Dissertacao
Dissertacao
Dissertacao
SÃO PAULO
2011
IURI BALDACONI DA SILVA BISPO
SÃO PAULO
2011
IURI BALDACONI DA SILVA BISPO
Área de Concentração:
Engenharia Naval e Oceânica
SÃO PAULO
2011
Este exemplar foi revisado e alterado em relação à versão original, sob
responsabilidade única do autor e com a anuência de seu orientador.
Assinatura do autor
Assinatura do orientador
FICHA CATALOGRÁFICA
Ao Prof. Alexandre Nicolaos Simos, o qual me orientou neste trabalho com dedicação e
disposição exemplares, sempre disposto a sanar minhas dúvidas e me ajudar com temas com os
quais eu não tinha a mínima familiaridade necessária para a compreensão.
Ao Prof. Eduardo Aoun Tannuri pelo constante apoio e bom humor nas cansativas reuniões
do projeto de pesquisa.
Ao Prof. José Jaime da Cruz por sua constante humildade e disposição em ajudar.
A estes três professores em especial o meu agradecimento por partilharem seu conhecimento
de forma clara e me passarem tantos ensinamentos ao longo destes 30 meses.
À Olga Yoshida pela revisão da parte de estatística Bayesiana e preocupação quanto ao meu
desempenho.
Aos colegas do TPN que me apoiaram nesta difícil jornada e a todos meus amigos que acre-
ditaram em mim e me apoiaram. A todos estes eu agradeço especialmente pelas piadas.
Aos músicos das minhas bandas prediletas, pois sem suas músicas eu não teria mantido a
sanidade.
Aos meus pais, Magali e João, e ao meu avô, Dante, por terem plantado em mim, desde
pequeno, a semente da curiosidade e da busca pelo conhecimento, me incentivando a questionar
o porquê das coisas.
Às minhas irmãs, Nadja e Giulia, pela admiração injustificada e confiança em tantos momen-
tos difíceis.
À minha namorada, amiga e companheira dos mais variados momentos, Daniela Leonel, por
acreditar na minha capacidade quando até mesmo eu duvidei e por sempre confiar no meu bom
senso.
Resumo
Este trabalho envolve dois diferentes aspectos da estimação de espectros direcionais de onda
a partir de movimentos de 1a ordem da embarcação. Sendo a estimação do espectro de ondas
feita por meio de um método Bayesiano, existe a necessidade da calibração dos hiperparâmetros
derivados da modelagem Bayesiana. O primeiro assunto abordado é a determinação de uma
metodologia de calibração dos hiperparâmetros necessários à estimação do espectro direcional de
ondas. Desenvolve-se ao longo deste uma primeira análise de um método aplicável a qualquer
embarcação do tipo FPSO para a determinação a priori de valores de dois hiperparâmetros de
controle da suavização da estimativa. Obtém-se resultados indicativos de que é possível definir
valores destes hiperparâmetros dependentes de quantidades observáveis como calado da embar-
cação e período das ondas, de modo que os erros de estimação ainda se mantém muito próximos
aos encontrados por valores ótimos dos hiperparâmetros.
Isto leva à conclusão de que na abordagem atual, com valores fixos a cada calado, erros
excessivos e desnecessários podem ocorrer no processo de estimação.
In this work, two differents aspects of directional wave spectra estimation from 1st order ship
motions are presented. As the estimation of wave spectrum is made by means of a Bayesian
method, it is necessary to calibrate the hyperparameters derived from Bayesian modeling. The
first addressed subject is the determination of a calibration methodology of the hyperparameters
needed for the directional wave spectrum estimation. It is developed through this work a first
analysis of an applicable method to any vessel of FPSO type for the prior determination of values
for this two hyperparameters depending on observable quantities, such as draft of the vessel
and wave period, in such a way that the estimation errors are still very close to those found by
optimum values of the hyperparameters.
This leads to the conclusion that in the current approach excessive and unecessary errors can
occurr on the estimation process.
The second subject addresses the parametric estimation of spectra, using parametric models
of spectrum description to acquire the sea statistics. For this purpose, it became necessary the
study of crossed-sea states, which was employed in the bimodal spectrum identification for the
correct estimation of sea statistics.
1 Exemplo de valores de u1 e u2 . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
2 Valores de Hs e Tp utilizados para geração de espectros direcionais de onda. . p. 49
3 Principais dados do FPSO P-50. . . . . . . . . . . . . . . . . . . . . . . . . . p. 50
4 Valores de u1 em função dos períodos de pico e dos calados. . . . . . . . . . . p. 69
5 Valores de u2 em função dos períodos de pico e dos calados. . . . . . . . . . . p. 69
6 Valores adotados para os parâmetros nos exemplos do modelo de Hogben &
Cobb. Hsi em [m], ωmi em [rad/s] e θmi em [rad]. . . . . . . . . . . . . . . p. 78
7 Valores típicos de smax para diferentes situações de mar. . . . . . . . . . . . . p. 79
8 Valores adotados para os parâmetros nos exemplos do modelo de Hogben &
Cobb utilizando a formulação com s variável. Hsi em [m], ωmi em [rad/s] e
θmi em [rad]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 79
9 Valores adotados para os parâmetros nos exemplos do modelo JONSWAP. Hsi
em [m], ωpi em [rad/s] e θmi em [rad]. . . . . . . . . . . . . . . . . . . . . . p. 86
10 Valores adotados para os parâmetros nos exemplos do modelo JONSWAP uti-
lizando a formulação com s variável. Hsi em [m], ωpi em [rad/s] e θmi em
[rad]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 86
11 Valores teóricos dos espectros direcionais unimodais gerados no ensaio em escala. p. 99
12 Valores teóricos dos espectros direcionais bimodais gerados no ensaio em escala. p. 99
13 Classificação dos espectros direcionais gerados no ensaio em escala de acordo
com cada critério. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 100
14 Valores de χ para os espectros dos ensaios em escala. . . . . . . . . . . . . . p. 103
15 Parâmetros a serem estimados para cada modelo. . . . . . . . . . . . . . . . p. 105
16 Intervalos de otimização para cada parâmetro. . . . . . . . . . . . . . . . . . p. 106
17 Resultados das estimações de Hs em [m] na escala real para casos considerados
unimodais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 107
18 Resultados das estimações de Tp em [s] na escala real para casos considerados
unimodais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 108
19 Resultados das estimações de Hs1 e Hs2 em [m] na escala real para casos
considerados bimodais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 109
20 Resultados das estimações de Tp1 e Tp2 em [s] na escala real para casos consi-
derados bimodais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 109
21 Resultados das estimações de θm1 e θm2 em [graus] na escala real. . . . . . . . p. 110
22 Estatísticas globais em escala real - Hs em [m], Tp em [s] e θm em [graus]. . . p. 111
23 Resultados das estimações de γ1 e γ2 - apenas para JONSWAP. . . . . . . . . p. 112
24 Resultados das estimações de λ1 e λ2 - apenas para Hogben & Cobb. . . . . . p. 113
25 Resultados das estimações de s1 , s2 , smax1 e smax2 . . . . . . . . . . . . . . . p. 114
26 Tempo de execução das estimações paramétricas em segundos. . . . . . . . . p. 115
27 Valores de u1 e u2 utilizados na comparação das formulações de erro. . . . . . p. 127
28 Formulações de erro e valores obtidos para a comparação das formulações de
erro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 129
29 Resultados do processo exaustivo para o Mar 1 – Hs = 2m e Tp = 10s. . . . . p. 136
30 Resultados do processo exaustivo para o Mar 2 – Hs = 4m e Tp = 8, 5s. . . . p. 137
31 Resultados do processo exaustivo para o Mar 3 – Hs = 4m e Tp = 10s. . . . . p. 138
32 Resultados do processo exaustivo para o Mar 4 – Hs = 4m e Tp = 12s. . . . . p. 139
33 Resultados do processo exaustivo para o Mar 5 – Hs = 4m e Tp = 14s. . . . . p. 140
34 Resultados do mínimo da soma para o Mar 1 – Hs = 2m e Tp = 10s. . . . . . p. 142
35 Resultados do mínimo da soma para o Mar 2 – Hs = 4m e Tp = 8, 5s. . . . . p. 143
36 Resultados do mínimo da soma para o Mar 3 – Hs = 4m e Tp = 10s. . . . . . p. 144
37 Resultados do mínimo da soma para o Mar 4 – Hs = 4m e Tp = 12s. . . . . . p. 145
38 Resultados do mínimo da soma para o Mar 5 – Hs = 4m e Tp = 14s. . . . . . p. 146
Sumário
1 Introdução p. 15
2 Revisão Bibliográfica p. 23
2.1 Modelos paramétricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 23
2.2 Critérios de bimodalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
2.3 Inferência Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27
2.4 Método Bayesiano de estimação de espectros direcionais . . . . . . . . . . . . p. 28
3 Método Bayesiano p. 32
3.1 Estimação da função de espalhamento direcional . . . . . . . . . . . . . . . . p. 32
3.2 Estimação do espectro direcional a partir de movimentos de 1a ordem . . . . . p. 36
5 Pós-processamento p. 71
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 71
5.2 Espectro Direcional de Energia . . . . . . . . . . . . . . . . . . . . . . . . . p. 74
5.3 Modelo proposto por Hogben & Cobb . . . . . . . . . . . . . . . . . . . . . . p. 77
5.4 Modelo JONSWAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 84
5.5 Critério de Bimodalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 90
5.5.1 Espalhamento direcional . . . . . . . . . . . . . . . . . . . . . . . . . p. 91
5.5.2 Critério proposto por (KOBUNE; SASAKI; HASHIMOTO, 1985) . . . . . . p. 93
5.5.3 Critério proposto por (KUIK; VLEDDER; HOLTHUUSEN, 1988) . . . . . . p. 94
5.5.4 Critério proposto por (BESNARD; BENOIT, 1994) . . . . . . . . . . . . p. 96
5.5.5 Critério proposto por (PISCOPIA; PANIZZO; GIROLAMO, 2004) . . . . . . p. 97
5.5.6 Comparação dos critérios . . . . . . . . . . . . . . . . . . . . . . . . p. 98
5.6 Estimação Paramétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 104
5.6.1 Algoritmo de estimação . . . . . . . . . . . . . . . . . . . . . . . . . p. 104
5.6.2 Parâmetros e limites . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 105
5.6.3 Resultados das estimações . . . . . . . . . . . . . . . . . . . . . . . . p. 106
5.6.4 Conclusões sobre a estimação . . . . . . . . . . . . . . . . . . . . . . p. 115
Referências p. 182
15
1 Introdução
O conhecimento mais detalhado sobre o estado de mar ao qual uma embarcação está sujeita
é um tema importante no que diz respeito ao desenvolvimento de novas tecnologias em enge-
nharia naval e oceânica. Tais informações obtidas em escala real podem ser usadas na validação
de modelos analíticos e numéricos de previsão do comportamento de embarcações, sendo este
tipo de ferramenta muito utilizada nesta área do conhecimento, dadas as grandes escalas envol-
vidas em seus estudos. Podem ser também beneficiados estudos feitos por meio de ensaios em
escala reduzida, uma vez que a comparação de resultados com a escala real se torna possível
ao obter-se informações do comportamento da embarcação sujeita a um certo estado de mar.
Para tanto, devem ser obtidas informações detalhadas sobre o espectro de ondas ao qual uma
determinada embarcação está sujeita, tais como a sua direção de incidência, período de pico e
altura significativa das ondas.
Tradicionalmente, os espectros direcionais de onda são obtidos por meio dos dados cole-
tados por bóias oceanográficas, utilizando-se suas séries temporais de movimento, como feito
em (LONGUET-HIGGINS; CARTWRIGHT; SMITH, 1961), por exemplo. Entretanto, este tipo de
equipamento é de difícil aplicação nas necessidades atuais de exploração de petróleo em alto
mar, a qual tem sido realizada em águas cada vez mais profundas, sendo isto uma tendência das
empresas exploradoras, em particular, da PETROBRAS.
O trabalho aqui desenvolvido está inserido no contexto da continuação dos estudos realizados
pelo grupo de pesquisa da EPUSP, sendo este apoiado pela PETROBRAS na forma de convênio
de pesquisa, com o propósito de desenvolvimento de um software de estimação do espectro dire-
cional de ondas a ser validado por meio de sua implantação em um FPSO da frota da empresa.
Sendo a metodologia desenvolvida na EPUSP também baseada em um sistema localizado a bordo
da embarcação, sua implementação operacional é relativamente simples, bastando-se a utilização
de um computador conectado a acelerômetros e rate-gyros. Trata-se portanto de um sistema de
baixo custo inicial, com fácil instalação e manutenção. Devido ao fato da PETROBRAS possuir
embarcações munidas de sensores que realizam tais tarefas e estas serem também passíveis da
instalação de tal sistema, torna-se viável o estudo com base nos registros dos movimentos, jus-
tificando a aplicabilidade de tal metodologia.
A metodologia para inferência de ondas aqui adotada é definida em (SIMOS et al., 2009) e
se baseia na utilização dos movimentos de primeira-ordem de sistemas estacionários de grande
porte, tais como FPSOs. Existem, na literatura especializada, outros trabalhos sobre a estima-
ção de espectros, tais como (ISEKI; OHTSU, 2000), (ISEKI, 2009) e (NIELSEN, 2008), abordando
um problema similar, porém nestes é considerado o uso de embarcações de pequeno porte com
velocidade de avanço, implicando em uma modelagem diferenciada do problema de estimação de
espectros.
Os estudos anteriores realizados pelo grupo de pesquisa da EPUSP, tais como (TANNURI et
al.,2001) e (TANNURI et al., 2004), demonstraram, através de simulações numéricas, ser possível
a estimação do espectro direcional com base no monitoramento dos movimentos da embarcação.
Nestes trabalhos foram utilizados dois tipos de métodos de estimação: um paramétrico e um
não-paramétrico. O primeiro era conhecido àquela época e utilizado em outras metodologias. Já
o método não-paramétrico, denominado também método Bayesiano de estimação de espectros,
17
proposto por (ISEKI; OHTSU, 2000), determinava uma nova abordagem sobre o problema de esti-
mação espectral, utilizando inferência Bayesiana para a modelagem do problema e inserindo um
termo de controle (também chamado de hiperparâmetro) para garantir a suavidade das estimati-
vas ao longo das direções de incidência. Com ambos os métodos, foram obtidos bons resultados
em simulações numéricas, os quais indicavam ser viável a implementação de um sistema a bordo
que estimasse o espectro direcional de ondas, utilizando os sensores do próprio FPSO como forma
de aquisição das séries temporais de movimento da embarcação.
Foi então sugerido em (NIELSEN, 2008) que o método Bayesiano poderia receber um se-
gundo hiperparâmetro de controle, sendo este utilizado para suavização da estimativa ao longo
das frequências. A influência de tal parâmetro foi testada para ensaios em escala reduzida
por (TANNURI et al., 2007) para uma embarcação do tipo VLCC (Very Large Crude Carrier ) e
analisada mais profundamente em (SPARANO, 2008) utilizando-se ensaios também em escala do
FPSO P-35 e da BGL-1 (Balsa Guindaste de Lançamento 1 ), sendo verificados novamente bons
resultados dos espectros estimados, corroborando com o fato de que era possível a utilização das
séries temporais de movimento da embarcação para a estimação do espectro direcional de ondas.
Encarando o sistema flutuante como um sensor por meio do qual pode-se medir o espectro
de mar, é importante considerar a faixa de frequências sobre a qual o mesmo consegue operar,
bem como o nível dos sinais gerados. Este sensor funciona também como um filtro, uma vez que
existe uma determinada faixa de frequências na qual existe resposta do sensor, sendo descartadas
as outras, dado que não podem ser medidas pelo mesmo. A faixa de operação do sensor é deter-
minada pelo chamado período de corte, sendo que nas regiões abaixo de tal período, as funções
de transferência da embarcação não apresentam níveis significativos de resposta, ou seja, são
descartadas as altas frequências, uma vez que a embarcação, vista como sensor, não conseguirá
medí-las.
Portanto, fica estabelecido que não se pode obter a mesma faixa de frequência de operação
das bóias oceanográficas ou dos radares por meio deste sistema, o que se torna mais evidente
com o uso de embarcações de grande porte, como FPSOs. Sendo esta uma desvantagem da
metodologia adotada, existem problemas de estimação quando o período de pico do espectro
estimado se encontra próximo ao período de corte. Uma vez que se busca relacionar os movi-
mentos da embarcação com o espectro de mar, é crucial que exista uma resposta mensurável e
limpa quando existe excitação do navio.
Tendo isto em mente, um terceiro hiperparâmetro foi introduzido por (SIMOS et al., 2009)
como forma de redução da energia em períodos fora da faixa de estimação, pois considerando
que os RAOs tem uma amplitude muito baixa e a resposta do navio também, qualquer espectro
nesta faixa poderia causar esta resposta, o que não corresponde ao problema real. Isto resultou
em um modelo completo de estimação, o qual é utilizado neste trabalho, onde são consideradas
não apenas as aproximações do espectro direcional, mas também as suavizações nas direções e
frequências, além da anulação da energia fora do domínio de resposta.
18
Nos estudos realizados neste trabalho foram abordadas duas partes do processo de estimação:
a calibração dos fatores de suavização mencionados (também chamados de hiperparâmetros) e o
pós-processamento do espectro estimado, este segundo consistindo na extração de estatísticas de
mar da estimativa encontrada, considerando-se, inclusive a possível bimodalidade dos espectros
estimados.
Estas duas partes, embora distintas, estão interrelacionadas pelo método Bayesiano de es-
timação, pois, para a utilização correta do algoritmo Bayesiano é preciso uma calibração prévia
dos hiperparâmetros e, após a estimação feita pelo algoritmo, é necessário que se traduza o es-
pectro em quantidades mais “palpáveis”, tais como as estatísticas de mar usualmente adotadas
na engenharia naval: altura significativa (Hs ), período de pico (Tp ), direção média de incidência
de ondas (θm ) e espalhamento (s).
O processo completo de estimação é apresentado na figura 2, onde são destacados pela li-
nha pontilhada vermelha os principais assuntos tratados neste trabalho. A ligação entre os dois
tópicos abordados é o próprio algoritmo Bayesiano de estimação, pois ao serem definidos valores
adequados dos hiperparâmetros, tenta-se garantir um espectro suave para a indentificação de
mares cruzados e posterior extração de suas estatísticas.
Os espectros direcionais estimados pelo método Bayesiano podem ter suas estatísticas com-
prometidas quando se faz uso de valores incorretos para os hiperparâmetros, como será mostrado
no capítulo 4, pois, atentando-se ao fato de que estes termos são utilizados para suavizar a
estimativa, valores muito altos podem ocasionar estatísticas subestimadas e, no caso contrário,
podem ser superestimadas, dado que força-se a concentração de energia em uma determinada
região.
A qualidade das estimativas geradas pelo método Bayesiano, introduzido inicialmente por
(AKAIKE, 1980), depende diretamente dos valores dos hiperparâmetros utilizados para a suaviza-
ção dos espectros estimados. Ao incluir tais termos, (AKAIKE, 1980) sugeriu também o uso do
critério de informação ABIC (Akaike’s Bayesian Information Criterion) como método de decisão
de valores dos hiperparâmetros. Este critério foi desenvolvido com base na abordagem Bayesiana
e classifica os modelos a serem utilizados para a estimação variando os hiperparâmetros por um
processo de minimização, associando de maneira sistemática um valor de ABIC a cada modelo,
e definindo como ótimo o modelo que obteve o menor valor para tal critério.
Embora estudos anteriores indicassem estimações bem sucedidas com o uso do critério ABIC,
este método tem se mostrado inviável em termos práticos. Primeiramente, este critério esbarra
em limitações computacionais, pois espera-se que a estimação dos espectros seja feita em “tempo
real” e, dada a necessidade de diversas estimativas de espectro para a busca do valor mínimo
do critério ABIC, isto se torna impraticável, já que o tempo de execução requerido se aproxima
de intervalvo típico de mudança do estado de mar. Em segundo lugar, embora estudos mais
recentes indicam ser possível obter boas estimativas do espectro de mar utilizando-se valores
fixos dos hiperparâmetros (ver, por exemplo, (SPARANO, 2008), (SIMOS et al., 2009) e (ISEKI;
NIELSEN, 2010a)), o uso do critério ABIC tem sido questionado, como é feito em (ISEKI, 2011)
através de uma análise mais detalhada sobre o aspecto, concluindo que nem sempre as melhores
estimativas são encontradas com o uso do ABIC.
vez que a resposta da embarcação também varia sensivelmente de acordo com o carregamento.
Um último fator importante para que seja realizada a calibração dos hiperparâmetros é a ne-
cessidade de um espectro relativamente suave ao longo das direções e frequências para obtenção
das estatísticas de mar finais, assunto este abordado na segunda parte do trabalho. Ao garantir-
se a suavidade do espectro estimado, sem prejudicar a energia contida no mesmo, aumenta-se a
confiabilidade das estatísticas extraídas ao final do processo de estimação sejam confiáveis, pois
serão facilitadas tanto a indentificação de mares cruzados quanto a estimação das estatísticas de
cada mar.
Em posse dos espectros estimados, podem ser extraídas informações de estatísticas dos
mares, sejam estes cruzados (combinação de dois mares com períodos e direções distintas) ou
unimodais. Este tema é tratado na segunda parte do trabalho, no capítulo 5, onde são con-
siderados os modelos paramétricos de Hogben & Cobb e JONSWAP combinados à função de
espalhamento direcional, necessários à descrição do espectro direcional.
Dado que o espectro direcional fornecido pelo algoritmo Bayesiano é nada além de uma matriz
com os valores de energia ao longo das direções e frequências, os estudos realizados na segunda
parte podem ser feitos com espectros gerados por algum outro método, como, por exemplo, um
espectro gerado pelas medições em um ensaio, como foi utilizado neste trabalho. É importante
salientar que ao se basear em espectros medidos e não nos estimados para a elaboração da es-
timação paramétrica, evita-se criar um método tendencioso, pois o algoritmo Bayesiano pode
obter estimativas dos espectros com redução de sua energia real, por exemplo. Desta maneira,
ao elaborar um método com base em espectros medidos, aumenta-se a chance de realizar com
sucesso as estimativas dos espectros obtidos pelo método Bayesiano.
Não sendo conhecidas as características dos espectros a terem suas estatísticas estimadas,
por vezes foram enfrentados problemas de estimação de espectros unimodais ao utilizar um mo-
delo paramétrico bimodal de descrição do espectro direcional de onda. Devido a este fato, foi
necessária a implementação de um critério de bimodalidade que indicasse previamente qual mo-
delo usar com base na matriz do espectro.
Ao final, foram realizados testes do método de estimação paramétrica com dados de ensaios
em escala, observando-se as estatísticas de cada modo do espectro para os casos de mares cru-
zados.
Dessa maneira, o texto deste trabalho está organizado da seguinte forma: no capítulo 2 é
feita incialmente uma revisão bibliográfica sobre estatística Bayesiana e suas aplicações ao pro-
blema de estimação de espectros direcionais. Em seguida são apresentados os estudos feitos
sobre o método Bayesiano de estimação, assim como do critério ABIC. Por fim, são abordados
os estudos referentes aos critérios de bimodalidade testados e os tipos de modelos paramétricos
utilizados para a estimação das estatísticas modais de onda.
No apêndice A é feita uma introdução básica à estatística Bayesiana, seguida de uma aplica-
ção da modelagem Bayesiana ao problema de resolução de sistemas lineares de alta ordem, sendo
esta aplicação utilizada para apresentar o critério ABIC e o conceito fundamental dos hiperpa-
râmetros. Desta maneira, os assuntos abordados neste apêndice precedem o método Bayesiano
de estimação de espectros e servem de fundamentação teórica para as aplicações apresentadas
no capítulo 3.
Por fim, são apresentadas no capítulo 6 as conclusões finais deste trabalho, tecendo comen-
tários sobre os resultados obtidos na metodologia de calibração dos hiperparâmetros, bem como
sobre aqueles obtidos na estimação paramétrica das estatísticas de mares cruzados. Em ambos
os casos foram verificados bons resultados, concluindo-se que tais métodos podem ser conside-
rados para as devidas finalidades a que foram propostos, embora ainda haja, em ambos os casos,
aspectos a serem estudados para maior refinamento dos métodos.
22
São também feitas sugestões de trabalhos futuros advindas do desenvolvimento e dos resulta-
dos aqui obtidos. Neste capítulo são sugeridas continuações de estudos referentes aos parâmetros
considerados no desenvolvimento da metodologia de calibração, além das discretizações utiliza-
das. Dois importantes aspectos são destacados neste capítulo, os quais ainda devem ser avaliados
para uma conclusão final acerca da metodologia proposta: variações do espalhamento direcional
do mar e análise de mares bimodais. São também feitas considerações sobre a calibração do
terceiro hiperparâmetro, assunto não abordado neste texto.
Sugestões sobre a segunda parte do estudo são referentes, principalmente, ao limite heurís-
tico adotado pelo critério de bimodalidade, pois existem evidências de que mais mares bimodais
possam ser caracterizados com mais confiança pelo critério caso este parâmetro seja calibrado
às condições da costa brasileira. Ao final, são sugeridos também testes relacionando-se as duas
partes distintas do trabalho, ou seja, uma verificação das estatísticas obtidas pelo método para-
métrico aplicado aos espectros direcionais obtidos ao final da metodologia de calibração.
23
2 Revisão Bibliográfica
Apresenta-se neste capítulo a revisão bibliográfica necessária ao estudo dos temas abordados
neste texto. As referências estudadas estão separadas por assunto, de forma a manter uma ordem
lógica e complementar. Desta maneira, são mencionadas, primeiramente, as referências utilizadas
para a parte de parametrização de espectros direcionais, uma vez que o presente trabalho faz uso
de modelos paramétricos em grande parte do texto. Em seguida são considerados os trabalhos
sobre critérios de identificação de mares cruzados que, embora não estejam diretamente ligados
aos assuntos seguintes, são consequência dos estudos de estimação paramétrica. Na sequência
são apresentadas as referências de estatística Bayesiana utilizadas para a compreensão de tal
teoria de estimação, seguidas, por fim, dos trabalhos sobre as aplicações do método Bayesiano
relacionadas à estimação espectral.
Z 2π Z 2π
S (ω) = S (ω, θ) dθ e D (ω, θ) dθ = 1.
0 0
1
A princípio bastam tais expressões para definição dos modelos, entretanto serão incluídas outras restrições a
estas funções no capítulo 5
24
O espectro de frequência S (ω) pode ser utilizado sob diversas formulações, tendo sido tam-
bém adotada neste trabalho uma formulação muito próxima à clássica JONSWAP 2 :
(ω−ωp )2
h i
H 2ω4 −1, 25ωp4 exp
" #
−
S (ω) = 2πβJ s 5 p exp
2
2σ 2 ωp
γ
ω ω4
Um outro modelo para o espectro de frequência também utilizado neste trabalho foi proposto
em (OCHI; HUBBLE, 1976):
λ
4λ+1 4
ωp
" 4 #
1 Hs2 4λ + 1 ωm
4
S (ω) = 4λ+1
exp −
4 Γ (λ) ω 4 ω
Dentre os primeiros trabalhos feitos no sentido de definir estas funções, foi realizado em
(LONGUET-HIGGINS, 1957) um amplo estudo das características estatísticas de uma superfície em
movimento, definindo-se um método para obtenção do espectro de energia.
Este estudo serve como referência para diversos outros, inclusive para (LONGUET-HIGGINS;
CARTWRIGHT; SMITH, 1961), onde foi feito um estudo da DSF, sendo inclusive mostrado que o
2
Foram feitas pequenas modificações pela PETROBRAS afim de adaptar o modelo aos mares da costa
brasileira
3
Este parâmetro é também apresentado na seção 5.4
25
espalhamento da energia (s) pode ser incluído como um parâmetro em modelos de descrição do
espectro direcional. Por meio da análise de Fourier de dados obtidos por bóias oceanográficas, é
proposta nesta referência uma função para descrever o espalhamento direcional, sendo que esta
se tornou a base de diversas formulações propostas posteriormente:
!
1 Γ2 (s + 1) θ − θm
D (ω, θ) = 22s−1 cos2s
π Γ (2s + 1) 2
R ∞ s−1 −t
onde θm é a direção média de incidência de ondas e Γ (s) = 0 t e dt.
Em (MITSUYASU et al., 1975) é feita uma análise do ajuste das séries de Fourier à função
proposta em (LONGUET-HIGGINS; CARTWRIGHT; SMITH, 1961), sendo então desenvolvida uma
formulação alternativa, tendo em vista aplicações práticas da mesma, incluindo uma variação de
s em função da frequência. Assim, o modelo da DSF é complementado por:
s (ω/ωp )5 ,
max para ω ≤ ωp
s= 2,5 (2.1)
smax (ω/ωp ) , para ω > ωp .
onde smax adquire valores diferentes de acordo com o tipo de mar analisado. Para aplicações
de engenharia, (GODA, 2000) define alguns valores básicos, os quais serão apresentados neste
texto em momento oportuno.
tando em estatísticas incorretas, como foi verificado ao longo do desenvolvimento deste trabalho.
Desta maneira, buscou-se na literatura critérios que possibilitassem a classificação dos espectros
conforme mencionado. São apresentados aqui apenas os conceitos destes critérios, já que no
capítulo 5 são feitas as definições e formulações apropriadas.
Um dos primeiros parâmetros a fornecer informações sobre a direcionalidade das ondas que
determinam um espectro foi introduzido por (LONGUET-HIGGINS, 1957), sendo chamado long-
crestedness (Γ), calculado através dos 4 primeiros coeficientes da série de Fourier utilizada na
obtenção da DSF4 , e tendo a propriedade de oscilar próximo a zero no caso de mares unimodais
e próximo a 1 no caso contrário.
Em posse destes dois parâmetros, (KOBUNE; SASAKI; HASHIMOTO, 1985) propõem – após
mostrar que sozinhos estes parâmetros não são critérios universais para identificação da bimoda-
lidade – um critério alternativo através da combinação de Γ e θk , definindo em um plano θk × Γ
duas regiões separadas por uma curva limite (Γlim ). O critério é objetivo ao afirmar que espec-
tros associados a valores Γ < Γlim são considerados bimodais, sendo unimodais no caso contrário.
Também fazendo uso dos mesmos 4 coeficientes da série de Fourier no cálculo de seus pa-
râmetros, (KUIK; VLEDDER; HOLTHUUSEN, 1988) definem um critério de identificação de mares
cruzados utilizando os conceitos de skewness (γ) e kurtosis (δ).
2 + |γ| para |γ| ≤ 4
δ=
6 para |γ| > 4
então o espectro é unimodal, caso contrário, podem existir 2 ou mais picos de energia. Este
critério foi estabelecido sobre um bom número de testes numéricos, contando também com ava-
liações de registros reais de bóias oceanográficas.
4
Embora neste trabalho não se tenha a informação das séries de Fourier, é apresentada uma forma de obtenção
destes coeficientes utilizando a própria DSF.
27
Após uma avaliação comparativa numérica dos critérios apresentados anteriormente, (BES-
NARD; BENOIT, 1994) apresentam um terceiro critério de bimodalidade, também utilizando os
coeficientes da série de Fourier, baseado nas quantidades r e Θ, as quais indicam, respecti-
vamente, a razão entre as amplitudes dos coeficientes da série de Fourier e o ângulo entre as
direções média e principal da DSF. O critério proposto indica que para casos de bimodalidade,
ambos os parâmetros recebem valores altos (r > 0, 1 e Θ > 5◦ ), já no caso contrário, supõe-
se a unimodalidade dos espectros, associando a estes valores baixos dos hiperparâmetros (se
0, 1 ≤ r ≤ 10 e Θ ≤ 5◦ ou se r ≤ 0, 1).
Um estudo comparativo dos métodos de identificação de mares cruzados propostos por (KO-
BUNE; SASAKI; HASHIMOTO, 1985) e (KUIK; VLEDDER; HOLTHUUSEN, 1988) é feito também
em (BENASSAI; PORTA, 2000), utilizando registros de mares gerados por tempestades próximas à
costa italiana, sendo estes obtidos por meio de bóias oceanográficas. Neste estudo conclui-se que
o critério proposto por (KOBUNE; SASAKI; HASHIMOTO, 1985) é capaz de indentificar espectros
bimodais e que (KUIK; VLEDDER; HOLTHUUSEN, 1988) é eficiente para alguns valores de kurtosis.
Por fim, um último estudo avaliado, conduzido por (PISCOPIA; PANIZZO; GIROLAMO, 2004)
compara os 3 métodos apresentados anteriormente e propõe um último critério, o qual é utilizado
neste trabalho. Este critério é consideravelmente mais simples que os anteriores, inferindo que
a diferença absoluta entre a direção média de incidência das ondas (θm ) e a direção média do
fluxo de energia (θmD
) não deve ultrapassar 3◦ . Após comparar seus resultados com os demais
critérios, (PISCOPIA; PANIZZO; GIROLAMO, 2004) afirma que seu critério de identificação encon-
tra corretamente 100% dos casos de mares unimodais, mantendo uma performance próxima aos
outros critérios quando avaliados os índices de acerto para mares bimodais.
Este é um fato muito importante na abordagem do presente trabalho, pois, como mencio-
nado anteriormente, identificar corretamente os mares unimodais aumenta consideravelmente a
taxa de estimações corretas das estatísticas de mar, uma vez que ao avaliar mares unimodais por
meio de modelos bimodais causava erros consideráveis.
A principal referência utilizada neste estudo foi (AKAIKE, 1980). O trabalho apresentado nesta
referência embasa toda a estimação não-paramétrica de espectro direcional de ondas, sendo en-
tão uma importante leitura. No mencionado trabalho são levantadas diversas questões sobre
inferência Bayesiana e sobre seu uso completo, sem adotar conceitos de estatística frequentista.
Introduzindo um termo de erro com propriedades Gaussianas, controlado por um certo (hi-
per)parâmetro u, afim de priorizar alguns coeficientes da aproximação, (AKAIKE, 1980) transforma
o problema de ajuste em um problema de escolha do valor de u, pois assim é possível obter uma
solução próxima da ótima, mas com garantia de ser uma função suave.
Ao propor tal método, o autor também determina uma maneira de resolver o problema da
escolha deste parâmetro, o que é o grande diferencial do trabalho e utilidade da abordagem Baye-
siana do ponto de vista da aplicabilidade. Define-se um critério de informação (Akaike’s Bayesian
Information Criterion – ABIC ) que indica, por meio de diversas estimações, qual o melhor u a
ser utilizado, bastando encontrar o valor mínimo que este critério atinge. Assim, o critério ABIC
faz uso do próprio modelo Bayesiano para encontrar o modelo ótimo que leva à melhor estimativa.
O método Bayesiano proposto por (HASHIMOTO; KOBUNE; KAMEYAMA, 2000) foi então adap-
tado por (ISEKI; OHTSU, 2000) para estimar o espectro direcional de ondas baseado em três movi-
mentos do sistema flutuante: Heave, Roll e Pitch. Este estudo considera um navio relativamente
pequeno (em comparação aos FPSOs utilizados nos estudos aqui realizados) e em movimento,
o que implica em um problema envolvendo a frequência de encontro.
29
Os estudos realizados na EPUSP desde o ano 2000 foram inicialmente descritos em (TAN-
NURI et al.,2001), o qual descreve um trabalho baseado na formulação descrita em (ISEKI; OHTSU,
2000), adotando-se a abordagem não-paramétrica, utilizando o método Bayesiano de estimação
de espectros para um FPSO em situação estacionária. Neste trabalho são apresentados resulta-
dos de simulações numéricas para mares decenários e centenários da Bacia de Campos, obtidos
com boa precisão. Sugere-se nesta referência a substituição do movimento Roll pelo movimento
de Sway, pois este último movimento não apresenta não-linearidades em seu RAO na região de
ressonância devido ao amortecimento viscoso, como acontece com Roll. Além disso, argumenta-
se que o RAO também é uma função ímpar em relação à linha de centro da embarcação, o que
fornece informação sobre a direção de incidência do espectro. Um outro fator considerado é que
este movimento é menos sensível à variações de calado, sendo inclusive feita uma análise de sen-
sibilidade às condições de carregamento da embarcação, concluindo que as estimativas obtidas
não são afetadas significativamente por pequenas alterações dos RAOs causadas pela variação
do calado.
Com base nestas conclusões, (SPARANO, 2008) utiliza a abordagem Bayesiana em uma série
de ensaios em escala reduzida de duas embarcações: o FPSO P-35 e a BGL-1 (figuras 4(a)
e 4(b)). Os resultados das estimações do FPSO são comparados a dados reais de carregamento,
movimentos de primeira ordem e aproamento, obtidos por uma campanha de monitoramento
realizada pelo MARIN (Maritime Research Institute Netherlands) na Bacia de Campos, na qual
também foi instalada uma bóia oceanográfica no local, sendo esta utilizada como paradigma da
estimação. Este estudo conclui que o método Bayesiano é bastante confiável, mas além disso
introduz um novo hiperparâmetro no modelo Bayesiano, de modo a minimizar a energia estimada
em faixas de frequência fora da região de estimação. Tanto este hiperparâmetro quanto o de
controle da suavização são adotados fixos por calado, indicando que o método Bayesiano é pouco
sensível a variações destes parâmetros.
Figura 4: Embarcações utilizadas como referência para ensaios em escala em (SPARANO, 2008).
Através da implementação do método Bayesiano realizada por (ISEKI, 2009) para estimação
de espectros em tempo real, foi possível verificar que o método é viável como um sistema on-
board, dado que foram obtidos bons resultados das estimações em tempo real comparadas às
estimações de registros realizados no mesmo período. Entretanto, nada é mencionado sobre o
uso do critério ABIC neste estudo.
Uma análise direta do uso de hiperparâmetros fixos foi feita em (ISEKI; NIELSEN, 2010a) com o
propósito de verificar se as estimações são muito afetadas. Este estudo é justificado pelo aumento
da eficiência computacional na estimação, uma vez que ao eliminar o critério ABIC, deixam de ser
feitas diversas iterações da estimação pelo método Bayesiano. Através de simulações numéricas
31
o trabalho indica que podem ser usados valores fixos para os hiperparâmetros de suavização,
dado que neste estudo não foi adotado o hiperparâmetro de redução da energia.
Recentemente, em (ISEKI, 2011) foi feita uma análise da relação entre o mínimo do critério
ABIC e a melhor estimativa possível, indicando que nem sempre o critério ABIC leva aos
melhores resultados. Este fato é importante no que diz respeito às justificativas do presente
trabalho, uma vez que é feita uma calibração dos hiperparâmetros de forma serem obtidos a priori,
independentes do espectro estimado, mas em função de quantidades previamente mensuráveis,
tais como Tp e calado da embarcação.
32
3 Método Bayesiano
K
exk (ω) Ik (θ|ω)
X
D (θ|ω) = (3.1)
k=1
onde
33
1 , se (k − 1) ∆θ < θ < k∆θ,
Ik (θ|ω) =
0 , caso contrário
Z 2π
Φlm (ω) = Hp (ω, θ) S (ω, θ) dθ (3.2)
0
Z 2π
Slm (ω) = Hp (ω, θ) S (ω) D (θ|ω) dθ ⇔
0
K Z 2π
exk (ω)
X
Slm (ω) = S (ω) Hp (ω, θ) Ik (θ|ω) dθ ⇔ (3.3)
k=1 0
K
αjk (ω) exk (ω)
X
Slm (ω) = S (ω) (3.4)
k=1
onde2
Z 2π
αjk (ω) = Hp (ω, θ) Ik (θ|ω) dθ
0
deração tais erros de medição, pode-se re-escrever a função de espalhamento direcional como
K
αjk (ω) exk (ω) + j (ω)
X
ϕj (ω) = (3.5)
k=1
Sendo denotado por ϕ o vetor que contém todas as ϕj , aplicando-se os conceitos introduzi-
dos na seção A.3, a função de espalhamento direcional pode ter seus parâmetros estimados por
meio da seguinte função de verossimilhança:
2n
" K
#2
2 1 1 X X
xk (ω)
L x1 , . . . , xk ; σ ϕ) = exp − ϕj (ω) − α jk (ω) e (3.6)
(2πσ 2 )n 2σ 2
j=1 k=1
Lembrando que esta formulação apresentada foi baseada numa representação da função
D (θ|ω) como sendo constante por intervalos, destaca-se então o fato de que nenhuma análise
da variação de energia em cada segmento ∆θk foi feita. Levando em consideração que a análise
direcional de onda é feita com base na teoria linear de ondas, pode-se assumir que esta variação
entre cada segmento é independente. Entretanto, não é correto assumir que a distribuição de
energia ao longo das direções de onda não é contínua, inclusive porque supõe-se a função de
espalhamento direcional sendo suave e contínua. Portanto, deve ser adicionada uma condição
de que a variação de xk deve ser bem aproximada localmente por uma função linear, a qual é a
expressão matemática da continuidade e suavidade da função de espalhamento direcional, sendo
isto equivalente a dizer que as segundas derivadas de lnD (θk |ω) devem ser próximas a zero. Isto
implica que
K
(xk − 2xk−1 + xk−2 )2 , com x0 = xK e x−1 = xK−1
X
(3.7)
k=1
K
" #
u2 X
2
L x1 , . . . , xk ; σ ϕ) exp − 2 (xk − 2xk−1 + xk−2 )2
2σ k=1
35
a qual pode ser considerada uma distribuição a posteriori, pois corresponde ao lado direito
de (A.2), bastando a distribuição a priori de x = (x1 , x2 , . . . , xK ) ser
!K K
" #
u u2 X
p x|u2 , σ 2 = √ exp − 2 (xk − 2xk−1 + xk−2 )2
2πσ 2σ k=1
Assim, para um conjunto de dados observados, a posteriori é dada pelo teorema de Bayes na
seguinte forma:
ppost x|u2 , σ 2 ∝ L x, σ 2 ϕ)p x|u2 , σ 2 (3.8)
Sendo conhecido o valor de u, a estimativa de x que maximiza a expressão (3.8) pode ser
determinada pela minimização de
2n K
!2 K
xk
+ u2 (xk − 2xk−1 + xk−2 )2
X X X
ϕj − αjk e
j=1 k=1 k=1
Z
ABIC = −2ln L x, σ 2 ϕ)p x|u2 , σ 2 dx (3.9)
36
Além destas modificações, são inseridos 2 novos hiperparâmetros nesta nova formulação,
bem como distribuições a priori distintas para cada um. O primeiro hiperparâmetro é usado
para a suavização na frequência, conforme proposto por (NIELSEN, 2008), e o segundo para for-
çar energia nula em frequências fora do domínio de estimação, assim como descrito em (ISEKI;
OHTSU, 2000), mantendo-se também o hiperparâmetro inicialmente proposto por (HASHIMOTO;
KOBUNE; KAMEYAMA, 2000) para a suavização da estimativa ao longo das direções.
Z π
φij (ω) = RAOi (ω, θ) RAOj (ω, θ)S (ω, θ)dθ (3.10)
−π
Para escrever a expressão (3.10) discretizada nas direções, deve-se assumir que o integrando
é constante em cada segmento ∆θ = 2π/K do círculo. Usando θk = −π + (k − 1) ∆θ,
k = {1, . . . , K}. Escolhido um certo intervalo com M frequências (ω1 , . . . , ωM ) nas quais
espera-se resposta da embarcação às ondas, a equação (3.10) pode ser escrita como:
K
X
φij (ωm ) = ∆θ RAOi (ωm , θk ) RAOj (ωm , θk )S (ωm , θk ) (3.11)
k=1
T
Φ (ωm ) = ∆θRAO (ωm ) · S (ωm ) · RAO (ωm ) (3.12)
φ11 φ11 . . . φ16 S (θ1 ) 0 ... 0
φ21 φ22 . . . φ26
0 S (θ2 ) ... 0
Φ (ωm ) = .. .. .. . , S (ωm ) = .. .. .. ..
. . . ..
. . . .
φ61 φ62 . . . φ66 0 0 . . . S (θK )
RAO1 (θ1 ) RAO1 (θ2 ) . . . RAO1 (θK )
RAO2 (θ1 ) RAO2 (θ2 ) . . . RAO2 (θK )
RAO (ωm ) = .. .. .. .. e
. . . .
RAO6 (θ1 ) RAO6 (θ2 ) . . . RAO6 (θK )
RAO1 (θ1 ) RAO1 (θ2 ) . . . RAO1 (θK )
RAO2 (θ1 ) RAO2 (θ2 ) . . . RAO2 (θK )
RAO (ωm ) =
.. .. .. ..
. . . .
RAO6 (θ1 ) RAO6 (θ2 ) . . . RAO6 (θK )
Uma importante simplificação da expressão (3.12) pode ser feita devido ao fato da matriz
Φ ser Hermitiana, ou seja, φij = φji , pois através desta propriedade pode-se utilizar apenas os
elementos da matriz triangular superior. Além disso, destaca-se o fato de que os espectros φii da
diagonal principal de Φ são reais e os espectros φij são complexos. Levando-se em consideração
estes fatos, o seguinte sistema linear pode ser usado para representar (3.12):
B = Ax + U (3.13)
38
S (ω1 , θ1 )
S (ω1 , θ2 )
..
x=
.
,
S (ωM , θK−1 )
S (ωM , θK )
φii (ωm )
..
b1
.
b2
Re [φij (ωm )]
B= .. , com bm = .. ,
. .
bM Im [φij (ωm )]
..
.
A1 0 ... 0
0 A2 ... 0
A = .. .. ... .. , com
. . .
0 0 . . . AM
Considerando que as medições de movimento para obtenção dos espectros possuem ruídos
39
associados, o vetor U de dimensão N 2 · M representa estes erros, os quais assume-se que si-
gam uma distribuição Normal de média 0 e variância σ 2 , sendo chamado ruído branco Gaussiano.
Usando esta modelagem, pode-se então aplicar o método Bayesiano para estimação de x.
De acordo com (SIMOS et al., 2009) e com base em (ISEKI; OHTSU, 2000), pode-se mostrar que
a função de verossimilhança do modelo (3.13) é dada pela expressão (3.14) abaixo:
N2
1 1
2
L (x|B) = exp − 2 kB − Axk2 (3.14)
2πσ 2 2σ
Fazendo a mesma suposição descrita na seção 3.1 de que o espectro estimado é suave ao
longo das direções e frequências, são definidas em (3.16) as diferenças de segunda ordem 1mk e
2mk para direção e frequência, respectivamente.
De acordo com (NIELSEN, 2008), esta suposição é equivalente a minimizar os seguintes fun-
cionais:
K X
M
21mk = xT H1 x , com S (ωm , θ0 ) = S (ωm , θK ) e S (ωm , θK+1 ) = S (ωm , θ1 )
X
k=1 m=1
K X
M
22mk = xT H2 x
X
k=1 m=1
K X
L K X
M
2
S (ωm , θk )2 = xT H3 x
X X
S (ωm , θk ) + (3.17)
k=1 m=1 k=1 m=H
Considerando-se então que 1mk ∼ N (0, σ 2 /u21 ) e 2mk ∼ N (0, σ 2 /u22 ), onde u1 e u2 são
os hiperparâmetros de suavização na direção e na frequência, respectivamente, e que a função
minimizada em (3.17) também segue uma distribuição Gaussiana de média 0 e variância σ 2 /u23
em que u3 é o hiperparâmetro de energia nula forçada, tem-se que a distribuição a priori destes
termos é expressa por:
3
!K !
u2i 2
u2
exp − i2 xT Hi x
Y
p (x) = (3.18)
i=1 2πσ 2 2σ
Assim, pelo teorema de Bayes, a distribuição a posteriori é dada pela seguinte expressão:
ppost x|u1 , u2 , u3 , σ 2 , B ∝ L (x|B) p (x)
1 h
i
2 T 2 2 2
= C exp − 2 kB − Axk + x u1 H1 + u2 H2 + u3 H3 x (3.19)
2σ
Portanto, assim como foi feito na seção 3.1, a estimativa de x é encontrada pela maximi-
zação da distribuição a posteriori (3.19). Entretanto, sendo esta função uma exponencial, sua
maximização equivale à minimização do funcional
J (x) = kB − Axk2 + xT u21 H1 + u22 H2 + u23 H3 x (3.20)
41
ABIC = P · lnJ (x) − ln det u21 H1 + u22 H2 + ln det AAT + u21 H1 + u22 H2 (3.21)
Assim como descrito no capítulo 4, neste trabalho foi desenvolvida uma metodologia alter-
nativa para a busca de valores dos hiperparâmetros u1 e u2 , pois existia o espectro numérico
como paradigma, sendo possível calcular o erro entre a estimação encontrada e o valor real.
Assim, o uso da estatística ABIC não foi necessário, mas destaca-se novamente a importância
desta abordagem dado o histórico de trabalhos do grupo da EPUSP e de outros autores envol-
vendo tal critério, sendo inevitável a comparação dos resultados aqui obtidos com os de trabalhos
anteriores.
42
4.1 Introdução
Neste capítulo apresenta-se uma metodologia a ser aplicada para determinação, a priori, dos
hiperparâmetros u1 e u2 vistos na seção 3.2 como parte de um funcional a ser minimizado. Por
meio de uma análise de sensibilidade, buscou-se definir um procedimento aplicável a qualquer
embarcação em que se desejar utilizar o sistema de estimação de espectro direcional de ondas,
sendo necessário basicamente repetir os passos aqui apresentados para obtenção de valores destes
hiperparâmetros condizentes com o comportamento de tal embarcação.
A idéia principal é encontrar valores de u1 e u2 que possam ser tabelados para parâmetros
observáveis antes da estimação, tais como calado e período de pico (Tp ). Esta abordagem foi
adotada com base em estudos recentes sobre a influência dos hiperparâmetros na estimação dos
espectros direcionais de onda, tais como (SIMOS et al., 2009), (ISEKI; NIELSEN, 2010a), (ISEKI;
NIELSEN, 2010b) e (ISEKI, 2011), onde são sugeridos valores fixos dos hiperparâmetros a cada
calado, sendo também mostrado que a estimação é pouco sensível a variações dos mesmos. Por-
tanto, ao final da aplicação da metodologia de calibração, obtém-se duas tabelas referentes à u1
e u2 em função de Tp e calado da embarcação, donde podem ser retirados valores intermediários
por meio de interpolação.
Inicialmente são apresentados neste capítulo alguns problemas da abordagem atual por meio
do critério de informação ABIC, assim como outras evidências que estimulam o desenvolvi-
mento da metodologia de calibração. Em seguida, é apresentada a metodologia desenvolvida
propriamente dita, abordando-se as características do FPSO P-50 da PETROBRAS, utilizado
por meio de um modelo numérico, para a geração de séries temporais de movimentos e RAOs
em cada calado utilizado. Apresenta-se também a formulação do cálculo de erro necessário à
calibração, incluindo e justificando a normalização dos espectros teórico e estimado, além da
apresentação da minimização da soma destes erros. Ao final, são apresentados resultados com-
parativos que embasam a tomada de decisão do uso de hiperparâmetros variáveis por Tp e calado.
Os métodos aqui apresentados foram todos desenvolvidos em MATLAB R 7.9.0. Para mai-
ores detalhes sobre a implementação numérica do algoritmo Bayesiano utilizado nesta seção,
recomenda-se a leitura da seção 3.4 de (SPARANO, 2008), uma vez que no trabalho aqui apresen-
tado, utiliza-se tal implementação apenas como ferramenta de testes para obtenção dos valores
do hiperparâmetros, bem como dos espectros direcionais estimados.
43
4.2 Motivação
Na seção 3.2 foi mostrado que o problema de estimação do espectro direcional de ondas é
resolvido através da minimização de
J (x) = kB − Axk2 + xT u21 H1 + u22 H2 + u23 H3 x ,
no qual o vetor x que minimiza este funcional é composto por valores do espectro direcional
de onda que, combinados linearmente com as funções de transferência, aproximam um conjunto
de respostas da embarcação às excitações de onda.
Este funcional é derivado de um modelo Bayesiano que leva em consideração não apenas a
combinação linear dos espectros desconhecidos contidos em x com as funções de transferência,
mas envolve também um compromisso entre o ajuste e a suavidade desta aproximação, sendo isto
realizado por meio da escolha correta de valores para os hiperparâmetros u1 e u2 . Além disso,
tem-se a utilização de um terceiro hiperparâmetro, u3 , para forçar energia mínima em baixas e
altas frequências, pois este é o comportamento esperado no espectro teórico fora das frequências
onde se realiza a estimação.
Segundo o critério de informação ABIC apresentado neste trabalho, a melhor função J (x) a
ser minimizada é aquela correspondente ao valor mínimo obtido na expressão (3.21), variando-se
os hiperparâmetros u1 , u2 e u3 . Ou seja, dado um conjunto de observações dos movimentos da
embarcação, a melhor estimativa do espectro direcional de onda, unindo suavização e aderência
desta estimativa aos dados, é encontrada pela minimização de um funcional definido como ótimo
ao se encontrar valores de seus parâmetros que fazem o valor de ABIC ser também mínimo.
Exemplo 1
No exemplo apresentado a seguir ficam evidentes as afirmações feitas a respeito da esco-
lha correta de valores dos hiperparâmetros. Considerando um espectro direcional teórico com
espectro de potência S (omega) com as seguintes características1 :
• Espalhamento, s = 150
A representação do espectro direcional de energia de onda, S (ω, θ), é feita por meio de uma
superfície tridimensional em função das frequências e direções, sendo possivel ver nesta a disposi-
ção dos picos de energia e suas respectivas magnitudes. O mapa do espectro é uma representação
polar de S (ω, θ) por meio de curvas de nível, onde pode-se ver claramente o posicionamento
do pico do espectro em relação à embarcação, além do espalhamento ao longo das direções e
frequências.
Para este exemplo, mapa e espectro direcional teóricos podem ser vistos nas figuras 6(a)
e 7(a), respectivamente, indicando a concentração da energia a 135◦ em relação à popa da em-
barcação no sentido anti-horário, em um período de pico de 10s.
Suavização u1 u2
Ótima 0,00208 0,00564
Baixa 0,0001 0,0009
Alta 0,1 0,8
1
Sendo apenas um exemplo com uma mesma embarcação, os dados dimensionais do navio são irrelevantes
para a compreensão do problema apresentado.
45
Ao se considerar valores altos dos dois hiperparâmetros, a suavização tem um peso maior na
estimação, fazendo com que ocorra menor aderência da aproximação aos dados e consequente-
mente, verifica-se uma perda da energia no espectro de potência estimado, conforme pode ser
visto na figura 5, pela curva tracejada cor-de-rosa.
No caso oposto, onde a suavização é muito baixa, indicada pela curva pontilhada de cor verde
na mesma figura, ao utilizar-se valores pequenos de u1 e u2 , o terceiro hiperparâmetro tem maior
importância na estimação, causando um acúmulo de energia em altas e baixas frequências, dado
que este foi tomado como sendo constante. Evidencia-se neste exemplo que a escolha de u3 não
é a mais adequada para o par de u1 e u2 utilizado. Já no caso ótimo ocorre um balanceamento
destas características, resultando em uma estimativa de espectro direcional relativamente suave e
com energia mais próxima do espectro teórico esperado, sendo este caso representado pela curva
pontilhada-tracejada de cor vermelha.
Embora o critério ABIC resolva a questão da busca de um modelo ótimo em diversos proble-
mas de ajuste de curvas a conjuntos de dados, ou seja, indica valores dos hiperparâmetros a serem
utilizados nestes problemas, existem evidências de que este critério não é aplicável na prática, pois
a proposta do método de estimação on-board pressupõe certa rapidez na obtenção das estatísti-
cas de mar, dado que o próprio pode mudar caso o intervalo de tempo de espera seja prolongado2 .
Em resumo, o mar no qual se tem interesse deve ter suas estatísticas extraídas o mais rápido
possível, pois muito provavelmente, em um curto intervalo de tempo, a embarcação estará sujeita
2
O que se espera que aconteça em situações de mar relevantes, pois em, por exemplo, 1 hora, o mar pode
mudar muito suas características.
46
Figura 6: Mapas dos espectros direcionais teórico e estimados para os casos da tabela 1.
Tendo em vista estudos recentes sobre este aspecto particular da estimação do espectro
direcional, foi proposto em (TANNURI et al., 2004) a utilização de valores fixos de u1 , u2 e u3
em cada calado em que a embarcação se encontra. Este procedimento foi baseado na avaliação
da eficiência do método Bayesiano com base em uma série de ensaios, com modelos em escala
reduzida, realizados em tanque de provas. Posteriormente, em (ISEKI; NIELSEN, 2010a) e (ISEKI;
NIELSEN, 2010b) são feitas menções ao uso dos hiperparâmetros com valores fixos, mostrando
que existe pouca variação no valor ótimo da função objetivo. Nestes dois últimos trabalhos são
inclusive feitas afirmações de que a busca do mínimo valor de ABIC não é fundamental para que
seja encontrada uma estimativa aceitável do espectro. Em particular, em (ISEKI, 2011) é feita
uma análise mais específica sobre os resultados dados pelo critério ABIC, indicando que nem
sempre a melhor estimativa é encontrada do ponto de vista da estimação do espectro direcional
de onda.
47
Seguindo a abordagem de emprego de valores fixos, faz-se então necessário que os valo-
res destes hiperparâmetros sejam definidos a priori, dadas as dificuldades apresentadas para sua
obtenção no momento da estimação do espectro e a incerteza que tem sido apresentada recen-
temente sobre a utilidade prática do critério ABIC.
Isto pode ser feito por uma metodologia de calibração prévia dos hiperparâmetros, tabelando-
se valores para determinadas condições passíveis de serem conhecidas independentemente da es-
timação dos movimentos, tais como calado do navio (no caso de um FPSO) e o período médio.
Após a definição de tais superfícies, são somados os erros para todas as direções, ou
seja, fixando-se outros parâmetros, obtém-se uma nova superfície, referente à soma dos erros,
realizando-se nesta uma busca pelo valor mínimo, tomando-se os valores de u1 e u2 correspon-
dentes. Estes valores dos hiperparâmetros são então utilizados em uma nova estimação, a qual
tem suas estatísticas extraídas e comparadas com os resultados obtidos para o par considerado
ótimo. Estando estas estatísticas dentro de uma margem de erro aceitável em relação ao espec-
tro teórico para todas as incidências de onda, devem ser adotados tais hiperparâmetros como
referência para definir uma tabela dos mesmos em função de Tp e calado.
Para que seja possível simular o processo completo, desde a obtenção dos dados de movimento
até o cálculo das estatísticas globais do espectro, é necessária a definição ou obtenção dos
seguintes itens:
1. Espectros teóricos de mar definidos pelo modelo JONSWAP para um conjunto de combi-
nações de Hs , Tp , θm e s;
3. Séries temporais dos movimentos da embarcação sujeita aos mares definidos pelo conjunto
de parâmetros, para cada calado;
Os valores de Hs e Tp utilizados neste trabalho são apresentados na tabela 2, onde para cada
um destes mares, foram calculados os erros mínimos para os espectros teóricos relativos às di-
reções médias θm = {0, 30, 45, 60, 90, 120, 135, 150, 180}, dadas em graus, conforme a figura 8,
na qual as linhas vermelhas com setas indicam as direções em que as ondas estão incidindo
sobre a embarcação em cada caso, convencionando-se que a onda vem de uma destas direções
e adotando-se o sentido positivo de popa para proa.
Hs [m] Tp [s]
Mar 1 2 10
Mar 2 4 8,5
Mar 3 4 10
Mar 4 4 12
Mar 5 4 14
Dado que quanto maior o calado em que a embarcação se encontra, menor é a resposta, deve
ser definida uma faixa discretizada dos calados para analisar tal sensibilidade do processo, pois
as séries temporais serão diferentes a cada valor da discretização. A metodologia de calibração
desenvolvida foi baseada nos calados cheio (21m), intermediário (14,5m) e leve (9m).
50
O valor de s foi considerado constante e igual a 150, dadas as limitações existentes de soft-
ware para a geração de espectros com espalhamento. Assim, o número de testes inicial é dado
pelo número de mares da tabela 2 multiplicado pelo número de incidências de onda e pelo nú-
mero de calados, resultando em 5 × 9 × 3 = 135 condições às quais a embarcação esteve sujeita.
Calado
Dados
Lastro (9m) Intermediário (14,5m) Cheio (21m)
Deslocamento [t] 1,24.105 2,09.105 3,11.105
Trim [◦ ] -0,663 -0,015 0,002
LCG [m] 6,92 13,52 10,48
VCG [m] 18,78 14,03 14,30
Ixx [tm2 ] 5,87.107 9,23.107 1,19.108
Iyy [tm2 ] 9,96.108 1,40.109 1,85.109
Izz [tm2 ] 9,98.108 1,41.109 1,89.109
Amortecimento [t/s] 7,25.106 7,73.106 9,05.106
As séries temporais de movimento do navio nos 6 graus de liberdade foram geradas por meio
do software Dynasim R , o qual, simula a dinâmica da embarcação sujeita a um certo mar definido
pelo usuário, gerando séries temporais de movimento nos 6 graus de liberdade: Surge, Sway,
Heave, Roll, Pitch e Yaw.
O modelo numérico do FPSO P-50 utilizado no Dynasim deve ser ajustado a cada calado
a ser analisado, pois as séries temporais dos movimentos são dadas em relação ao centro de
gravidade da embarcação.
51
Na figura 10 tem-se um exemplo das séries temporais geradas pelo Dynasim para os mo-
vimentos da P-50 em calado leve, sujeita a um mar com parâmetros Hs = 4m, Tp = 10s,
θm = 135◦ e s = 150.
Figura 10: Exemplo de séries temporais dos movimentos geradas pelo Dynasim para os 6 graus
de liberdade do FPSO P-50 em calado leve.
Os RAOs utilizados foram gerados por meio do WAMIT R , software conhecido e amplamente
usado na indústria naval e em pesquisas da área. Estes serviram tanto para a rotina de calibração
quanto para uso no Dynasim, dado que o mesmo necessita destas informações para simulação
da dinâmica. No sistema final de estimação do espectro direcional são também adotados estes
mesmos RAOs, os quais são apresentados no apêndice C.
É importante destacar que, embora sejam apresentados aqui os RAOs e séries temporais de
Roll estes dados não serão utilizados ao longo do processo de estimação bem como do desen-
volvimento da metodologia. Isto se faz necessário devido às incertezas inerentes envolvidas no
processo de obtenção dos RAOs para este grau de liberdade, resultantes dos efeitos viscosos não-
lineares, uma vez que se supõe linearidade entre o movimento da embarcação e a onda incidente.
0, 0001
0, 00564
0, 01119
0, 0001 0, 01673
0, 00208 0, 02228
0, 00406 0, 02782
0, 00604
0, 03337
0, 00802
0, 03891
0, 01 0, 04446
u1 = u2 =
0, 015
0, 05
0, 02 0, 06
0, 025 0, 07625
0, 03
0, 0925
0, 035
0, 10875
0, 05 0, 125
0, 15
0, 175
0, 2
Embora testes de minimização do erro por um processo de otimização tenham sido realiza-
dos, tornou-se inviável a utilização deste método devido à falta de conhecimento que se tinha do
resultado esperado e da impossibilidade de usar a soma dos erros ao final deste processo, uma
vez que eram obtidos apenas valores para 1 ponto da malha. Isto fez com que a análise dos
valores dos hiperparâmetros se mostrasse extremamente complexa nesta abordagem.
Desta maneira, embora isso não tenha sido considerado neste estudo, tal processo de minimi-
zação pode ser utilizado para o refinamento dos resultados, encontrando valores independentes
da discretização da malha para os hiperparâmetros.
53
Para a determinação dos erros entre o espectro estimado e o real foi adotada a seguinte
formulação de erro, sendo detalhada a escolha desta formulação no apêndice B:
K X
M
X S ∗ (ωm , θk ) S (ωm , θk )
erroabs = ∆θk ∆ωm ∗
−
k=1 m=1 max [S (ω, θ)] max [S (ω, θ)]
onde ∆θ = 2π/K. Os valores max [S ∗ (ω, θ)] e max [S (ω, θ)] são, respectivamente, os
máximos dos espectros teórico e estimado, nos intervalos discretos de ω e θ, e ∆ωm é dado por:
ω2
− ω1 , se m = 1,
ωm −ωm−1
∆ωm = 2
, se 1 <m<M e
ωM − ωM −1 , se m = M .
O processo exaustivo consiste no cálculo dos erros para todos os pares (u1 , u2 ) contidos
na malha, sendo que ao final, obtém-se o par destes hiperparâmetros correspondente ao valor
mínimo de erro. Apresentado na figura 11, o fluxo deste processo de busca do menor erro é
bastante simples:
3. Como os valores dos parâmetros de um espectro JONSWAP são dados a priori, calcula-se
então o erro entre o espectro estimado e o teórico;
4. Repete-se o processo de estimação e cálculo de erro para diversos pares (u1 , u2 ) definidos
na malha;
5. A melhor estimativa é aquela em que ocorreu menor erro, sabendo-se portanto os valores
de u1 e u2 que geraram tal estimativa do espectro direcional.
54
Exemplo 2
Gerando-se numericamente um conjunto de séries temporais com base nos parâmetros Hs =
4m, Tp = 10s e θm = 120◦ para a embarcação P-50 em calado leve, ao aplicar-se o processo
apresentado na figura 11 utilizando-se a malha definida anteriormente para os hiperparâmetros,
obtém-se a superfície de erros da figura 12(a).
Verifica-se claramente que o valor mínimo neste caso localiza-se não muito distante da origem
da malha, mais especificamente no ponto definido por u1 = 0, 00406 e u2 = 0, 02228, resul-
tando em um erro mínimo de erroabs = 2, 4699. Sendo este o ponto ótimo da malha para este
caso, são obtidas as estatísticas referentes ao respectivo par de hiperparâmetros: Hsest = 3, 92m,
Tpest = 9, 96s e θmest
= 118, 99◦ . O mapa direcional estimado para este exemplo é apresentado na
figura 12(b), a superfície do espectro direcional estimado e o espectro de potência são mostrados,
respectivamente, nas figuras 12(d) e 12(c).
Nota-se que alguns pontos da malha não possuem valores de erro indicados pelos pontos ver-
melhos. Isto foi feito propositalmente para a redução do tempo computacional na determinação
das superfícies de erro. Dado que era conhecida a tendência dos valores dos hiperparâmetros,
foram retirados alguns pontos da malha fora da região de interesse, priorizando-se a discretização
ao redor do ponto de erro mínimo.
A estimação feita para o ponto ótimo da malha resultou em boas aproximações do espectro
teórico, no que se refere às estatísticas calculadas, conforme apresentado acima. Entretanto, em
alguns casos ocorrem estimações divergentes, resultando em espectros distantes (em termos do
erro) do teórico e consequentemente, estatísticas incorretas são extraídas, mesmo mantendo-se
a energia total do espectro próxima a do teórico. A seguir tem-se um exemplo deste tipo de
estimação divergente, a qual foi verificada ser recorrente em casos de θm = 45◦ para calado
intermediário e cheio.
(a) Superfície de erroabs . (b) Mapa do espectro direcional estimado.
56
Figura 12: Resultados da estimação exaustiva com uso do erroabs para espectro com parâmetros Hs = 4m, Tp = 10s e θm = 120◦ com embarcação
em calado leve.
57
Exemplo 3
Este fato é exemplificado pela aplicação do mesmo procedimento descrito acima para um
espectro gerado utilizando-se os seguintes parâmetros: Hs = 4m, Tp = 8, 5s e θm = 45◦ com
a embarcação em calado cheio. Apresentam-se na figura 13 os resultados obtidos na estimação,
bem como a superfície de erros.
Verifica-se claramente pela figura 13(b) que a energia não foi mantida na direção correta, re-
sultando em uma direção média estimada3 θm est
= −72, 23◦ , com Tpest = 9, 196s e Hsest = 3, 538m
indicando que a energia total estimada se manteve relativamente próxima à teórica, conforme
pode ser verificado no espectro de potência apresentado na figura 13(c), uma vez que as curvas
possuem áreas relativamente próximas.
3
Embora os resultados sejam apresentados no intervalo [0◦ ; 360◦ ], as estatísticas de direção são sempre dadas
entre −180◦ e 180◦ .
(a) Superfície de erroabs . (b) Mapa do espectro direcional estimado.
58
Figura 13: Resultados da estimação exaustiva com uso do erroabs para espectro com parâmetros Hs = 4m, Tp = 8, 5s e θm = 45◦ com embarcação
em calado cheio.
59
Tendo em vista os exemplos apresentados, foi executado este processo para todos os mares
definidos na tabela 2 combinados às incidências de onda θm mencionadas anteriormente, para
cada um dos 3 calados. Assim, foram obtidas 135 estimativas de espectros direcionais de onda,
assim como de superfícies de erro, sendo que a cada mar da tabela mencionada haviam 9 inci-
dências de onda.
Os resultados obtidos nos testes de minimização pelo processo exaustivo são apresentados
nas tabelas de 29 a 33 no apêndice D, onde podem ser vistas as estatísticas globais obtidas e a
comparação percentual com os valores teóricos. Nestas tabelas valores negativos do percentual
indicam estimativas menores que os teóricos e positivos, o contrário, indicando superestimação
da energia contida no espectro.
Sabendo-se que casos com incidência de 45◦ e 135◦ são comprometidos pelo próprio pro-
cesso de estimação, a desconsiderar-se tais estimativas que são tidas como incorretas, o maior
erro obtido é uma variação de 38% a menos na estimativa de Hs para o mar 2 com incidência
θm = 120◦ , sendo que para este período de onda a estimação é sabida ser mais difícil de se realizar.
Com exceção dos casos mencionados, as estatísticas obtidas estão em uma faixa aceitável
de erro, sendo que os valores de Tpest são diretamente influenciados pela discretização utilizada
na frequência4 .
4
Vale lembrar que o aumento da discretização implica diretamente no aumento da ordem dos sistemas a serem
resolvidos pelo método Bayesiano, comprometendo a eficiência computacional do algoritmo.
60
As cores verde, violeta e laranja das superfícies indicam, respectivamente, calados vazio,
intermediário e cheio. Observa-se nesta figura uma clara tendência de erros menores para suavi-
zações menores, independente dos calados. Isso indica que a variação dos hiperparâmetros em
função dos calados não é tão significativa.
Um outro exemplo é dado na figura 15, onde observam-se as tendências das superfícies
variando-se a direção média de incidência de ondas e mantendo outros parâmetros fixos.
Verifica-se que neste caso as superfícies de 0◦ e 180◦ tem tendências parecidas, com baixa
suavização, dado que o erro mínimo é encontrado para valores baixos dos hiperparâmetros. No
caso de 90◦ esta tendência não acontece, encontrando-se valores de u1 e u2 que permitam maior
suavização.
Estes fatos ocorrem devido à dinâmica da embarcação. Quando as ondas incidem de través,
existe maior movimentação em Sway e Heave, resultando em maiores amplitudes dos espectros
de movimento, o que fornece mais informação ao algoritmo de estimação. Já nos casos de proa e
popa, acontece movimentação em graus de liberdade menos significativos e de menor amplitude,
como Surge e Pitch, existindo menos informação à estimação.
(a) Hs = 4m, Tp = 12s e θm = 0◦ . (b) Hs = 4m, Tp = 12s e θm = 90◦ .
61
(c) Hs = 4m, Tp = 12s e θm = 180◦ .
Figura 15: Superfícies de erroabs para o mar Hs = 4m, Tp = 12s com direções θm = 0◦ , θm = 90◦ e θm = 180◦ - Calado intermediário.
62
Para a decisão de qual direção priorizar em relação à escolha dos hiperparâmetros para a
simplificação e não dependência destes nas direções, opta-se pelos valores de estimativas mais
suscetíveis a erros, no caso, proa e popa são um bom exemplo pois, como se possui mais infor-
mação nos casos de través, estas estimações suportam melhor a não suavização.
Embora o processo exaustivo atenda aos requisitos de estimação, este é inviável para a utili-
zação em tempo real, pois para a malha proposta os tempos de execução deste algoritmo chegam
TM
a atingir duas horas de processamento em um computador Intel R Core 2 Quad Q2800, com
processamento de 2,66GHz e 3Gb de memória RAM.
Neste trabalho, optou-se pela minimização da soma dos erros ao longo das direções, obtendo-
se então valores de u1 e u2 variáveis em função do calado e do período de pico. Considerando-se
que ao fixar valores de u1 e u2 nas direções e que podendo variar a cada calado e a cada pe-
ríodo de pico dos espectros teóricos, as estimativas obtidas ainda estarão dentro de uma faixa de
erro tolerável, é possível então encontrar tais valores através dos mínimos das somas dos erros,
tomando-se o par de hiperparâmetros correspondente a tal valor.
Sendo este um processo simples, bastando-se apenas somar os valores dos erros em cada
coordenada da malha para os 9 casos de incidências de cada mar apresentado na tabela 2, serão
então obtidas 15 superfícies de soma dos erros, uma em cada calado para cada mar considerado.
Figura 16: Soma dos valores de erroabs nas direções para o caso de mar 3 com embarcação em
calado 9m.
Para este caso, obtém-se o valor mínimo da superfície igual a 27,7818, localizado nas coor-
63
denadas u1 = 0, 00208 e u2 = 0, 01119. Assim, conforme definido pela metodologia, devem ser
calculadas as novas estimativas para todas as direções no caso do mar 3 com a embarcação no
calado leve, utilizando-se estes novos valores de hiperparâmetros e verificando-se os erros obtidos
nas estatísticas finais.
Note que alguns pontos da superfície obtida não foram calculados, dado que nas superfícies
originais tais pontos da malha não possuiam um valor de erro associado, uma vez que se bus-
cou maior desempenho computacional, portanto, a superfície é definida novamente apenas pelos
pontos vermelhos nos quais efetivamente existe um valor de erro calculado.
Ao longo dos estudos, notou-se o padrão de que para incidências de través estes pontos
tendiam a valores máximos de erro, em contraste aos mares incidentes de proa e popa, os quais
tendiam ao mínimo. Intuitivamente, isto leva a crer que ao tomar-se uma coordenada mais
avançada em relação à origem, serão atendidos ambos os casos, mesmo que isto resulte em erros
levemente maiores. Assim, optou-se pela não utilização deste ponto, pois caso ocorresse valor
mínimo de erro nesta coordenada, os mares de través poderiam ser demasiadamente penalizados.
Já no caso oposto, os mares de proa e popa não sofrem tanto prejuízo ao adotar-se valores
levemente maiores de u1 e u2 .
Exemplo 4
Tomando-se o caso apresentado no exemplo 3, ao adotar os novos valores u1 = 0, 00208 e
u2 = 0, 01119 obtidos pelo mínimo da soma dos erros apresentada acima, dado que o período de
pico e calado são os mesmos, as estatísticas do espectro estimado permanecem dentro de uma
faixa aceitável de erro, sendo estas Hsest = 4, 146m, Tpest = 9, 95s e θm
est
= 119, 026◦ . Compara-
tivamente, houve uma variação de ∆Hs = 4%, sendo que no exemplo anterior esta variação era
de −2%, ambos em relação ao valor teórico. No caso da direção estimada, em ambos os casos
o erro é de aproximadamente 1◦ .
Os mapas dos espectros direcionais teórico e estimado para este caso são apresentados na
figura 17, onde fica claro que houve pouca sensibilidade do modelo à pequenas variações nos
hiperparâmetros, comparando-se aos resultados obtidos para o teste equivalente de exaustão.
Para todos os mares da tabela 2 são apresentados no apêndice E as tabelas com os re-
sultados das estimações, utilizando-se valores fixos dos hiperparâmetros como mostrado nesta
seção. São também apresentados no apêndice F os mapas dos espectros direcionais estimados,
os quais foram obtidos utilizando-se os pares de hiperparâmetros encontrados pela minimização
da soma dos erros. Tais resultados são dispostos de acordo com cada estado de mar da tabela 2
combinado às direções médias θm e separados por calado em que se encontra o FPSO P-50. São
discutidos na seção seguinte os resultados obtidos pela minimização da soma dos erros e pelo
processo de exaustão.
64
(a) Mapa do espectro direcional teórico. (b) Mapa do espectro direcional estimado.
Figura 17: Resultados da estimação utilizando valores dos hiperparâmetros referentes ao mínimo
da soma – Espectro com parâmetros Hs = 4m, Tp = 10s e θm = 120◦ com embarcação em
calado leve.
Esta verificação final serve para analisar a influência de valores fixos globais nas estimativas
finais. Os resultados obtidos nestes testes são apresentados apenas na forma de erros percentu-
ais das estatísticas nos gráficos, uma vez que não foram obtidas boas aproximações, conforme
mostrado a seguir.
Conforme apresentado nas figuras 18(a) até 22(c), os percentuais de erro (∆Hs ) nos casos
65
de u1 e u2 ótimos obtidos pelo processo de minimização (curva pontilhada na cor azul), atigem
variação máxima de 38% abaixo do teórico, isto em casos de Tp = 8, 5s, sendo estes de difícil
aplicação do método de estimação. Para os outros mares, desconsiderando-se os casos críticos
de incidência, verifica-se que a variação dos percentuais de erro não ultrapassa os 15%, ou seja,
em mares com Hs = 4m, obtém-se valores de Hsest entre 3,4 e 4,6 metros de onda, o que é
considerado um ótimo resultado em termos de estimação do espectro direcional de onda.
Entretanto, para a aplicação real sugerida pela metodologia, são utilizados os valores fixos
de u1 e u2 em cada calado e Tp , obtidos por meio da minimização da soma dos erros absolutos
(curva tracejada cor-de-rosa). Neste caso, também desconsiderando-se os casos críticos, tanto
da direção de incidência, quanto do mar 2, os percentuais de erro ficam limitados a variações
máximas de 20%, o que implica em estimativas de Hs variando entre 3,2 e 4,8 metros, sendo
estes valores aceitáveis de erro.
Figura 18: Erros percentuais ∆Hs em relação ao teórico do mar 1, em cada calado – Curvas: Exaustão; Soma dos erros e; Hiperparâmetros fixos
globalmente.
66
(a) Hs = 4m, Tp = 8, 5s e calado 9m. (b) Hs = 4m, Tp = 8, 5s e calado 14,5m. (c) Hs = 4m, Tp = 8, 5s e calado 21m.
Figura 19: Erros percentuais ∆Hs em relação ao teórico do mar 2, em cada calado – Curvas: Exaustão; Soma dos erros e; Hiperparâmetros fixos
globalmente.
(a) Hs = 4m, Tp = 10s e calado 9m. (b) Hs = 4m, Tp = 10s e calado 14,5m. (c) Hs = 4m, Tp = 10s e calado 21m.
Figura 20: Erros percentuais ∆Hs em relação ao teórico do mar 3, em cada calado – Curvas: Exaustão; Soma dos erros e; Hiperparâmetros fixos
globalmente.
67
(a) Hs = 4m, Tp = 12s e calado 9m. (b) Hs = 4m, Tp = 12s e calado 14,5m. (c) Hs = 4m, Tp = 12s e calado 21m.
Figura 21: Erros percentuais ∆Hs em relação ao teórico do mar 4, em cada calado – Curvas: Exaustão; Soma dos erros e; Hiperparâmetros fixos
globalmente.
(a) Hs = 4m, Tp = 14s e calado 9m. (b) Hs = 4m, Tp = 14s e calado 14,5m. (c) Hs = 4m, Tp = 14s e calado 21m.
Figura 22: Erros percentuais ∆Hs em relação ao teórico do mar 5, em cada calado – Curvas: Exaustão; Soma dos erros e; Hiperparâmetros fixos
globalmente.
68
69
Portanto, uma maneira de utilizar-se os valores obtidos para os hiperparâmetros é por meio
de uma interpolação dos dados apresentados nas tabelas 4 e 5.
Tp [s]
Calado [m]
8,5 10 12 14
9 0,00208 0,00208 0,00208 0,00208
14,5 0,00208 0,00208 0,00208 0,00406
21 0,00208 0,00208 0,00406 0,00406
Tp [s]
Calado [m]
8,5 10 12 14
9 0,00010 0,00010 0,01119 0,01119
14,5 0,00010 0,00010 0,00564 0,01119
21 0,00010 0,00564 0,01119 0,00564
Isto é equivalente a encontrar valores intermediários para calados e períodos de pico diferen-
tes dos tabelados em uma superfície como as apresentadas nas figuras 23(a) e 23(b).
É importante destacar que estas superfícies foram obtidas com valores vizinhos na discretiza-
ção da malha u1 × u2 e, portanto, quaisquer outros valores intermediários não foram analisados.
Além disso, é interessante notar que em uma região pequena como esta existem variações consi-
deráveis das estimativas obtidas conforme pode ser visto na análise de erros percentuais de Hs .
70
Dado que este procedimento determina valores dos hiperparâmetros em função de Tp é ne-
cessário estimar este parâmetro de alguma maneira. Uma opção para isto seria o uso do período
médio de algum movimento da embarcação, por exemplo, o de Heave, dada sua resposta linear
às excitações de onda.
Vale lembrar também que os testes aqui realizados contaram com apenas um valor do es-
palhamento s, uma vez que não foi possível incluí-lo na metodologia de calibração devido a
limitações de software. Este fato é importante pois os mares considerados não possuem espa-
lhamento de energia, ou seja, a energia dos espectros direcionais teóricos fica extremamente
concentrada em uma região pequena de direções e frequências. Isto força baixas suavizações dos
espectros estimados, implicando em baixos valores dos hiperparâmetros durante o processo de
calibração dos mesmos.
71
5 Pós-processamento
5.1 Introdução
Neste capítulo é apresentado o pós-processamento do espectro direcional, introduzindo mo-
delos paramétricos baseados em estatísticas de mar para descrição do espectro em função da
frequência e da direção. Possuindo-se apenas o espectro direcional é difícil saber a que tipo de
mar o mesmo corresponde, dado que o espectro não está descrito por meio de uma parametri-
zação, mas sim por uma matriz com dados de energia em função das frequências e direções. Do
ponto de vista da aplicabilidade dos espectros direcionais de energia, é necessária a “tradução”
dos mesmos em quantidades compreensíveis e manipuláveis, tais como as estatísticas globais de
mar: Hs , Tp , θm e s, amplamente utilizadas em Engenharia Naval.
Estas estatísticas globais podem ser facilmente calculadas com a finalidade de se compreender
melhor qual tipo de mar está sendo representado pelo espectro direcional. Entretanto, a extração
destas informações dos espectros torna-se muitas vezes complexa ao serem considerados estados
de mares cruzados (Crossed-Sea States), em que dois mares (i = {1, 2}) de diferentes alturas
significativas (Hsi ), vindos de diferentes direções médias (θmi ), com dois períodos de pico (Tpi )
e respectivos espalhamentos de energia (si ), influenciam nos movimentos da embarcação.
Estes parâmetros estatísticos modais (Hsi , Tpi , θmi e si ) fornecem, através de modelos espec-
trais direcionais, uma função dependente da frequência e da direção que se aproxima do espectro
direcional discreto (como, por exemplo, da matriz obtida pelo método Bayesiano). Assim, é
necessário extrair deste espectro discreto os valores dos parâmetros estatísticos através de algum
tipo de estimação, a qual será aqui chamada de estimação paramétrica.
A estimação paramétrica é feita através da minimização do erro total calculado por meio das
diferenças entre a matriz que representa o espectro direcional e a função S (ω, θ) que representa
o espectro estimado. Devido a isto, é necessária a escolha de um modelo para a representação
de S (ω, θ), a qual deve levar em consideração alguns fatores importantes, tais como o ajuste
aos tipos de espectro a serem estimados e a difusão na literatura.
Neste trabalho, foram utilizados os modelos de espectro de energia de Hogben & Cobb,
proposto por (HOGBEN; COBB, 1986), e JONSWAP, modelo clássico de representação espec-
tral, ambos compostos à parcela direcional D (ω, θ). A escolha destes modelos é justificada na
seção 5.2. As formulações destes dois modelos são apresentadas neste capítulo juntamente a
alguns exemplos comparativos para ilustrar as principais diferenças dos modelos.
72
Esta classificação dos espectros foi feita por meio dos chamados critérios de bimodalidade,
sendo que neste trabalho foram estudados 4 métodos de identificação, comparando-os por meio
de testes com os espectros a serem estimados e adotando-se o critério que atendia melhor aos
requisitos: identificar todos os mares unimodais. Considerou-se que a identificação incorreta de
mares bimodais não traria grandes prejuízos ao trabalho realizado.
Assim, adotou-se o critério proposto por (PISCOPIA; PANIZZO; GIROLAMO, 2004), pois este
foi o único capaz de atender ao requisito estabelecido, identificando corretamente todos os mares
unimodais testados. Entretanto, a restrição imposta pelo critério penaliza demasiadamente os
mares bimodais, forçando estimativas unimodais para mares em que seria perfeitamente realizá-
vel a estimação bimodal dos parâmetros. Uma das sugestões feitas ao final deste trabalho é um
estudo mais criterioso deste fator limitante.
de espectros.
É importante salientar que, embora o espectro direcional discreto a ter suas estatísticas ex-
traídas possa ser gerado pelo algoritmo Bayesiano, neste capítulo foram utilizados mares medidos
de ensaios em escala. Isto foi feito levando-se em consideração o fato de que ao gerar o espectro,
o algoritmo Bayesiano pode gerar estimativas incorretas, o que poderia levar ao desenvolvimento
de um método de pós-processamento tendencioso. Além disso, utilizando-se informações me-
didas, aumenta-se a confiabilidade do método, podendo então adotar-se os procedimento de
pós-processamento aos espectros gerados pelo método Bayesiano com maior segurança.
Os espectros aqui utilizados para a validação do pós-processamento são resultantes dos en-
saios elaborados em (SPARANO, 2008) e (SIMOS et al., 2009). Estes ensaios foram realizados
no tanque de provas do LabOceano da COPPE/UFRJ utilizando escalas 1:48 e 1:70. Para a
medição das amplitudes de onda em pontos determinados foram utilizados wave-probes (sensores
de onda) e a frequência de amostragem é de 25Hz (escala de modelo), conforme mencionado1
em (SPARANO, 2008, p.41-42).
Ao final do capítulo são apresentados resultados obtidos pela estimação paramétrica, compa-
rando-os com os valores teóricos que serviram de base para os ensaios realizados no tanque de
provas. Através destas comparações são feitas as considerações finais para a escolha do modelo
JONSWAP com s fixo para a representação dos espectros direcionais, tendo em vista a precisão
das estimativas e o tempo de processamento para obtenção de resultados.
1
Maiores detalhes sobre as instalações e equipamentos usados nos experimentos podem ser encontrados
em (SPARANO, 2008) e (SIMOS et al., 2009).
74
Estas formulações de espectro de energia, denotado aqui por S (ω), onde ω é a frequência
angular em [rad/s], possuem em comum os parâmetros Hs e Tp , diferindo-se na forma do espec-
tro, mas mantendo a mesma área e frequência de pico, ou seja, todos contém a mesma energia.
Para fins de ilustração é apresentado na figura 25 um exemplo de espectro de potência para os
modelos JONSWAP e Hogben & Cobb.
Sabendo que para mesmos Hs , a energia contida em S (ω) é igual para diferentes parame-
√
trizações, dado que Hs = 4 m0 , onde m0 é a área abaixo da curva de S (ω). Ao se fazer a
composição do espectro de frequência com a parcela direcional D (ω, θ), onde θ é a direção, o
espectro direcional de energia de onda, denotado por S (ω, θ) terá a mesma energia para diferen-
tes parametrizações. A diferença entre parametrizações está ligada a forma que esta energia está
distribuida, dependendo do espalhamento ,s, e de algum parâmetro de forma ou de amplificação
de pico, estes variando a cada modelo espectral.
Z 2π
S (ω) = S (ω, θ) dθ (5.2)
0
Para que uma função seja utilizada como parte direcional do espectro, esta deve possuir as
seguintes propriedades:
Propriedade 1:
)
D (ω, θ) ≥ 0
para θ ∈ R
D (ω, θ + 2π) = D (ω, θ)
Propriedade 2:
Z α+π
D (ω, θ) dθ = 1, para α ∈ R
α−π
Uma expressão deste tipo muito utilizada na literatura, tendo sido proposta por (LONGUET-
HIGGINS; CARTWRIGHT; SMITH, 1961), é dada em (5.3):
!
1 θ − θm Γ2 (s + 1)
D (ω, θ) = 22s−1 cos2s (5.3)
π 2 Γ (2s + 1)
Z ∞
Γ (s) = ts−1 e−t dt (5.4)
0
76
Propriedade 3:
Γ (s + 1) = sΓ (s) , para s ∈ R+
∗. (5.5)
Esta propriedade é importante para a eficiência computacional no cálculo de D (ω, θ), pois
através da mesma é possível calcular a função Γ de maneira recursiva para valores tabelados de
s, usando interpolação linear para valores intermediários deste parâmetro. Do ponto de vista
computacional esta abordagem é menos custosa que o cálculo da integral dada em (5.4) e sufi-
cientemente precisa.
Neste trabalho foram adotados dois tipos de espectros de frequência, Hogben & Cobb e
JONSWAP, sendo que ambos foram utilizados juntamente com a parte direcional dada por (5.3).
A escolha destes modelos foi feita considerando-se com os seguintes fatores:
• O modelo de Hogben & Cobb já havia sido utilizado em trabalhos anteriores (ver (SIMOS et
al., 2009) e (SPARANO, 2008)) e como o estudo aqui realizado é uma continuação destes,
naturalmente optou-se pela utilização do mesmo modelo.
• O espectro JONSWAP foi utilizado na geração dos ensaios em escala feitos no LabOceano,
os quais serviram como teste e foram usados na validação da estimação aqui implementada.
77
Definição 1:
λi
4λi +1 4
1
2
X 4
ωmi Hs2i
S (ω, θ) = 4
A (si )
i=1 Γ (λi ) ω 4λi +1
(5.6)
4
θ−θmi ωm i
× cos2si 2
exp − 4λi4+1 ω
O termo indicado por A (s) é um fator de normalização para a área sob a curva de cos2s ,
sendo dado pela expressão (5.7).
22s−1 Γ2 (s + 1)
A (s) = (5.7)
πΓ (2s + 1)
Ou seja, este termo é uma parte da função de distribuição de energia dada na expressão (5.3).
Exemplos
São apresentados a seguir alguns exemplos variando-se os valores dos parâmetros para o mo-
delo dado por (5.6). Na tabela 6 são dados os valores adotados para os parâmetros dos espectros
direcionais.
78
Tabela 6: Valores adotados para os parâmetros nos exemplos do modelo de Hogben & Cobb.
Hsi em [m], ωmi em [rad/s] e θmi em [rad].
Nas figuras de (26(a)) a (26(c)) tem-se as representações gráficas dos exemplos do espectro
direcional dado pelo modelo (5.6). Pode-se perceber que o modelo também engloba o caso uni-
modal, dado no exemplo 3 ao se considerar os parâmetros de uma das componentes iguais a zero.
(a) Espectro direcional de onda – Exemplo 1. (b) Espectro direcional de onda – Exemplo 2.
s(ω/ωp )5 ,
max para ω ≤ ωp
s= (5.8)
smax (ω/ωp )2,5 , para ω > ωp .
Exemplos
São apresentados a seguir alguns exemplos variando-se os valores dos parâmetros para o modelo
dado por (5.6) utilizando-se a formulação (5.8) para o parâmetro s e comparando-se com os
exemplos 1 a 3. Na tabela 8 são dados os valores adotados para os parâmetros dos espectros
direcionais.
Tabela 8: Valores adotados para os parâmetros nos exemplos do modelo de Hogben & Cobb
utilizando a formulação com s variável. Hsi em [m], ωmi em [rad/s] e θmi em [rad].
Nas figuras 27(b), 28(b) e 29(b) tem-se as representações gráficas dos exemplos do espec-
tro direcional dado pelo modelo (5.6) adotando-se a formulação (5.8). Para comparação, são
apresentados também os espectros direcionais dos exemplos de 1 a 3 do modelo (5.6) com s fixo.
80
Figura 27: Mapas do espectro direcional de onda para os casos com s fixo e s variável dos
exemplos 1 e 4.
81
Figura 28: Mapas do espectro direcional de onda para os casos com s fixo e s variável dos
exemplos 2 e 5.
82
Figura 29: Mapas do espectro direcional de onda para os casos com s fixo e s variável dos
exemplos 3 e 6.
83
(ω−ωp )2
h i
H 2ω4 −1, 25ωp4 exp
" #
−
S (ω) = 2πβJ s 5 p exp
2
2σ 2 ωp
γ (5.9)
ω ω4
0, 0624
βJ = (1, 094 − 0, 01915 ln γ) (5.10)
0, 230 + 0, 0336γ − 0, 185 (1, 9 + γ)−1
O fator de amplificação de pico foi utilizado na literatura especializada durante muito tempo
como sendo γ = 3, 3, o valor médio deste parâmetro para o Mar do Norte, podendo também
variar entre 1 e 7, conforme (GODA, 2000). Neste estudo, o valor de γ é sempre considerado no
intervalo mencionado.
Embora esta seja uma formulação clássica na literatura, neste texto faremos uso de uma
variação do espectro de potência dado em 5.9, a qual é apresentada na expressão (5.11). A
diferença está apenas na constante multiplicadora, que varia levemente em relação ao modelo
clássico. Esta escolha se baseia no fato de que a relação apresentada a seguir tem sido utilizada
frequentemente para os mares da Bacia de Campos, tanto pela PETROBRAS quanto por pes-
quisadores da área de engenharia naval e oceanografia no Brasil.
(ω−ωp )2
h i
−1, 25ωp4 exp
" #
g2 − 2
2σ 2 ωp
S (ω) = 2πα 5 exp γ (5.11)
ω ω4
Hs2 ωp4
α = 5, 0609 (1 − 0, 287 ln γ) (5.12)
(2π)4
a = 0, 07, para ω ≤ ωp
σ
σ= (5.13)
σb = 0, 09, para ω > ωp .
Definição 2:
2
# exp − (ω−ωpi )
2
−1, 25ωp4i
! "
2
1 g θ − θmi 2σ 2 ω 2pi
2παi 5 A (si ) cos2si
X i
S (ω, θ) = exp γi (5.14)
4 i=1 ω 2 ω4
Este modelo também pode sofrer a mesma variação apresentada na seção 5.3, expres-
são (5.8), através do uso do parâmetro s como sendo uma função da frequência.
86
Tabela 9: Valores adotados para os parâmetros nos exemplos do modelo JONSWAP. Hsi em
[m], ωpi em [rad/s] e θmi em [rad].
Tabela 10: Valores adotados para os parâmetros nos exemplos do modelo JONSWAP utilizando
a formulação com s variável. Hsi em [m], ωpi em [rad/s] e θmi em [rad].
Exemplos
São apresentados nas figuras de 31(a) a 33(b) alguns exemplos de espectros direcionais
obtidos para os valores das tabelas 9 e 10
87
Figura 31: Mapas do espectro direcional de onda para os casos com s fixo e s variável dos
exemplos 7 e 10.
88
Figura 32: Mapas do espectro direcional de onda para os casos com s fixo e s variável dos
exemplos 8 e 11.
89
Figura 33: Mapas do espectro direcional de onda para os casos com s fixo e s variável dos
exemplos 9 e 12.
90
Os espectros direcionais de onda podem ser divididos em duas categorias segundo a distri-
buição da energia:
• Unimodais, com apenas um pico de energia em uma dada frequência e direção média.
• Bimodais, com dois picos de energia, cada qual com uma direção média e frequência de
pico próprias.
Esta definição é um tanto vaga, considerando-se que um pico poderia ser qualquer valor
não nulo que existisse em um espectro. Entretanto, será considerado que deve existir energia
significativa do segundo pico em relação ao de maior energia, para que o espectro seja tratado
como sendo bimodal.
Portanto, devido aos erros encontrados nas estimações, ficou clara a necessidade da im-
plementação de um método de classificação através da distribuição da energia do espectro,
utilizando-se este critério para a tomada de decisão de qual modelo utilizar: unimodal ou bimo-
dal, dado que ao serem feitas estimações através de modelos unimodais, para espectros também
unimodais, foram obtidos bons resultados.
O termo de espalhamento direcional D (f, θ) apresentado na seção 5.2, tem uma formula-
ção proposta por (LONGUET-HIGGINS; CARTWRIGHT; SMITH, 1961) adotada frequentemente na
literatura.
!
2s θ − θm
D (f, θ) = A (f ) cos
2
Um segundo modelo foi proposto por (MITSUYASU et al., 1975), dado na expressão a seguir:
!
2s θ − θm
D (f, θ) = G (s) cos
2
no qual:
1 2s−1 Γ2 (s + 1)
G (s) = 2
π Γ (2s + 1)
Z fmax
S (f, θ)
D (θ) = df (5.15)
fmin S (f )
92
Na qual S (f ) é dado pela expressão (5.2), apenas mantendo-se a relação S (f ) = 2πS (ω).
Através da relação (5.15) acima, podem ser obtidos os quatro primeiros coeficientes de Fou-
rier através das expressões (5.16) a (5.19) abaixo:
Z 2π
a1 = D (θ) cos (θ) dθ (5.16)
0
Z 2π
a2 = D (θ) sin (θ) dθ (5.17)
0
Z 2π
b1 = D (θ) cos (2θ) dθ (5.18)
0
Z 2π
b2 = D (θ) sin (2θ) dθ (5.19)
0
Z 2π q
m1 = D (θ) cos θ − θ̄ dθ = a21 + b21 (5.20)
0
Z 2π h i
m2 = D (θ) cos 2 θ − θ̄ dθ = a2 cos 2θ̄ + b2 sin 2θ̄ (5.21)
0
Z 2π h i
n2 = D (θ) sin 2 θ − θ̄ dθ = b2 cos 2θ̄ + a2 sin 2θ̄ (5.22)
0
93
Fazendo uso dos parâmetros apresentados, podem ser definidos os 3 primeiros critérios de
bimodalidade, propostos respectivamente por (KOBUNE; SASAKI; HASHIMOTO, 1985) , (KUIK;
VLEDDER; HOLTHUUSEN, 1988) e (BESNARD; BENOIT, 1994).
O 4o critério apresentado, proposto por (PISCOPIA; PANIZZO; GIROLAMO, 2004), não necessita
dos parâmetros apresentados acima, pois é baseado apenas no cálculo de direções de energia e
de fluxo de energia.
v q
u
u 1 − a2 + b22
2
Γ= (5.23)
u
t q
1+ a22 + b22
q
0, 5b21 (1 + a2 ) a1 b1 b2 + 0, 5a21 (1 − a2 )
θk = arctan (5.24)
a21 + b21
Os valores destes parâmetros são definidos, respectivamente, nos intervalos [0; 1] e [0; π/2],
sendo que ambos assumem valor zero para o caso de espectros com ondas em uma única direção
e, Γ = 1 e θk = pi/2 para o caso em que os picos de energia estão posicionados em direções
opostas.
Os parâmetros utilizados neste critério, assim como no anterior, definem a forma da dis-
tribuição de energia do espectro. Dessa maneira, definindo-se um plano cartesiano com eixos
θk e Γ, as regiões unimodais e bimodais são separadas pela curva Γlim , ajustada pelo seguinte
polinômio:
no qual tem-se, a6 = −3, 9193 × 10−11 , a5 = 7, 5939 × 10−9 , a4 = −6, 2946 × 10−7 ,
a3 = 2, 6708 × 10−5 , a2 = −5, 7428 × 10−4 , a1 = 2, 2660 × 10−2 e a0 = −4, 2152 × 10−4 .
Assim, quando θk > 65◦ a distribuição de energia direcional é sempre bimodal. Entretanto,
quando θk ≤ 65◦ a distribuição será bimodal se Γ < Γlim , e unimodal caso contrário. As regiões
deste critério são ilustradas pela figura 34.
Figura 34: Esquema ilustrativo: Critério proposto por (KOBUNE; SASAKI; HASHIMOTO, 1985).
Este critério faz uso dos conceitos de skewness (γ) e kurtosis (δ), normalmente definidos
para uma distribuição de probabilidade. Neste caso, estes parâmetros são utilizados para a distri-
buição direcional de energia dada por (5.15), o que é feito com base na semelhança entre esta e
uma distribuição de probabilidades. Os detalhes de como estes parâmetros podem ser definidos
para uma distribuição direcional de energia definida sobre um círculo são encontrados em (KUIK;
VLEDDER; HOLTHUUSEN, 1988), entretanto vale destacar que as propriedades 1 e 2 apresentadas
na seção 5.2 são as semelhanças consideradas entre uma distribuição direcional de energia e uma
de probabilidades.
O parâmetro skewness (γ) é definido na Teoria de Probabilidade como sendo uma medida de
assimetria da distribuição de probabilidade em relação à média, sendo que o valor desta medida
pode ser positivo, negativo ou até mesmo indefinido. Qualitativamente, um valor negativo indica
que a cauda esquerda de uma distribuição é mais alongada que a direita, sendo que no caso
inverso, tem-se um valor positivo de γ. Para uma distribuição com tendência relativamente simé-
trica com relação à média, γ assume valor zero, embora isso não implique em uma distribuição
exatamente simétrica.
Estes dois parâmetros são definidos nas expressões (5.25) e (5.26) a seguir, em termos dos
momentos circulares apresentados anteriormente:
−n2
γ=q (5.25)
0, 125 (1 − m2 )3
6 − 8m1 + 2m2
δ= (5.26)
4 (1 − m1 )2
Dado que estes parâmetros definem a forma da distribuição direcional de energia, é natural
utilizar pares de valores destes parâmetros para definir se um espectro é bimodal ou unimodal,
definindo regiões através destes pares. O critério estabelece que dado um sistema cartesiano com
abcissa γ e ordenada δ, podem ser definidas as seguintes regiões para a análise:
2 + |γ| para |γ| ≤ 4
δ=
6 para |γ| > 4
Assim, quando |γ| > 4, a distribuição direcional de energia é bimodal se δ ≤ 6, caso contrário
é unimodal. Se |γ| ≤ 4, a distribuição direcional de energia é bimodal se δ ≤ 2 + |γ|, e unimodal
caso contrário. Na figura 35 tem-se um esquema ilustrativo destas regiões.
Figura 35: Esquema ilustrativo: Critério proposto por (KUIK; VLEDDER; HOLTHUUSEN, 1988).
96
q
a22 + b22
r=q (5.27)
a21 + b21
n o
Θ = min θ̄ − θp , θ̄ − θp − 180 (5.28)
onde θ̄ = arctan [b1 /a1 ] é a direção média e θp = 0, 5 arctan [b2 /a2 ] é a direção principal.
O parâmetro r é uma razão entre as amplitudes das duas primeiras componentes da série de
Fourier. Já o parâmetro Θ é uma medida da abertura entre os picos destas duas componentes.
Segundo (BESNARD; BENOIT, 1994), supõe-se que casos de espectros bimodais sejam caracte-
rizados por altos valores de ambos os parâmetros, enquanto os casos unimodais tendem a ter
valores baixos para os mesmos. Assim, definindo-se um plano cartesiano com eixos r e Θ, podem
ser delimitadas as seguintes regiões de acordo com a separação de valores altos e baixos:
r
= 10 para Θ ≤ 5◦
Θ = 5◦ para 0, 1 ≤ r ≤ 10
r = 0, 1 para Θ > 5◦
Desta maneira, o critério estabelece que quando r > 10, a distribuição direcional de energia
é sempre bimodal. No caso em que r < 0, 1, a distribuição é unimodal. Considerando-se o caso
intermediário, com 0, 1 ≤ r ≤ 10, a distribuição direcional é unimodal se Θ ≤ 5◦ e bimodal caso
contrário. Podem ser vistas na figura 36 um esquema ilustrativo destas regiões.
97
Figura 36: Esquema ilustrativo: Critério proposto por (BESNARD; BENOIT, 1994).
O critério foi proposto em (PISCOPIA; PANIZZO; GIROLAMO, 2004), sendo este o método uti-
lizado neste trabalho para a classificação da modalidade dos mares. Optou-se pelo uso deste
método através da comparação com os outros apresentados e por meio de uma pesquisa biblio-
gráfica. Observou-se que embora este critério não tenha sido capaz de identificar a bimodalidade
de todos os espectros bimodais testados, foi o único capaz de identificar com precisão todos os
espectros unimodais. Este fato é importante pois, tomou-se como aceitável a estimação por um
modelo unimodal de um espectro já sabido bimodal, dado que muitas vezes o segundo pico de
energia pode ser desprezado sem grande prejuízo para a energia total do espectro.
L
Um dos parâmetros utilizados é o cálculo clássico da direção média θm , proposto por (LONGUET-
HIGGINS, 1957) e dado na expressão (5.29) a seguir:
" R ∞ R 2π #
L 0 0 S (f, θ) sin θdθdf
θm = arctan R ∞ R 2π (5.29)
0 0 S (f, θ) cos θdθdf
Outra formulação de uma direção relacionada à energia do espectro, proposta por (GIRO-
LAMO, 2004) mais recentemente, é dada pela relação (5.30) abaixo:
" R ∞ R 2π #
D 0 0 Cg (f ) S (f, θ) sin θdθdf
θm = arctan R ∞ R 2π (5.30)
0 0 Cg (f ) S (f, θ) cos θdθdf
L
Fisicamente, o parâmetro θm representa a direção média da energia contida no espectro di-
D
recional e o parâmetro θm representa a direção média do fluxo de energia deste mesmo espectro.
L D
O critério estabelece que se o índice dado por χ = θm − θm é tal que χ ≤ χlim , então o espec-
tro direcional de onda é considerado unimodal (assim como a respectiva distribuição direcional
de energia), caso contrário, o espectro é considerado bimodal. Assim, o critério se baseia na
diferença absoluta entre as direções médias da energia e do fluxo da mesma, indicando, através
disso, uma tendência da modalidade espectral.
Em teoria, espectros unimodais devem ter χ = 0 e bimodais, χ > 0, entretanto para mares
reais isso não é verdade. Nesta mesma referência é sugerido o valor de χlim = 3◦ , sendo este
obtido pelos autores considerando-se dados do Italian Sea Wave monitoring Network (SWaN).
Sabendo que os mares cruzados são, no geral, bem ajustados por modelos bimodais, supondo
uma distribuição não muito desigual da energia dentre os picos, ao calibrar o valor limitante
para os mares da costa brasileira, serão consideradas mais fontes de estatísticas bimodais, pois
mais mares cruzados serão modelados pela formulação bimodal. Assim, um estudo posterior
importante seria a calibração de χlim .
É importante também destacar que este critério possui limitações na identificação de espec-
tros bimodais nos casos em que ambos os picos possuem mesma direção, direções exatamente
opostas ou ainda, as mesmas frequências de pico. Embora estes sejam fatores importantes do
ponto de vista teórico, dificilmente ocorrem na prática, sendo portanto desconsiderados dos es-
pectros possíveis sob os quais a unidade estará sujeita.
Os métodos apresentados foram aplicados aos espectros direcionais medidos por meio de
wave-probes nos ensaios em escala. Estes espectros têm os valores de seus parâmetros teóricos
apresentados nas tabelas 11 e 12 abaixo, separadas em espectros unimodais e bimodais, respec-
tivamente.
Representados nos ensaios estão 4 mares unimodais e 5 bimodais, ensaiados em duas escalas:
1:48 e 1:70. A nomenclatura com prefixo W06-10 é referente aos espectros bimodais na escala
1:48, enquanto que W06-20 é relativo aos bimodais em escala 1:70, ou seja, os 10 espectros
aqui apresentados são os mesmos espectros reais ensaiados em escalas diferentes. Da mesma
maneira tem-se o prefixo W07-10 denotando espectros unimodais em escala 1:48 e W07-20
relativo aos unimodais em escala 1:70. Alturas significativas, Hsi , são dadas na escala real, em
metros. Períodos de pico, Tpi , em segundos e direções médias, θmi , em graus.
Tabela 11: Valores teóricos dos espectros direcionais unimodais gerados no ensaio em escala.
Tabela 12: Valores teóricos dos espectros direcionais bimodais gerados no ensaio em escala.
100
Tabela 13: Classificação dos espectros direcionais gerados no ensaio em escala de acordo com
cada critério.
Outro dado interessante de se destacar nos testes em espectros reais é a diferença da ordem
de grandeza entre os valores de χ dos espectros bimodais W06, os quais são praticamente 10
vezes maiores que os valores dos unimodais W07. Isto sugere que χlim pode ser reajustado
para valores mais baixos, entretanto, necessita-se de uma base de dados de espectros maior para
realização de testes que confirmem tal tendência.
101
Figura 37: Critério proposto em (KOBUNE; SASAKI; HASHIMOTO, 1985) - Resultados para espec-
tros direcionais dos ensaios.
Figura 38: Critério proposto em (KUIK; VLEDDER; HOLTHUUSEN, 1988) - Resultados para espec-
tros direcionais dos ensaios.
102
Figura 39: Critério proposto em (BESNARD; BENOIT, 1994) - Resultados para espectros direcio-
nais dos ensaios.
Figura 40: Critério proposto em (PISCOPIA; PANIZZO; GIROLAMO, 2004) - Resultados para es-
pectros direcionais dos ensaios.
103
ESPECTRO χ
W06-10109 1,72030859
W06-10200 1,09865121
W06-10300 5,65271155
W06-10400 0,06734282
W06-10500 0,16482470
W06-20100 1,80163355
W06-20200 0,79379961
W06-20300 5,18847045
W06-20400 0,19434921
W06-20500 0,16112978
W07-10102 0,10795505
W07-10202 0,14745289
W07-10301 0,12164832
W07-10401 0,13016250
W07-20104 0,04299755
W07-20203 0,02050760
W07-20301 0,13126673
W07-20401 0,10865414
Como mencionado anteriormente, o espectro discreto gerado pelo algoritmo Bayesiano deve
ainda passar por um processo de estimação de seus parâmetros. Para isso deve-se, entretanto,
identificar a uni ou bimodalidade espectral, com a finalidade de garantir o ajuste por meio de
um modelo adequado. Após este processo de identificação de mares cruzados, a estimação pode
ser feita a partir da escolha do modelo adequado, por meio de um processo de minimização com
restrições que visa encontrar os valores dos parâmetros necessários para descrever o espectro
utilizando o modelo escolhido.
v
u n m 2
uX X
erro = 100 × t S (ωk , θl ) − S̄ (ωk , θl ) (5.31)
k=1 l=1
onde S (ωk , θl ) é o espectro discreto dado pelo algoritmo Bayesiano e S̄ (ωk , θl ) é gerado
a cada iteração da estimação, este último variando conforme os parâmetros são ajustados. Os
valores n e m são dados, respectivamente, pela discretização da frequência e da direção.
Para o processo de otimização é utilizada uma rotina chamada FMINCON.m, a qual é parte
integrante do MATLAB R , estando presente na Optimization Toolbox deste software. Esta rotina
105
possui diversos ajustes possíveis tais como, o método de otimização a ser utilizado, o número
máximo de iterações ou de avaliações da função objetivo, ou ainda, a variação máxima na diferen-
ciação das variáveis, além de diversas outras opções que não foram relevantes para este trabalho.
É necessário também que sejam definidos os valores mínimos e máximos de cada variável que
compõe a função objetivo, assim como um valor inicial para cada uma destas variáveis.
Existem alguns métodos de otimização disponíveis nesta rotina, sendo que a mesma possui
identificação automática do tipo de problema a ser otimizado, relacionando com o melhor método
a ser usado. Optou-se por esta escolha automática, pois estava fora do escopo do trabalho o
aprofundamento teórico na relação do problema com os métodos de otimização e, além disso, o
próprio software manteve a escolha de método constante para diferentes espectros.
Obviamente os valores iniciais (ou ainda, a condição inicial) devem estar nos intervalos de-
finidos para a otimização. Para cada espectro são então geradas 5 condições iniciais aleatórias,
limitadas aos valores dos intervalos definidos para cada variável. A otimização é então feita para
estas 5 condicões iniciais, escolhendo-se os valores dos parâmetros relativos à condição inicial
que gerou resultados com menor valor da função objetivo. Verificou-se que 5 condições iniciais
eram suficientes para que o algoritmo sempre encontrasse uma solução. Além disso, a variação
dentre os resultados das 5 condições iniciais era sempre muito pequena.
Modelos Parâmetros
s fixo Hs1 Tp1 s1 γ1 θm1 Hs2 Tp2 s2 γ2 θm2
JONSWAP
s variável Hs1 Tp1 smax1 γ1 θm1 Hs2 Tp2 smax2 γ2 θm2
s fixo Hs1 Tp1 s1 λ1 θm1 Hs2 Tp2 s λ2 θm2
Hogben & Cobb
s variável Hs1 Tp1 smax1 λ1 θm1 Hs2 Tp2 smax2 λ2 θm2
Dessa maneira fica clara a necessidade de um passo a mais para a estimação do parâmetro
106
γ caso fosse utilizado o modelo de Hogben & Cobb para a estimação paramétrica, dado que a
representação final seria efetivamente feita por meio de JONSWAP.
Os valores limitantes que definem os intervalos para a estimação foram determinados com
base em valores possíveis de serem obtidos fisicamente ou através de pesquisa na literatura
especializada2 . Na tabela 16 são apresentados os valores máximo e mínimo dos intervalos de
otimização para todos os parâmetros considerados3 4 .
Dessa maneira, tanto os valores iniciais de cada parâmetro quanto suas respectivas esti-
mativas, estarão limitadas aos intervalos apresentados. É importante salientar que no caso do
algoritmo não convergir, nota-se que sempre algum parâmetro atinge um dos limites do intervalo
em que o mesmo está contido. Um exemplo é o parâmetro s, o qual precisou ser ajustado de
modo a abranger espectros mais dispersos gerados pelo algoritmo Bayesiano, ou seja, seu limite
inferior precisou de um valor mais baixo.
total da energia, independente da modalidade do espectro, além de aproximar com certa precisão
o período de pico médio.
Hs
MODELO
JONSWAP HOGBEN
ENSAIO
s fixo variável fixo variável
W06-10109 1,29 1,33 1,26 1,37 1,47
W06-10200 1,66 1,72 1,47 1,53 1,79
W06-10400 2,04 2,10 1,96 2,05 2,12
W06-10500 1,36 1,36 1,44 1,54 1,49
W06-20100 1,50 1,51 1,50 1,60 1,62
W06-20200 1,81 1,86 1,69 1,79 1,93
W06-20400 2,10 2,14 2,01 2,07 2,14
W06-20500 1,43 1,44 1,48 1,57 1,59
W07-10102 4,70 4,77 4,48 4,65 4,59
W07-10202 7,95 8,07 7,79 8,04 8,05
W07-10301 4,68 4,77 4,46 4,63 4,67
W07-10401 4,76 4,81 4,56 4,73 4,64
W07-20104 4,37 4,44 4,22 4,35 4,34
W07-20203 7,72 7,91 7,18 7,47 8,04
W07-20301 4,71 4,66 4,73 4,97 4,62
W07-20401 4,59 4,64 4,35 4,51 4,54
Tabela 17: Resultados das estimações de Hs em [m] na escala real para casos considerados
unimodais.
A comparação dos valores estimados de Hs e Tp de cada pico é feita com valores teóricos,
uma vez que não se sabe os valores obtidos nos ensaios destes parâmetros para cada pico, mas
apenas o valor global de cada um.
A tabela 19 apresenta os resultados das estimações de Hs para cada pico. Verifica-se que
para os picos de menor energia são encontrados valores próximos ao Hs teórico de cada pico. Já
para o pico de maior energia, existe um erro associado. Este erro pode estar associado à geração
do mar no ensaio e não somente ser um problema da estimação, uma vez que para o pico menor
houve uma boa aproximação, assim como da energia total do espectro, conforme apresentado na
tabela 17.
Já para os valores de Tp de cada pico foram obtidas estimativas muito boas, conforme pode
ser visto na tabela 20, sendo que isto era esperado do algoritmo, uma vez que o período de pico
é de fácil estimação.
108
Tp
MODELO
JONSWAP HOGBEN
ENSAIO
s fixo variável fixo variável
W06-10109 11,47 11,51 11,42 11,51 11,40
W06-10200 7,36 7,40 7,43 7,45 7,30
W06-10400 11,54 11,60 11,50 11,58 11,40
W06-10500 11,31 11,32 11,29 11,26 11,40
W06-20100 11,29 11,38 11,22 11,27 11,43
W06-20200 7,30 7,32 7,38 7,36 7,48
W06-20400 11,38 11,46 11,32 11,42 11,43
W06-20500 11,29 11,41 11,11 11,20 12,06
W07-10102 10,21 10,23 10,24 10,26 10,12
W07-10202 15,47 15,54 15,40 15,61 14,56
W07-10301 10,38 10,44 10,38 10,47 10,12
W07-10401 10,33 10,42 10,34 10,45 10,12
W07-20104 10,45 10,49 10,37 10,43 10,88
W07-20203 15,42 15,52 15,44 15,55 15,49
W07-20301 10,30 10,42 10,29 10,38 9,87
W07-20401 10,25 10,35 10,27 10,34 10,32
Tabela 18: Resultados das estimações de Tp em [s] na escala real para casos considerados
unimodais.
Hs1 Hs2
MODELO
JONSWAP HOGBEN JONSWAP HOGBEN
TEÓRICO TEÓRICO
s fixo variável fixo variável fixo variável fixo variável
W06-10300 0,85 0,81 0,77 0,74 1,47 0,63 0,64 0,58 0,61 0,63
W06-20300 0,99 0,99 0,93 0,60 1,49 0,62 0,64 0,57 0,59 0,62
Tabela 19: Resultados das estimações de Hs1 e Hs2 em [m] na escala real para casos considerados bimodais.
Tp1 Tp2
MODELO
JONSWAP HOGBEN JONSWAP HOGBEN
TEÓRICO TEÓRICO
s fixo variável fixo variável fixo variável fixo variável
W06-10300 5,71 5,82 5,75 5,83 5,35 11,21 11,18 11,26 11,26 11,29
W06-20300 5,68 5,75 5,64 5,68 5,33 11,20 11,25 11,17 11,25 11,29
Tabela 20: Resultados das estimações de Tp1 e Tp2 em [s] na escala real para casos considerados bimodais.
109
110
θm1 θm2
MODELO
JONSWAP HOGBEN JONSWAP HOGBEN
s fixo variável fixo variável fixo variável fixo variável
W06-10109 -20,01 -20,06 -20,09 -19,89
W06-10200 -25,13 -25,14 -25,18 -25,16
W06-10300 -21,46 -22,89 -21,00 -22,23 23,05 22,75 22,62 22,53
W06-10400 -14,05 -13,47 -13,90 -13,42
W06-10500 -23,16 -22,86 -23,27 -23,14
W06-20100 -10,40 -11,11 -10,29 -11,01
W06-20200 -23,92 -24,04 -23,92 -24,02
W06-20300 -21,64 -22,21 -21,60 -22,11 24,07 23,56 23,38 23,54
W06-20400 -4,94 -5,14 -4,91 -5,06
W06-20500 -20,70 -20,58 -20,82 -20,84
W07-10102 -0,19 -0,26 -0,16 -0,24
W07-10202 1,33 1,21 1,40 1,27
W07-10301 1,19 1,29 1,16 1,26
W07-10401 3,14 3,18 3,17 3,18
W07-20104 1,23 1,31 1,09 1,23
W07-20203 3,82 4,00 3,79 3,96
W07-20301 0,53 0,53 0,53 0,52
W07-20401 2,44 2,50 2,48 2,51
Tabela 21: Resultados das estimações de θm1 e θm2 em [graus] na escala real.
Para a comparação com valores mais próximos aos obtidos nos ensaios, são apresentadas na
tabela 22 as estatísticas globais calculadas através das estimações paramétricas, assim como os
valores das medições feitas nos ensaios. Em casos de estimação bimodal, são apresentados os
valores teóricos como paradigma de comparação, dado que não se possui os valores dos parâme-
tros para cada pico.
Hs Tp θm
MODELO
JONSWAP HOGBEN JONSWAP HOGBEN JONSWAP HOGBEN
ENSAIO ENSAIO
s fixo variável fixo variável fixo variável fixo variável fixo variável fixo variável
W06-10109 1,29 1,32 1,26 1,37 1,48 11,47 11,51 11,42 11,51 11,40 20,01 20,06 20,09 19,89
W06-10200 1,66 1,72 1,47 1,53 1,79 7,36 7,40 7,43 7,45 7,30 25,13 25,14 25,18 25,16
W06-10300 1,05 1,03 0,96 0,96 0,97 11,42 11,41 11,41 11,41 11,40 4,71 4,80 5,92 5,18
W06-10400 2,04 2,10 1,96 2,05 2,11 11,54 11,60 11,50 11,58 11,40 14,05 13,47 13,90 13,42
W06-10500 1,36 1,36 1,44 1,54 1,49 11,31 11,32 11,29 11,26 11,40 23,16 22,86 23,27 23,14
W06-20100 1,50 1,51 1,50 1,60 1,62 11,29 11,38 11,22 11,27 11,43 10,40 11,11 10,29 11,01
W06-20200 1,81 1,86 1,69 1,79 1,93 7,30 7,32 7,38 7,36 7,48 23,92 24,04 23,92 24,02
W06-20300 1,17 1,18 1,09 1,12 1,22 5,50 5,53 5,47 5,53 5,33 9,87 10,08 10,38 10,51
W06-20400 2,10 2,14 2,00 2,07 2,14 11,38 11,46 11,32 11,42 11,43 4,94 5,14 4,91 5,06
W06-20500 1,43 1,44 1,48 1,57 1,59 11,29 11,41 11,11 11,20 12,06 20,70 20,58 20,82 20,84
W07-10102 4,70 4,77 4,48 4,66 4,59 10,21 10,23 10,24 10,26 10,12 0,19 0,26 0,16 0,24
W07-10202 7,95 8,07 7,80 8,04 8,05 15,47 15,54 15,40 15,61 14,56 1,33 1,21 1,40 1,27
W07-10301 4,68 4,77 4,46 4,64 4,67 10,38 10,44 10,38 10,47 10,12 1,19 1,29 1,16 1,26
W07-10401 4,76 4,81 4,57 4,74 4,63 10,33 10,42 10,34 10,45 10,12 3,14 3,18 3,17 3,18
W07-20104 4,37 4,44 4,23 4,35 4,34 10,45 10,49 10,37 10,43 10,88 1,23 1,31 1,09 1,23
W07-20203 7,72 7,91 7,18 7,48 8,04 15,42 15,52 15,44 15,55 15,49 3,82 4,00 3,79 3,96
W07-20301 4,71 4,66 4,73 4,98 4,63 10,30 10,42 10,29 10,38 9,87 0,53 0,53 0,53 0,52
W07-20401 4,59 4,64 4,35 4,52 4,54 10,25 10,35 10,27 10,34 10,32 2,44 2,50 2,48 2,51
111
112
Os parâmetros de forma dos modelos JONSWAP e Hogben & Cobb são apresentados, res-
pectivamente, nas tabelas 23 e 24. Verifica-se que os valores encontrados para γ são estimativas
razoáveis quando comparadas aos valores teóricos. É importante destacar que não foram feitas
estimativas de γi para os modelos baseados no espectro de frequência de Hogben & Cobb e que
não existiam valores teóricos para comparação, pois os espectros dos ensaios em escala foram
gerados a partir do modelo direcional do espectro JONSWAP.
γ1 γ2
MODELO
JONSWAP JONSWAP
TEÓRICO TEÓRICO
s fixo variável fixo variável
W06-10109 1,27 1,05 1,40 0,90
W06-10200 1,98 1,62 1,60 2,00
W06-10300 1,59 1,53 1,30 2,18 1,85 2,20
W06-10400 1,47 1,23 1,50 1,20
W06-10500 1,01 1,01 1,40 0,90
W06-20100 1,29 1,08 1,40 0,90
W06-20200 1,99 1,47 1,60 2,00
W06-20300 1,78 1,69 1,30 2,32 1,92 2,20
W06-20400 1,67 1,42 1,50 1,20
W06-20500 1,27 1,10 1,40 0,90
W07-10102 1,46 1,23 1,51
W07-10202 1,68 1,45 1,70
W07-10301 1,71 1,42 1,51
W07-10401 1,40 1,17 1,51
W07-20104 1,70 1,48 1,51
W07-20203 1,70 1,41 1,70
W07-20301 1,01 1,01 1,51
W07-20401 1,53 1,29 1,51
λ1 λ2
MODELO
JONSWAP JONSWAP
s fixo variável fixo variável
W06-10109 1,18 0,84
W06-10200 2,86 2,29
W06-10300 2,09 2,12 2,32 1,72
W06-10400 1,47 1,21
W06-10500 0,73 0,55
W06-20100 1,12 0,82
W06-20200 1,80 1,39
W06-20300 2,34 2,01 2,83 2,27
W06-20400 1,69 1,39
W06-20500 0,93 0,72
W07-10102 1,49 1,21
W07-10202 1,41 1,18
W07-10301 1,67 1,34
W07-10401 1,43 1,14
W07-20104 1,59 1,36
W07-20203 1,97 1,57
W07-20301 0,97 0,74
W07-20401 1,59 1,28
Tabela 24: Resultados das estimações de λ1 e λ2 - apenas para Hogben & Cobb.
1o pico 2o pico
MODELO JONSWAP HOGBEN JONSWAP HOGBEN
TEÓRICO TEÓRICO
s1 smax1 s1 smax1 s2 smax2 s2 smax2
W06-10109 15,79 21,10 16,21 21,23
W06-10200 83,21 105,56 83,76 107,01
W06-10300 51,18 73,61 48,97 69,84 21,37 29,93 22,80 30,88
W06-10400 10,28 13,30 10,05 13,33
W06-10500 27,73 39,00 29,20 45,27
85,00 85,00
W06-20100 7,07 10,46 7,06 10,87
W06-20200 55,79 81,20 55,21 80,36
W06-20300 64,76 88,00 66,29 84,72 22,85 28,38 21,50 27,68
W06-20400 6,69 9,17 6,64 9,17
W06-20500 12,77 17,51 13,30 19,34
W07-10102 91,00 127,88 91,80 129,43
W07-10202 41,42 55,58 40,99 56,84
W07-10301 53,30 73,30 53,12 73,99
W07-10401 12,15 17,82 12,12 17,90
85,00
W07-20104 47,21 64,64 46,31 64,90
W07-20203 44,51 61,64 43,86 61,07
W07-20301 26,64 40,32 26,64 41,25
W07-20401 12,99 18,33 13,04 18,56
114
115
Destaca-se o fato de que devido à geração aleatória de condições iniciais, o tempo de exe-
cução pode variar a cada novo teste realizado. Portanto, os valores aqui apresentados servem
apenas para ilustrar a ordem de grandeza e a diferença do tempo de execução para estimações
unimodais e bimodais, dado que a segunda é mais custosa computacionalmente.
Tempo de Execução
MODELO
JONSWAP HOGBEN
s fixo variável fixo variável
W06-10109 29,047 3,703 6,188 10,875
W06-10200 25,266 42,641 6,906 13,953
W06-10300 82,453 125,875 45,422 64,438
W06-10400 26,641 5,109 5,672 12,703
W06-10500 19,563 41,156 8,609 11,500
W06-20100 11,953 7,594 8,109 12,547
W06-20200 29,234 135,469 6,797 18,453
W06-20300 94,031 29,250 55,250 107,344
W06-20400 33,547 49,531 5,078 17,594
W06-20500 31,375 5,750 7,422 16,078
W07-10102 3,375 114,516 7,594 91,609
W07-10202 29,797 183,266 7,906 16,797
W07-10301 47,031 82,266 7,953 87,938
W07-10401 45,016 44,203 7,250 11,344
W07-20104 40,125 97,234 8,125 14,313
W07-20203 38,578 91,750 75,109 21,156
W07-20301 22,734 4,156 9,156 16,609
W07-20401 34,656 90,906 8,125 14,453
Os espectros direcionais obtidos para cada modelo testado, assim como o espectro medido
juntamente ao respectivo espectro de potência são apresentados nas figuras de 62(a) a 79 de
apêndice G.
Embora a maioria dos mares tenha passado pelo processo de estimação por meio de um
modelo unimodal, as estatísticas globais foram satisfatórias, pois a energia total dos espectros
foi mantida em boa parte dos testes, além da precisão obtida para o posicionamento do pico de
energia no plano ω × θ. Posto este fato, conclui-se que a perda de um dos picos não prejudica a
estimação de maneira geral, dadas as estimativas de Hs global próximas às medições, mesmo para
estes casos. Em alguns casos em que ocorre a perda de um pico, nota-se também a diminuição
da energia total do espectro de potência gerado na estimação. Pretende-se corrigir este tipo de
116
Visualmente, o ajuste dos espectros foi considerado bom, principalmente no que diz respeito
aos mares unimodais, onde o espectro de frequência esteve sempre muito próximo ao do ensaio.
Nas estimativas bimodais os resultados foram satisfatórios, mas fica claro que mais testes devem
ser realizados, especialmente após a calibração de χlim .
• O uso corrente deste modelo tanto por parte da PETROBRAS, quanto na literatura clás-
sica do assunto faz com que seu uso seja recomendado.
• Ao utilizar este modelo, deixa de ser necessária a estimação do parâmetro γ por meio de
um segundo ajuste paramétrico, o qual poderia dispersar erros da primeira estimação feita
pelo modelo de Hogben & Cobb.
Os resultados obtidos foram, de maneira geral, considerados satisfatórios, dado que princi-
palmente os valores estimados de Hs e Tp de cada modo espectral foram muito próximos aos
teóricos, assim como φ, mesmo considerando-se os erros inerentes ao processo de geração do
mar no tanque de provas, bem como de suas medições.
117
Este capítulo versa sobre as conclusões a respeito dos resultados obtidos ao longo do traba-
lho para as estimações dos espectros direcionais e as estatísticas de mar retiradas dos espectros.
São também feitas considerações sobre a metodologia de calibração desenvolvida, assim como
sobre o critério de bimodalidade implementado na segunda parte do trabalho. Sugestões são
feitas a respeito de trabalhos futuros sobre diversos aspectos não considerados neste trabalho,
por limitações de software ou por priorização de determinados aspectos a serem abordados.
Uma importante conclusão é que na abordagem atual, utilizada em (ISEKI, 2011) e (SIMOS
et al., 2009), os valores dos hiperparâmetros são fixos por calado, o que pode levar a erros des-
necessários nas estimações.
Casos com mares de períodos de pico baixos, como Tp = 8, 5s, possuem maiores erros devido
às próprias limitações do método Bayesiano de estimação, dadas as baixas amplitudes das res-
postas da embarcação utilizada como modelo numérico. Utilizando-se uma embarcação menor,
com diferentes características, é provável que se aumente a faixa de frequências de aplicação
do método Bayesiano. No entanto, para o caso do FPSO a estimativa de mares com períodos
próximos ao período de corte fica comprometida.
118
Vale lembrar que esta é apenas uma análise de sensibilidade preliminar desta metodologia,
pois existem importantes fatores a serem considerados, tais como calibração do hiperparâmetro
de energia u3 , discretização mais refinada da região preferencial da malha u1 × u2 e maiores
variações dos parâmetros de definição dos espectros teóricos. Portanto, embora os resultados
indiquem boas perspectivas, toma-se a prudente atitude de sugerir mais testes variando-se outros
parâmetros do espectro direcional antes de uma conclusão final a respeito do uso da metodologia
de calibração desenvolvida.
Os mares bimodais não foram testados nesta abordagem, mas esta é uma recomendação
feita neste momento, uma vez que os estudos iniciais da metodologia de calibração indicam bons
resultados, necessitando-se avaliar outros casos. Espera-se que exista predominância dos valores
de u1 e u2 para os picos de maior energia, mas é complexo afirmar tal tendência, uma vez que
nenhum teste foi feito neste sentido. Podem também ocorrer valores altos dos hiperparâme-
tros quando os picos de energia forem relativamente próximos, forçando maior suavização nas
frequências e direções.
Após ser feita a calibração deste parâmetro definidor da bimodalidade, sugere-se novos testes
com os mesmos mares, verificando um possível aumento do número de mares cruzados. Além de
novos casos com picos de energia em diferentes direções e períodos de pico, evitando-se recair
sobre as limitações do método apresentado.
O estudo mais aprofundado do método Bayesiano no que diz respeito aos casos de ondas
incidentes a 45◦ é um assunto a ser revisado. Talvez uma reformulação deste método utilizando
as séries temporais e os RAOs do movimento de Roll, verificando a influência do mesmo nas
estimativas, corrija as estimativas divergentes. Uma segunda alternativa é a discretização exata
dos RAOs dos outros graus de liberdade utilizados, pois é feita uma interpolação entre RAOs de
40◦ e 50◦ .
Por fim, uma última sugestão é um processo restrito a poucas iterações buscando-se calibrar
os pares de u1 e u2 em função do calado, período e também da direção, estimando a cada
iteração um novo θm e utilizando-se esta informação para uma busca na tabela de erros mínimos,
interpolando quando necessário.
120
A.1 Introdução
Quando se realiza algum estudo estatístico de um determinado fenômeno, buscando-se co-
nhecer as características das variáveis e parâmetros envolvidos no sistema, é frequente a utilização
do termo inferência estatística para referir-se ao ato de se fazer certas afirmações sobre um con-
junto de observações, baseando-se nas informações extraídas do mesmo por processos estatísticos.
Entretanto, este termo depende em muito do tipo de abordagem estatística considerada, pois
pode-se inferir estatísticamente sobre um conjunto de dados de diferentes maneiras. As principais
escolas de inferência estatística são conhecidas como frequentista e Bayesiana.
No caso da inferência Bayesiana, faz-se uso de evidências para estimar a probabilidade de uma
hipótese ser verdadeira, sendo que este conhecimento é utilizado iterativamente para modificar o
nível de crença que se tem sobre a verdade de uma hipótese. Assim, a incerteza que se tem sobre
o valor de uma determinada quantidade é dada por um modelo probabilístico que pode ser (e
de fato é numa abordagem totalmente Bayesiana) alterado com base em informações adquiridas
ao longo do tempo. Por este motivo, não existe diferença entre um parâmetro e uma variável
aleatória na abordagem Bayesiana, pois o nível de crença, ou ainda, o grau de incerteza de ambos
é dado por modelos probabilísticos para a quantidade que se deseja obter mais informações. Esta
abordagem recebe este nome devido ao teorema que define tais probabilidades, o teorema de
Bayes, criado por Thomas Bayes próximo à metade do século XVIII.
121
p (x|θ) p (θ)
p (x, θ) = p (x|θ) p (θ) = p (θ|x) p (x) ⇐⇒ p (θ|x) = (A.1)
p (x)
Dado que 1/p (x) não depende de θ, este termo funciona como uma constante normaliza-
dora. Se x corresponde a valores amostrais (e portanto fixos) e θ corresponde a parâmetros
da função densidade de probabilidade condicional, p (x|θ) pode ser vista como função de θ, a
qual fornece a plausibilidade, ou ainda, a verossimilhança de cada um dos valores possíveis de θ,
utilizando-se a notação L (θ|x) = p (x|θ) para esta função.
Quando a amostra de dados x é conhecida, a relação (A.1) pode então ser escrita como:
A equação (A.2) acima é a forma mais usual do teorema de Bayes, sendo esta a base de
toda a abordagem Bayesiana de inferência estatística. Note que a igualdade foi substituida pela
proporcionalidade, uma vez que o denominador em (A.1) é apenas uma constante normalizadora.
Assumindo que uma variável y pode ser descrita como uma regressão linear de um vetor de
variáveis independentes x conforme a relação a seguir:
y = xα +
em que α é um vetor de coeficientes desconhecidos e é uma variável aleatória tal que segue
uma distribuição Normal de média 0 e variância σ 2 , denotado por ∼ N (0, σ 2 ). Uma importante
123
1 −1
f (x) = √ exp 2
(x − µ)2 , para − ∞ < x < ∞.
2πσ 2σ
É fácil ver que a integral desta função indica a probabilidade de X, já que a sua integral
sobre os reais resulta em 1.
Dada uma amostra (yi , xi ), com i = {1, . . . , n}, os coeficientes α podem ser estimados pelo
método dos mínimos quadrados, ou ainda, pelo método da máxima verossimilhança, bastando-se
minimizar a relação (A.3):
n
2
yi − xit α = ky − Xαk2
X
(A.3)
i=1
onde y = (y1 , . . . , yn )t , X = (x1 , . . . , xn )t e k . k2 denota uma norma dada por uma matriz
definida positiva.
Quando a ordem √ do vetor α dos coeficientes é muito maior que o número de observações
n (se for maior que 2 n) ou a matriz X dos dados observados é mal condicionada, o modelo
torna-se instável ou os coeficientes não podem ser calculados por métodos tradicionais, tal como
o método dos mínimos quadrados. Sendo este um problema clássico de análise numérica, para
contornar tal situação encontra-se frequentemente na literatura a técnica de introdução de uma
preferência nos parâmetros a serem calculados, levando-se em consideração um balanceamento
entre uma aproximação bem ajustada e a suavidade da função utilizada para este ajuste. Dessa
maneira, tenta-se minimizar a seguinte expressão:
Assumindo que α0 é conhecido e próximo de α, e que para uma certa matriz D utilizada para
discretização das diferenças de segunda ordem1 , o termo |D (α − α0 )|2 é pequeno o suficiente,
1
(AKAIKE, 1980) define alguns tipos de matrizes D em cada exemplo apresentado, mas para uma melhor
compreensão da definição recomenda-se a leitura de (SHILLER, 1973) ou (SPARANO, 2008) para um exemplo de
aplicação
124
tem-se que o vetor de parâmetros que minimiza a expressão (A.4) varia de acordo com a escolha
de u e, portanto, determinar um valor adequado deste parâmetro é o atual problema.
Para solucionar este novo problema, (AKAIKE, 1980) propôs que a minimização de (A.4) é
equivalente à maximização da expressão (A.5) a seguir:
!
−1 −u2
2
exp ky − Xαk exp kD (α − α0 )k2 (A.5)
2σ 2 2σ 2
−1
L α, σ |y 2
∝ exp 2
ky − Xαk2
2σ
!
−u2
2
p α|u , σ 2
= exp 2
kD (α − α0 )k2
2σ
Portanto, pela própria abordagem Bayesiana, uma mudança no modelo (variação do valor de
2
u ) é ajustada pelos próprios dados observados (por meio da verossimilhança), assim justificando
a afirmação de que a escolha do valor de u2 pode ser interpretada como a de um parâmetro da
distribuição a priori de α.
2
Para uma distribuição de probabilidades contínua, a moda é o valor no qual a função densidade de probabi-
lidade atinge seu valor máximo.
125
Z
L α, σ 2 |y p α|u2 , σ 2 dα (A.6)
Entretanto, ao invés de desenvolver uma distribuição a priori para (u2 , σ 2 ), foi utilizado um
procedimento de escolha do modelo por meio do método da máxima verossimilhança. Assim,
um par (u2 , σ 2 ) é escolhido de modo que o valor máximo de (A.6) é atingido, o que intuitiva-
mente significa encontrar valores para este par mais prováveis de terem gerado o conjunto de
dados. Levando-se em consideração o histórico desenvolvido em estudos anteriores, (AKAIKE,
1980) propôs então um critério de informação que indicasse a adequação do modelo dado um
par (u2 , σ 2 ) com base na expressão (A.6) por meio do método da máxima verossimilhança, mas
transformando-o em um problema de minimização:
Z
ABIC = −2ln L α, σ 2 |y p α|u2 , σ 2 dα (A.7)
Assim, buscam-se valores de u2 e σ 2 tais que a estatística ABIC definida na equação (A.7),
seja mínima. Neste caso, é utilizada a função log-verossimilhança, a qual possui uma relação
muito próxima à entropia, sendo esta última a base para o uso de critérios de informação na
busca por modelos concisos e preferencialmente de poucos parâmetros.
126
Para que seja definido o melhor espectro estimado e consequentemente se saiba o par de
hiperparâmetros que definiu tal estimativa por meio da minimização do funcional (3.20), adota-se
um processo iterativo sobre um plano u1 × u2 discretizado, em que a cada par (u1 , u2 ) é calcu-
lada uma medida que indique o quão adequada é a respectiva aproximação do espectro direcional
teórico.
K X
M
∆θ∆ωm [S ∗ (ωm , θk ) − S (ωm , θk )]2
X
erroquad = (B.1)
k=1 m=1
K X
M
X S ∗ (ωm , θk ) S (ωm , θk )
erroabs = ∆θ∆ωm − (B.2)
k=1 m=1 max [S ∗ (ω, θ)] max [S (ω, θ)]
onde ∆θ = 2π/K. Os valores max [S ∗ (ω, θ)] e max [S (ω, θ)] são, respectivamente, os
máximos dos espectros teórico e estimado, nos intervalos discretos de ω e θ, e ∆ωm é dado por:
ω2
− ω1 , se m = 1,
ωm −ωm−1
∆ωm = 2
, se 1 <m<M e
ωM − ωM −1 , se m = M .
e estimado, sendo equivalente a uma comparação indireta dos valores de Hs global destes dois
√
espectros, dado que Hs = 4 m0 , onde m0 é o momento de ordem 0 do espectro de potência1 .
Já no segundo método de cálculo compara-se a forma e a disposição das energias. Embora seja
perdida a informação da quantidade de energia real contida nos espectros devido à normalização
feita por meio da divisão pelo valor máximo, por este método verifica-se o quão distante estão
os picos de energia e quão dispersos estão ao longo de ω e θ. Esta segunda forma de cálculo
equivale à comparação das funções de espalhamento dos espectros teórico e estimado.
O erro quadrático foi adotado inicialmente como forma de verificação da melhor estimativa.
Entretanto, como mostrado a seguir, esta abordagem possui deficiências na distinção de casos
que são próximos em termos da quantidade de energia, mas muito distantes do ponto de vista
da distribuição da mesma.
Um caso em que se tem o espectro teórico com somente um pico de energia, concentrado em
uma certa coordenada (ωm , θk ), e o estimado com a mesma quantidade de energia, mas muito
espalhada ao longo das direções e frequências, é considerado muito próximo (ou até mesmo igual)
a um caso onde o estimado possui a mesma distribuição de energia do teórico, em uma posição
diferente do plano (ω, θ), mas relativamente próxima do pico teórico.
Assim, um espectro com alta suavização e picos baixos, muito espalhados ao longo das di-
reções e frequências pode ser considerado, erroneamente, como uma boa aproximação de um
espectro teórico com alta concentração de energia em uma coordenada qualquer. Ocasional-
mente, isso pode favorecer valores dos hiperparâmetros que resultem em alta suavização da
estimativa, uma vez que estes casos também podem ser tidos como boas aproximações.
Exemplo 13
Este fato pode ser ilustrado pelo exemplo dado na figura 41 a seguir, onde são apresentados
para os parâmetros Hs = 4m, Tp = 10s e θm = 135◦ os espectros teórico e estimados para
níveis de suavização ótima e baixa, onde a estimativa ótima é encontrada pelo uso do erro tipo
erroquad para as séries temporais do FPSO P-50 em calado cheio. A suavização destes casos é
determinada pelo uso dos hiperparâmetros dados pela tabela 27.
Suavização u1 u2
Ótima 0,0001 0,004
Baixa 0,0003 0,008
Fica claro que o espectro com baixa suavização dado na figura 41(c), ao menos visual-
mente, aparenta aproximar melhor o espectro teórico apresentado na figura 41(a). A estimativa
ótima dada pela figura 41(b) é altamente ruidosa, mas mesmo assim, pelo método de cálculo
de erro adotado, obteve menor valor de erro em relação ao espectro teórico, conforme a tabela 28.
Ao observar as superfícies das diferenças absolutas dos espectros teórico e estimados para su-
avizações ótima e baixa dadas pela figura 42, fica mais evidente o problema encontrado. Embora
1
R∞
O momento de k-ésima ordem é dado por mk = 0
S (ω) ω k dω onde S (ω) é o espectro de potência.
128
(a) Espectro direcional teórico. (b) Estimativa ótima por menor erroquad .
Figura 41: Espectros teórico e estimados com diferentes valores de u1 e u2 com cálculo de erro
pelo modelo erroquad .
exista maior diferença entre o teórico e o ótimo em períodos mais altos, conforme figura 42(a),
o valor de erroquad é ligeiramente menor, pois existe uma compensação pontual da diferença
no período de pico, sendo muito menor nesta coordenada que no caso comparativo de baixa
suavização apresentado na figura 42(b).
Adotando-se o método de cálculo de erro do tipo erroabs neste caso particular, verifica-se
a identificação correta do espectro estimado pois, mesmo sem saber se a estimativa de baixa
suavização é ótima ou não, sabe-se que esta é melhor2 que a obtida como ótima pela formulação
do erro quadrático. Observa-se que neste caso o método erroabs indica um erro menor associado
à estimativa com menos ruído, conforme pode ser verificado na tabela 28.
(a) Diferença absoluta caso ótimo. (b) Diferença absoluta caso com baixa suavização.
Figura 42: Diferença absoluta entre espectros teórico e estimados nos casos ótimo e com baixa
suavização.
indica erroquad = 72, 3286 para os mesmos hiperparâmetros, ou seja, não foi capaz de identificar
corretamente a melhor estimativa.
Tabela 28: Formulações de erro e valores obtidos para a comparação das formulações de erro.
Diferenças como as obtidas em períodos altos no caso ótimo do exemplo dado usando a for-
mulação de erro quadrático, terão energia equivalente ao pico do espectro teórico quando vistas
pela formulação de erro absoluto, sendo, portanto, contabilizadas com o devido peso, influen-
ciando o valor final de erro da maneira correta, ou seja, neste caso citado é possível identificar
estes altos picos de diferenças, o que resulta em um alto valor de erroabs .
130
Dados os fatos expostos acima, fica evidente que ao adotar-se o método de cálculo de erro
pela expressão (B.3) do erro absoluto, garante-se a estimativa ótima correta. Isto ocorre devido
ao fato de que ao se supor que o método Bayesiano não obtém estimativas com perda sig-
nificativa de energia, basta-se comparar a distribuição desta com o teórico no plano definido
pelas frequências e direções, sendo isto atingido pela normalização dos espectros.
131
132
(a) RAO de Surge. (b) RAO de Sway. (c) RAO de Heave.
133
(a) RAO de Surge. (b) RAO de Sway. (c) RAO de Heave.
134
135
136
135 4,434 0,00208 0,00564 1,468 10,85 141,508 -27 8,5 6,508
150 3,573 0,00208 0,00564 1,644 9,95 152,251 -18 -0,5 2,251
180 5,993 0,00208 0,00010 1,835 9,95 -179,996 -8 -0,5 0,004
137
135 9,196 0,00208 0,01119 1,659 9,95 154,970 -59 17,1 19,970
150 5,400 0,00010 0,00010 3,336 8,54 156,383 -17 0,5 6,383
180 6,988 0,00208 0,00010 2,541 8,54 -179,999 -36 0,5 0,001
138
135 4,452 0,00208 0,00564 2,923 10,85 139,854 -27 8,5 4,854
150 3,587 0,00208 0,00010 3,685 9,20 151,899 -8 -8,0 1,899
180 5,417 0,00208 0,00010 3,480 9,95 -179,998 -13 -0,5 0,002
139
135 3,812 0,00802 0,00564 3,670 10,85 143,131 -8 -9,6 8,131
150 3,640 0,00208 0,00564 4,002 10,85 151,765 0 -9,6 1,765
180 3,826 0,00010 0,00010 4,510 11,92 -179,973 13 -0,6 0,027
140
135 3,023 0,00604 0,02782 4,059 14,86 138,339 1 6,1 3,339
150 2,475 0,00208 0,00564 4,198 13,23 149,439 5 -5,5 0,561
180 2,563 0,00010 0,02228 4,096 13,23 -179,999 2 -5,5 0,001
142
135 4,434 1,468 10,850 141,508 -27 8,5 6,508
150 3,573 1,644 9,955 152,251 -18 -0,5 2,251
180 6,247 1,735 9,955 -179,998 -13 -0,5 0,002
143
135 10,110 2,679 8,544 179,313 -33 0,5 44,313
150 6,314 2,768 8,544 153,433 -31 0,5 3,433
180 6,988 2,541 8,544 -179,999 -36 0,5 0,001
144
135 4,452 2,923 10,850 139,854 -27 8,5 4,854
150 3,592 3,271 9,955 151,733 -18 -0,5 1,733
180 6,022 3,405 9,955 -179,999 -15 -0,5 0,001
145
135 4,519 4,079 10,850 143,959 2 -9,6 8,959
150 4,289 3,836 10,850 152,671 -4 -9,6 2,671
180 6,736 3,657 10,850 -179,998 -9 -9,6 0,002
146
135 3,564 4,239 14,861 138,919 6 6,1 3,919
150 2,986 4,149 13,231 150,476 4 -5,5 0,476
180 3,147 3,978 13,231 -179,995 -1 -5,5 0,005
(d) Mar 1, θm = 60◦ e calado 9m (e) Mar 1, θm = 90◦ e calado 9m (f) Mar 1, θm = 120◦ e calado 9m
148
(g) Mar 1, θm = 135◦ e calado 9m (h) Mar 1, θm = 150◦ e calado 9m (i) Mar 1, θm = 180◦ e calado 9m
Figura 47: Mapas dos espectros direcionais estimados para o mar 1, com Hs = 2m, Tp = 10s e s = 150, FPSO P-50 em calado leve.
(a) Mar 1, θm = 0◦ e calado 14,5m (b) Mar 1, θm = 30◦ e calado 14,5m (c) Mar 1, θm = 45◦ e calado 14,5m
(d) Mar 1, θm = 60◦ e calado 14,5m (e) Mar 1, θm = 90◦ e calado 14,5m (f) Mar 1, θm = 120◦ e calado 14,5m
149
(g) Mar 1, θm = 135◦ e calado 14,5m (h) Mar 1, θm = 150◦ e calado 14,5m (i) Mar 1, θm = 180◦ e calado 14,5m
Figura 48: Mapas dos espectros direcionais estimados para o mar 1, com Hs = 2m, Tp = 10s e s = 150, FPSO P-50 em calado intermediário.
(a) Mar 1, θm = 0◦ e calado 21m (b) Mar 1, θm = 30◦ e calado 21m (c) Mar 1, θm = 45◦ e calado 21m
(d) Mar 1, θm = 60◦ e calado 21m (e) Mar 1, θm = 90◦ e calado 21m (f) Mar 1, θm = 120◦ e calado 21m
150
(g) Mar 1, θm = 135◦ e calado 21m (h) Mar 1, θm = 150◦ e calado 21m (i) Mar 1, θm = 180◦ e calado 21m
Figura 49: Mapas dos espectros direcionais estimados para o mar 1, com Hs = 2m, Tp = 10s e s = 150, FPSO P-50 em calado cheio.
(a) Mar 2, θm = 0◦ e calado 9m (b) Mar 2, θm = 30◦ e calado 9m (c) Mar 2, θm = 45◦ e calado 9m
(d) Mar 2, θm = 60◦ e calado 9m (e) Mar 2, θm = 90◦ e calado 9m (f) Mar 2, θm = 120◦ e calado 9m
151
(g) Mar 2, θm = 135◦ e calado 9m (h) Mar 2, θm = 150◦ e calado 9m (i) Mar 2, θm = 180◦ e calado 9m
Figura 50: Mapas dos espectros direcionais estimados para o mar 2, com Hs = 4m, Tp = 8, 5s e s = 150, FPSO P-50 em calado leve.
(a) Mar 2, θm = 0◦ e calado 14,5m (b) Mar 2, θm = 30◦ e calado 14,5m (c) Mar 2, θm = 45◦ e calado 14,5m
(d) Mar 2, θm = 60◦ e calado 14,5m (e) Mar 2, θm = 90◦ e calado 14,5m (f) Mar 2, θm = 120◦ e calado 14,5m
152
(g) Mar 2, θm = 135◦ e calado 14,5m (h) Mar 2, θm = 150◦ e calado 14,5m (i) Mar 2, θm = 180◦ e calado 14,5m
Figura 51: Mapas dos espectros direcionais estimados para o mar 2, com Hs = 4m, Tp = 8, 5s e s = 150, FPSO P-50 em calado intermediário.
(a) Mar 2, θm = 0◦ e calado 21m (b) Mar 2, θm = 30◦ e calado 21m (c) Mar 2, θm = 45◦ e calado 21m
(d) Mar 2, θm = 60◦ e calado 21m (e) Mar 2, θm = 90◦ e calado 21m (f) Mar 2, θm = 120◦ e calado 21m
153
(g) Mar 2, θm = 135◦ e calado 21m (h) Mar 2, θm = 150◦ e calado 21m (i) Mar 2, θm = 180◦ e calado 21m
Figura 52: Mapas dos espectros direcionais estimados para o mar 2, com Hs = 4m, Tp = 8, 5s e s = 150, FPSO P-50 em calado cheio.
(a) Mar 3, θm = 0◦ e calado 9m (b) Mar 3, θm = 30◦ e calado 9m (c) Mar 3, θm = 45◦ e calado 9m
(d) Mar 3, θm = 60◦ e calado 9m (e) Mar 3, θm = 90◦ e calado 9m (f) Mar 3, θm = 120◦ e calado 9m
154
(g) Mar 3, θm = 135◦ e calado 9m (h) Mar 3, θm = 150◦ e calado 9m (i) Mar 3, θm = 180◦ e calado 9m
Figura 53: Mapas dos espectros direcionais estimados para o mar 3, com Hs = 4m, Tp = 10s e s = 150, FPSO P-50 em calado leve.
(a) Mar 3, θm = 0◦ e calado 14,5m (b) Mar 3, θm = 30◦ e calado 14,5m (c) Mar 3, θm = 45◦ e calado 14,5m
(d) Mar 3, θm = 60◦ e calado 14,5m (e) Mar 3, θm = 90◦ e calado 14,5m (f) Mar 3, θm = 120◦ e calado 14,5m
155
(g) Mar 3, θm = 135◦ e calado 14,5m (h) Mar 3, θm = 150◦ e calado 14,5m (i) Mar 3, θm = 180◦ e calado 14,5m
Figura 54: Mapas dos espectros direcionais estimados para o mar 3, com Hs = 4m, Tp = 10s e s = 150, FPSO P-50 em calado intermediário.
(a) Mar 3, θm = 0◦ e calado 21m (b) Mar 3, θm = 30◦ e calado 21m (c) Mar 3, θm = 45◦ e calado 21m
(d) Mar 3, θm = 60◦ e calado 21m (e) Mar 3, θm = 90◦ e calado 21m (f) Mar 3, θm = 120◦ e calado 21m
156
(g) Mar 3, θm = 135◦ e calado 21m (h) Mar 3, θm = 150◦ e calado 21m (i) Mar 3, θm = 180◦ e calado 21m
Figura 55: Mapas dos espectros direcionais estimados para o mar 3, com Hs = 4m, Tp = 10s e s = 150, FPSO P-50 em calado cheio.
(a) Mar 4, θm = 0◦ e calado 9m (b) Mar 4, θm = 30◦ e calado 9m (c) Mar 4, θm = 45◦ e calado 9m
(d) Mar 4, θm = 60◦ e calado 9m (e) Mar 4, θm = 90◦ e calado 9m (f) Mar 4, θm = 120◦ e calado 9m
157
(g) Mar 4, θm = 135◦ e calado 9m (h) Mar 4, θm = 150◦ e calado 9m (i) Mar 4, θm = 180◦ e calado 9m
Figura 56: Mapas dos espectros direcionais estimados para o mar 4, com Hs = 4m, Tp = 12s e s = 150, FPSO P-50 em calado leve.
(a) Mar 4, θm = 0◦ e calado 14,5m (b) Mar 4, θm = 30◦ e calado 14,5m (c) Mar 4, θm = 45◦ e calado 14,5m
(d) Mar 4, θm = 60◦ e calado 14,5m (e) Mar 4, θm = 90◦ e calado 14,5m (f) Mar 4, θm = 120◦ e calado 14,5m
158
(g) Mar 4, θm = 135◦ e calado 14,5m (h) Mar 4, θm = 150◦ e calado 14,5m (i) Mar 4, θm = 180◦ e calado 14,5m
Figura 57: Mapas dos espectros direcionais estimados para o mar 4, com Hs = 4m, Tp = 12s e s = 150, FPSO P-50 em calado intermediário.
(a) Mar 4, θm = 0◦ e calado 21m (b) Mar 4, θm = 30◦ e calado 21m (c) Mar 4, θm = 45◦ e calado 21m
(d) Mar 4, θm = 60◦ e calado 21m (e) Mar 4, θm = 90◦ e calado 21m (f) Mar 4, θm = 120◦ e calado 21m
159
(g) Mar 4, θm = 135◦ e calado 21m (h) Mar 4, θm = 150◦ e calado 21m (i) Mar 4, θm = 180◦ e calado 21m
Figura 58: Mapas dos espectros direcionais estimados para o mar 4, com Hs = 4m, Tp = 12s e s = 150, FPSO P-50 em calado cheio.
(a) Mar 5, θm = 0◦ e calado 9m (b) Mar 5, θm = 30◦ e calado 9m (c) Mar 5, θm = 45◦ e calado 9m
(d) Mar 5, θm = 60◦ e calado 9m (e) Mar 5, θm = 90◦ e calado 9m (f) Mar 5, θm = 120◦ e calado 9m
160
(g) Mar 5, θm = 135◦ e calado 9m (h) Mar 5, θm = 150◦ e calado 9m (i) Mar 5, θm = 180◦ e calado 9m
Figura 59: Mapas dos espectros direcionais estimados para o mar 5, com Hs = 4m, Tp = 14s e s = 150, FPSO P-50 em calado leve.
(a) Mar 5, θm = 0◦ e calado 14,5m (b) Mar 5, θm = 30◦ e calado 14,5m (c) Mar 5, θm = 45◦ e calado 14,5m
(d) Mar 5, θm = 60◦ e calado 14,5m (e) Mar 5, θm = 90◦ e calado 14,5m (f) Mar 5, θm = 120◦ e calado 14,5m
161
(g) Mar 5, θm = 135◦ e calado 14,5m (h) Mar 5, θm = 150◦ e calado 14,5m (i) Mar 5, θm = 180◦ e calado 14,5m
Figura 60: Mapas dos espectros direcionais estimados para o mar 5, com Hs = 4m, Tp = 14s e s = 150, FPSO P-50 em calado intermediário.
(a) Mar 5, θm = 0◦ e calado 21m (b) Mar 5, θm = 30◦ e calado 21m (c) Mar 5, θm = 45◦ e calado 21m
(d) Mar 5, θm = 60◦ e calado 21m (e) Mar 5, θm = 90◦ e calado 21m (f) Mar 5, θm = 120◦ e calado 21m
162
(g) Mar 5, θm = 135◦ e calado 21m (h) Mar 5, θm = 150◦ e calado 21m (i) Mar 5, θm = 180◦ e calado 21m
Figura 61: Mapas dos espectros direcionais estimados para o mar 5, com Hs = 4m, Tp = 14s e s = 150, FPSO P-50 em calado cheio.
163
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
(e) Hogben & Cobb com s fixo. (f) Hogben & Cobb com s variável.
Referências
AKAIKE, H. Likelihood and the Bayes procedure. In: J.M. Bernardo, M.H. De Groot, D.U.
Lindley & A.F.M. Smith, Bayesian Statistics. [S.l.]: University Press, 1980. p. 143–166.
BENASSAI, G.; PORTA, S. D. Bimodal analysis of the directional wave spectra of some sea
storms recorded offshore the Italian coasts. 2000.
GODA, Y. Random Seas and Design of Maritime Structures. London: World Scientific, 2000.
GRAHAM, R.; JUSZKO, B.-A. Parametrization of directional spectra and its influence on ship
motion prediction. Journal of Ship Research, v. 37, p. 138–147, 1993.
HOGBEN, N.; COBB, F. Parametric modelling of directional wave spectra. Proceedings of 18th
Offshore Technology Conference, 1986.
ISEKI, T. Real-time estimation of directional wave spectra using non-stationary ship motion
data. In: International Conference on Offshore Mechanics and Arctic Engineering. [S.l.: s.n.],
2009. p. 1–6.
ISEKI, T. A study on akaike’s bayesian information criterion in wave estimation. In: International
Conference on Offshore Mechanics and Arctic Engineering. [S.l.: s.n.], 2011.
ISEKI, T.; NIELSEN, U. Estimation of sea state parameters from measured ship responses -
the bayesian approach with fixed hyperparameters. In: International Conference on Offshore
Mechanics and Arctic Engineering. [S.l.: s.n.], 2010.
ISEKI, T.; NIELSEN, U. The wave buoy analogy - analysis of synthetic data by bayesian
modelling. In: International Conference on Offshore Mechanics and Arctic Engineering. [S.l.:
s.n.], 2010.
ISEKI, T.; OHTSU, K. Bayesian estimation of directional wave spectra based on ship motions.
Control Engineering Practice, 2000.
183
KOBUNE, K.; SASAKI, H.; HASHIMOTO, N. Characteristics of ocean waves of Cape Nojimanin
the Northwestern Pacific, measured with a discus buoy. 1985.
KUIK, A.; VLEDDER, G. V.; HOLTHUUSEN, L. A Method for the Routine Analysis of
Pitch-and-Roll Buoy Wave Data. Journal of Physical Oceanography, v. 18, p. 1020–1034, 1988.
OCHI, M.; HUBBLE, E. Six parameter wave spectra. Proceedings of the 15th Coastal
Engineering Conference Honolulu, 1976.
SHILLER, R. A distributed lag estimator derived from smoothness priors. Econometrica, v. 41,
p. 775–778, 1973.
SIMOS, A. et al. Estimating wave spectra from the motions of moored vessels: Experimental
validation. Applied Ocean Research, v. 32, p. 191–208, 2009.
TANNURI, E. et al. Estimation of directional wave spectrum using a wave-probe array. In: 3rd
International Workshop on Applied Offshore Hydrodynamics. [S.l.: s.n.], 2007.
TANNURI, E. et al. Directional Wave Spectrum Estimation Based on Moored FPSO Motions.
International Conference on Offshore Mechanics and Arctic Engineering, 2001.
TANNURI, E. et al. Estimating Directional Wave Spectrum Based on Stationary Ship Motion
Measurements. Applied Ocean Research, v. 25, n. 5, p. 243–261, out. 2004.