Escuela de Doctorado

Fecha de lectura: 09/04/2026

• JENÉ VINUESA, MARC: Data-Driven and Generative Methodologies for Enhanced Grid-Edge Visibility in Distribution Grids
  
  Autor/a: JENÉ VINUESA, MARC
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: INGENIERÍA ELÉCTRICA
  Departamento: Departamento de Ingeniería Eléctrica (DEE)
  Modalidad: Normal
  Fecha de depósito: 12/03/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: ARAGÜÉS PEÑALBA, MÒNICA | SUMPER, ANDREAS
  Resumen de tesis: El rápido despliegue de recursos energéticos distribuidos (DERs), como instalaciones fotovoltaicas (PV) residenciales, bombas de calor y vehículos eléctricos, está acelerando la transición energética al tiempo que transforma las redes eléctricas de distribución. Aunque estas tecnologías permiten la descarbonización y aportan flexibilidad a la red, su instalación detrás del contador (BTM), junto con una granularidad de medida limitada, el acceso restringido a los datos y la ausencia de sistemas de medición dedicados, genera puntos ciegos que dificultan la operación fiable, la planificación y la supervisión de la red en escenarios de alta penetración de DERs. Esta tesis doctoral aborda la limitada visibilidad en el borde de la red mediante el desarrollo de metodologías para inferir fenómenos no observados a nivel de distribución a partir de datos de baja resolución obtenidos mediante contadores inteligentes bajo restricciones operativas realistas. La visibilidad en el borde de la red se define como la capacidad de reconstruir tanto los intercambios de potencia lícitos como ilícitos, incluyendo el comportamiento de los recursos energéticos distribuidos detrás del contador y las pérdidas no técnicas. Las contribuciones propuestas tienen como objetivo apoyar la toma de decisiones operativas y de planificación de los operadores de red en sistemas de distribución cada vez más descentralizados.La primera parte de la tesis se centra en la detección y caracterización de las pérdidas no técnicas. Se propone un sistema para identificar pérdidas anómalas mediante balances energéticos y técnicas de aprendizaje automático utilizando medidas de potencia activa a nivel de transformador y de cliente final. La metodología permite la detección y clasificación de fraudes, mientras que un módulo no supervisado de identificación de clientes sospechosos apoya estrategias de inspección dirigidas. La validación con datos reales de redes de distribución de Cataluña demuestra un rendimiento robusto bajo condiciones realistas en términos de disponibilidad de datos y desequilibrio de clases. La segunda parte aborda la desagregación de PV a nivel de cliente. Se introduce una metodología híbrida determinista y adaptativa para detectar sistemas fotovoltaicos, estimar su potencia instalada y desagregar la generación a partir de medidas de consumo neto. Mediante la combinación de modelos basados en datos, modelos físicos y técnicas de procesamiento de señales, la metodología captura variaciones específicas del sistema y estacionales, manteniendo su practicidad. Diversos casos de estudio demuestran su solidez frente al volumen de datos, la variabilidad estacional y la medición agregada, así como su capacidad de generalización entre dominios. Finalmente, la tesis explora la desagregación probabilística mediante inteligencia artificial generativa. Se propone una metodología basada en modelos condicionales de difusión para modelar la distribución de la generación PV condicionada al consumo neto y a variables exógenas. La metodología proporciona estimaciones probabilísticas calibradas y precisas, y se extiende para desagregar conjuntamente múltiples DER, como las bombas de calor. La validación con conjuntos de datos reales demuestra que la metodología es capaz de capturar la incertidumbre y generalizar con datos de entrenamiento limitados.
  

• MIRFALLAH LIALESTANI, SEYED POORYA: Geothermal Potential Assessment in Catalonia, Spain: Innovative AI-Powered 3D Mapping using Advanced Hybrid Multitask and Semi-Supervised Learning Frameworks
  
  Autor/a: MIRFALLAH LIALESTANI, SEYED POORYA
  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: 12/03/2026
  Fecha de lectura: pendiente
  Hora de lectura: pendiente
  Lugar de lectura: pendiente
  Director/a de tesis: HIMI BENOMAR, MAHJOUB
  Resumen de tesis: Esta tesis presenta un marco interdisciplinario innovador que fusiona la inteligencia artificial con la optimización metaheurística para avanzar en la exploración de energía geotérmica en Cataluña, España. Al integrar técnicas de aprendizaje automático como el aprendizaje profundo, las redes neuronales y los árboles de decisión con métodos de optimización avanzados, incluyendo el Algoritmo de la Luciérnaga y un nuevo Algoritmo Murciélago Modificado Multiobjetivo (MoBA), el estudio mejora significativamente la precisión en la predicción de temperaturas subterráneas, reduce los costos de exploración y optimiza la evaluación y gestión de los recursos geotérmicos.La investigación genera mapas geotérmicos tridimensionales de alta resolución a profundidades de 50, 120, 150 y 180 metros, abarcando un área extensa de aproximadamente 7.942 km². El MoBA demostró un rendimiento excepcional en la predicción de temperaturas subterráneas, superando a los métodos convencionales gracias a su capacidad de adaptación a condiciones geológicas complejas y variables, minimizando la intervención manual y equilibrando múltiples objetivos de optimización. Este enfoque permitió identificar zonas de alto potencial, especialmente en el Vallès y el Penedès, La Selva, Empordà, la Fossa d’Olot, la Plana de Vic y la Depresión Central.Los hallazgos clave revelan que el potencial geotérmico aumenta significativamente con la profundidad, con capacidades medias estimadas que pasan de 15.408,5 MWh/año a 50 metros a 19.260,6 MWh/año a 150 metros. Aproximadamente el 24% de las ubicaciones analizadas fueron clasificadas como “muy buenas”, lo que indica una alta idoneidad para sistemas geotérmicos de pequeña y mediana escala. Los resultados también confirmaron una correlación débil entre la conductividad térmica y el gradiente geotérmico (r² = 0,02), lo que pone de manifiesto la heterogeneidad geológica de la región y la importancia de realizar evaluaciones específicas para cada sitio.Los modelos impulsados por inteligencia artificial se alinearon estrechamente con investigaciones previas (por ejemplo, Colmenar-Santos et al., 2016), validando la fiabilidad de este enfoque y ofreciendo al mismo tiempo un mayor nivel de detalle y resolución espacial. Las predicciones basadas en MoBA y los mapas de distribución espacial proporcionan información valiosa para responsables políticos y planificadores energéticos, identificando zonas adecuadas para calefacción distrital, sistemas híbridos e integración de energías renovables descentralizadas.A pesar de desafíos como la disponibilidad de datos y la demanda computacional, la integración de IA con algoritmos metaheurísticos representa un método escalable, rentable y preciso para la exploración geotérmica. Este trabajo no solo aporta una herramienta poderosa para la explotación sostenible de recursos en Cataluña, sino que también ofrece un modelo transferible para mejorar las estrategias de energías renovables en otras regiones con diversidad geológica.
  

• VALDÉS JIMÉNEZ, ALEJANDRO MAURICIO: Design, parallelization and acceleration of algorithms to discover three-dimensional patterns in proteins
  
  Autor/a: VALDÉS JIMÉNEZ, ALEJANDRO MAURICIO
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: ARQUITECTURA DE COMPUTADORES
  Departamento: Departamento de Arquitectura de Computadores (DAC)
  Modalidad: Normal
  Fecha de depósito: 03/03/2026
  Fecha de lectura: 09/04/2026
  Hora de lectura: 15:00
  Lugar de lectura: C6-E101
  Director/a de tesis: JIMENEZ GONZALEZ, DANIEL | NUÑEZ VIVANCO, GABRIEL
  Resumen de tesis: El rápido crecimiento de las bases de datos de estructura de proteínas, como el Protein Data Bank (más de 230.000 estructuras) y AlphaFold (más de 200 millones), requiere algoritmos eficientes y escalables capaces de aprovechar las arquitecturas de computación de alto rendimiento (HPC) para permitir el análisis estructural a gran escala en tiempos razonables. Esta tesis se centra en el diseño e implementación de algoritmos optimizados y paralelos para descubrir, analizar y agrupar patrones tridimensionales conservados de aminoácidos en proteínas.El trabajo se centra en Geomfinder (A multi-feature identifier of similar three-dimensional protein patterns: a ligand-independent approach), que compara patrones tridimensionales entre pares de proteínas, y el nuevo algoritmo 3D-PP (A tool for discovering conserved three-dimensional protein patterns), propuesto en esta tesis, que descubre y agrupa patrones tridimensionales comunes dentro de conjuntos de proteínas. Ambos algoritmos son independientes del ligando y la secuencia y no requieren patrones predefinidos, lo que permite la identificación de sitios funcionales previamente desconocidos. Sin embargo, sus implementaciones secuenciales originales limitan su aplicabilidad a grandes conjuntos de datos. Para Geomfinder, se introdujeron varias optimizaciones secuenciales para reducir la complejidad algorítmica y las operaciones de larga latencia. La incorporación de una estrategia basada en Merge Join redujo la complejidad de la puntuación parcial de O(NxM) a O(N+M), garantizando que cada elemento del descriptor se evalúe solo una vez. La estrategia Lazy Evaluation y la reordenación de las llamadas a funciones de puntuación parcial redujeron aún más el tiempo de ejecución. Estas optimizaciones lograron aceleraciones de entre 6,2x y 19x, según el rango de búsqueda. Se exploraron múltiples estrategias de paralelización: OpenMP, MPI, híbrido MPI+OpenMP y CUDA. OpenMP, con descomposición de datos de grano fino que, combinada con reducciones parciales por hebra, mitiga la sobrecarga de sincronización, logró aceleraciones casi ideales, alcanzando 32,6x con 64 hebras. La paralelización basada en MPI logró una aceleración de hasta 19,4x con 64 procesos, mientras que la combinación híbrida MPI+OpenMP mejoró aún más el rendimiento, alcanzando 67,4x con 1024 hebras. La aceleración con CUDA proporcionó aceleraciones de hasta 8,6x, con un aumento del rendimiento para cargas de trabajo mayores. Tras aplicar las optimizaciones algorítmicas a la versión secuencial original, el perfilado reveló un cambio en el cuello de botella; se aplicó una etapa adicional de paralelización de OpenMP, logrando una aceleración de hasta 494x con respecto a la versión secuencial original. En un caso práctico, el tiempo de ejecución se redujo de más de una hora a ~3,4 segundos. Para 3D-PP, el perfilado reveló que más del 96% del tiempo se dedicó al procesamiento de cadenas de proteínas. Se evaluaron tres enfoques OpenMP; la mejor solución, basada en tareas explícitas y anidadas, logró una aceleración de 22,3x y redujo el tiempo de 1,25 horas a 201,5 segundos. Las estrategias con MPI se centraron en minimizar la comunicación mediante la reducción temprana de patrones, logrando aceleraciones de ~32x con 64 procesos. Las implementaciones MPI+OpenMP mejoraron aún más el rendimiento; el mejor enfoque logró una aceleración de 162,5x y redujo el tiempo a 27 segundos. Este enfoque híbrido mitigó la sobrecarga de sincronización inherente a las implementaciones puras de OpenMP y demostró una eficiencia weak-scaling (90-100%) hasta 8 procesos, aunque la eficiencia disminuyó a aproximadamente el 72% al usar 16 procesos debido al mayor desequilibrio de carga y sincronización. Los resultados muestran que el paralelismo explícito de tareas y la reducción temprana de datos mejoran sustancialmente el rendimiento y la escalabilidad de 3D-PP. Todas estas mejoras nos ayudarán a abordar el procesamiento de bases de proteínas más grandes.
  

Fecha de lectura: 10/04/2026

• 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: 10/04/2026
  Hora de lectura: 11:00
  Lugar de lectura: Dia 10 d’ abril de 2026 a les 11h del matí a la Sala de Juntes de la FIB
  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.
  

• FUENTES LLANOS, JUDITH: Development of 3D Bioengineered Skeletal Muscle-based Bioactuators for Biorobotic and Biomedical Applications
  
  Autor/a: FUENTES LLANOS, JUDITH
  Tesis completa: (contacta con la Escuela de Doctorado para confirmar que eres un doctor acreditado y obtener el enlace a la tesis)
  Programa: INGENIERÍA BIOMÉDICA
  Departamento: Departamento de Ciencia e Ingeniería de Materiales (CEM)
  Modalidad: Compendio de publicaciones
  Fecha de depósito: 11/02/2026
  Fecha de lectura: 10/04/2026
  Hora de lectura: 11:00
  Lugar de lectura: Sala d'Actes, Edifici Vèrtex, Campus Diagonal Nord, Vèrtex (VX), Plaça d'Eusebi Güell, 6, 08034 Barcelona
  Director/a de tesis: SÁNCHEZ ORDÓÑEZ, SAMUEL | GUIX NOGUERA, MARIA
  Resumen de tesis: Los sistemas biohíbridos combinan materiales vivos, como células o tejidos, con componentes sintéticos, como estructuras mecánicas, elementos electrónicos u otros materiales artificiales. Esta integración busca aprovechar propiedades únicas de los materiales biológicos, autoensamblaje, respuesta a estímulos, adaptabilidad y autorregeneración, difíciles de reproducir en materiales puramente sintéticos. Al combinar estas cualidades con la robustez y versatilidad de las estructuras artificiales, los sistemas biohíbridos se configuran como plataformas capaces de adaptarse y actuar en entornos dinámicos. Entre los distintos componentes biológicos explorados, el músculo esquelético destaca por su contracción controlable, elevada relación fuerza-peso y compatibilidad con diversas estrategias de biofabricación 3D, lo que lo convierte en un bioactuador idóneo tanto para robótica blanda como para plataformas in vitro de ensayos farmacológicos y estudios biomédicos.Esta tesis se centra en el desarrollo de bioactuadores tridimensionales basados en músculo esquelético, abordando aspectos que van desde la biofabricación hasta la mejora de su funcionalidad, el control de la contracción y la capacidad regenerativa. Se desarrolló y optimizó un método de bioimpresión coaxial 3D asistida con Plurónico (PACA-3D), que permitió fabricar bioactuadores con estructuras fasciculares biomiméticas, más cercanas a la organización nativa. Estos presentaron mayor maduración celular, mejor formación de sarcómeros y un aumento de la fuerza contráctil respecto a los obtenidos mediante extrusión convencional.Con el fin de mejorar la respuesta y el control direccional, se introdujo la capacidad de responder a campos magnéticos mediante una biotinta basada en ferrofluidos, con la que se fabricó el denominado Ferromuscle (en colaboración con la Universidad de Waterloo y Aalto). Estos bioactuadores mostraron mejor alineación celular, mayor fuerza y actuación guiada magnéticamente. En colaboración con la Universidad de Cagliari (UniCa), también se evaluó la integración de sensores de deformación flexibles basados en transistores orgánicos de efecto de campo (OFET), capaces de monitorizar en tiempo real el comportamiento contráctil. Estos dispositivos permitieron una detección de fuerza con sensibilidad regulable y sin interferencias con la estimulación eléctrica estándar, abriendo el camino a estrategias de control en bucle cerrado y a plataformas automatizadas de cribado de fármacos.Asimismo, se estudió la capacidad de autorregeneración de los bioactuadores tras daños diseñados para reproducir el estrés mecánico asociado a su manipulación y funcionamiento. Con el tiempo, se observó una recuperación parcial o completa de la fuerza y un remodelado estructural sin intervenciones externas, lo que evidencia su potencial de autoreparación, aunque los mecanismos biológicos implicados aún no se comprenden por completo.Finalmente, se presentan varios trabajos colaborativos que enriquecen esta investigación, entre ellos la integración de estructuras tipo tendón para desarrollar unidades músculo-tendón (ETH Zürich), mejorando el diseño biomimético, la estabilidad y el rendimiento de los bioactuadores. También se incluyen estudios sobre mecanismos flexibles biohíbridos accionados por músculo esquelético, en los que se evaluó cómo la arquitectura del esqueleto y el tipo de estimulación (por voltaje o corriente) condicionan la respuesta contráctil (SSA y UniCa).En conjunto, esta tesis aporta innovación al campo de la robótica biohíbrida mediante la combinación de técnicas de fabricación avanzadas, estrategias de control, sensores integrados y el estudio de la capacidad regenerativa. Estos avances acercan el desarrollo de máquinas biohíbridas robustas, autónomas y funcionales, con aplicaciones en robótica blanda, ingeniería de tejidos e investigación biomédica.