mayores

X 1/ n

Casos particulares

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

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

(3.1)

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


ecuaciones para evaluar el nivel medio.
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

19

n =1

(3.2)

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

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

(3.3)

donde

A0 =

N 2Y0 N1Y1
,
N 0 N 2 N12

A1 =

N 0Y1 N1Y0
,
N 0 N 2 N12

(3.4)

Nr = nr ,

Yr = n rn

n =1

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

n = 1, 2,..., N

(3.6)

donde

1
Y0 ( N 2 N 4 N 32 ) + Y1 ( N 2 N 3 N1 N 4 ) + Y2 ( N1 N 3 N 22 ) ,

1
B1 = Y0 ( N 2 N 3 N1 N 4 ) + Y1 ( N 0 N 4 N 22 ) + Y2 ( N1 N 2 N 0 N 3 )

1
B2 = Y0 ( N1 N 3 N 22 ) + Y1 ( N1 N 2 N 0 N 3 ) + Y2 ( N 0 N 2 N12 )

= N 0 N 2 N 4 + 2 N1 N 2 N 3 N 23 N 0 N 32 N12 N 4
B0 =

20

(3.7)


Zona 2
Zona 1

Zona 1

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

ti

ti

ti

0.0

0.4891

4.0

0.6317

17

8.0

0.4378

25

12.0 -0.0255

0.5

0.4723

10

4.5

0.5040

18

8.5

0.5057

26

12.5 -0.1303

1.0

0.5085

11

5.0

0.3854

19

9.0

0.5589

27

13.0 -0.1567

1.5

0.5899

12

5.5

0.3022

20

9.5

0.5790

28

13.5 -0.1072

2.0

0.6872

13

6.0

0.2653

21

10.0 0.5475

29

14.0 -0.0102

2.5

0.7617

14

6.5

0.2717

22

10.5 0.4545

30

14.5 0.0918

3.0

0.7813

15

7.0

0.3104

23

11.0 0.3075

31

15.0 0.1589

3.5

0.7340

16

7.5

0.3692

24

11.5 0.1339

32

15.5 0.1686

21

ti

0.8

(m)

0.6
0.4
0.2
0.0
-0.2 0

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

N 2Y0 N1Y1 (11440 )(11.5779 m ) ( 528 )(133.1205 m )


=
= 0.7121m
2
N 0 N 2 N12
( 32 )(11440 ) ( 528)

A0 =

A1 =

N 0Y1 N1Y0 ( 32 )(133.1205 m ) ( 528 )(11.5779 m )


=
= 0.0212 m
2
N 0 N 2 N12
( 32 )(11440 ) ( 528 )

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

n = 1, 2,....,16

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
1
Y0 ( N 2 N 4 N 32 ) + Y1 ( N 2 N 3 N1 N 4 ) + Y2 ( N1 N 3 N 22 ) ,

11.5779 ( (11440)(7246096) (278784) 2 ) + 133.1205 ( (11440)(278784) (528)(7246096) )

B0 =
=

16193757184
2121.4531( (528)(278784) (11440) 2 )
+
= 0.6058 m
16193757184

B1 =
=

1
Y0 ( N 2 N 3 N1 N 4 ) + Y1 ( N 0 N 4 N 22 ) + Y2 ( N1 N 2 N 0 N 3 )

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
Y0 ( N1 N 3 N 22 ) + 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

(m)

0.2
0.0

-0.2 0

12

16
t(s)

-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

B2
,
4A

tmx = ti

t B
2A

(3.10)

donde

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.

Mximo
positivo

2.5
2.0
1.5

Segundo
cruce

( m)

1.0
0.5
0.0

-0.5
-1.0
-1.5
-2.0
-2.5

t (s)
0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

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

ti (s)

i (m)

ti (s)

i (m)

ti (s)

i (m)

0.0

-0.200

2.5

1.691

11

5.0

-1.935

2
3
4
5

0.5

0.097

3.0

1.052

-0.964

0.551

3.5

-0.242

6.0

0.283

1.5
2.0

1.399
1.872

4.0
4.5

-1.489
-2.069

12
13
14

5.5

1.0

7
8
9
10

6.5

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 )

( 0.146 ) = 1.8883m
B2
=C
= 1.872
4A
4 ( 0.327 )
2

mx

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 )

( 0.223) = 2.1038 m
B2
=C
= 2.069
4A
4 ( 0.357 )
2

mn

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

Punto de paso descendente por cero

0.2
0.1

0
-0.1

20

40

60

80

-0.2
-0.3

10

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

i-1 > 0

(3.12)

3.1.2.3 Mtodo de distancia entre crestas


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

10

12

11

13 Nmero de ola

0.2
0.1
t

0
-0.1

20

40

60

80

-0.2
-0.3

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

0.3
0.2
0.1
t

0
-0.1

20

40

60

80

-0.2
-0.3

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 ) =

1
N

i =1

donde

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


N nmero de eventos o muestras.
29

(3.13)

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

2
rms

1
=
N

2
i

i =1

(3.14)

La altura media y el periodo medio:


1
H=
N0
T =

1
N0

N0

H
i =1

(3.15)

N0

(3.16)

i =1

donde
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

N0

H
i =1

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

H(m)

T(s)

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

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

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

H(m)

T(s)

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

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

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

H(m)

T(s)

H(m)

T(s)

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

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

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

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

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

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,


1 154 2
H i = 1.011m
154 i =1

H rms =
Altura de ola un medio,

H1/ 2 =

2 77
H i = 1.255 m
154 i =1

Altura de ola significante o un tercio,


H s = H1/ 3 =

3 51
1

H i + H 52 = 1.421m

154 i =1
3

Altura de ola un dcimo,


H1/10 =

10 15

H i + 0.4 H16 = 1.805 m

154 i =1

Altura de ola un centsimo,

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 =

1 154
Ti = 8.31s
154 i =1

Periodo de ola un medio,

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

20
18
16
14
12
10
8

Probabilidad (%)

Nmero de olas

30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0

6
4
2
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 )

100

150
140
130
120
110
100
90
80
70
60
50
40
30
20
10
0

90
80
70
60
50
40

Probabilidad (%)

Nmero de olas

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

30
20
10
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 )

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

1.0

0.9

0.9

0.8

0.8

Densidad de probabilidad (1/m)

1.0

Probabilidad

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0

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

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)

H (m)

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

(m)

8.6
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

1.2
0.8
0.4
0.0

Altura de ola (m)

1.6

j1

Hc
0

25

50

75

100

125

150

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
Tp

1
E (t ) =
2 ( t + ) Q1 ( )

T =Tp

para Tp t Tn Tp

(3.22)

donde Tn es el tiempo total del registro. Para el inicio y el final, se tiene:


Tp

2
2
E (t ) =
t (t + )Q1 ( )
Tp + t =

para 0 t Tp

(3.23)

para Tn Tp t Tn

(3.24)

T 1

E (t ) =

n
2
2 (t + )Q1 ( )

Tp + t =Tp

40

Para estos casos, se utiliza:

Q1 ( ) = 1

para Tp < Tp

Tp

Q1 = 0

(3.25)

para los dems valores.

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


expresin:

GF =

GF =

1
Tn

m 0
m0

Tn

( E (t ) E )

(3.26)

(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

1.50
1.00
0.50
0.00
-0.50
-1.00
-1.50
1.50

SI W E H (m 2 )

(m )

factor de agrupamiento, 1.46, 0.78 y 0.14.

1.00
0.50
0.00
0

200

400

600
T iem p o (s)

800

1000

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

41

1200

(m)

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

1.50
1.00
0.50
0.00
-0.50
-1.00
-1.50
1.50

SIW EH (m 2 )

(m)

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

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

Presin (m)

9.8

Seal de oleaje

9.6
9.4
9.2

200

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

(4.2)

donde representa el peso especfico del agua de mar.


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

(4.3)

con lo que la energa total del oleaje por unidad de superficie ser:
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

45

(4.5)

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

B. Aplicacin de una funcin ventana

Ventana tipo trapezoide


Ventana tipo coseno

Espectro direccional

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

46

Media
Ec lineal
Ec parablica
Filtro espectral

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:
N /2

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

(4.7)

n =1

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

Superficie libre (m)

9.6
9.4
9.2
9
0

200

400

600

800

Tiem po (s)

Fig 4.1 Registro de oleaje con influencia de onda larga

47

1000

Superficie libre (m)

9.8

9.6

9.4

9.2

9
0

200

400

600

800

1000

Tiempo (s)

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
*

: 0 t* l
: l t* N l
: N l < t* N

48

(4.9)

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

(4.10)

donde normalmente se acepta que l = 0.1N.


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

(4.11)

b ( t ) dt
4

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

N
N

b(t )
n =1

(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:

n =1

(t ) = a0 + an cos

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

2
an =
Tr
bn =

2
Tr

T /2

(t ) dt

T / 2
T /2

(t ) cos

2 nt
dt
Tr

(t )sen

2 nt
dt
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 =

2 n
Tr

(4.15)

2
Tr

(4.16)

La distancia entre armnicos adyacentes es

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

Seal or iginal

1.0

(m)

0.5
0.0
-0.5
-1.0
-1.5
1.0

Fun cin ventan a (b)

0.8
0.6
0.4
0.2
0.0
1.5

Seal despes de aplicar la ventana

1.0

(m)

0.5
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 ) sen

T / 2

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

n =1

T /2

(t ) cos n t dt cos nt +

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

T / 2

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

(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

(4.23)

F ( ) = A( ) iB( )

(4.24)

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

(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)

B ( ) cos t d = 0

(4.28)

y de manera similar,

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

53

(4.29)

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

N 1

e
n =0

i j nt

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

(4.31)

o considerando la ec 4.30,

F( f j ) =

1
N

N 1

e
n=0

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

S ( ) d =

f1 + df
f1

S ( f ) df =

T1 + dT

T1

S (T ) dT

(4.38)

y teniendo en cuenta que

df =

dT =

d
2

(4.39)

(4.40)

se obtiene,
1 + d

S ( ) d =

f1 +
f1

d
2

S ( f ) df =

T1

T1

S ( 1 ) d = S f ( f1 )

2
d
2

S (T ) dT

d
2 d
= ST (T1 )
2
2

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

56

(4.41)
(4.42)

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

(4.43)

2 2
S

T2 T

(4.44)

ST (T ) =

S ( ) =

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

(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

(m )

0.25
0.00
1.0

2.0

3.0

-0.25

4.0
t (s )

-0.50
Fig 4.4 Seal discreta
Solucin: El intervalo de frecuencia f, se evala a travs de la ec 4.36,

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

8 1

e
n =0

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) = 0 m
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 )

= 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

S (m2/Hz)

0.75
0.50
0.25
0.00
0.00

0.25

0.50

0.75

Fig 4.5 Espectro de energa de la seal de ejemplo

58

1.00

f(Hz)

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*

(4.47)

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

W ( f )df

=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

W( f

j =k m

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

(4.50)

donde ns es el nmero de segmentos tomados.


Los filtros o funciones de peso ms comunes se explican a continuacin.
Filtro rectangular
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

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

1
;
[ (m 1/ 2]

(m 1)
m

2
2

(4.52)

Filtro parablico
2

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

(m 1)
m

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
n/2

j = ( m 1) / 2

(f )

(4.55)

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

5
r m , para el filtro parablico
3

(4.56)
(4.57)

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


equivalente a los valores dados por:
60

fB

3m
, para el filtro triangular
4 N t

(4.58)

fB

5n
, para el filtro parablico.
6 N t

(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

(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

m22
= 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.
1/ 2

m m

= 0 2 2 1
m1

61

(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 ))

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

(4.66)

H rms = 8m0

(4.67)

Altura de ola cuadrtica media

Altura de ola de momento de orden cero


H m0 = 4.004 m0

(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)

S(m2/Hz)

f (Hz)

S(m2/Hz)

f (Hz)

S(m2/Hz)

f (Hz)

S(m2/Hz)

0.05625
0.06250
0.06875
0.07500
0.08125
0.08750
0.09375
0.10000
0.10625
0.11250

0.00004
0.00214
0.02032
0.07476
0.16182
0.29755
0.62772
0.98125
0.73726
0.41829

0.11875
0.12500
0.13125
0.13750
0.14375
0.15000
0.15625
0.16250
0.16875
0.17500

0.27027
0.21033
0.17649
0.14983
0.12698
0.10745
0.09093
0.07705
0.06542
0.05570

0.18125
0.18750
0.19375
0.20000
0.20625
0.21250
0.21875
0.22500
0.23125
0.23750

0.04756
0.04074
0.03501
0.03019
0.02612
0.02267
0.01974
0.01725
0.01512
0.01329

0.24375
0.25000
0.25625
0.26250
0.26875
0.27500
0.28125
0.28750
0.29375
0.30000

0.01172
0.01036
0.00918
0.00816
0.00727
0.00650
0.00582
0.00522
0.00470
0.00423

1.
0.

S (m2/Hz)

0.
0.
0.
0.
0.

0.

0.

0.

0.

f (Hz)

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

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

m2 = f

i =1

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

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

m3 = f

i =1

( 0.0625Hz )

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

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

( 0.0625Hz )

2
2

1/ 2

= 1

mm
4

1/ 2

m m

= 0 2 2 1
m1

m2
m2
4
2
4
+
+
0.00214
...
0.03Hz
0.00423
(
)

= 0.00001m Hz
Hz
Hz

1/ 2

0.00049m 2 Hz 2 )
(

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

1/ 2

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

0.00374m
Hz
(
)

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

( 0.03141m )
2

m0
T02 =
=
m2

( 0.00049m Hz )

rms = m0 =

( 0.03141m ) = 0.177 m

= 7.99s

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


H m0 = 4.004

= 0.6591

( 0.03141m ) = 0.717 m
2

64

= 0.3294

2
Qp = 2
m0

f ( S ( f ))

df =

( 0.03141m )

2 2

m2
( 0.05625Hz ) 0.00004
+
Hz

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
Presin (m)

1.5
0.0

-1.5

Correccin del nivel medio:


1. Lineal
2. Parablica
3. Media

Estimacin del espectro

200

400

600
Tiempo (s)

800

1000

1200

Funcin ventana:
1. Trapezoide
2. Coseno

Estimacin de las
componentes de Fourier
(TRF)

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:
N

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

(4.69)

n =1

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)

(4.70)

donde h, representa la profundidad.


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 +

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

(4.73)

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


dadas por:
entre [ 0, 2 ]

D ( f , ) 0

D ( f , ) d =1

(4.74)
(4.75)

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

67

(4.76)

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

Consiste en

Sistemas de
un solo
punto

La medicin simultnea en la misma vertical


de diversas propiedades del oleaje, como son
superficie libre, velocidades etc.

Arreglos de
sensores de
presin

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

Sistemas de
percepcin
remota

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

Ejemplos
1. Boya
2. Olmetro con
corrientmetro en dos
componentes

1. Radares de microondas
2. Satlite
3. Tcnicas de estreofotografa

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 ) =

Rmn ( ) e i 2 f d

(4.77)

donde

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:
2

Gmn ( f ) = H m ( f , ) H m* ( f , )e

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:
2

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

(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

70

(4.82)

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:

0
D1MFM ( f , ) = ( s) cos 2 s

(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

H
exp(i (kx t ))
2

= [ik cos ]
x

ik

= [iksen ]
y

ik

1
g t

=
z =0

71

TABLA 4.4 (Continuacin)


Tipo de seal
medida

Pm

hm

Velocidad
(eje x)

ux =

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

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

Velocidad
(eje y)

uy =

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

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

senh ( k (h + z ) )

= i

senh ( kh )
z

senh ( k (h + z ) )
senh ( kh )

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

u x
= i 2
cos i 2
1
senh ( kh )
senh(kh)
t

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

= i 2
sen i 2
0
senh ( kh )
senh(kh)
t

Velocidad
(eje z)

uz =


=
t
z

Velocidad
vertical de la
superficie
Aceleracin
(eje x)

ax =

Aceleracin
(eje y)

ay =

Aceleracin
(eje z)
Aceleracin
vertical de la
superficie

= i

-i

z =0

u y

az =

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

senh(kh)
t

senh ( k (h + z ) )
senh ( kh )

2
= 2
2
t

-2

cosh ( k (h + z ) )

cos
senh(kh)

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

cosh ( k (h + z ) )

sen
senh(kh)

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

senh ( k (h + z ) )
senh ( kh )

Desplazamiento
(eje x)

x = u x dt = i

Desplazamiento
(eje y)

y = u y dt = i

senh ( k (h + z ) )

senh(kh)

Desplazamiento
(eje z)

z = u z dt =

Presin dinmica

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

cosh
kh
(
)

72

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

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) )

(4.84)

( 2 s + 1)

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 )

s=

r1
1 r1

(4.85)

Segundo orden

0 =

1
Arg ( a2 + ib2 )
2

s=

1 + 3r2 + r22 + 14r2 + 1


2(1 r2 )

(4.86)

donde

rn = a n2 + bn2
Los coeficientes de Fourier, para la funcin de dispersin direccional se definen por:
2

an = D ( f , ) cos(n )d
0

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

(4.87)
(4.88)

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:
D1 ( f , ) =

( 0 )2
1
exp

(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 )

= 2Ln(r1 )

(4.90)

Segundo orden

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

E(f)

a1(f)

b1(f)

C11

Q12
C11 (C 22 + C 33 )

Q13
C11 (C 22 + C 33 )

C11

Q12
C11 (C 22 + C 33 )

Q13
C11 (C 22 + C 33 )

Q12
C11 (C 22 + C 33 )

Q13
C11 (C 22 + C 33 )

Q12
C11 (C 22 + C 33 )

Q13
C11 (C 22 + C 33 )

Boya

; x ; y

Superficie libre y
corrientes 2D
; u x ( z ); u y ( z )

Presin y corrientes 2D
1
cosh (kh )

C11
p ( z ); u x ( z ); u y ( z )
g cosh (k (h + z ))

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

C11

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

1 sinh (kh )

C11
sinh (k (h + z ))

Q12
C11 (C 22 + C 33 )

Q13
C11 (C 22 + C 33 )

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

1 sinh (kh )

C11
sinh (k (h + 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)

b2(f)

C 22 C 33
C 22 + C 33

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

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

75

(4.93)

Esta estimacin se relaciona con la funcin de dispersin angular normal, por medio
de la siguiente expresin:

D MLM ( f , ) = D ( f , ) w ( , ') d '

(4.94)

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

(4.95)

donde

m,n

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

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

Primer esquema
+1

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

con

= 1

1
iMLM
( f , )
D
( f , )

(4.97)

MLM

Segundo esquema
+1

( f , ) =

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

con

(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

(5.1)

donde km es el nmero de onda.


El nmero de onda, km, est asociado con la frecuencia angular, m, a travs de la
relacin de la dispersin al primer orden:

m2 = 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)

2 = =
2

( ) p ( ) d
2

(5.6)

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

(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 ( ) =

1
2

donde

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

(5.10)

donde

=
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

m n =

p ( ) d
n

(5.12)

y, por tanto,

1 3 5 ( n 1) para momentos de orden par


m n =
para momentos de orden non
0

y
m n =

n
n

(5.13)

(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:

3
= m 3
3

(5.15)

4
3 = m 4 3
4

(5.16)

1 =
2 =

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

p (1/m)

1.20

0.80

0.40

0.00
-1.50

-1.00

0.00

-0.50

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

2
m 5 10m 3
1 2 m 3
m 4 3

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

H 6 ( ) + ...
6!

p ( ) =

donde Hn son los polinomios de Hermite definidos como:


H 3 ( ) = 3 3

H 4 ( ) = 4 6 2 + 3

H 5 ( ) = 5 10 3 + 15

H 6 ( ) = 6 15 4 + 45 215

etc.

(5.20)

y m n es el momento de orden ensimo de la variable aleatoria normalizada (ec 5.12).


La ec 5.19 tambin puede ser desarrollada usando el concepto de polinomios
ortogonales:
1

m 10 1
1 2 1

p ( ) =
e
1 + H 3 ( ) + 2 H 4 ( ) + 5
H 5 ( ) +

4!
5!
2
3!
m 6 15m 4 + 30

H 6 ( ) + ...
6!

(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

1
2

1
2

3
8

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


(5.22)

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

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
1 2 A B 9 ( k )
+
p ( ) =
e
R 8 N
2

1
R 3

(5.23)

donde
2 13

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

2 39

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

R = 1+

2
9
k ) 2
(
4

N = 1 + ( k )

(5.24)

(5.25)

(5.26)

(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

p (1/m)

1.20

0.80

0.40

0.00
-1.50

-1.00

0.00

-0.50

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)

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


1
P ( ) =
2

e {erf A ( , ) + + erf A ( , ) } d

(5.29)

( )

donde

para >
0

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

k m0

87

(5.30)

(5.31)

A ( , ) = 1 +

= 1 + k 2 m0

2
2

(5.32)

(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

1
1

1 2
1 2 (1 2 ) 2 2 x2
2 12
e dx
exp + (1 ) exp
2
2

(5.34)

donde

mx

(5.35)

m0

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

P ( mx ) = 0

para mx 0

para mx < 0

89

(5.36)
(5.37)

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 ) =

2
1 mx

1
e 2 m0
2m0

(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:

N O+ nmero de cruces de (t) con el nivel medio con pendiente positiva


N O nmero de cruces de (t) con el nivel medio con pendiente negativa

N C+ nmero de crestas positivas (sobre el nivel medio)


N C nmero de crestas negativas (sobre el nivel medio)
N V+ nmero de valles positivos (sobre el nivel medio)

N V nmero de valles negativos (sobre el nivel medio).


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

N O+ = N C+ NV+

(5.39)

N O = NV N C

(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+ = N C = rN C

(5.41)

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


negativas.
90

Por tanto,
N O+ = N C+ 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
N O+

r0

( 0 )

(5.44)

NC

N O+

1
2

( 1)

(5.45)

donde

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

N O+ = 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:

N O+ = N C = N C+ NV+

(5.47)

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

Lado (+)

2
1
0
-1 0

10

20

30

40

50

-2

60

70

Lado (-)

-3

Fig 5.3 Seal sinusoidal con N C+ = N V


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 H rms
p
e
=2
H rms
H rms

(5.48)

En forma dimensional se puede expresar como:


H2

H2

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

(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

(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

y2 = 1 2

(5.51)

y + y2
2

2 =

y y2
2

(5.52)

1 =

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

p ( y , y2 ) =

1
y

1
y2

y 2 + y2 2

1
2
y 2 y2 e
2 4
y2

2
y

y 2 + y2 2

1
2
= y 2 y2 e
8

(5.53)

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

p ( y) =

y2 y

y1

y1

y2 2

1 4 1 2
2

p ( y, y2 ) dy2 = e
y

y
e
2

8
y1

dy2

(5.54)

Operando, la ecuacin anterior tambin se puede expresar como:


2
y2
y2
y1 y2


4
4
1 4

+ ( 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:


y1

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

y2

2

y2 y

y2 2

1 4 1
ye
0 e
2

(5.56)

dy2

Las ecs 5.55 y 5.56 se pueden expresar tambin en forma dimensional como:
H2
H2

4 m
4 m
H2

1
H
2 Erf
p(H ) =
e 0 2
e 0 +
4 m0
m0

m0

94

2 m0


(5.57)

H 2

2m
P ( H ) = 1 e 0 +
2

H2

H 4 m0
e
Erf
m0

2 m0

(5.58)

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

Erf ( X ) =

u2

(5.59)

du

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:
1 12 + 22

1 2

p ( 1 , 2 ) = 1 22 I 0
1
2
e
2
1
1

(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

(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


1 y 2 y2 2 1 2
4
2

p ( y , y2 ) =
I
y
y
e
(
)
0
2
1 2 4

8 1 2

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

95

(5.63)

p ( y) =

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

1
e
4

1 y2 y

2 1

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

1 y 2 y2 2

4 1 2

(5.64)

dy2

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


y

P ( y ) = p ( y ) dy

(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:
1 H2

H 2 u 2

H
H 2 u 2 1
1 2 m0 1 2 H 2 u 2 1
p(H ) =
e
I
0 4m0 1 2 0 4m0 1 2 e
m0

4 m0 1 2

du

(5.66)

P ( H ) = p ( H ) dH

(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

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

D en sid a d d e p r ob a b ilid a d

0.5

0.4
0.3
0.2

=
=
=
=
=
=

0
0.2
0.4
0.6
0.8
1.0

0.1
0.01
0.001

0.1
0
0

6
1/2
H/m 0

0.0001
10
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:

p(H ) =

b
H

H

H

1+ n
1 n

a H 1n
H

(5.68)

donde
a=

4 1 +

b=

2a
1 n

(5.69)

(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

(5.71)

donde

H
H rms

(5.72)

b 1+ 2
2
= a 1 +

(5.73)

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,
a1 4


3 4

p ( ) = a1 e

2.055 3e

( 0.514 )
4

(5.75)

donde
a1 =

( 2 )

3/ 2

4 1 + 2 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.

Pr obabilidad de e xcedencia

Densidad de p r obabilidad

n=0
n = 0.1
n = 0.2
n = 0.3
n = 0.4
n = 0.5

4
3

0.1

0.01

1
0

0.001
0

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

12
0
N

J o ( u ) du

1/ 2
4
N u

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

0 N 1/ 2

N 1/ 2 (2 N )1/ 2

(5.77)

(5.78)

donde N es el parmetro de Tayfun que se define como:


tanh(k0 h)
N =

7 2 k 2m
0
0

(5.79)

donde

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)

Pr obabilidad de excedencia

Densidad de p r obabilidad

N=5
N=6
N=8
N = 10
N = 20
N = 100

0.8
0.6

0.1

0.4

0.01

0.2
0

0.001
0

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=

TC =

m0

T
TC

101

(5.83)

(5.84)
m2
m4

(5.85)

TC

Si 0.95 = 1

1
1+ 1 2
2

(5.86)

(5.87)

2
=
1 2
2

(5.88)

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=

(5.89)

m0

En su forma dimensional la expresin queda determinada por:

p( H , T ) =

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

TZ4
2 4

8 m0

H 2 2 TZ2
2 + 4 2

4
4

TZ TZ

3/ 2
0

(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
2 R R 1+ 2 1
p( R, ) = 1/ 2 2 e
L( )

(5.91)

donde m0 es el momento de orden cero, y

=
R=

T
T

(5.92)

(5.93)

2 2m0

1

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

T =

(5.94)

m0
= T01
m1

(5.95)

La ec 5.91 se puede expresar en forma dimensional como:

H T
p ( H , T ) =
3/ 2 2
e
8 2 m0 T
2

103

2
H2 1 T
1+ 2 1
8 m0 T

L( )

(5.96)

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:

p( H ) =

L( ) H
8m0 e

H2
8 m0

H
Erfc

2 2m0

(5.97)

donde Erfc es la funcin error complementaria, definida por:

2
H
2

Erfc
e
=1

2 2m
0
0

2 m0
H

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

T
0.675
T

(5.99)

5.5.2 Distribucin de Longuet-Higgins (1975)


p (T ) =

2T012
2 2T012 + (T T01 ) 2

3/ 2

(5.100)

3/ 2

(5.101)

5.5.3 Distribucin Cavani et al (1976)


2

p (T ) =

3 2 T
2 2

2 T
T 2 4 2

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
MEDICIN
BRETSCHNEIDER
LONGUETT-HIGGINS (1983)
CAVANIE

0.80
0.60
0.40
0.20
0.00
0.00

3.00

6.00

9.00

12.00

T (s)

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 travs del anlisis de una gran cantidad de espectros de oleaje se ha encontrado que
stos presentan caractersticas similares que pueden ser relacionadas mediante el
empleo de parmetros fsicos: velocidad y duracin del viento, fetch (distancia sin
obstrucciones sobre la cual el viento sopla a travs 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 estn representadas
en l. Un espectro de oleaje puede ser generado sintticamente por medio de los
parmetros que caracterizan su desarrollo. Los modelos espectrales estn basados
generalmente en uno o ms parmetros. A continuacin se describen los modelos ms
comunes para este propsito.
6.1 Estado de saturacin
La superficie del ocano se encuentra siempre sometida a la accin 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 fenmeno 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 disipacin de
energa y por las interacciones del oleaje, el cual transfiere energa de una frecuencia
dada a otras. En aguas profundas, la disipacin toma la forma de espuma (white caps)
de menor escala que la longitud de onda. Dicho fenmeno sucede cuando dos crestas
son superpuestas o cuando ondas ms cortas pasan sobre ondas ms largas.

107

El crecimiento del oleaje est limitado tambin por la formacin 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
reduccin de su amplitud.
La presencia de cualquiera de los mecanismos anteriormente descritos es un indicador
de que se ha llegado al estado de saturacin de los componentes del oleaje, donde se
produce un balance entre la energa suministrada por el viento y las prdidas debidas a
la disipacin; dicho estado se caracteriza porque existe un lmite superior para la
densidad de la energa espectral. Debido a esto, el estado de saturacin debe ser
exclusivamente descrito por los parmetros fsicos locales que gobiernan la
configuracin extrema de las olas; por ejemplo, la aceleracin de la gravedad ( g), la
velocidad del viento sobre la superficie libre (U ), de la dimensin del fetch (x) y de la
frecuencia local ( f ).
6.2 Modelo de Phillips
Phillips (1958), al estudiar la variacin de la energa del oleaje en funcin de la
velocidad del viento, observ dicho estado de saturacin y determin que el espectro
puede ser definido a partir de los siguientes parmetros: la frecuencia, la gravedad, la
velocidad del viento y el fetch. Sin embargo, para tomar en consideracin el efecto de
saturacin en el espectro de energa hizo depender su modelo de dos parmetros:
la velocidad al cortante del viento
el fetch
ste es expresado por:
S ( f ) = g 2 f 5 (2 ) 4

(6.1)

donde g es la aceleracin 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 prediccin de oleaje a travs de informacin meteorolgica.

108

6.2.1 Espectro de Neumann


Neumann desarroll un modelo espectral analtico, en 1953, que fue el primero en ser
usado para el diseo ingenieril; ste est en funcin 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 travs de la siguiente expresin:
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 Atlntico Norte y
crearon una expresin 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 expresin 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
5 fp

4 f
5

S ( f ) = 8.1 103 g 2 (2 ) 4 f e

(6.5)

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

fp =

0.0805 g
Hs

109

(6.6)

Dado que normalmente la velocidad del viento se reporta sobre una altura de 10 m
sobre el nivel del mar, la siguiente relacin 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 distribucin tipo Rayleigh, obtuvo la
siguiente expresin 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)

donde Tp es el periodo pico espectral. Esta expresin iguala el modelo al propuesto por
Pierson y Moskowitz.
Este modelo ha sido derivado para un estado de mar totalmente desarrollado. Sin
embargo, parece razonable que tambin 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

gTs
= 4.764
Uw

(6.12)

(6.13)

Ejemplo. Para ilustrar el uso de las expresiones anteriores, considrese 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

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
Totalmente desarrollado
Parcialmente desarrollado (90%)
Parcialmente desarrollado (80%)

600

S (m 2/Hz)

500
400
300
200
100
0
0

0.1

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

(6.14)

donde
fu*
g
gx
x= 2
u*
f =

u* = velocidad de friccin del viento (cortante)


x = fetch.
Toba (1973), con base en el trabajo de Kitaigorodskii (1961), encontr de forma
emprica que la mejor aproximacin a los datos de su tnel de viento eran proporcionados por la funcin espectral dada por
S ( f ) = u* gf 4

112

(6.15)

u* = 0 / a

(6.16)

donde a es la densidad del aire y 0 es la friccin 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 funcin 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 estn dadas en m/s),

C10 = (0.8 + 0.065U10 ) 103

(6.18)

La evaluacin del viento a cualquier altura puede hacerse a travs de la siguiente relacin

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
Primero se debe de estimar el valor de u* a travs de las ecs 6.17 a 6.19. Es importante
mencionar que existen diversos mtodos que son ms eficientes numricamente; sin
embargo, para fines de este ejemplo se utilizar la tcnica 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 ecuacin, a medida que la frecuencia es ms
pequea la energa tiende al infinito.

113

TABLA 6.1 RESULTADO DE APLICAR LA TCNICA DE APROXIMACIONES


SUCESIVAS
Iteracin

U10 propuesto
C10
u*
U19.5 calculado

20
0.0021
0.916515139
20.61207573

21
0.002165
0.977121
21.65255

21.5
0.002198
1.007866
22.17308

21.546
0.0022
1.01071
22.22098

6.2.5 Espectro ISSC


En el International Ship Structures Congress de 1964, se sugiriuna ligera modificacin 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 relacin 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 expresin:
7

m0 f 4 f 0
S( f ) =

e
f0 f0

(6.22)

donde
f0 =

1
1
=
T02
m0 / m2

114

(6.23)

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 trminos 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

fz
exp 0.318

(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 dcada de los sesenta por un proyecto de medicin de
oleaje conocido como JONSWAP, por sus siglas en ingls (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 expresin que representa este
espectro es

f
S J ( f ) = S P ( f ) PM J ( f , f P , , )
f
p

(6.25)

donde
SP (f) es la ecuacin de Phillips dada por la ec 6.1

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


5 f

PM

f 4 f P
=e
fP

(6.26)

J es el factor de forma del espectro JONSWAP

J = e

( f f )2
p

2 2 f 2
P

(6.27)

donde
A

B
115

fP f

fP > f

(6.28)

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

(6.29)

Los valores medios de los parmetros 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 despus ( 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
espectro. El parmetro es funcin directa del fetch y de la velocidad del viento,
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
tambin con el fetch y la velocidad del viento, tal que:

g 0.33
f P = 3.5
( x)
U10

(6.31)

donde

x=

gx
U102

(6.32)

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

4 fP
5

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

( f f )2
p

2 2
2 f P

(6.33)

0.0624 (1.094 0.01915ln )


0.230 + 0.0336 0.185 (1.9 + )

116

(6.34)

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 estimacin del periodo de pico espectral, Tp, ya que es
ms normal que se reporte el periodo de ola significante, Ts; por ello Goda (1988)
sugiere la siguiente relacin:
Tp

Ts

1 0.132 ( + 0.2 )

(6.35)

0.559

Aunque hay muchos estudios posteriores al realizado por Jonswap, es importante


mencionar que este espectro es uno de los ms 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
expresin:

6.5m0 f
S( f ) =

f p f p

6.5

f
1.18
fp

5.5

(6.36)

6.2.10 Espectro Wallops


Huang et al (1981) propusieron un modelo espectral de dos parmetros basndose en
los datos del laboratorio de la NASA en Wallops Center. Dicho modelo espectral est
expresado por medio de la siguiente ecuacin:

S ( f ) = H s f m f p

m 1

m f

4 f p

(6.37)

La relacin 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

En este caso, y m son funcin de la pendiente significante sl:


117

(6.38)

m0
Lp

sl =

(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

(6.40)

log 2

Aguas intermedias y someras


2


3
2
2
2

log 2 ( sl ) coth ( k p h ) 1 +
2senh 2 k h

m=
para 1 < k p h
log 2

(6.41)

Mientras que

( 2 sl ) m
2

m 5
4

m 1
4

(6.42)

m 1

De acuerdo con Goda (2000), se puede estimar a travs de la siguiente ecuacin,

0.0624 1 + 0.7458 ( m + 2 )

=
m 5
m 1
4 4

1.057

(6.43)

6.2.11 Espectro de Ochi-Hubble


Ochi y Hubble (1976) desarrollaron un modelo espectral de seis parmetros 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


combinacin lineal de ambos componentes, los cuales se expresan en trminos de tres
parmetros cada uno, dicha combinacin lineal hace posible modelar, aparentemente, casi
todos los estados de mar que se presentan durante una tormenta y hace viable la
representacin 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
H sj2

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
parmetro 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 frmula:
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 ms comunes para estos parmetros son

1 = 2.72

2 = 1.82e H

/ 121.5

donde Hs estdada en metros.


6.2.12 Espectro TMA
Para aguas poco profundas, Bows et al (1985) asumieron la validez del espectro tipo
Jonswap, expresado en funcin del nmero de onda k, e incluyeron el factor de
transformacin, 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

(6.47)

donde k y f se relacionan a partir de la relacin de dispersin,

( 2 f )

= gk tanh kh

(6.48)

Se supone que dentro de k se encuentran implcitos varios efectos de aguas someras,


como son la friccin de fondo, rompiente y refraccin. Adaptando el factor de
transformacin 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 generacin.
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

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 superposicin de componentes con distintas direcciones de propagacin. El
espectro direccional representa la distribucin de energa del oleaje no solamente en el
dominio frecuencial, sino tambin en el direccional (ngulo ). Generalmente se
expresa como

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

(6.50)

donde S( f, ) es la funcin de densidad espectral del oleaje direccional o simplemente


espectro de oleaje direccional, y G ( f; ) es la funcin de distribucin direccional,
tambin llamada funcin de distribucin angular o distribucin angular.
La funcin G ( f; ), representa la distribucin direccional de energa del oleaje, y se ha
comprobado que vara con la frecuencia, aunque algunas formulaciones simplificadas no
lo contemplan. La funcin de distribucin angular es adimensional y se normaliza
mediante

G(f ; ) d = 1

(6.51)

donde se usa como funcin de pico.


Por tanto, el espectro frecuencial S(f) da el valor absoluto de la densidad de energa
del oleaje en cada frecuencia, mientras que la funcin G(f; ) representa la distribucin
de la energa del oleaje por direcciones.
Mitsuyasu et al (1975) han propuesto la siguiente funcin, basada en datos medidos en
diferentes campaas de campo:
mx

G ( f ; ) = cos 2 s ( / 2 )d
mn

(6.52)

donde s es un parmetro dependiente de la frecuencia.


La funcin anterior tiene como caracterstica al parmetro s, el cual representa el grado de
concentracin de energa por direcciones, que adquiere un valor mximo 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 distribucin


direccional de energa del oleaje es de banda ms estrecha alrededor de la frecuencia de
pico espectral.
A pesar de que la propuesta original de Mitsuyasu et al (1975) relacionaba el
parmetro de concentracin s con la velocidad del viento U, Goda y Suzuki (1975) han
redefinido la expresin original de la siguiente forma, introduciendo el valor de pico s,
como smx, como parmetro principal, para el propsito de aplicacin ingenieril,

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

(6.53)

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

D(f, ) =

1 1
+
2

(n m )2
2

cos n( - m )

(6.54)

n=1

la cual es una funcin de la direccin principal m y la desviacin estndar circular m en


radianes, definida por

m = 0 + 1 (f - f p )

(6.55)

m = 0 + 1 (f - f p )

(6.56)

Es muy comn asignar tanto a 1 como a 1 un valor igual a cero.


Con el fin de ilustrar el efecto de la distribucin 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 cuadrtica 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 PARMETROS DE LOS DIFERENTES ESPECTROS


Caso

Smx

a
b
c
d

10
75
10
75

1
1
10
10

6.4 Generacin de oleaje va numrica

En ocasiones para cierto tipo de estudios, particularmente en laboratorio, es necesario


contar con series de tiempo del oleaje. Una limitacin que tiene todas las tcnicas de
prediccin de oleaje espectral es que slo estiman la distribucin energtica del oleaje
sobre ciertas frecuencias. Por ello, algunos autores han propuesto metodologas para la
generacin numrica de oleaje.
Uno de los mtodos ms utilizados para la generacin sinttica de oleaje es el llamado
esquema de fases aleatorias, donde la oscilacin de la superficie libre est compuesta por

la superposicin 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 funcin del tiempo,
es expresada por
N/2

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

(6.57)

n 1

con

C n = [ 2 S ( f n ) f ]

1/ 2

f =

1
N t

(6.58)
(6.59)

En las ecuaciones anteriores, N es el numero de puntos en la serie de tiempo, t el


intervalo de muestreo, tmax la duracin de las serie de tiempo, Cn son las amplitudes
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 mtodo representa un estado de mar gaussiano solamente cuando el numero de
armnicos, N/2, se aproxima a infinito. Para un numero finito de N y f = constante, el
perfil de la superficie libre se repite despus de t = tmx. Casi siempre, la duracin de
0 < t < tmx es de inters, y el uso de = constante es normalmente suficiente si f es
pequeo.
Para regresar la serie de tiempo en funcin de determinados coeficientes de Fourier, es
posible haciendo uso de la siguiente ecuacin:
N/2

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

(6.60)

n 1

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

( )
b = C sen ( )
n

an = Cn cos
n
n

(6.61)
(6.62)

Para calcular las fases aleatorias, n, se puede utilizar cualquier tcnica de generacin de
nmeros 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

Dominio de solucin

Capa de tensin constante

Ajustar

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

128

(7.2)

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

U* =

U obs

(7.3)

z
ln obs
z0

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 )

0.1639

(7.4)

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:

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

U *2
T

z
z
ln
L '
z0

=0
=C

(7.8)
|

z
L'

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

1 + u2

1
+

2
tan
ln

|
u

z
>0
L'
z
0
L'

(7.9)

1
1 18Ri1/ 4

(7.10)

z
1/ 4
(1 18Ri )
L'

(7.11)

u =
Ri =

T = 0

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

130

(7.13)

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:

uur
Vg

sen =

uur

( ) V
2

U
ln
= A ln uur* +
fz0
Vg

2
*

B2

(7.14)

BU *
uur
Vg

(7.15)

uur
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(

0.015 )

0.03
B = B0 B1 1 e( )

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

(7.16)

>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 *

(7.18)

fL '

uur
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

3600 < ti < 36000s

(7.21)

(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

(7.23)

CD = 0.001(0.75 + 0.067U )

(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

La ecuacin anterior est dada en metros.


133

CD
0.001

(7.25)

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

Fetch1
Fetch2
Fetchi

Oleaje

Fetchn

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

F 2/3
g 1/ 3U a1/ 3

(7.27)

Fetch restringido

t fetch = 5.

F 0.72
g 0.28U 0.44
a

136

(7.28)

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

5/ 7

(7.29)

0.411

(7.30)

Fetch restringido
U 2 gt
H = 0.000103 a i

g Ua
U gt
T = 0.082 a i

g U a

0.69

(7.31)

0.39

(7.32)

3. Fetch limitado (ti tfetch)


Mar abierto
1/ 2

U a2 gF
H = 0.0016
2
g Ua

(7.33)

1/ 3

U gF
T = 0.2857 a 2
g Ua

(7.34)

Fetch restringido
1/ 2

U 2 gF
H = 0.0015 a 2

g Ua
U gF
T = 0.3704 a 2

g Ua

137

(7.35)

0.28

(7.36)

4. Determinacin de la condicin de oleaje totalmente desarrollado:


Mar abierto
U 2
H fd = 0.2433 e
g

(7.37)

U
T fd = 8.134 e
g

(7.38)

Fetch restringido

H fd

U e2
= 0.2433

U
T fd = 8.134 e
g

(7.39)

(7.40)

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

H m0 = mn (H , H fd )

(7.41)

T p = mn (T , T fd )

(7.42)

donde
g aceleracin de la gravedad
ti duracin del viento en las expresiones de duracin limitada
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:

H m0

0.5

0.0016
gF

0.75

0.283 U a2
gd
U a2
0.283 tanh 0.530 2 tanh
(7.43)
=
0.75
g

U a
gd

tanh 0.530 U 2

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

gd
U a

tanh 0.833 2

U a

(7.44)

Con fetch limitado:

H m0

0.5

0.0016 gF

0.75
2
2

0.283 U a
gd
U

(7.45)
= a 0.283 tanh 0.530 2 tanh
0.75

U a

gd
tanh 0.530 2

U a

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

gd
U a

tanh 0.833 2

U a

(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

N c > 0.005
2

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

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

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


d = -8.311 1.818 N c + 80.6 N 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

141

(7.51)

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

N c > 0.06

a=

0.0322 6.703N c 43.472 N c

b=

0.29 + 3.806 N c + 15.58 N c

c=

0.147 1.41N c 7.778 N c

0.0031 11.49 N c + 29.71N c 17.22 N c


2

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


2

0.1542 2.494 N c + 8.75 N c 8.95 N c

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

(7.53)

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:

P0 = 1019.08 0.182Vv 0.0007175Vv 2

(7.54)

P0 = 1017.45 0.1437Vv 0.00088Vv 2

(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

(7.56)

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.

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

(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:
1

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) =

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

( 25)(1) = 0.4902
50 + 1

( 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

(8.7)

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

50 =

1
= 1.03;
1 F (50)

100 =

1
= 4.01
1 F (100)

150

150 =

1
= 43.02
1 F (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

151

1
n

(8.10)

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

(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

(8.15)

0 si F ( x) = 0
n
lim Ln ( x) = lim1 [1 Fn ( x) ] =
n
n
1 si F ( x) 1

(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

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


n

;
;

(8.17)
x

(8.18)

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

(8.19)

(8.20)

Weibull

x
H ( x; , , ) = exp

x
L( x; , , ) = 1 exp

(8.21)

(8.22)

Gumbel

x
H ( x; , ) = exp exp

< x < ; > 0

x
L( x; , ) = 1 exp exp

< x < ; > 0

(8.23)

(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 )

(8.29)

con la familia de curvas dada por la ecuacin

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

(8.32)

donde la variable es la llamada variable reducida.


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 ( )
1 +
0

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

'=

'' =

1
c( )
1 +

(8.34)

c
c( )
1 +

(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

i
n +1

x( i ) ,

i 3/8
n + 1/ 4

Blom (1962)

x( i ) ,

i 1/ 2
n

Hazen (1930)

i 0.44
n + 0.12

Gringorten (1963)

x( i ) ,

x(i ) ,

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
1

= h ( y ) = ln ln = ln ln ( y )
y

(8.37)

tal que

= a + b =

(8.38)

donde

a=

b=

(8.39)

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

= 1, resulta que
0 = =

1=


= +

(8.40)
(8.41)

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

sx 6

160

(8.42)
(8.43)

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
N

a=

N Datos xk k xk k
k =1

k =1

k =1

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

b=

k =1

k =1

a xk + k

(8.44)

(8.45)

N Datos

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

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

(8.46)

(8.47)

tal que

= a + b =
a=

b=

(8.48)

(8.49)

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

= 1:
0 = =

1=


= +

161

(8.50)
(8.51)

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
N

xk = 467.07 ;
k =1

k = 31.46 ;
k =1

xkk = 407.97 ;

k =1

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

xk

xk

xk

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

-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

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

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

-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

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

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

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

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

0.98

0.95

0.9

0.8

Pr obabilidad

0.99

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.05
0.02
0.01

0
-1

0.001

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)

xk (presin mbs)

44
45
46
47
48
49
50
51
52
53

0.821
0.840
0.858
0.877
0.896
0.915
0.934
0.953
0.972
0.991

0.542
0.604
0.671
0.741
0.818
0.903
1.000
1.116
1.271
1.540

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

1.40
0.975
1.20

Pr obabilidad

0.99

0.95
1.00
0.9

0.80

0.88
0.86
0.84
0.82
0.8

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:
53

k = 44

53

= 9348 ;

k = 44

= 9.206 ;

53

k = 44

= 8569.13 ;

53

k = 44

= 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
;

164

< x

(8.52)

Al aplicar logaritmos dos veces, se obtiene:

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

(8.53)

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

= g ( x ) = log ( x )

= h ( y ) = log log ( y )

(8.54)

y
a=

b = log

(8.55)

la familia de lneas rectas se convierte en

= 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:
N

a=

N Datos k k k k
k =1

k =1

k =1

N Datos k k
k =1
k =1
N

b=

(8.57)

a k + k
k =1

N Datos

k =1

(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

1 = ( + log ) =

(8.59)

log

(8.60)

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

(8.61)

tal que ahora,

= g ( x ) = log ( x )

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

(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,

b = 8.90,

= 3.47

y = 13.01 m

Para el caso de = 40 m; a = 14.12,

b = 48.81,

= 14.12

y = 31.74 m

Para el caso de = 100 m: a = 45.50,

b = 205.52,

= 45.50

y = 91.53 m.

166

TABLA 8.6 DATOS Y DETALLES DEL PROCESO DE CLCULO


= 20 m

= 40 m

= 100 m

16
17
18
19
20
21
22
23
24
25

10.0
10.2
10.5
10.9
11.2
11.6
12.2
12.9
13.9
16.0

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

-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

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

-2.51
-2.98
-3.49
-4.05
-4.68
-5.41
-6.29
-7.43
-9.08
-12.40

11.57
11.52
11.45
11.36
11.29
11.20
11.06
10.89
10.64
10.10

17.68

Probabilidad

0.990
0.985

-20.56 -33.88 42.97

-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

-33.32 -58.31 111.08 -44.78 -78.99 200.51

4.5
4
3.5
3

2.5
2
1.5
1

= 20

0.975
0.950
0.900
0.800
0.700
0.600
9.3

10.3

11.6

-2.2

13.2

-2

H (m)
-1.8

14.5

15.5

-1.6

16.1

16.5

-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

Probabilidad

0.990
0.985
0.975

4.5
4
3.5
3
2.5
2
1.5
1

= 40

0.950
0.900
0.800
0.700
0.600
9.7 10.5
-3.40

11.5

12.9

-3.35

-3.30

14.3

15.5

16.4 17.1

-3.25

-3.20

-3.15

H (m)

Fig 8.4 Resultado del ajuste de Weibull para mximos = 40 m,


a = 14.12, b = 48.81, = 14.12 y = 31.74 m

Probabilidad

0.990
0.985
0.975

4.5
4
3.5
3
2.5
2
1.5
1

= 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

-4.50 -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

Di+1

Hs (m)

6
4

Di

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