En este segundo capítulo de la serie «Ingeniería Oceánica: herramientas para el desarrollo de la salmonicultura», el autor, nos presenta la importancia de la modelación numérica en la comprensión del medio marino y los resguardos que deben tomarse en el uso de sus resultados.
Comprender de manera significativa algún fenómeno requiere de información lo suficientemente extensa y detallada para describir su comportamiento medio, su variabilidad y frecuencia entre otros aspectos. Lo básico, como es evidente, es realizar mediciones con algún instrumento que permitan ir construyendo una historia que nos entregue información suficiente saber cómo desarrollar alguna actividad de interés.
Pero medir siempre ha sido complicado. A las dificultades tecnológicas de lograr un instrumento preciso se agregan costos de adquisición y mantenimiento qué en muchas ocasiones, por razones contingentes, llevan a interrumpir, reducir o descontinuar registros, sobre todo, cuando no hay una adecuada valoración de su utilidad. Esta, que es la triste historia que caracteriza a nuestro país en un sinfín de campos del conocimiento, nos lleva a una prácticamente inexistente red de mediciones, con estaciones discontinuas, insuficientemente distribuidas y con una baja o nula historia que aportar.
El punto de observación ¿representa la zona de interés?
Si bien en los últimos años se está observando una mejora en la disponibilidad de estaciones de monitoreo fruto de los avances tecnológicos en capacidad de procesamiento y almacenamiento de información, mayor capacidad generación y almacenaje energético y mayores alternativas de comunicación remota, aún hay otros elementos que impiden un mayor desarrollo. A la ausencia de una política estatal que ponga en valor las mediciones se suma el vandalismo que obliga a que las estaciones se encuentren a resguardo, reduciendo las posibilidades de multiplicarlas.
La experiencia
Así por ejemplo, nos encontramos hoy con que la evaluación de la calidad del aire de todo el núcleo urbano de Puerto Montt se realiza en función de una única estación en Mirasol; que la definición de operatividad marítima en los canales de las islas Guaitecas se realiza en base a las condiciones que se observan en la capitanía de Puerto de Melinka (más de 80 kilómetros de distancia en algunos casos), o que las características históricas del viento del Seno Reloncaví tengan que ser estimadas a partir de la información medida en el aeropuerto El Tepual.
En este punto, más allá de las razones que explican la situación, cabe preguntarse, mi punto de observación ¿es representativo de la zona de interés? Si la respuesta es no, entonces necesito información extra que permita complementar la existente, y allí es donde la modelación numérica entra a escena.
En términos sencillos, la modelación numérica es una herramienta que nos permite realizar una aproximación a lo que ocurre en aquellos lugares en los que no hemos medido empleando como referencia la información que tengamos disponible.
Los ingredientes de la modelación numérica
La base de todo son las formulaciones matemáticas, ecuaciones que describen principios o leyes de la naturaleza las cuales han sido develadas a lo largo de los siglos y cuyos autores son personajes de renombre en la historia de las ciencias. En lo relativo al comportamiento del agua (mares, ríos y lagos) y del aire (atmosfera), la mecánica de fluidos es el campo principal con personajes como Bernoulli, Euler, Navier, Stokes o Reynolds entre otros, principalmente entre los siglos XVIII y XX.
Luego de ello vienen las herramientas de cálculo para resolver estas ecuaciones en el tiempo y el espacio, incluyendo discretizaciones, simplificaciones y otras estrategias que permitan obtener resultados.
El tercer ingrediente, las condiciones de borde. ¿Cuáles son las características del medio al inicio de la simulación? ¿Qué ocurre en los contornos del dominio? Esto tiene que ver con el caso particular que se estudia, alcance, duración, etc. Y es donde empleamos algunos de los datos que disponemos.
ENIAC
Y por último, el cómputo. Lo que por años fue el obstáculo para continuar avanzando en el desarrollo de las ciencias, ha tenido un crecimiento exponencial que inició con el ENIAC luego de la segunda guerra mundial y que hoy nos tiene hablando de computadoras cuánticas. Modelar numéricamente requiere de una gran cantidad de cálculos y operaciones y las velocidades de cálculo que se logran en la presente época permiten disponer una serie de herramientas que se desarrollaron hace años, pero cuyo costo computacional era excesivo.
Para muestra un botón. Si, por ejemplo, quisiera conocer detalladamente la velocidad de la corriente en una concesión de 1 hectárea de superficie, de 50 m de profundidad, durante 1 hora, necesitaría a lo menos saber qué ocurre en cada metro cúbico en cada segundo. Esto significa obtener 1.800.000.000 datos.
Entonces aquí viene el primer elemento importante, modelar no es hacer magia, no es construir de la nada información, si no que más bien, es intentar reproducir un fenómeno observado para el cual hay información con la cual contrastar. Para asegurarme que el cómputo realizado en el ejemplo anterior sea útil, y, por tanto, representativo de la realidad, necesito de una medición de corrientes en algún punto dentro del área simulada para comparar.
El principio general es que, si el modelo es capaz de reproducir el comportamiento que fue medido en un punto específico (he validado el modelo), entonces es posible suponer que el modelo es capaz de reproducir lo que ocurrió en otro lugar en el que no hay medición.
Cuando no es suficiente que el software “corra”
Y entonces, ¿qué son los softwares, como Mike 21, Newdepomod, SWAN, OpenFOAM y otros tantos? Son herramientas articuladas y estructuradas que empaquetan procedimientos, parametrizaciones, métodos de cálculo y otros elementos para que puedan ser utilizadas a través de interfaces gráficas de una manera sencilla por usuarios con conocimientos suficientes para operarlos. En otras palabras, se encargan de resolver aquellas cuestiones técnicas en lo numérico computacional para lograr obtener resultados, dejando disponible para modificar aquellos elementos que son particulares del caso estudiado.
Amenazas
Y aquí es donde aparecen algunas amenazas. Algunos softwares tienen niveles de complejidad mayores en los que es frecuente que “el modelo se caiga”, vale decir, no logró llegar a un resultado porque la información provista o las condiciones de cálculo no son las adecuadas (ej. El número de Courant). Pero lograr que “corra”, vale decir, que el software concluya sus procesos de cálculo sin reportar errores en el camino, no es prenda de garantía que los resultados obtenidos sean útiles para el propósito perseguido. Es como una salsa que a la vista puede lucir apetitosa pero que no se sabe si está ácida o salada hasta que se prueba.
Son muchos los factores que pueden volver inútil un esfuerzo de modelación, desde una consideración inadecuada de los factores principales que intervienen en el problema, pasando por una delimitación espacio – temporal insuficiente, hasta omitir los alcances de aplicabilidad y supuestos principales del modelo respecto del caso de estudio. Estas frecuentes fallas en el proceso han dado vida a una máxima de la informática «garbage in, garbage out», o dicho en palabras coloquiales, si yo ingreso basura, obtendré basura ordenada en gráficos con colores llamativos y agradables, pero basura al final y al cabo.
Complemento
Así entonces, la modelación numérica no es un fin en sí mismo, no es el filete del plato, es un complemento, un aderezo que contribuye a la solución de un problema, pero que debe ser utilizado en su justa medida, en la oportunidad correcta. Su contribución debe ser probados y aprobados, contrastados contra la realidad, y allí las mediciones instrumentales y las observaciones operacionales son realmente los elementos centrales.
¿Y cómo lo hacemos cuando quiero evaluar el futuro, un pronóstico, y, por tanto, no tengo de antemano la medición con la cual contrastar? Bueno, de eso hablaremos en el siguiente capítulo.
