Determinação de parâmetros de comportamento de navios utilizando

redes neuronais
Paulo Triunfante Martins, Victor Lobo1,2
1
Escola Naval, 2ISEGI
vlobo@isegi.unl.pt

Palavras chave: previsão, modelação não linear, comportamento de navios

Sumário

A estimação do raio de giração de um navio, dadas as suas características, é um problema

importante de construção naval e dinâmica de navios. Essa estimação é normalmente feita
usando métodos que produzem resultados que diferem em média cerca de 12% dos valores
observados na prática. Neste artigo é proposta a utilização de redes neuronais para estimar
esses parâmetros, e é apresentado um resumo dos trabalhos feitos nesta área. Para finalizar
são apresentados alguns resultados preliminares, onde se usou uma rede neuronal (perceptrão
multicamada) com 2 neurónios na camada escondida, treinada com dados reais de 2 navios da
Marinha Portuguesa. Os resultados obtidos com esta rede num conjunto de teste diferem em
apenas 6% dos valores observados na prática, enquanto o erro obtido com os métodos
tradicionais para esses mesmos casos era de 12%.

1- Introdução

A importância de determinar a capacidade de manobra e o comportamento de um navio a

navegar nas mais diversas condições é fundamental para o sucesso de um novo projecto, para
a segurança da navegação, e de todos os que estão a bordo.

Tradicionalmente, considera-se que o movimento de um navio é uma combinação complexa

de seis graus de liberdade dependentes entre si (avanço (x), deriva (y), arfagem (z), balanço
(φ), cabeceio (θ ) e guinada (ψ), como mostrado na Figura 1), excitados por diversas fontes
(Rawson and Tupper 2001).

Figura 1 – Graus de liberdade do movimento de um navio

Para determinar os referidos movimentos, em função das excitações que o navio sofre (estado
do mar, vento, propulsão, efeitos dos seus apêndices) é necessário determinar a função de
transferência entre ambos, normalmente conhecida por RAO (Response Amplitude Operator).
Esta função é dependente unicamente da geometria e características hidrodinâmicas dos
navios e seus componentes. Analiticamente, o movimento traduz-se no seguinte sistema de
equações diferenciais acopladas:

∑ ⎡⎢⎣( I ) ⎤
6 •• •
+ Aij si + Bij si + Cij si ⎥ = Fi ; onde j = 1,... 6
i =1
ij
⎦ (1)
si = x,y,z,φ ,θ ,ψ
•
si = u,v,w,p,q,r
que traduz a igualdade entre as forças de excitação (Fj) e as forças de inércia (Ijk) e massa
acrescentada do navio (Ajk), forças de amortecimento (Bjk) - provenientes da dissipação da
energia pela formação de ondas, e forças de restituição (Cjk) - provenientes da flutuação
positiva do navio (onde os índices j e k correspondem aos diferentes movimentos).

Infelizmente a determinação dos RAO’s é extremamente complexa dado que os graus de

liberdade estão todos acoplados entre si, a geometria do navio é complexa, e que ocorrem
diversas não linearidades. Tradicionalmente para realizar o estudo destes factores o
movimento de navios divide-se em duas áreas, o comportamento do navio no mar e a
capacidade de manobra (manobrabilidade).

No primeiro caso (comportamento no mar), estas funções de transferência são determinadas

estudando a resposta do navio a sistemas de ondas simples (excitações externas) através de
corridas de modelos em tanques de provas ou simplificações teóricas, tais como a teoria das
faixas (Salvensen, Fatinsen et al. 1970). Uma vez determinadas, é aplicado o princípio da
superposição, o qual considera que a resposta de um navio excitado por um estado de mar
irregular pode ser estimado através da soma linear das respostas às suas diferentes
componentes.

Já no caso da manobrabilidade, pretende-se estudar a influência do operador do navio no seu

movimento (e.g. propulsão, controlo direccional do leme). Para determinar este efeito,
recorre-se a métodos teóricos ou testes com modelos para determinar os coeficientes
hidrodinâmicos do casco, ao qual se aplicam os correspondentes efeitos dos apêndices do
navio, tais como o leme.

2 - Determinação do raio de giração

Neste trabalho é apresentada a hipótese de determinar os RAO’s aplicando redes neuronais,

tendo como variáveis de entrada a geometria do navio e dos seus apêndices, usando dados
reais do comportamento de diversos navios para as treinar.
Para estudar a exequabilidade deste procedimento, foi seleccionado um problema de manobra
simples, de forma a controlar efectivamente todas as excitações e avaliar o método.

Assim, foi seleccionada a Determinação do Raio de Giração de um Navio, que é,

normalmente, considerada independente da velocidade do navio (numa gama de velocidades
moderadas) e pouco dependente do estado de mar (em função dos procedimentos de manobra
utilizados para o calcular).
O raio de giração do navio é o raio da curvatura descrita pelo navio quando é aplicado um
determinado ângulo de leme (trajecto descrito na Figura 2).

Figura 2 - Raio de giração (Rawson and Tupper 2001)

A capacidade de manobra de navios de superfície, e em particular a determinação do seu raio
de giração, tem sido alvo de diversos estudos desde o fim da década 50 e início da década de
60 quando, tendo sido realizada em 1960 a primeira conferência sobre manobrabilidade de
navios em Washington. Diveras organizações internacionais têm também evidenciado o seu
interesse neste tema, entre as quais se destaca a ITTC (International Towing Tank
Conference) e a IMO (International Maritime Organization). Esta última, publicou a
resolução A.751(18) que define as regras/ padrões de manobrabilidade que todos os navios
são obrigados a cumprir (IMO 1993), para além de outras directivas (IMO 2002).

A teoria clássica para a estimação da RAO baseia-se na simplificação da expressão (1)

considerando que, para navios de superfície, unicamente dois graus de liberdade são
significativos (deriva e guinada), bem como considerando unicamente as excitações próprias
do navio. Assim, utilizando a notação comum em manobrabilidade (Burcher 1971):

⎧⎛⎜
m − Y ⎞⎟ v• − Y r• − Y v + (mU − Y ) r = Y ( t )
⎪⎝ v⎠
• •
r
v r
(2)
⎨
⎪− N • v + ⎛⎜⎝ I z − N • ⎞⎟⎠ r − N v v − N r r = N ( t )
• •

⎩ v r

Da qual se pode deduzir a expressão do raio de giração de um navio (R) em função dos
mesmos parâmetros adimensionalizados pelo comprimento do navio (L) e velocidade de
avanço inicial (U) (Burcher 1971):

R Yv ' N r '− N v ' (Yr '− m')

= (3)
L ( N v ' Yδ '− Nδ ' Yv ')δ '

Esta abordagem, porém, não consegue modelar efectivamente vários problemas que parecem
ser não-lineares, tais como guinadas apertadas (raios de giração pequenos), manobras em
águas restritas, etc. Para colmatar esta limitação, foi desenvolvida por (Abkowitz 1964) e
(Strom-Tejsen 1965) uma teoria não linear, que propõe o desenvolvimento em séries de
Taylor das forças e momentos até termos de terceira ordem. Actualmente, existem ainda na
literatura outros modelos matemáticos, aplicáveis a problemas específicos, bem como,
procedimentos de cálculo dos coeficientes hidrodinâmicos. Contudo, todos estes métodos têm
limitações. Em primeiro, são dependentes do modelo matemático utilizado para representar as
forças hidrodinâmicas. Em segundo, todas assumem que as forças e momentos aplicadas ao
navio ou modelo são obtidas pelo movimento no instante t = 0 e não são afectadas pela sua
história, o que não é verdade (Rawson and Tupper 2001).

3 – Utilização de redes neuronais na determinação do raio de giração

Para resolver estas equações diferenciais sem as restrições habituais de linearidade e

independência temporal, podem ser usadas redes neuronais recursivas (RNN – recursive
neural networks). A sua aplicação em dinâmica de fluídos foi comprovada em (Faller and
Schreck 1995), bem como a simuladores de sistemas de seis graus de liberdade (Faller, Smith
et al. 1997). Ainda do mesmo autor, (Faller 1998) apresenta resultados obtidos com esta
técnica na simulação de manobras de um submarino à escala real e de um modelo. Utilizando
como variáveis de entrada as rotações do propulsor, e os ângulos dos lemes verticais e
horizontais, os resultados que obteve foram satisfatórios para 95 a 90% das corridas.

No que diz respeito a navios de superfície, redes neuronais foram já utilizadas na estimação
de movimentos de arfagem e cabeceio num trimaran a navegar em ondas regulares (Atlar,
Mebashi et al. 1998) , (Mebashi 1998), e na simulação de provas de giração e provas de zig-
zag (Hess and Faller 2001). Neste último artigo as RNN foram aplicadas na simulação das
provas de giração de dois navios diferentes, uma RNN para cada navio, onde foram obtidos
erros entre 5 a 10%.
Como variáveis de entrada foram utilizadas forças e momentos, em vez de variáveis
geométricas, tendo o autor esclarecido que desta forma, provavelmente, os erros seriam
inferiores. No entanto, não foram incluídos parâmetros ambientais que influenciam as
estimativas, pois são difíceis de contabilizar.

Em Portugal a Secção Autónoma de Engenharia Naval do Instituto Superior Técnico tem

vindo a realizar trabalho nesta área, no qual são utilizadas RNN para simular as provas de
manobrabilidade de navios (e.g. (Moreira and Soares 2005)). Embora as variáveis de entrada
sejam diferentes, a qualidade dos resultados obtidos para a simulação das provas de giração
tem sido equivalente para dois tipos de navios, uma lancha-rápida (Moreira and Soares 2003)
e um super petroleiro (Laranjinha, Moreira et al. 2003).

Neste trabalho a abordagem que se segue é diferente, pois pretende-se, verificar a

possibilidade de utilizar redes neuronais na estimação do comportamento de navios na fase de
projecto ou construção antes que se efectuem as provas de mar, e não treinar uma rede para
cada navio em função dos resultados obtidos nas provas desse navio.

Nesta fase foram usados dados obtidos pela Marinha Portuguesa referentes a dois tipos de
navios muito diferentes: uma fragata e um navio hidrográfico. Esses dados referem-se a 47
ensaios feios no mar, em condições diferentes. A maior parde dos ensaios (35) referem-se à
fragata, sendo apenas 11 referentes ao navio hidrográfico. Ao todo, para cada ensaio
registaram-se 15 parâmetros: velocidade no navio, ângulo de leme, bordo para o qual se
guinou, deslocamento, boca, imersão, comprimento, CB (Coeficiente de bloco), LCG
(Posição longitudinal do centro de gravidade), caimento, posição longitudinal do leme, área
do leme, e densidade da água do mar. Ambos os navios têm apenas um leme, e dado os
ensaios foram realizados em boas condições meteorológicas despresou-se o efeito da área das
superestruturas.
Para implementar a rede neuronal usou-se o “Enterprise Miner” do SAS 8.1. 70% dos dados
disponíveis foram usados para treino, e 30% para validação. O conjunto de validação foi
usado para estimar a taxa de erro, o que faz com que a estimativa seja optimista relativamente
a uma obtida com um verdadeiro conjunto de teste. No entanto, dada a escassez de dados
disponíveis nesta altura esta pareceu-nos ser a abordagem mais razoável. A média das taxas
de erro obtidas foram de 6.0%, com um desvio padrão de 3.2%. Foram tentadas arquitecturas
diferentes (perceptrão simples, e multicamada com 3 e 4 neuronónios na camada escondida),
mas os resultados foram sempre priores. A título de curiosidade, fez-se também uma
regressão linear com os dados disponíveis, obtendo-se um erro médio de 74% sobre o mesmo
conjunto de validação.

Para comparação, calculou-se o raio de giração para o conjunto de validação usando os

métodos tradicionais. Utilizaram-se as expressões empíricas de cálculo dos coeficientes
hidrodinâmicos (Rawson and Tupper 2001) e (Inoue, Hirano et al. 1981). Consequentemente
os parâmetros de entrada limitam-se à geometria do navio, dos seus apêndices, à sua
velocidade e ângulo de leme imposto. Neste caso, o erro médio foi de 11,7%, com um desvio
padrão de 7.6%.

4 – Conclusões e trabalho futuro

Mostrou-se que, mesmo com poucos dados experimentais, é possível obter com redes
neuronais estimativas muito boas para os raios de giração de navios. Essas estimativas têm
erros que são aproximadamente metade dos obtidos com os métodos clássicos. Utilizando
mais dados, referentes a mais navios em condições diferentes, esperamos ser capazes de
produzir estimativas fiáveis para novos navios (em fase de projecto ou construção),
simplificando consideravelmente o desenho dos mesmos.
4 – Referências bibliográficas

Abkowitz (1964). Lectures in Ship Hydrodynamics, Steering and Maneuvrability.

Copenhagen, Denmark, Hydro-Og Aerodynamisk Laboratorium.
Atlar, M., E. Mebashi, et al. (1998). "Efficient Techniques in Time-Domain Motion
Simulation Based on Artificial Neural Network." International Syposium on Ship
Motions and Manoeuvrability: p.p. 1-23.
Burcher (1971). "Developments in Ship Manoeuvrability." Trans. RINA (1971).
Faller, W. E. (1998). "Application of Recursive Neural Network Technology to
Hydrodynamics." Proceedings of the Twenty-Second Symposium on Naval
Hydrodynamics Vol. 3: p.p. 1-15.
Faller, W. E. and S. J. Schreck (1995). "Unsteady Fluid Mechanics Applications of Neural
Networks." Journal of Aircraft Vol 34 n1(AIAA Paper 95-0529, 33rd Aerospace
Siences Meeting).
Faller, W. E., W. E. Smith, et al. (1997). "Applied Dynamic System Modeling: Six Degree-
of-freedom Simulation of Forced Unsteady Manoeuvres Using Recursive Neural
Networks." AIAA Paper 97-0336, 35th Aerospace Sciences Meeting.
Hess, D. and W. Faller (2001). "Simulation of Ship Maneuvres Using Recursive Neural
Networks." Proceedings of the Twenty-Third Symposium on Naval Hydrodynamics.
IMO (1993). "Interim Standards for Ship Manoeuvrability." (Resolution A.751(18)).
IMO (2002). "Explanatory Notes to the Standards for Ship Manoeuvrability." (MSC/ Circ.
1053).
Inoue, S., M. Hirano, et al. (1981). "Hydrodynamic Derivatives of Ship Manoeuvring."
International Shipbuilding Progress Vol. 28(N.º 321).
Laranjinha, M., L. Moreira, et al. (2003). "Identificação de Coeficientes Hidrodinâmicos de
Manobrabilidade de Navios utilizando Algoritmos Genéticos." Actas do VII
Congresso de Mecânica Aplicada e Computacional Vol. 3, Secção 4: pp.1451-1460.
Mebashi (1998). Applications of Neural Networks in Marine Design and Modeling.
Proceedings of the Workshop on Artificial Intelegence and Optimization for Marine
Applications, Germany.
Moreira, L. and G. Soares (2003). "Comparison between Manoeuvring Trials and Simulations
with Recursive Neural Networks." Ship Technology Research 50: p.p. 77-84.
Moreira, L. and G. Soares (2005). "Manoeuvring Simulation based on Recurrent Neural
Networks." Proceedings of the 16th International Conference on Hydrodynamics in
Ship Design (HYDRONAV’05)/ 3rd International Symposium on Ship Manoeuvring
(MANOEUVRING’05).
Rawson and Tupper (2001). Basic Ship Theory, Butterworth-Heinemann. vol. 2.
Salvensen, N., O. Fatinsen, et al. (1970). "Ship Motions and Sea Loads." Trans. SNAME 78:
250-287.
Strom-Tejsen (1965). A Digital Computer Technique for the Prediction of Standard
Maneuvres of Surface Ships, DTMB.