Escuela de Doctorado

Fecha de lectura: 18/02/2026

• BORJA ROBALINO, RICARDO STALIN: Optimización bayesiana en técnicas machine Learning clásicas: redes neuronales y XGBoost y su aplicación como modelos predictores de diabetes en pacientes ecuatorianos
  
  Autor/a: BORJA ROBALINO, RICARDO STALIN
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
  Departamento: Departamento de Estadística e Investigación Operativa (EIO)
  Modalidad: Normal
  Fecha de depósito: 22/01/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: MONLEON GETINO, ANTONIO | GIBERT OLIVERAS, CARINA
  Resumen de tesis: El machine learning (ML) es una rama de la inteligencia artificial que permite imitar las capacidades humanas, a través de diversos algoritmos y técnicas que aprenden de los datos mediante procesos de aprendizaje (supervisado, no supervisado o por refuerzo) para la toma de decisiones con una mínima intervención humana. Los modelos clásicos de ML han generado grandes resultados en la automatización de procesos de clasificación y regresión en diversas áreas. Dentro de la clasificación, las redes neuronales artificiales (ANN) han ganado relevancia por su capacidad de aprender y modelar relaciones no lineales complejas. De igual manera, el modelo XGBoost basado en árboles de decisión ha demostrado gran eficiencia, velocidad, escalabilidad y rendimiento, imponiéndose en diversas competiciones. Por otro lado, la inferencia bayesiana ha proporcionado un marco probabilístico y revolucionario en las optimizaciones de los modelos de machine learning, con la implementación de la incertidumbre en el proceso de estimación, combinando la evidencia con las creencias previas, con la finalidad de reducir sobreajustes y mejorar las predicciones ajustando parámetros e hiperparámetros. Esta investigación tiene como objetivo optimizar dos técnicas clásicas de machine learning (redes neuronales artificiales y XGBoost), para el caso de clasificación mediante inferencia bayesiana y construir un modelo de prevención de diabetes para la población ecuatoriana. El estudio parte de una conceptualización teórica y matemática de cada algoritmo, seguida de un análisis de los diversos puntos de intervención, programación e implementación de los modelos bayesianos con técnicas de estimación de cadenas de Markov Monte Carlo (MCMC) e inferencia variacional (IV), validación mediante bases de datos públicas, implementación de un sistema cliente-servidor con múltiples backends especializados y, finalmente, el desarrollo de una aplicación real como predictores de diabetes tipo 1, tipo 2 y gestacional.Como resultado, en redes neuronales artificiales (ANN) se implementó un modelo bayesiano en dos puntos de inferencia. El primero ajustó los parámetros en cada paso de retropropagación; sin embargo, se presentó como una opción con una sobrecarga computacional prohibitiva. Como segunda intervención se realizó un ajuste sobre la función de activación en la capa final, obteniendo resultados positivos y viables computacionalmente. Para el caso de XGBoost se ajustaron las predicciones en cada paso boosting antes de la vectorización, evidenciando una alta capacidad predictiva tanto en el uso de la técnica de MCMC como en IV. La validación con la base Pima Indians Diabetes y el uso de diversas funciones de distribución demostraron la robustez y sensibilidad de los modelos implementados, en tanto que la generalización y consistencia se comprobó a través de la aplicación en diversas bases de datos. En todos los casos, se obtuvieron resultados superiores o iguales al uso del modelo tradicional, dependiendo de las características de los datos. Adicionalmente, se implementó una aplicación web (cliente-servidor) con las propuestas bayesianas, que permiten al usuario interactuar con los modelos de forma fácil e intuitiva, con opciones de carga de datos, configuración de parámetros y distribuciones de probabilidad, técnicas de estimación (MCMC o IV), proceso de entrenamiento-validación o uso de cross validación, resultados en tiempo real y opciones de descarga del modelo. La aplicación de la propuesta bayesiana a un caso real como es el caso de la predicción de la diabetes tipo 1, tipo 2 y gestacional, con datos de pacientes ecuatorianos, presentó resultados alentadores (accuracy=99.47%), convirtiéndose en el primer modelo predictor de los tres tipos de diabetes a nivel regional y nacional, confirmando que el uso de este enfoque es una excelente alternativa para la optimización de modelos de machine learning.
  

• CASTRO CARRASCO, REBECA IGNACIA: Characterization of sulfate-reducing biofilms using an amperometric printed H₂S sensor
  
  Autor/a: CASTRO CARRASCO, REBECA IGNACIA
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: RECURSOS NATURALES Y MEDIO AMBIENTE
  Departamento: Departamento de Ingeniería Minera, Industrial y TIC (EMIT)
  Modalidad: Normal
  Fecha de depósito: 22/01/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: GABRIEL BUGUÑA, GEMMA | GUIMERÀ VILLALBA, XAVIER
  Resumen de tesis: La comprensión completa de los procesos sulfidogénicos en biorreactores sigue estando limitada debido a la escasa disponibilidad de herramientas para evaluar la actividad sulfato reductora de la biomasa inmovilizada. Para abordar esta limitación, el presente trabajo se basa en el desarrollo de alternativas adecuadas para la caracterización de biomasa sulfato reductora mediante microsensores electroquímicos. Para ello, se desarrolló un biorreactor de celda de flujo para la monitorización en tiempo real empleando biomasa artificialmente inmovilizada, en sustitución de la inmovilización natural derivada de exopolisacáridos. Las evaluaciones físicas y biológicas permitieron identificar una matriz polimérica capaz de preservar la actividad sulfato reductora, garantizando al mismo tiempo una adecuada retención microbiana e integridad estructural; además, se evaluó un conjunto de condiciones operativas para generar perfiles detallados de producción de H₂S en el biorreactor de celda de flujo. Paralelamente, se fabricó un microsensor de H₂S impreso, mediante tecnología inkjet printing, utilizando como sustrato tereftalato de polietileno, imprimiendo en tintas de plata y oro, y realizando una modificación con nanotubos de carbono, reforzados con alcohol polivinílico y cloruro de polidialildimetilamonio; que promueve la dispersión de la tinta, la adhesión y la estabilidad mecánica. La formulación optimizada proporcionó estabilidad operativa a largo plazo, respuestas lineales en distintos medios y un rendimiento comparable al de microsensores comerciales, a pesar de una disminución inicial de la sensibilidad. Además, el estudio evaluó el comportamiento operativo de gránulos artificiales sulfato reductores en reactores de columna y de tanque agitado tratados, demostrando altas eficiencias de eliminación de sulfato a cargas moderadas, una estabilidad superior en configuraciones de columna, acumulación de ácidos grasos volátiles asociada a la oxidación incompleta del glicerol y la eficacia de una estrategia de biomaumentación, basada en bacterias sulfato reductoras acetato-oxidantes inmovilizadas en gránulos artificiales. Por último, la plataforma integrada se validó para el análisis de la producción de H₂S en biopelículas reductoras de sulfato inmovilizadas, combinando el biorreactor de celda de flujo con microsensores impresos mediante para la monitorización simultánea e in situ de H₂S y pH. La adquisición de datos reveló marcados gradientes de H₂S impulsados por limitaciones de transferencia de materia y dispersión hidrodinámica, mientras que los electrodos impresos mostraron respuestas amperométricas lineales y un rendimiento estable durante operaciones prolongadas, confirmando así la idoneidad de la plataforma propuesta para la caracterización de alta resolución y en tiempo real de biopelículas sulfidogénicas.
  

• MUÑOZ GALAN, HELENA: Sensor design and development for autonomous devices for disease diagnosis and therapy
  
  Autor/a: MUÑOZ GALAN, HELENA
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: POLÍMEROS Y BIOPOLÍMEROS
  Departamento: Departamento de Ingeniería Química (EQ)
  Modalidad: Normal
  Fecha de depósito: 22/01/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: ALEMAN LLANSO, CARLOS ENRIQUE | PÉREZ MADRIGAL, MARIA DEL MAR
  Resumen de tesis: Esta tesis doctoral aborda los principales desafíos en el manejo de la diabetes mediante la integración de materiales sostenibles, sistemas de monitorización no invasiva y tecnologías avanzadas de liberación de insulina en un enfoque unificado. La diabetes mellitus es un trastorno metabólico crónico que requiere una monitorización continua de glucosa y una administración precisa de insulina para mantener el control glucémico y reducir complicaciones. En respuesta a estas necesidades, la tesis se articula en tres aportes principales.En primer lugar, el trabajo mejora un dispositivo previo de monitorización no invasiva de glucosa incorporando polietileno de baja densidad (LDPE) reciclado en el diseño del sensor. El uso de LDPE reciclado aumenta la sostenibilidad, la eficiencia económica y la compatibilidad ambiental sin afectar el rendimiento. Esto demuestra la viabilidad de reutilizar residuos plásticos en aplicaciones biomédicas.En segundo lugar, la investigación explora nuevas estrategias para la liberación controlada de insulina mediante hidrogeles sensibles a estímulos. Se desarrollaron hidrogeles basados en ácido poli(γ-glutámico) y polietilenglicol (PEG) multibrazo para lograr una liberación sostenida y modulable. La incorporación del polímero conductor PEDOT permite una liberación de insulina eléctrica y bajo demanda, ofreciendo una alternativa mínimamente invasiva a los métodos convencionales.Finalmente, se estudiaron las propiedades nanomecánicas de los hidrogeles de PEG multibrazo utilizando un sensor optomecánico basado en microcantilever. Este análisis proporciona información clave sobre su comportamiento estructural, estabilidad y rendimiento a largo plazo.En conjunto, estas contribuciones conforman una estrategia integral para mejorar el tratamiento de la diabetes mediante soluciones biomédicas sostenibles y plataformas de administración inteligente.
  

Fecha de lectura: 19/02/2026

• MEDRANO DÍAZ, MANUEL ALEJANDRO: Estimación de series de tiempo de imágenes mediante técnicas de aprendizaje profundo
  
  Autor/a: MEDRANO DÍAZ, MANUEL ALEJANDRO
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: AUTOMÁTICA, ROBÓTICA Y VISIÓN
  Departamento: Departamento de Ingeniería de Sistemas, Automática e Informática Industrial (ESAII)
  Modalidad: Convenio Cotutela
  Fecha de depósito: 20/01/2026
  Fecha de lectura: 19/02/2026
  Hora de lectura: 16:00
  Lugar de lectura: Aula Maestría de Ciencias de la Computación, Instituto Tecnológico de Culiacán, MéxicoEnlace Videoconferencia: https://meet.google.com/cya-jyje-zeq
  Director/a de tesis: PUIG CAYUELA, VICENÇ | RODRÍGUEZ RANGEL, HÉCTOR
  Resumen de tesis: Una serie de tiempo de imágenes (STI) es una secuencia de imágenes ordenadas cronológicamente mostrando el cambio espacial de sus elementos a través del tiempo. Las imágenes satelitales de eventos meteorológicos pueden ser tratadas como STI al mostrar sus valores mediante la intensidad del color del píxel.Estimar a partir de una STI con un modelo de aprendizaje profundo es un problema complejo que requiere analizar diversas configuraciones que determinen la forma en que las imágenes son procesadas. Es un problema polinómico intensivo, que debido a sus características no deterministas se requiere combinar distintas configuraciones de parámetros para extraer las relaciones espacio-temporales. De manera que, la complejidad del problema aumenta conforme aumentan las dimensiones a evaluar.Para resolver este problema, se propone un modelo conceptual robusto y escalable para estimación de STI que extraiga las relaciones espacio-temporales entre los píxeles y sus vecindades. A partir de las especificaciones del modelo planteado, se desarrolla una propuesta metodológica que permita la estimación de mapas meteorológicos mediante modelos de aprendizaje profundo. La metodología propuesta es implementada a través del diseño de una arquitecta de software que traduce los elementos abstractos a componentes de software, permitiendo evaluar la metodología a través del uso de modelos de aprendizaje profundo en distintos casos de estudio.En el caso de estudio del monitor de sequías de Estados Unidos (EU), la experimentación con modelos de aprendizaje profundo basados en ConvLSTM y Multi-CNN presentan en su mayoría un F1-score de más del 0.90 para la estimación del paso t+1, donde el mejor modelo obtuvo un F1-score de 0.9953. Debido a la alta demanda de memoria por las dimensiones de los datos, junto con las limitaciones físicas del equipo de hardware, se aplicaron técnicas de reducción de dimensiones sobre las imágenes. Utilizando la técnica por fragmentación con la arquitectura ConvLSTM se tiene un resultado de F1-score de 0.9684 por reducir en un 48% la dimensión de las muestras. Al aplicar estrategias de estimación a múltiples pasos recursiva y directa se pudieron hacer estimaciones a mediano plazo, sin embargo, debido a la complejidad del análisis espacio-temporal existe un error acumulado que afecta la calidad de la estimación a mediano plazo.En un segundo caso de estudio sobre mapas del índice estandarizado de precipitación (SPI) de EU, se hace uso de una arquitectura ConvLSTM para hacer la estimación del paso t+1. Los resultados muestran que el mejor modelo de aprendizaje obtiene un F1-score de 0.5268, mientras que el modelo Naïve obtiene un F1-score de 0.3408. Los resultados obtenidos demuestran las capacidades de los modelos de aprendizaje profundo para extraer relaciones espacio-temporales sobre una secuencia de imágenes, lo que permite establecer las bases para una rama de investigación enfocada en la estimación de imágenes.
  

• RODRÍGUEZ ROMERO, CARLOS EDUARDO: Analysis of coupled hydro-mechanical processes in double-structure geomaterials for nuclear waste storage
  
  Autor/a: RODRÍGUEZ ROMERO, CARLOS EDUARDO
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: INGENIERÍA DEL TERRENO
  Departamento: Departamento de Ingeniería Civil y Ambiental (DECA)
  Modalidad: Normal
  Fecha de depósito: 04/12/2025
  Fecha de lectura: 19/02/2026
  Hora de lectura: 11:00
  Lugar de lectura: ETSECCPB. UPC, Campus NordBuilding C2. Classroom: 212C/Jordi Girona, 1-308034 Barcelona
  Director/a de tesis: VAUNAT, JEAN | GENS SOLE, ANTONIO
  Resumen de tesis: El aislamiento seguro y a largo plazo de los residuos radiactivos de alta actividad requiere el uso de barreras de ingeniería capaces de mantener una baja permeabilidad y una estabilidad mecánica adecuada bajo condiciones termo-hidro-mecánicas (THM) complejas. Entre los materiales candidatos, la bentonita compactada presenta un comportamiento característico de doble estructura, gobernado por la coexistencia de dominios micro y macroporosos. Esta tesis se centra en el análisis de los procesos acoplados hidro-mecánicos en geomateriales de doble estructura, con especial atención a las mezclas de bloques y gránulos de bentonita empleadas en los sistemas de barrera para los repositorios geológicos profundos.La investigación revisa en primer lugar las bases geomecánicas de los suelos de doble estructura e identifica la evidencia experimental que respalda su naturaleza de doble porosidad. Posteriormente, se desarrolla un marco constitutivo THM ampliado, que incorpora: (i) el parámetro ακ para controlar la deformación microestructural; (ii) una ley de estructuración dependiente de la fábrica del material para representar la memoria y degradación por compresión; y (iii) la resistencia friccional en las interfaces bloque–gránulo y bloque–pared.El modelo se implementó y calibró utilizando datos experimentales de laboratorio y de maquetas a escala reducida procedentes del proyecto BEACON, incluyendo los experimentos MGR22, MGR23 y MGR27, los ensayos de diferentes trayectorias de EPFL y el ensayo POSIVA. Las simulaciones numéricas reprodujeron con éxito la evolución de la presión de hinchamiento, la relación de vacíos, la densidad seca, el contenido y la entrada de agua observados experimentalmente. Los resultados confirmaron que la fricción desempeña un papel decisivo en la redistribución de esfuerzos entre bloques y gránulos, mientras que la evolución microestructural gobierna el proceso de homogeneización a largo plazo. La formulación mejorada capturó la homogeneización parcial de densidad y la persistencia de la porosidad microestructural, en consonancia con las observaciones de laboratorio.En conjunto, la tesis proporciona una comprensión más profunda del comportamiento hidro-mecánico acoplado de las bentonitas de doble estructura y propone un marco constitutivo robusto capaz de reproducir sus características esenciales bajo condiciones representativas de un repositorio. El trabajo pone de manifiesto la necesidad de considerar tanto la evolución microestructural como los efectos de fricción en los modelos predictivos de barreras de bentonita, contribuyendo así a la fiabilidad de las evaluaciones de seguridad a largo plazo de los almacenes geológicos profundos.