Proyecto I+D+i 2019: Inversión de datos en tiempo real usando métodos de aprendizaje profundo (DEEPINVERSE)

December 10, 2022

Hoy en día, muchos aspectos de nuestras vidas se basan en tecnologías para visualizar o caracterizar objetos o estructuras invisibles al ojo humano. Es el caso, por ejemplo, de las ecografías y radiografías, donde se reconstruyen imágenes de una parte del interior del cuerpo humano. Es el caso también de la exploración geofísica, dónde cartografiar el subsuelo terrestre es fundamental para el aprovechamiento de los recursos naturales y para el almacenamiento de CO2 e hidrógeno en el subsuelo. Otra área de aplicación de estas tecnologías es la salud estructural de infraestructuras que pueden esconder grietas, fisuras u otros fallos que pueden generar hasta el derrumbamiento de dichas estructuras, si no se detectan y evalúan a tiempo.

Matemáticamente, estos problemas pertenecen a la clase de “problemas inversos”: a partir de mediciones experimentales obtenidas con ondas que se propagan por un medio, podemos averiguar los parámetros que caracterizan dicho medio. Los modelos matemáticos para estos fenómenos se conocen desde hace décadas: están basados en ecuaciones en derivadas parciales, cuyos coeficientes engloban parámetros físicos, conocidos o no. Sin embargo, resolver los problemas inversos asociados sigue siendo un reto para la comunidad científica debido al gran coste computacional que la interpretación de datos requiere.

Figura 1. En la geonavegación, el objetivo es determinar los materiales que componen el subsuelo de la Tierra a partir de las mediciones electromagnéticas adquiridas por un instrumento de perforación equipado con transmisores y receptores.
Figura 1. En la geonavegación, el objetivo es determinar los materiales que componen el subsuelo de la Tierra a partir de las mediciones electromagnéticas adquiridas por un instrumento de perforación equipado con transmisores y receptores.

En este contexto, nuestro proyecto pretende contribuir a una interpretación en tiempo real de las mediciones adquiridas en aquellas situaciones que requieren decisiones instantáneas para un funcionamiento óptimo de los dispositivos tecnológicos, como son, por ejemplo, las herramientas de perforación del subsuelo y las plataformas eólicas marinas.

En concreto, trabajamos en la integración de las técnicas de aprendizaje profundo en la resolución de estos problemas, basándonos en el éxito que esta rama de la inteligencia artificial ha tenido en otros tipos de problemas, como reconstrucción de imágenes y procesamiento de señales de audio. El aprendizaje profundo usa una cascada de capas que forman una red neuronal, capaz de aprender a parir de ejemplos. Asimismo, nuestro trabajo consiste por un lado en generar la base de datos necesaria para entrenar la red neuronal y, por otro lado, en diseñar arquitecturas de redes neuronales capaces de aprender de estos ejemplos sintéticos. Una vez esta etapa esté acabada, el algoritmo podrá asociar, en una fracción de segundo, mediciones experimentales con los parámetros buscados y, de esta manera, resolver los problemas inversos de interés.

El resultado final de este proyecto será una herramienta innovadora para problemas prácticos que requieran la caracterización y monitorización de zonas ocultas del subsuelo terrestre o de varias estructuras. Para lograr este objetivo, contamos con un equipo de científicos de talla mundial con experiencia complementaria en matemáticas aplicadas, exploración geofísica, energía eólica marina y computación de alto rendimiento.

Figura 2. La interpretación de las mediciones experimentales mediante una red neuronal profunda proporciona información crítica sobre posibles daños en una plataforma de energía eólica marina.
Figura 2. La interpretación de las mediciones experimentales mediante una red neuronal profunda proporciona información crítica sobre posibles daños en una plataforma de energía eólica marina.

Aplicaciones como el almacenamiento de hidrógeno, el almacenamiento de CO2, y la producción de energía geotérmica dependen de una herramienta fiable de descubrimiento, caracterización y monitorización del subsuelo terrestre. En este sentido, nuestro proyecto contribuirá a una explotación segura y con mínimo impacto ambiental de los recursos de la Tierra. En las aplicaciones relacionadas con las plataformas marinas de energía eólica, el proyecto contribuirá a la reducción de los costes y riesgos de mantenimiento y reparación mediante el diseño de algoritmos inteligentes capaces de detectar automáticamente eventuales daños (grietas, corrosiones, rotura de cabos de amarre, entre otros) basándonos en mediciones de desplazamientos de la plataforma, vibraciones y deformaciones en puntos concretos de la estructura.

De manera más general, nuestro trabajo contribuirá al desarrollo de energías más respetuosas con el medio ambiente y de bajo coste: energía eólica, energía geotérmica, y energía basada en el hidrógeno.

Investigadores/as Principales del proyecto
David Pardo

David Pardo es Profesor de Investigación Ikerbasque en la Universidad del País Vasco (UPV/EHU) y en el Basque Center for Applied Mathematics (BCAM). Ha publicado más de 140 artículos científicos en métodos numéricos avanzados para problemas de propagación de ondas, con aplicación directa al tratamiento de datos en la exploración geofísica, la producción de energía geotérmica y acciones para el clima. En 2011, recibió el Premio al Mejor Joven Investigador Español en Matemáticas Aplicadas por la Sociedad Española de Matemáticas Aplicadas, y desde 2016 es uno de los diez jóvenes miembros existentes de la Academia Vasca de Ciencias, Letras y Artes (Jakiunde). David ha sido el coordinador del proyecto RISE H2020 GEAGAM (2015-2017). Actualmente coordina MATHROCKS (proyecto RISE H2020, 2018-2022) y es miembro de PIXIL (proyecto europeo POCTEFA, 2019-2021). A estos proyectos europeos se suman varios regionales, nacionales e internacionales. David ha dirigido ocho tesis doctorales y tiene otras seis en curso.

Vincenzo Nava

Vincenzo Nava obtuvo el título de Doctor en Ingeniería Oceánica en mayo 2009 en la Universidad “Mediterránea” de Reggio Calabria, Italia, en la que se licenció (2003) y obtuvo un Master (2005) en Ingeniería Civil e Hidráulica. Desde el 2006 hasta el 2010 formó parte del Departamento de Ingeniería Mecánica, Civil y Medio Ambiental de la Universidad de Rice (Houston, EE.UU.) trabajando en varios proyectos de mecánica estocástica de cuerpos flotantes. De 2009 a 2013 fue profesor en la Universidad “Mediterránea” de Reggio Calabria (Italia). En el 2012 desarrolló su actividad de investigación en el Instituto Superior Técnico de Lisboa, Portugal, Departamento de Arquitectura Naval (CENTEC). Desde el 2013 trabaja en la División de Energía y Medio Ambiente (Área de Energías Renovables Offshore) de Tecnalia, Research and Innovation. Desde el 2017 trabaja a tiempo parcial en el Centro Vasco de Matemáticas Aplicadas (BCAM por sus siglas en inglés) en Bilbao.

Vídeos relacionados
DEEPINVERSE: avances en inteligencia artificial para la caracterización de estructuras invisibles
Hoy en día, muchos aspectos de nuestras vidas se basan en tecnologías para visualizar o caracterizar objetos o estructuras invisibles al ojo humano. Es el caso, por ejemplo, de las ecografías y radiografías. Es el caso también de la exploración geofísica, dónde cartografiar el subsuelo terrestre es fundamental para el aprovechamiento de los recursos naturales y para el almacenamiento de CO2 e hidrógeno en el subsuelo.

En este contexto, nuestro proyecto pretende contribuir a una interpretación en tiempo real de las mediciones adquiridas en aquellas situaciones que requieren decisiones instantáneas para un funcionamiento óptimo de los dispositivos tecnológicos, como son, por ejemplo, las herramientas de perforación del subsuelo y las plataformas eólicas marinas. En concreto, trabajamos en la integración de las técnicas de aprendizaje profundo en la resolución de estos problemas, basándonos en el éxito que esta rama de la inteligencia artificial ha tenido en otros tipos de problemas, como reconstrucción de imágenes y procesamiento de señales de audio.

El resultado final de este proyecto será una herramienta innovadora para problemas prácticos que requieran la caracterización y monitorización de zonas ocultas del subsuelo terrestre o de varias estructuras.

Referencia: PID2019-108111RB-I00
Programa: Programa estatal d'I+D+i Orientado als Reptes de la Societat – Agencia Estatal de Investigación (AEI).
Título: Proyecto I+D+i 2019: Inversión de datos en tiempo real usando métodos de aprendizaje profundo (DEEPINVERSE).
Investigadores: David Pardo y Vincenzo Nava.
Entidad beneficiaria: Asoc BCAM - Basque Center for Applied Mathematics.
Área temática: Matemáticas (MTM).
Duración: 4 años.