A continuación aparece una oferta de posibles Trabajos Finales (TFG/TFM) a realizar conmigo. Si planeas hacer el TF, contacta conmigo vía email con suficiente antelación, es decir, o bien un curso antes de presentar el TF o bien el primer mes de curso en el que quieras presentarlo.

Aplicación de técnicas de investigación operativa y ciencia de datos para la optimización de redes de transporte

En el competitivo sector de la logística, la eficiencia de la red de transporte es un factor clave para el éxito. La toma de decisiones sobre qué rutas utilizar, dónde ubicar centros de distribución (hubs) y cómo gestionar los flujos de mercancías son problemas de una enorme complejidad. Este proyecto se enmarca en abordar estos desafíos mediante la aplicación de tecnología y modelos matemáticos avanzados.

El objetivo es desarrollar soluciones que permitan optimizar operaciones logísticas basándose en datos históricos, con el fin de reducir costes, minimizar tiempos de entrega y mejorar la eficiencia general de la cadena de suministro.

El estudiante que se incorpore a este proyecto tendrá la oportunidad de trabajar con datos reales y afrontar problemas de gran impacto industrial, pudiendo especializar su trabajo en una de las siguientes líneas, o en una combinación de ellas:

1. Modelado y Optimización con Programación Lineal Entera Mixta (MILP): Esta línea se centra en el núcleo del problema de optimización. El estudiante trabajará en la formulación de un modelo matemático MILP que represente la red logística. Las tareas incluyen la definición de variables de decisión, restricciones operativas (capacidad de vehículos, ventanas horarias, etc.) y la función objetivo (minimización de costes). Posteriormente, se utilizará software especializado (como IBM CPLEX o librerías de Python) para resolver el modelo, analizar los resultados y realizar simulaciones de distintos escenarios (ej. ¿qué pasaría si la demanda aumenta un 20%?).

2. Análisis de Datos y Visualización Geográfica: Antes de optimizar, es fundamental comprender la situación actual. Esta línea de trabajo se enfoca en el análisis exploratorio de los datos históricos de transporte. El estudiante aplicará técnicas de ciencia de datos para limpiar y procesar la información, calcular métricas clave (coste por kilómetro, coste por kilo, etc.) e identificar patrones de flujo. Una tarea central será la creación de visualizaciones y "mapas de calor" de flujos ponderados (usando herramientas como Power BI o librerías de Python como Geopandas) para identificar geográficamente las zonas de mayor densidad de transporte, un paso previo fundamental para la localización de hubs.

3. Análisis de Redes con Teoría de Grafos y Búsqueda de Ubicaciones Óptimas (Facility Location): Esta vía aborda la estructura de la red y el problema estratégico de la localización de hubs. El trabajo consistiría en modelar la red de transporte como un grafo, analizando sus propiedades (nodos críticos, centralidad, etc.). A partir de ahí, se investigarían y aplicarían algoritmos para resolver el problema de la ubicación óptima de uno o varios hubs. Se podrían explorar desde técnicas de clustering para una primera aproximación, hasta métodos más avanzados como algoritmos evolutivos que interactúen con APIs de mapas (ej. Google Maps API) para obtener distancias y tiempos de ruta realistas, mejorando significativamente la calidad de la solución.

Este proyecto ofrece una excelente oportunidad para adquirir experiencia práctica en áreas de alta demanda como la Investigación Operativa, la Ciencia de Datos y la Optimización, aplicando conocimientos teóricos a un problema empresarial tangible y de gran relevancia actual.

Diseño y validación hardware-in-the-loop de un controlador de actitud para nanosatélites

En la vanguardia de la exploración espacial, los nanosatélites requieren sistemas de control ultraprecisos para orientarse y estabilizarse. Este proyecto se centra en el diseño de un controlador de actitud desde la simulación hasta su implementación en hardware real.

El punto de partida es un simulador de la dinámica de un nanosatélite y su controlador Proporcional-Derivativo (PD), desarrollado bajo el formalismo de simulación por eventos discretos DEVS (Discrete Event System Specification). Este enfoque modulariza el sistema en componentes que interactúan entre sí (controlador, ruedas de reacción, dinámica del satélite), facilitando un diseño estructurado y verificable, ideal para sistemas complejos.

El objetivo principal es llevar este controlador del mundo virtual al físico. Para ello, se proponen las siguientes fases:

1. Emulación en Tiempo Real: Se portará la lógica del controlador DEVS para que se ejecute en un microcontrolador de alto rendimiento (ej. ESP32, STM32). El reto consiste en adaptar el simulador basado en eventos para que opere en tiempo real, interactuando con sensores y actuadores físicos.
2. Construcción de un Banco de Pruebas: Se ensamblará un prototipo físico a escala que emule el comportamiento de un nanosatélite, utilizando componentes como una Unidad de Medición Inercial (IMU) y motores brushless que actuarán como ruedas de reacción.
3. Integración Hardware-in-the-Loop (HIL): Se creará un bucle de control donde el microcontrolador (ejecutando el software de control) leerá la orientación real del prototipo a través de la IMU y enviará comandos de torque a los motores. En la práctica, el prototipo físico reemplazará al modelo de simulación de la dinámica del satélite, validando el controlador con un sistema real.

Este proyecto ofrece una oportunidad única para adquirir experiencia práctica en sistemas embebidos, arquitecturas de control en tiempo real y metodologías de simulación avanzadas, conectando la teoría del control directamente con la ingeniería de hardware y software aplicada al sector espacial.

Referencias

• Hughes, P. C. (2012). Spacecraft attitude dynamics. Courier Corporation.

• Shahmohammadimehrjardi, M., Wainer, G. A., Wu, M., & Zhang, X. (2023, May). PID Control Using Quantized State Systems in RT-DEVS Frameworks. In ANNSIM (pp. 171-183).

• Román Cárdenas, Pedro Malagón, Patricia Arroba, and José L. Risco-Martín (2024). xDEVS no_std: A Rust Crate for Real-Time DEVS on Embedded Systems. Proceedings of the 2024 Annual Modeling and Simulation Conference (ANNSIM'24).

Desarrollo de modelos de IA para la alerta temprana de afloraciones de cianobacterias mediante el análisis de datos metagenómicos públicos

La proliferación masiva de cianobacterias (conocidas como afloraciones o blooms) en masas de agua dulce representa un grave riesgo ecológico y para la salud pública debido a las toxinas que pueden producir. Los métodos de detección tradicionales son lentos y costosos, lo que impide una reacción a tiempo. Se busca desarrollar tecnologías digitales para la detección in situ y temprana de estos y otros biocontaminantes.

Este trabajo se centra en anticipar el riesgo de afloraciones tóxicas utilizando Inteligencia Artificial y datos metagenómicos. La metagenómica nos permite analizar el ADN de toda la comunidad microbiana presente en una muestra de agua, ofreciendo una visión completa de qué organismos están presentes y qué funciones genéticas poseen (por ejemplo, la capacidad de producir toxinas o geosmina, un compuesto que da mal olor y sabor al agua).

Para asegurar la viabilidad del trabajo en plazo, el proyecto comenzará utilizando datos de acceso público. Los objetivos concretos son:

1. Búsqueda y preparación de datos: Realizar una revisión del estado del arte para identificar y descargar conjuntos de datos de repositorios públicos (como el European Nucleotide Archive) que contengan secuencias metagenómicas de muestras de agua dulce, junto con metadatos ambientales asociados (temperatura, pH, concentración de nutrientes, etc.).
2. Procesamiento bioinformático: Utilizar pipelines de software especializados, como SqueezeMeta, para procesar los datos crudos. El objetivo es obtener perfiles taxonómicos (qué especies hay y en qué abundancia) y funcionales (qué genes relacionados con la producción de toxinas o geosmina están presentes).
3. Desarrollo de modelos de IA: Explorar y desarrollar modelos de Inteligencia Artificial que integren la información metagenómica y los datos ambientales para predecir la probabilidad de riesgo. Se investigarán diferentes técnicas, como:
   • Métodos de selección de características y clustering para identificar biomarcadores genéticos clave.
   • Redes Neuronales Recurrentes (RNN/LSTM) o Transformers para modelar la dinámica temporal de las comunidades microbianas.
   • Redes Bayesianas para modelar las dependencias entre las variables y estimar la probabilidad de riesgo de forma robusta.
4. Validación y Documentación: Evaluar el rendimiento de los modelos desarrollados y empaquetar el mejor de ellos en una herramienta software documentada, capaz de generar una alerta de riesgo a partir de nuevos datos de entrada.

Referencias

• Fournier, C., Fernandez-Fernandez, R., Cirés, S., López-Orozco, J. A., Besada-Portas, E., & Quesada, A. (2024). "LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data". Water Research.
• Tamames, J., & Puente-Sánchez, F. (2019). "SqueezeMeta, a highly portable, fully automatic metagenomic analysis pipeline". Frontiers in Microbiology.
• Urban, L., et al. (2021). "Freshwater monitoring by nanopore sequencing". eLife.