https://hdl.handle.net/20.500.12412/2426 Thu, 20 Aug 2026 12:03:22 GMT 2026-08-20T12:03:22Z https://hdl.handle.net/20.500.12412/7356 Gemelo digital basado en redes neuronales y elementos finitos para la optimización de sistemas almacenamiento de energía térmica basados en cemento con aditivos De los Santos González, Miguel El objetivo del siguiente documento es el estudio de la viabilidad de gemelos digitales para sistemas de almacenamiento térmico basados en cemento. Para mejorar estos sistemas, han de utilizarse aditivos que puedanmejorar las propiedades térmicas y físicas del cemento. Adicionalmente, se pretende conocer la respuesta termomecánica del sistema en diversas condiciones para poder replicar y predecir el comportamiento con un modelo subrogado de bajo coste computacional. La metodología comienza con una revisión del estado del arte de las tecnologías de almacenamiento existentes y utilizarla para comprender el sistema que se desea implantar. Una vez conocido, se desarrolla un modelo de elementos finitos (FEM) que se ajuste al comportamiento real del equipo y evalua cuál es el efecto de los aditivos en el sistema final. Esemodelado será el que se utilice para entrenar una red neuronal que pueda predecir el comportamiento. A continuación, se especifican los requisitos para la implantación del sistema completo. Se consideran las posibles implantaciones y los componentes auxiliares necesarios para su adecuado funcionamiento. Por último, se realiza una evaluación de la viabilidad económica del sistema. La evaluación cuantifica los costes de capital y operación (CAPEX y OPEX) para posteriormente obtener el coste nivelado de la energía almacenada (LCOS). Comparar ese LCOS con el coste de la energía (LCOE) en el mercado actual y con el ahorro en huella de carbono serán los principales indicadores de la viabilidad, además de los habituales como son VAN, TIR o Payback. Wed, 01 Jul 2026 00:00:00 GMT https://hdl.handle.net/20.500.12412/7356 2026-07-01T00:00:00Z https://hdl.handle.net/20.500.12412/7355 Redes neuronales y transformer físicamente informados. Revisión, reproducción y estudio de ablación de parámetros Revuelto de Miguel, Pablo Las redes neuronales informadas por la física (PINN) resuelven ecuaciones en derivadas parciales imponiendo la ecuación en la propia función de pérdida, sin necesidad de malla. Su formulación estándar, sin embargo, arrastra modos de fallo bien documentados (sesgo espectral, desequilibrio de la pérdida y fallos de propagación temporal) que han motivado arquitecturas específicas para mitigarlos.Una de las más recientes es PINNsFormer, que reemplaza el perceptrón multicapa por un Transformer que opera sobre una pseudo-secuencia temporal construida alrededor de cada punto de colocación. El origen de este trabajo está en un intento de aplicar PINNsFormer a un problema real de elasticidad, la resolución del campo de desplazamientos bidimensional de una viga empotrada. Las dificultades encontradas en esa tarea llevaron a retroceder un paso y revisar las bases, es decir, comprobar hasta qué punto los resultados publicados de la propia arquitectura se sostienen antes de exigirle problemas nuevos. Con ese fin, este trabajo somete a PINNsFormer a un examen independiente sobre los cuatro problemas de referencia empleados en el artículo que la propone (convección, reacción, onda y Navier–Stokes), con dos objetivos: reproducir las cifras publicadas y estudiar mediante una ablación de parámetros qué componentes de la arquitectura explican su comportamiento. Todos los experimentos se ejecutan a través de un único punto de entrada determinista, de modo que una misma configuración produce el mismo resultado con independencia de la máquina. La reproducción muestra que las cifras del artículo original se recuperan solo bajo condiciones de entrenamiento muy concretas, y que factores ajenos a la arquitectura, como la precisión aritmética con la que se entrena o el valor de un paso temporal auxiliar, alteran los resultados en mayor medida que los cambios de modelo. El estudio de ablación, con sesenta y nueve ejecuciones en precisión doble, indica que la maquinaria de atención no explica el acierto de la arquitectura, que su capacidad interna está sobredimensionada y que el paso temporal es su único modo de fallo propio. Sobre estos problemas, la precisión numérica y el protocolo de entrenamiento explican una parte mayor de las diferencias publicadas que la propia arquitectura. Wed, 01 Jul 2026 00:00:00 GMT https://hdl.handle.net/20.500.12412/7355 2026-07-01T00:00:00Z https://hdl.handle.net/20.500.12412/7354 Asistente Docente IA Integrado en Moodle Peña Marín, Adolfo Este Trabajo Fin de Máster tiene como objetivo diseñar, implementar y evaluar un asistente docente basado en generación aumentada por recuperación (RAG), integrado en Moodle y orientado a responder preguntas a partir de los materiales reales de una asignatura. El trabajo parte de tres requisitos: que las respuestas puedan rastrearse hasta sus fuentes, que el sistema se abstenga cuando no disponga de evidencia suficiente y que el tratamiento de la información permanezca bajo control institucional mediante una ejecución local o self-hosted. La solución separa la ingesta documental, la consulta y la interfaz de usuario. Moodle actúa como fuente de los recursos docentes; su interfaz REST permite recuperar los documentos; FastAPI expone el servicio de consulta; y los bloques Moodle en PHP funcionan como capa de interacción. El motor RAG se implementa en Python, combina recuperación léxica y densa, almacena las representaciones en ChromaDB y genera las respuestas con un modelo local servido mediante Ollama. La evaluación se realiza sobre el corpus real de un curso de posgrado y analiza de forma diferenciada la recuperación, la generación, la citación, la abstención y el coste operativo. Los resultados muestran que la recuperación híbrida ofrece un equilibrio adecuado entre cobertura semántica y coincidencia léxica, aunque BM25 mantiene ventajas en algunas métricas de ordenación. El mecanismo de abstención permite rechazar consultas sin evidencia suficiente y la mayoría de las respuestas generadas incorpora fuentes y citas. No obstante, la comprobación realizada es estructural, no semántica, y detecta duplicaciones frecuentes. Asimismo, el reordenamiento avanzado no justifica su coste en la configuración evaluada y la generación concentra la mayor parte de la latencia. El resultado es un prototipo funcional y modular para el entorno estudiado. Su arquitectura puede servir como base para otros cursos, pero los parámetros, el rendimiento y la utilidad educativa deben recalibrarse y validarse con nuevos corpus, varios anotadores y usuarios reales. Wed, 01 Jul 2026 00:00:00 GMT https://hdl.handle.net/20.500.12412/7354 2026-07-01T00:00:00Z https://hdl.handle.net/20.500.12412/7353 Estimación probabilística de precios unitarios en presupuestos de construcción mediante modelos híbridos de aprendizaje automático Cerón Contreras, Francisco Javier La estimación de precios unitarios en presupuestos de construcción es difícil: los precios están muy sesgados, dependen del contexto de cada obra y del histórico de cada partida, y los conjuntos disponibles suelen ser pequeños y de un solo cliente. Este trabajo desarrolla y evalúa un sistema de estimación probabilística de precios unitarios que, además de un precio, entrega un intervalo de confianza y una señal de auditoría de sobrecostes. El sistema combina tres piezas. Un modelo base CatBoost estima el precio (en escala logarítmica) y una primera incertidumbre, aprovechando el texto de las partidas y sus variables categóricas. Sobre sus residuos, una red LSTM probabilística con modulación FiLM y atención temporal aprende una corrección que explota el histórico de cada código. Una calibración por experto, con un ajuste conforme, produce intervalos fiables, y un semáforo basado en un Z-score logarítmico marca las partidas con posible sobrecoste para priorizar la revisión humana. La evaluación se realiza sobre datos reales (25.046 partidas de presupuestos de retail) con validación cruzada temporal de ventana expansiva. El sistema logra una buena precisión de punto (WAPE en torno al 11 % y R2 de 0,89), intervalos calibrados experto a experto y un semáforo que concentra la revisión en una minoría de partidas (en torno al 6 %). Frente a un baseline LightGBM (WAPE del 37 %), reduce el error a menos de un tercio, con una ventaja estadísticamente fundamentada. El análisis por segmentos muestra que la mayor diferencia la marca el histórico del código: las partidas con código visto se predicen mucho mejor que las de arranque en frío. La principal vía de mejora es acumular más histórico por código. Wed, 01 Jul 2026 00:00:00 GMT https://hdl.handle.net/20.500.12412/7353 2026-07-01T00:00:00Z