Mientras la mayoría del sector marítimo apenas empieza a experimentar con gemelos digitales y mantenimiento predictivo, el ingeniero naval canario Fernando Martínez Marco ha creado un laboratorio virtual de investigación aplicada donde combina modelos físicos, redes neuronales, grafos de conocimiento y redes bayesianas para repensar cómo se diseña, opera y regula el transporte marítimo.
En la intersección entre la arquitectura naval y la inteligencia artificial se está abriendo un espacio nuevo, todavía poco visible fuera de los círculos especializados. Gemelos digitales que anticipan la fatiga de estructuras submarinas, modelos de aprendizaje profundo que sustituyen ensayos físicos de sloshing (el violento movimiento del líquido en tanques parcialmente llenos), motores de búsqueda semántica que “conversan” con la normativa marítima internacional o redes bayesianas (modelos que actualizan la probabilidad de un suceso cuando aparece nueva evidencia) que guían operaciones de búsqueda y rescate, son algunas de las piezas de ese nuevo paisaje.
El ingeniero naval canario Fernando Martínez Marco ha cartografiado este nuevo espacio desde un AI Research Lab personal, cuyos resultados va publicando en abierto en su laboratorio “Engineering Intelligence”, un escaparate de prototipos y estudios técnicos que apuntan a un futuro en el que los sistemas navales se comportan como infraestructuras cognitivas.
Este laboratorio presenta una serie de insights, es decir, resúmenes ejecutivos de prototipos e investigaciones propias, siempre en la frontera entre modelos físicos, estadística y aprendizaje automático.
Aplicaciones actuales de la IA en ingeniería naval (gemelos digitales, redes neuronales, redes bayesianas y grafos de conocimiento). / IA/T21
Ingeniería naval e IA
El laboratorio se define como “una exploración en la intersección entre la ingeniería naval y la inteligencia artificial”, donde se testean arquitecturas de deep learning, grafos de conocimiento y sistemas de recuperación aumentada (Retrieval‑Augmented Generation, RAG, una técnica que combina búsqueda en bases de datos con modelos generativos) sobre problemas tan concretos como la fatiga de materiales, la inspección de buques o la aplicación de normas SOLAS e IMO. SOLAS (Safety of Life at Sea) es el principal convenio internacional de seguridad en la mar, gestionado por la Organización Marítima Internacional (IMO), que fija estándares mínimos de construcción, equipos y operación de los buques.
Uno de los ejemplos más claros del uso de IA para transformar la operación y el diseño de sistemas marinos es el proyecto de gemelo digital para monitorizar la fatiga en aguas profundas de risers (conductos flexibles que conectan instalaciones submarinas con la superficie). En “Digital Twin for Riser Fatigue Monitoring”, Martínez Marco propone una metodología que combina un número mínimo de sensores con modelos de machine learning para estimar el daño por fatiga bajo condiciones extremas, en escenarios como el mar de Guyana o el Golfo de México. El sistema logra errores del orden del 5–10% respecto a referencias de alta fidelidad, reduciendo de forma significativa los costes de instrumentación submarina.
En el ámbito de los buques de gas natural licuado (LNG), el laboratorio explora dos frentes: la operación y el diseño preliminar. Por un lado, el estudio “Emissions Reduction in LNG Shipping” analiza cómo modelos predictivos de presión en los tanques de carga pueden sustentar estrategias “proactivas” de operación que reduzcan las emisiones de gases de efecto invernadero hasta un 86% durante travesías con mala mar, frente a enfoques puramente reactivos. Por otro, en “Taming Sloshing with Neural Networks” recurre a redes neuronales profundas y grandes bases de datos experimentales para predecir cargas extremas de sloshing en los tanques de gas natural licuado (LNG), con el objetivo de sustituir parte de los costosos ensayos físicos con modelos a escala (maquetas de los tanques ensayadas en tanques de pruebas especializados) y acelerar así el diseño preliminar de estos buques.
IA para la seguridad y el análisis de riesgos
Más allá de la eficiencia o las emisiones, una parte central del trabajo de Martínez Marco se orienta a la seguridad y a la evaluación cuantitativa del riesgo, un terreno donde las decisiones se toman con incertidumbre y vidas en juego. En “Dynamic Risk Assessment in Offshore Platforms” presenta un marco de Evaluación Dinámica del Riesgo (DQRA) para plataformas offshore, construido a partir de la combinación del método DEMATEL (una técnica que identifica qué factores causan a otros en sistemas complejos) con redes bayesianas. El resultado es un modelo que deja atrás las probabilidades de fallo estáticas y permite actualizar el riesgo a medida que entra nueva información, revelando dependencias organizativas y relaciones entre barreras de seguridad que no se captan con enfoques deterministas.
La misma lógica se extiende a los accidentes por varada en “Ship Grounding Risk Assessment”, donde se describe una plataforma avanzada de Evaluación Cuantitativa del Riesgo basada en redes bayesianas dinámicas (DBN, que modelan cómo evolucionan las probabilidades en el tiempo) y lógica causal Noisy‑OR, formulada por el matemático Judea Pearl, para representar causas múltiples e inciertas. Este motor de inferencia probabilística utiliza algoritmos de propagación de la información para representar cómo se encadenan los daños: desde las brechas estructurales y la inundación progresiva de compartimentos, hasta la pérdida gradual de estabilidad del buque en condiciones cambiantes de operación.
La IA está revolucionando las predicciones de carga del casco de los barcos en tiempo real. / AI Research Lab.
Búsqueda y rescate en el mar
El proyecto “Bayesian SAR Orchestrator” lleva esta aproximación probabilística al terreno de las operaciones de búsqueda y rescate (SAR). A partir de una red bayesiana dinámica que integra datos atmosféricos en tiempo real con coeficientes de deriva (leeway) de alta fidelidad, el sistema infiere trayectorias probables de embarcaciones de supervivencia tras el abandono de un buque.
Con esa información genera mapas de calor de probabilidad que permiten comprimir las ventanas de búsqueda y optimizar el despliegue de medios de salvamento, sustituyendo patrones de búsqueda genéricos por estrategias guiadas por datos. Es un ejemplo claro de cómo la IA puede reforzar la seguridad marítima, no sustituyendo al criterio del responsable de la operación, sino ofreciéndole un cuadro probabilístico mucho más rico sobre dónde pueden estar las personas en peligro.
De los checklists a la inteligencia regulatoria
Un tercer bloque de proyectos se sitúa en la frontera entre la ingeniería y el mundo jurídico‑regulatorio del transporte marítimo. En “Graph‑Based LNG Inspection Intelligence”, Martínez Marco implementa un sistema de apoyo a inspecciones Port State Control (PSC, controles que realizan las autoridades portuarias para verificar que los buques cumplen la normativa internacional) basado en grafos de conocimiento y Graph Convolutional Networks, combinado con técnicas de procesamiento del lenguaje natural (como el modelo RoBERTa) para analizar documentación. El modelo alcanza un 87% de precisión en la predicción de deficiencias, y ejemplifica la transición desde checklists rígidos a enfoques de inspección dinámicos basados en riesgo.
En “AI Semantic Search for Maritime Regulations” desarrolla un motor de preguntas y respuestas para normativa marítima internacional apoyado en un esquema RAG. Mediante adaptación al dominio (GPL) y aprendizaje contrastivo, el sistema logra un 94% de precisión en la recuperación de reglas complejas, ecuaciones y tablas, y está diseñado para ejecutarse de forma totalmente offline en hardware de consumo gracias a técnicas de cuantización de modelos. El resultado es un buscador semántico capaz de servir como “intérprete” de normas SOLAS e IMO para ingenieros, operadores e inspectores, en un contexto en el que estas reglas constituyen el principal pilar de la seguridad de la vida humana en la mar.
Un caso de “IA de dominio” en el sector marítimo
El conjunto de proyectos que reúne este laboratorio virtual recorre buena parte de la cadena de valor del sector marítimo: desde el diseño de gaseros y la integridad estructural de risers offshore hasta la reducción de emisiones, la seguridad operacional, las inspecciones y la interpretación automatizada de la normativa.
La propia sección de “Technical Expertise” subraya esta doble especialización, al combinar competencias en LLMs, Graph‑RAG, deep learning y NLP con experiencia en buques de gas, reglas SOLAS/IMO, estabilidad, operaciones marítimas y gestión de proyectos.
Más que hablar de una inteligencia artificial genérica aplicada al mar, el trabajo de Fernando Martínez Marco ilustra lo que podríamos llamar “IA de dominio”: modelos estadísticos y de aprendizaje automático ajustados a los lenguajes, las físicas y las restricciones propias de la ingeniería naval.
En ese sentido, su laboratorio virtual funciona como anticipo de una generación de herramientas en la que el conocimiento experto de ingenieros y reguladores se codifica en grafos, redes neuronales y sistemas probabilísticos, inaugurando un tipo de infraestructura marítima que ya no es solo mecánica o digital, sino también cognitiva.
