{rfName}
Ap

Licencia y uso

Icono OpenAccess

Altmetrics

Investigadores/as Institucionales

Gómez Ruiz MáAutor (correspondencia)Pérez Fernández RAutor o Coautor

Compartir

9 de octubre de 2023
Publicaciones
>
Artículo

Application of Machine Learning Techniques to the Maritime Industry

Publicado en: Journal of Marine Science and Engineering. 11 (9): 1820- - 2023-09-01 11(9), DOI: 10.3390/jmse11091820

Autores:

Ruiz, MAG; de Almeida, IM; Fernández, RP
[+]

Afiliaciones

Escuela Técnica Superior de Ingenieros Navale - Autor o Coautor
Univ Politecn Madrid, Escuela Tecn Super Ingn Navales, Madrid 28040, Spain - Autor o Coautor

Resumen

The maritime industry is displaying notable interest in the adoption of cutting-edge technologies within the scope of Industry 4.0, aiming to digitalize both companies and processes. At the core of data science lies machine learning, which serves as the focal point of this article. This study seeks to accomplish two main objectives: firstly, an exploration of various machine learning algorithms, and subsequently, the application of these techniques to analyze predictions within the propulsion system of a 9500 TEU container ship. The outcomes of the study reveal that utilizing distinct machine learning algorithms for predicting braking performance yields a lower mean square error (MSE) when compared to the discrepancy introduced by the J. Mau formula, as evident in the container ship database. The selection of propulsion engines was based on predictions for a 9500 TEU container ship. Similarly, promising outcomes were achieved in predicting propeller diameter in comparison to conventional methods. Thus, these predictions can also effectively guide the appropriate choice of propeller diameter.
[+]

Palabras clave

container shipindustry 4.0maritime industryship designContainer shipIndustry 4.0Machine learningMaritime industryShip design

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Journal of Marine Science and Engineering debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2023, se encontraba en la posición 6/25, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Engineering, Marine.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 2.24. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 13 Nov 2025)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 1.31 (fuente consultada: FECYT Mar 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2026-04-28, el siguiente número de citas:

  • WoS: 11
  • Scopus: 11
  • Open Alex: 14
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-28:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 42.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 41 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 3.
  • El número de menciones en la red social X (antes Twitter): 4 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/85159/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 186
  • Descargas: 53
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (GOMEZ RUIZ, MIGUEL ANGEL) y Último Autor (PEREZ FERNANDEZ, RODRIGO).

el autor responsable de establecer las labores de correspondencia ha sido GOMEZ RUIZ, MIGUEL ANGEL.

[+]

Objetivos del proyecto

Los objetivos perseguidos en esta aportación se centran en la aplicación de técnicas de aprendizaje automático en la industria marítima. Se pretende analizar diversos algoritmos de machine learning, evaluar su desempeño en la predicción del rendimiento de frenado en el sistema de propulsión de un portacontenedores de 9500 TEU, determinar la precisión de estas predicciones mediante la comparación con la fórmula de J. Mau, y caracterizar la utilidad de estos métodos para guiar la selección adecuada del diámetro de la hélice. Además, se busca demostrar que estas técnicas pueden superar a los métodos convencionales en la predicción de parámetros clave para la optimización de motores de propulsión y componentes asociados.
[+]

Resultados más relevantes

El estudio presenta resultados significativos en la aplicación de técnicas de aprendizaje automático en la industria marítima. En primer lugar, se exploraron diversos algoritmos de machine learning para la predicción del rendimiento del sistema de propulsión de un portacontenedores de 9500 TEU. En segundo lugar, dichos algoritmos mostraron un error cuadrático medio (MSE) inferior al generado por la fórmula de J. Mau, según la base de datos del buque. En tercer lugar, se obtuvieron resultados prometedores en la predicción del diámetro del propulsor, superando los métodos convencionales. Finalmente, estas predicciones permiten orientar eficazmente la selección adecuada del diámetro del propulsor.
[+]