ANALISIS Y SIMULACION DEL OLEAJE

Slides:



Advertisements
Presentaciones similares
Simulación Prof. Daniel Ramírez C..
Advertisements

Capitulo 9: Modelos unívariados de series temporales
PROCESAMIENTO DE IMAGENES
Procesamiento Digital de Señales (DSP)
Analizador de Espectro
Convertidores A/D y D/A
CAP. 6 - DISTORSIÓN Ing. Verónica M.Miró 2011.
TECNICAS PARA LA RECOLECCIÓN DE INFORMACION PRIMARIA
Fenómenos químicos U.1 La naturaleza corpuscular de la materia
PRECISION DE LOS SISTEMAS DE MEDICION EN EL ESTADO ESTABLE
ELECTRODINÁMICA. PRÁCTICA VIRTUAL SOBRE GUÍAS DE ONDA. Curso
Centro de Investigación Estadística
Procesos Estocásticos
Generación de Números y Variable aleatorias
SERIES UNIVARIADAS Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para el futuro si ha de sobrevivir y progresar.
Introducción a los Procesadores Digitales de Señal (DSP)
AREA DE MODELIZACIÓN MACROECONÓMICA
Mario Bidegain (FC) – Alvaro Diaz (FI) – Marcelo Barreiro (FC)
Capitulo 10: La metodología Box-Jenkins
”SISTEMA PARA EL ANÁLISIS DE SEÑALES DE VOZ APLICANDO EL ALGORITMO DE LA TRANSFORMADA RÁPIDA DE FOURIER (FFT POR SUS SIGLAS EN INGLÉS)” Materia: Programación.
NUMEROS PSEUDO ALEATORIOS
Características básicas de los datos económicos de series temporales
2. DISEÑO DE SEÑALES Y FILTROS
C entro de i nvestigación y d esarrollo de t ecnología d igital Módulo para prácticas de PDS.
Implementacion Dr. Rogerio.
Procesos Estocásticos
Universidad Técnica Particular de Loja
Análisis de series de tiempo Cuarta semana Abril Julio 2009.
Aspectos Generales de IPD-414 IPD 414 – Seminario de Procesamiento Digital de Señales Segundo semestre Matías Zañartu, Ph.D. Departamento de Electrónica.
Envolvente Compleja y Modulación
Analizador de Vibraciones
I DENTIFICACIÓN DE S ISTEMAS Identificacion de modelos no parametricos 1.
Análisis de series de tiempo Semana 9 Abril –Julio 2009.
LINEAS DE TRANSMISION.
Potencia, Energía y Calidad Suministro Eléctrico MEG-CUR-CPERev. 01 Flicker.
“PARTITURA 3D: Un modelo de sonificación de imágenes”
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Modelos Pronósticos Prof. Dr. Héctor Allende.
Procesadores digitales de señal (PDS)
Proceso de muestreo.
Universidad de La Laguna, 14/11/2013 Mareas y Corrientes IV: Análisis de datos de corrientes.
Departament d’Estadística Divisió de Ciències Experimentals i Matemàtiques Montecarlo basado en cadenas de Markov Programa de doctorado Estadística, Análisis.
Teorema de Fourier Contexto Histórico.
Programación Lineal Entera Antonio H. Escobar Z Universidad Tecnológica de Pereira – Colombia Posgrado en Ingeniería Maestría en Ingeniería Eléctrica.
Análisis de series de tiempo
Análisis de series de tiempo
Autora: Patricia Morales 4to año sección “A” Liceo Técnica Lara Barquisimeto, marzo 2015.
Inferencia Estadística
Análisis de Sistemas Lineales “Series de Fourier II” Ing. Rafael A. Díaz Chacón ASL/RAD/2001.
Análisis de series de tiempo
Ingeniería de la Salud IMAGEN BIOMEDICA Realce: Filtros en imagen digital (Parte I)
Econometría Procesos Estocásticos Capitulo IV
TEMA 2 CARACTERIZACIÓN FRECUENCIAL DE SEÑALES Y SISTEMAS
José Oliver Alberto Bonastre José Luis Poza
Modelos matemáticos del proceso de muestreo y retención
SERIES CRONOLOGICAS O DE TIEMPO
PROCESAMIENTO DIGITAL DE SEÑALES
Proceso de muestreo. Análisis de señales muestreadas Teorema de Shanon.
Análisis de series de tiempo
Análisis de series de tiempo
3. Transformada rápida de Fourier
LOGO Teorías de la Comunicación EUPG ESCUELA UNIVERSITARIADE POSTGRADO.
PROCESAMIENTO DIGITAL DE SEÑALES
Series Temporales CIMAT, 2012 Clase 1. Introducción El análisis de series de datos registrados consecutivamente en el tiempo presenta contrastes con otros.
Control Moderno de Motores Eléctricos
Técnicas numéricas para el procesamiento de datos reales Antonio Turiel Instituto de Ciencias del Mar de Barcelona.
Pruebas paramétricas y no paramétricas
Sistemas de Comunicación II 2009 Propagación en sistemas con múltiples reflexiones.
METODO DE MAXIMA PENDIENTE
PRECISION DE LOS SISTEMAS DE MEDICION EN EL ESTADO ESTABLE 1.ERROR DE MEDICION DE UN SISTEMA DE ELEMENTOS IDEALES En la figura No. 12, se observa n elementos.
Inferencia Estadística
Transcripción de la presentación:

ANALISIS Y SIMULACION DEL OLEAJE

OLEAJE REAL: SUCESION DE PROCESOS ESTOCASTICOS ESTACIONARIOS NORMALES (LINEALES) ERGODICOS

REGISTRO REAL ANALISIS ESPECTRAL ESPECTRO DE OLEAJE SIMULACION REGISTRO SINTETICO

ANALISIS ESPECTRAL SUPUESTO NORMAL Y ERGODICO ESTACIONARIEDAD: EXIGE SERIES CORTAS (7 A 30 MINUTOS) ANALISIS UNIDIRECCIONAL ANALISIS DIRECCIONAL

ANALISIS UNIDIRECCIONAL REGISTRO DE UNA BOYA ESCALAR MODELAR LOS DESPLAZAMIENTOS VERTICALES

ANALISIS DIRECCIONAL REGISTRO DE TRES BOYAS ESCALARES O DE UNA DIRECCIONAL (CABECEO+BALANCEO)

METODOS DE ESTIMACION ESPECTRAL (SOLO PARA UNIDIRECCIONAL) PARAMETRICOS SE SUPONE UN MODELO PREVIO NO PARAMETRICOS SE DEDUCE EL MODELO

METODOS DE ESTIMACION ESPECTRAL PARAMETRICOS MEM = MAXIMA ENTROPIA (BURG 1967,1975) MODELO ARMA(p,q) p =15 a 35 ; q =1 VENTAJAS BUENA MODELACION BUEN AJUSTE CON POCOS PARAMETROS BUENO PARA REGISTROS CORTOS (NO ESTACIONARIO) PERMITE ANALISIS EN TIEMPO REAL SIMULACION NUMERICA RAPIDA Y EFICIENTE

METODOS DE ESTIMACION ESPECTRAL NO PARAMETRICOS ANALISIS DE FOURIER BLACKMAN Y TUKEY (1958,1965) - ESPECTRO A PARTIR DE LA FUNCION DE AUTOCOVARIANZA - ALGORITMOS FFT (N=1024, 2048 ó 4096) (TECNICA MAS UTILIZADA)

SIMULACION ESPECTRO + PROCESO ESTOCASTICO  OLEAJE TIPOS: NUMERICOS FISICOS UNIDIRECCIONALES DIRECCIONALES LINEALES NO LINEALES

PROCEDIMIENTOS DE SIMULACION  FILTRADO DIGITAL DE UNA SEÑAL ALEATORIA PURA CON SUPERPOSICION DE UN TREN DE ONDAS LINEAL (FILTRO CON UN MODELO ARMA)  SUPERPOSICION DE CON AMPLITUDES TALES QUE EL RESULTADO SE AJUSTE A AL ESPECTRO DESEADO

APLICACIONES SIMULADOR NUMERICO (“OLAS DE PAPEL”) RAPIDO, FLEXIBLE, BARATO... ALIMENTAN OTROS MODELOS MAS OPACO SIMULADOR FISICO LENTO, CARO, RIGIDO... MAS DESCRIPTIVO  IDEAL: COMBINACION DE AMBOS

IDONEIDAD DE LOS SIMULADORES NO TODOS LOS SIMULADORES NUMERICOS SIRVEN PARA MODELAR TODOS LOS PROCESOS CADA MODELO INTRODUCE UNA DISTORSION SE TRATA DE QUE LA DISTORSION NO SEA IMPORTANTE PARA EL PROBLEMA A MODELAR REDUCCION DE DISTORSION  TIEMPO DE COMPUTACION ALGORITMOS EFICIENTES