<?xml version="1.0" encoding="UTF-8"?>
<rdf:RDF xmlns="http://purl.org/rss/1.0/" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/">
<channel rdf:about="https://hdl.handle.net/20.500.12412/2376">
<title>DOCENCIA</title>
<link>https://hdl.handle.net/20.500.12412/2376</link>
<description/>
<items>
<rdf:Seq>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12412/7229"/>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12412/7164"/>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12412/7116"/>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12412/6926"/>
</rdf:Seq>
</items>
<dc:date>2026-05-05T17:09:18Z</dc:date>
</channel>
<item rdf:about="https://hdl.handle.net/20.500.12412/7229">
<title>H2Urban: Dimensionamiento y diseño de una hidrogenera para la flota de autobuses urbanos de León</title>
<link>https://hdl.handle.net/20.500.12412/7229</link>
<description>H2Urban: Dimensionamiento y diseño de una hidrogenera para la flota de autobuses urbanos de León
Mencía Prieto, Daniel
El hidrógeno se posiciona actualmente como uno de los principales vectores para la transición hacia sistemas energéticos descarbonizados (IEA, 2019) (IEA, 2023) .A diferencia de las fuentes primarias de energía, el hidrógeno no es un recurso energético disponible en estado libre en la naturaleza, sino un portador de energía que debe producirse a partir de otras fuentes, como el gas natural, la biomasa o la electricidad que alimenta la electrólisis del agua.&#13;
Desde el punto de vista energético, el hidrógeno presenta un elevado poder calorífico inferior (PCI ˜ 33,3 kWh/kg), lo que le confiere una alta densidad energética gravimétrica. Sin embargo, su baja densidad volumétrica en condiciones normales obliga a su almacenamiento en forma comprimida, licuada o en portadores químicos, lo que condiciona el diseño de las infraestructuras asociadas.&#13;
En el ámbito de la movilidad, el hidrógeno se utiliza principalmente en pilas de combustible, donde se produce una reacción electroquímica entre hidrógeno y oxígeno que produce electricidad, calor y agua como único subproducto directo. Esta tecnología permite aplicaciones en transporte pesado con autonomías elevadas y tiempos de repostaje reducidos, características especialmente relevantes en el transporte público urbano (Hydrogen Europe, 2023).&#13;
El concepto de “hidrógeno renovable” hace referencia al hidrógeno producido mediante electrólisis del agua empleando electricidad procedente de fuentes renovables. Este enfoque permite reducir de forma significativa las emisiones de gases de efecto invernadero asociadas al ciclo de vida del combustible, siempre que el suministro eléctrico esté respaldado por garantías de origen renovable.
</description>
<dc:date>2026-04-01T00:00:00Z</dc:date>
</item>
<item rdf:about="https://hdl.handle.net/20.500.12412/7164">
<title>El Club de los Escapistas</title>
<link>https://hdl.handle.net/20.500.12412/7164</link>
<description>El Club de los Escapistas
Reyes-de-Cózar, Salvador; Barrera-Romero, Laura; Merino-Cajaraville, Alba
Este libro educativo es el resultado de un Proyecto de Innovación Docente de la Universidad Loyola Andalucía, dirigido y coordinado por el equipo docente Moving Ideas
</description>
<dc:date>2026-01-01T00:00:00Z</dc:date>
</item>
<item rdf:about="https://hdl.handle.net/20.500.12412/7116">
<title>Sistema de Control Basado en Aprendizaje por Refuerzo Profundo para el Control de una Flota de Vehículos Autónomos de Superficie (VAS) Aplicando Técnicas de Comportamientos Emergentes</title>
<link>https://hdl.handle.net/20.500.12412/7116</link>
<description>Sistema de Control Basado en Aprendizaje por Refuerzo Profundo para el Control de una Flota de Vehículos Autónomos de Superficie (VAS) Aplicando Técnicas de Comportamientos Emergentes
Climent Gómez, Miguel
Este trabajo presenta el desarrollo de un sistema de control para flotas de Vehículos Autónomos de Superficie (ASV) basado en Aprendizaje por Refuerzo Profundo (DRL), orientado a la generación de comportamientos emergentes. La utilización de DRL permite dotar a la flota de una mayor adaptabilidad en entornos acuáticos dinámicos y parcialmente desconocidos. La arquitectura propuesta emplea el algoritmo Proximal Policy Optimization (PPO) bajo un esquema deentrenamiento centralizado. El objetivo principal es que los agentes converjan hacia una formación de enjambre (flocking) regida por las tres reglas de: cohesión, alineación y separación, integrando adicionalmente una tarea de seguimiento de líder. Para garantizar la convergencia, se diseñó una función de recompensa multidimensional, se implementó una estrategia de aprendizaje por currículo (curriculum learning) y se realizó un ajuste fino de hiperparámetros. El sistema fue validado en el entorno de simulación Unity mediante el paquete ML-Agents. Los resultados demuestran la eficacia de la solución, logrando mantener la energía de desviación de la flota y los errores de seguimiento (distancia y velocidad) en valores próximos a cero, garantizando una navegación coordinada y estable.
</description>
<dc:date>2026-01-01T00:00:00Z</dc:date>
</item>
<item rdf:about="https://hdl.handle.net/20.500.12412/6926">
<title>Material de Probabilidad y Estadística I</title>
<link>https://hdl.handle.net/20.500.12412/6926</link>
<description>Material de Probabilidad y Estadística I
González-Blanco, Natividad
Material para impartir las clases de Probabilidad y Estadística I de segundo curso del grado en Matemática Aplicada.
</description>
<dc:date>2025-11-24T00:00:00Z</dc:date>
</item>
</rdf:RDF>
