http://hdl.handle.net/10366/143091 2026-04-30T16:26:03Z http://hdl.handle.net/10366/171143 [EN] Despite the integration of modern technologies in medical applications, a significant gap remains in achieving high-level interaction between medical staff, physicians, and the systems they utilize. This gap often results in inefficiencies, user frustration, medical errors, and, in some cases, compromised patient safety, highlighting the critical need for improved system design. To address this issue, this thesis examines the impact of user interaction with these systems in medical settings, with a focus on the crucial role of Human-Computer Interaction (HCI) elements. A comprehensive systematic literature review (SLR) was conducted to identify and categorize HCI elements applicable within Clinical Decision Support System (CDSS) environments, emphasizing the necessity for Electronic Medical Records (EMRs) to be designed with these elements in mind, as they serve as the primary data source for CDSS. The current thesis extracted and categorized various HCI evaluation methods from existing studies based on their technical characteristics, providing a structured guideline for future investigations. Furthermore, the thesis details the impact of each HCI element on CDSS functionality, distinguishing between positive contributions and negative factors (termed "HCI barriers") that hinder effective interaction. Solutions to these barriers are also discussed in a dedicated chapter. Fundamentally, this thesis introduces a pivotal bridge between HCI principles and the critical domains of medical data management and quality. This foundational work has already led to the publication of three peer-reviewed scientific papers in prestigious journals, demonstrating its significant contribution to the field. Moreover, the benefits of integrating these HCI elements into other interconnected medical platforms, such as Personal Health Records (PHRs), were articulated. A novel cyclical EMR model is proposed that restructures patient data into distinct treatment cycles, thereby aligning digital records with the iterative nature of clinical workflows. This model enhances several critical HCI elements (including interface clarity, individuality, explainability, and user satisfaction) while improving data analysis and decision support accuracy. Empirical evaluations based on the proposed model reveal that structured data categorization and cyclebased data entry enhance the transparency and explainability of CDSS outputs, contributing to improved system usability and interpretability. Ultimately, this thesis presents a scientific framework that bridges the gap between HCI and medical data management, offering both theoretical insights and practical contributions to medical informatics. The significance of these contributions is further demonstrated by the publication of four peer-reviewed papers in prestigious journals, establishing a robust foundation for advancing CDSS development and user-centered system design in future research. 2026-03-10T00:00:00Z http://hdl.handle.net/10366/170975 [ES] Esta tesis doctoral propone una arquitectura de computación al borde bioinspirada, potenciada con modelos de lenguaje ligeros, como solución innovadora para optimizar la productividad agrícola en territorios con baja o nula conectividad. En un contexto global marcado por el cambio climático, en el que se identifican dificultades como la degradación del suelo y la inseguridad alimentaria, se plantea un enfoque tecnológico sostenible y de bajo costo, diseñado específicamente para entornos rurales y comunidades en condición de vulnerabilidad. La arquitectura desarrollada integra internet de las cosas, algoritmos bioinspirados (como colonias de hormigas, algoritmos genéticos, optimización por enjambre de abejas y temple simulado), redes neuronales de memoria a largo y corto plazo, procesos gaussianos, y una capa de interacción con el usuario final basada en inteligencia artificial generativa. Esta combinación permite una toma de decisiones autónoma y contextualizada directamente en el borde, sin necesidad de conectividad permanente, generando recomendaciones precisas para optimizar variables agroclimáticas como temperatura, humedad, pH, iluminación y peso. El diseño metodológico de esta investigación se fundamenta en enfoques de diseño centrado en el usuario, Design Thinking y co-creación, aplicados con rigurosidad científica en escenarios reales. La validación de las arquitecturas propuestas se realizó a través de cuatro experimentaciones en campo con agricultores, apicultores y productores de compost en zonas rurales y periurbanas del suroccidente colombiano. Esta fase experimental no solo permitió evaluar la robustez técnica del sistema, sino también su relevancia social, facilidad de adopción y sostenibilidad operativa en contextos con baja alfabetización digital y conectividad intermitente. Los resultados obtenidos demuestran un impacto tangible y replicable: incrementos de productividad del 45% en cultivos urbanos de lechuga, una reducción del 29% en el ciclo de cosecha del cilantro en ambientes controlados, una mejora del 87.88% en la producción de humus en procesos de vermicompostaje, y un aumento del 41.2% en la productividad apícola, acompañado de una reducción del 80% en el tiempo de inspección manual. Estos resultados reflejan el potencial transformador de la integración entre Inteligencia Artificial, Diseño Social y Tecnologías de Borde, consolidando un nuevo paradigma de agricultura digital resiliente, inclusiva y alineada con los Objetivos de Desarrollo Sostenible.; [EN] This doctoral dissertation proposes a bio-inspired edge computing architecture, enhanced with lightweight language models, as an innovative solution to optimize agricultural productivity in territories with limited or no connectivity. In a global context marked by climate change, where challenges such as soil degradation and food insecurity are increasingly evident, the study presents a sustainable, low-cost technological approach specifically designed for rural environments and communities in vulnerable conditions. The developed architecture integrates the Internet of Things, bio-inspired algorithms (such as ant colony optimization, genetic algorithms, artificial bee colony optimization, and simulated annealing), long and short-term memory neural networks, Gaussian processes, and a user interaction layer based on generative artificial intelligence. This combination enables autonomous, context-aware decision-making directly at the edge, without the need for permanent connectivity, generating precise recommendations to optimize agro-climatic variables such as temperature, humidity, pH, illumination, and weight. The methodological design of this research is grounded in user-centered design approaches, Design Thinking, and co-creation, applied with scientific rigor in real-world scenarios. Validation of the proposed architectures was carried out through four field experiments involving farmers, beekeepers, and compost producers in rural and peri-urban areas of southwestern Colombia. This experimental phase made it possible to assess not only the system’s technical robustness but also its social relevance, ease of adoption, and operational sustainability in contexts with low digital literacy and intermittent connectivity. The results demonstrate a tangible and replicable impact: a 45% increase in productivity for urban lettuce crops, a 29% reduction in the cilantro harvest cycle in controlled environments, an 87.88% improvement in humus production in vermicomposting processes, and a 41.2% increase in beekeeping productivity, accompanied by an 80% reduction in manual inspection time. These outcomes highlight the transformative potential of integrating Artificial Intelligence, Social Design, and Edge Technologies, consolidating a new paradigm of resilient and inclusive digital agriculture aligned with the Sustainable Development Goals. 2026-01-01T00:00:00Z http://hdl.handle.net/10366/170087 [ES] Esta Tesis Doctoral investiga cómo se pueden diseñar y desplegar plataformas modulares y polivalentes de drones aéreos para abordar retos específicos de misiones en la gestión de incendios forestales y la exploración geofísica. A medida que la tecnología de los drones madura, crece significativamente la demanda de plataformas adaptables que admitan diversas cargas útiles, operen en condiciones ambientales variables y proporcionen información específica del dominio. En respuesta a esta necesidad, la investigación presentada en este compendio contribuye con un conjunto de soluciones originales que integran la modularidad mecánica, la flexibilidad de los sensores y el diseño orientado a la misión. El primer estudio presenta PULSAR, una novedosa arquitectura de drones reconfigurable capaz de operar en configuraciones de cuadricóptero, coaxial y octocóptero. Diseñada para la gestión de incendios forestales, la plataforma admite múltiples cargas útiles e incorpora reconocimiento automático de configuración, lo que permite una rápida adaptación a diversas misiones de campo, como la cartografía forestal detallada y la detección y el seguimiento de elementos relevantes. El segundo estudio aplica un dron polivalente equipado con un magnetómetro para actividades de exploración minera en el histórico yacimiento minero de Lavrion, en Grecia. El diseño del dron garantiza la limpieza magnética, la estabilidad de vuelo y la integración eficiente de los sensores, lo que permite realizar estudios de magnetometría aérea precisos y modelos de susceptibilidad en 3D, al tiempo que ofrece la flexibilidad necesaria para admitir otras aplicaciones geofísicas. El tercer estudio ofrece una revisión exhaustiva de la prospección geofísica basada en drones, sintetizando las tendencias en la integración de sensores, los tipos de plataformas y las aplicaciones de campo a lo largo del ciclo de vida de la minería. Presentada como un compendio de tres publicaciones científicas revisadas por pares, esta Tesis Doctoral refleja un enfoque que une el diseño de ingeniería, el despliegue sobre el terreno y la síntesis analítica. En conjunto, los estudios promueven el desarrollo de drones aéreos polivalentes para la vigilancia medioambiental, la exploración de recursos y la gestión tras catástrofes, ámbitos en los que la adaptabilidad, la calidad de los datos y la integración de sensores son fundamentales. En resumen, esta Tesis Doctoral recopila los valiosos conocimientos y la experiencia técnica adquiridos durante el proceso de investigación, consolidados a través de las publicaciones científicas producidas a lo largo de este trabajo doctoral con mención industrial.; [EN] This doctoral thesis investigates how modular and multipurpose aerial drone platforms can be designed and deployed to address mission-specific challenges in wildfire management and geophysical exploration. As drone technology matures, the demand for adaptable platforms that support diverse payloads, operate under varying environmental conditions, and deliver domain-specific insights grows significantly. Responding to this need, the research presented in this compendium contributes with a set of original solutions that integrate mechanical modularity, sensor flexibility, and mission-oriented design. The first study introduces PULSAR, a novel reconfigurable drone architecture capable of operating in quadcopter, coaxial, and octocopter configurations. Designed for wildfire management, the platform supports multiple payloads and incorporates automatic configuration recognition, enabling rapid adaptation to diverse field missions, such as detailed forest mapping and detection and tracking of relevant elements. The second study applies a multipurpose drone equipped with a magnetometer for mineral exploration activities at the historic Lavrion mining site in Greece. The drone’s design ensures magnetic cleanliness, flight stability, and efficient sensor integration, allowing for accurate aerial magnetometry surveys and 3D susceptibility modeling, while also providing the flexibility to support other geophysical applications. The third study offers a comprehensive review of drone-based geophysical prospection, synthesizing trends in sensor integration, platform types, and field applications across the mining lifecycle. Presented as a compendium of three peer-reviewed scientific publications, this dissertation reflects an approach that bridges engineering design, field deployment, and analytical synthesis. Collectively, the studies advance the development of multipurpose aerial drones for environmental monitoring, resource exploration, and post-disaster management, domains where adaptability, data quality, and sensor integration are critical. In summary, this thesis compiles valuable knowledge and technical expertise acquired during the research process, consolidated through the scientific publications produced throughout this doctoral work with industrial mention. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/170086 [EN] Quantum computing is widely regarded as one of the scientific fields with the greatest transformative potential. Its applications are already being explored in areas such as cybersecurity, chemistry, and machine learning. Within the domain of quantum machine learning, one emerging subfield is quantum natural language processing (QNLP), which seeks to leverage quantum algorithms to address complex language-related tasks more efficiently than classical counterparts. This thesis begins with a systematic literature review of the current landscape of quantum machine learning, focusing particularly on the design, development, and deployment of QNLP models on real quantum hardware. The SLR identifies 94 relevant articles that utilize quantum machine learning techniques and algorithms, highlighting their implementation via computational quantum circuits, or ansatzes. The main types of algorithms found include quantum adaptations of classical models such as support vector machines and k-nearest neighbors, as well as quantum neural networks, one of the most prominent applications being image classification. In addition, this work offers both quantitative and qualitative analyses, integrating a comprehensive set of experiments conducted on quantum simulators and real quantum devices. A significant contribution of this work lies in the design and evaluation of these new quantum circuit architectures, tailored to optimize expressibility, entanglement, and trainability. Empirical analysis shows that model accuracy tends to exhibit an inverse relationship with ansatz expressibility and a direct correlation with entanglement capability. In parallel, it contributes to the field by proposing novel ansatz architectures and applying circuit knitting techniques to overcome current hardware limitations. Ultimately, this thesis demonstrates the feasibility of hybrid quantum-classical approaches in QNLP and highlights their potential to be extended to support more complex and scalable real-world language applications. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/170077 [ES] Las agresiones físicas son un problema grave y generalizado, como lo demuestra el hecho de que más de una cuarta parte (27%) de las mujeres de entre 15 y 49 años a nivel global declaran haber sido sometidas a algún tipo de violencia física y/o sexual por parte de su pareja íntima. La Inteligencia Artificial y específicamente las técnicas de Visión Artificial, ofrecen una solución eficaz para detectar la violencia en tiempo real, reduciendo la necesidad de supervisión humana constante. La Inteligencia Artificial, y en particular las técnicas de Visión Artificial, pueden contribuir a identificar episodios de violencia en tiempo real en lugares previamente delimitados, respetando los marcos éticos y legales establecidos. Sin embargo, el aumento del uso de la inteligencia artificial ha generado preocupación sobre la fiabilidad de los algoritmos, lo que ha llevado a la creación de informes destinados a establecer estándares y guías, con organizaciones como la Comisión Europea liderando estos esfuerzos. En este respecto, existen múltiples propuestas de algoritmos para la detección de violencia, donde la combinación de arquitecturas más comúnmente empleada es la de Redes Neuronales Convolucionales (CNN) y Redes de Memoria a Corto y Largo Plazo (LSTM), la cual obtiene excelentes resultados, si bien todavía persisten desafíos; sin embargo, hasta donde se conoce, ningún trabajo en el estado del arte ha abordado la detección de violencia mediante el uso de inteligencia artificial explicable, lo que limita la comprensión y confianza en los resultados obtenidos. Por ello, el objetivo principal de esta Tesis Doctoral es investigar, diseñar, desarrollar y validar algoritmos basados en técnicas de inteligencia artificial fiable orientadas en la detección de violencia en vídeo, con foco en arquitecturas basadas en la combinación de CNN junto con capas LSTM. En base a ello, en este trabajo se ha llevado a cabo un análisis y categorización de todos los procesos que involucran la detección de violencia en vídeo. Posteriormente se han investigado, diseñado, desarrollado y validado tres arquitecturas que utilizan la arquitectura VGG-19 preentrenada, una red neuronal convolucional conocida por su capacidad para extraer características visuales, combinadas con: características manuales, capas LSTM y capas Bi-LSTM. Por último, a partir de estas arquitecturas se han implementado técnicas de inteligencia artificial explicable como GradCAM y se ha creado un algoritmo que cuantifica el nivel de importancia para la detección de violencia por parte de las capas LSTM y Bi-LSTM. Los resultados obtenidos demuestran que el uso de capas Bi-LSTM supera al rendimiento obtenido por capas LSTM, si bien esta mejora no supera el 4% de exactitud. No se han encontrado valores o combinaciones de hiperparámetros para las arquitecturas que utilizan capas LSTM y Bi-LSTM que mejoren de una forma estadísticamente significativa la accuracy obtenida. Las arquitecturas desarrolladas han obtenido buenos reusltados como, por ejemplo, la combinación de VGG-19 preentrenada con capas Bi-LSTM, que obtiene un 97% de exactitud utilizando el dataset Hockey Fights. Por último, se ha conseguido hacer más explicable el proceso de detección con las técnicas implementadas.; [EN] Physical aggressions constitute a serious and widespread issue in society. Studies indicate that in 2015, at least half of the children in Asia, Africa, and North America experienced violence. Although solutions have been explored for medium and long-term interventions, real-time violence detection through artificial intelligence offers a direct and efficient solution that can save lives and reduce the need for constant human supervision. On the other hand, the increasing use of artificial intelligence has raised concerns about the development of reliable algorithms, leading to the creation of reports to define and standardize these terms. Major organizations such as the European Comission are leading this effort. There are multiple algorithm proposals for violence detection, with the most commonly employed combination being Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks, which yield excellent results. However, there are still issues to address, such as the actual impact of using LSTM layers instead of just CNN, how much violence detection improves with CNN combined with Bi-LSTM layers instead of LSTM layers, or if certain values and combinations of hyperparameters yield better results. Lastly, the use of reliable artificial intelligence remains very limited. Based on this, this work has developed a systematic literature review with the analysis and categorization of: 21 challenges associated with violence detection, 28 public datasets on violence v´ıdeos, and 13 evaluation metric methods; among others. Three architectures have been developed using pre-trained VGG-19 combined with: manual features, LSTM layers, and Bi-LSTM layers. It is evident that the use of Bi-LSTM layers outperforms the performance obtained by LSTM layers, although this improvement does not exceed 3% accuracy. No values or combinations of hyperparameters that significantly improve the obtained accuracy have been found statistically. The developed architectures have achieved good results, such as the combination of pre-trained VGG-19 with Bi-LSTM layers, which achieves 97% accuracy using the Hockey Fights dataset and 90% using the Violent Flow dataset. Lastly, the use of explainable artificial intelligence techniques on the proposed architectures, where YoloV8 and Frame Difference are used for the extraction of characteristic frames, GradCAM to highlight the areas VGG-19 focuses on for each convolutional layer, and a proprietary algorithm quantifies the level of importance for violence detection by LSTM and Bi-LSTM layers in violence detection. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/169850 [EN] Over a decade ago, the term "Industrie 4.0" was first introduced at the Hannover Messe fair in Germany to describe a revolutionary paradigm focused on the digital transformation of industrial environments. This transformation is driven by the adoption of industrial Cyber-physical Systems (CPS), which enable unprecedented levels of flexibility, reconfigurability, and resilience in manufacturing systems. In these envisioned systems, every asset is embedded with intelligence and connectivity, enabling them to autonomously make decisions, collaborate, adapt to condition changes, and work together to optimize processes. As a result, Industry 4.0 (I4.0) creates a more agile, efficient, and responsive industrial ecosystem capable of anticipating and addressing market demands, driving continuous innovation, and maximizing productivity. Despite significant efforts to leverage I4.0, its full realization remains a distant reality. Many companies continue to face challenges such as technological integration, the high complexity of designing such systems, substantial implementation costs, and the lack of standardized solutions that ensure seamless interoperability. To help address these challenges, the Reference Architecture Model Industrie 4.0 (RAMI4.0) has been introduced. RAMI4.0 is a three-dimensional model that formalizes all key aspects related to the digitization of industrial assets, aiming to provide guidelines and a shared understanding for participants in developing I4.0-compliant solutions based on industrial standards. At the core of RAMI4.0 lies the concept of the I4.0 component, a specific CPS category encompassing an asset and its digital counterpart, the Asset Administration Shell (AAS). The AAS serves as a standardized digital representation of a physical or logical asset, encapsulating all relevant information throughout the asset's lifecycle. By acting as the digital interface of an asset, the AAS ensures that all assets, regardless of their type or function, can be seamlessly integrated into the I4.0, facilitating interoperability and efficient data exchange across the entire production network. However, traditional AAS solutions, including AAS Types 1 and 2, cannot address all the requirements of modern industrial environments. To overcome these limitations, the AAS Type 3 extends beyond the conventional functionalities of traditional AAS by incorporating more sophisticated features, enabling I4.0 components to operate with greater autonomy, intelligence, and collaborative capabilities. Despite its potential, AAS Type 3 remains an emerging and underexplored concept in the literature. While traditional AAS implementations (Types 1 and 2) have been widely studied and adopted, research on AAS Type 3 is still in its early stages, lacking comprehensive studies and standardized guidelines for its design and implementation. This gap highlights the need for further exploration to define its architecture, functionalities, and practical applications. By integrating autonomy, intelligence, and collaboration, AAS Type 3 represents a crucial step toward fully realizing the vision of I4.0. In this context, the objective of this thesis is to address the lack of research on AAS Type 3 by specifying an approach for its realization using Multi-agent Systems (MAS). By leveraging the principles of MAS, this work aims to define an agent-based approach that enables AAS to operate with enhanced autonomy, intelligence, and collaboration. The proposed approach aims to provide a clear specification for designing and implementing AAS Type 3, allowing assets to interact dynamically, make decentralized decisions, and coordinate actions to achieve production goals efficiently. Moreover, as an innovative approach, this work contributes meaningfully to the state-of-the-art, serving as a valuable reference for researchers and practitioners interested in advancing the development and implementation of AAS Type 3 through an agent-based approach. The proposed agent-based AAS approach was implemented and evaluated in two distinct case studies: a laboratory prototype and an industrial automotive production line. The experiments and assessments demonstrated that the proposed agent-based approach successfully realizes an AAS Type 3, enabling assets to transition from passive components to truly I4.0 components with enhanced autonomy, intelligence, and collaborative capabilities. Additionally, the proposed approach addresses essential requirements for I4.0, namely adaptability, pluggability, robustness, interoperability, and (re)usability. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/169847 [ES] La presente tesis doctoral aborda la problemática de la lentitud y complejidad de los trámites administrativos urbanísticos, especialmente en municipios rurales, donde el acceso a la normativa y su correcta interpretación pueden suponer un obstáculo tanto para los promotores como para los servicios técnicos municipales. Como respuesta a esta situación, se propone el diseño y aplicación de un sistema basado en ingeniería ontológica, orientado a la automatización del análisis de compatibilidad urbanística conforme a la normativa vigente. El modelo permite representar de forma estructurada y formal los elementos clave de la regulación urbanística local, incluyendo la clasificación del suelo, los usos permitidos, autorizables o prohibidos y los parámetros técnicos aplicables. La investigación ha sido llevada a cabo tecnologías semánticas interoperables (OWL DL) e implementada utilizando la aplicación Protégé. El sistema propuesto ha sido verificado mediante razonamiento automático y validado con posibles casos de estudio reales en municipios de la provincia de Zamora, tomando como caso de estudio el municipio de Algodre. A partir de datos básicos de entrada, el sistema permite generar Informes de Compatibilidad Urbanística automáticos, estructurados y ajustados a la normativa vigente. Aunque no sustituye las funciones resolutivas de la administración, el sistema proporciona una herramienta de apoyo técnico que mejora la trazabilidad normativa, reduce la carga de trabajo del personal municipal y contribuye a una mayor seguridad jurídica en las actuaciones urbanísticas. Además, se establecen recomendaciones orientadas a adaptar aquellas normativas que actualmente no permiten su automatización directa. Aunque el desarrollo se ha centrado en un entorno municipal, la estructura del modelo es escalable y puede adaptarse a otros marcos normativos del territorio nacional. Su diseño sobre estándares abiertos facilita también su integración en aplicaciones administrativas compatibles con normativa digital, lo que podría permitir su aplicación en otros contextos regionales e incluso europeos, en el marco de los procesos de digitalización administrativa impulsados por la Unión Europea.; [EN] This doctoral thesis addresses the problem of the slowness and complexity of urban planning administrative procedures, particularly in rural municipalities, where access to regulations and their correct interpretation can pose a challenge for both developers and municipal technical services. In response to this situation, the thesis proposes the design and implementation of a system based on ontological engineering, aimed at automating the analysis of urban planning compatibility in accordance with current regulations. The model enables a structured and formal representation of key elements of local urban planning regulations, including land classification, permitted, conditionally permitted or prohibited uses, and applicable technical parameters. The research was conducted using interoperable semantic technologies (OWL DL) and implemented through the Protégé application. The proposed system has been verified through automated reasoning and validated with potential real-world case studies from municipalities in the province of Zamora, using the municipality of Algodre as the primary case study. Based on basic input data, the system is capable of generating automatic Urban Compatibility Reports that are structured and aligned with current urban planning regulations. Although it does not replace the decision-making functions of the administration, the system provides a technical support tool that improves regulatory traceability, reduces the workload of municipal staff, and contributes to greater legal certainty in urban planning actions. Additionally, the thesis offers recommendations aimed at adapting those regulations that currently do not allow for direct automation. While the development has focused on a municipal environment, the model's structure is scalable and can be adapted to other regulatory frameworks within the national territory. Its design based on open standards also facilitates integration into administrative applications compatible with digital regulations, which could enable its use in other regional or even European contexts, within the framework of administrative digitalization processes promoted by the European Union. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/169841 [ES] Esta tesis doctoral presenta un estudio exhaustivo sobre la seguridad de los esquemas criptográficos PQC, con especial énfasis en los mecanismos de encapsulación de claves (KEMs) basados en retículos y códigos. El trabajo se estructura en torno a tres ejes principales: el análisis estructural de la transformación FO , la evaluación comparativa de esquemas basados en códigos, y la propuesta de adaptaciones para entornos inalámbricos y dispositivos con recursos limitados. En primer lugar, se estudia el papel de la transformación FO en la obtención de seguridad IND-CCA (Indistinguishability under chosen-ciphertext attack) en esquemas PQC. Esta transformación, introducida originalmente para convertir esquemas de cifrado de clave pública (PKE) con seguridad IND-CPA en esquemas PKE con seguridad IND-CCA, ha sido adoptada por la mayoría de los candidatos del proceso de estandarización del NIST para definir en su vez un KEM. Se analizan sus variantes, sus mecanismos de rechazo (implícito vs explícito), y la derivación de secretos compartidos. Se demuestra que FO es esencial para alcanzar seguridad semántica fuerte, aunque impone restricciones estructurales que pueden afectar la resistencia frente a ataques por canal lateral. En este contexto, se propone KyberEph, una versión modificada de Kyber que evita el re-cifrado mediante el uso de claves efímeras. Esta versión de Kyber solamente mantiene la seguridad IND-CPA, pero con un debido uso (claves efímeras) entra dentro del marco seguro definido por el NIST durante el proceso de estandarización. En segundo lugar, se realiza una comparación entre los esquemas basados en códigos: Classic McEliece, BIKE y HQC. McEliece ofrece una seguridad robusta basada en códigos de Goppa, con una transformación FO simplificada que evita el re-cifrado, pero presenta claves públicas de gran tamaño que dificultan su aplicación en dispositivos con recursos limitados. BIKE, basado en códigos de paridad de densidad moderada cuasi-cíclicos, propone modos de uso que permiten evitar el re-cifrado mediante el uso de claves efímeras. HQC, construido a partir de códigos de Hamming cuasi-cíclicos, emplea una transformación FO con rechazo explícito y re-cifrado, utilizando un hash adicional para garantizar la seguridad cuántica. Se evalúa el rendimiento de estos esquemas en una plataforma unificada, considerando el tamaño de claves y textos cifrados, así como los ciclos de ejecución para cada operación. HQC demuestra el perfil de rendimiento más eficiente, seguido por BIKE, mientras que McEliece, a pesar de su madurez, presenta las mayores exigencias computacionales. Finalmente, se propone Wireless Kyber (WKyber), una adaptación de CRYSTALSKyber para entornos inalámbricos como IoT y redes D2D. Se introducen dos variantes: WKyber V1, compatible con la transformación FO y con seguridad IND-CCA; y WKyber V2, que integra más profundamente el canal inalámbrico pero alcanza solo seguridad IND-CPA. Ambas versiones utilizan modulación 4QAM y Additive White Gaussian Noise (AWGN) para simular la distribución de errores, aplicando códigos BCH para proteger los bits más significativos de los coeficientes polinomiales durante la transmisión. Se realiza un análisis detallado de la distribución de errores inducida por el canal y su impacto en la seguridad y corrección del criptosistema. Las estimaciones de seguridad, basadas en los ataques dual y primario, y estrategias de reducción de retículos, muestran que WKyber mantiene o supera los niveles de seguridad del Kyber estándar bajo condiciones adecuadas de SNR. Además, se evalúa la probabilidad de error en la recuperación de claves, demostrando que WKyber V1 alcanza tasas de error menores que el Kyber original debido a la omisión de pasos de compresión. Las tres publicaciones principales de la tesis se complementan con contribuciones adicionales en congresos tanto nacionales como internacionales que incluyen: el análisis de FrodoKEM como diseño conservador basado en LWE, estudios comparativos de rendimiento de los esquemas PQC basados en retículos estructurados y no estructurados, y trabajos sobre ataques por canal lateral asistidos por inteligencia artificial contra algoritmos como Kyber, Dilithium, FALCON y SPHINCS+. Asimismo, se presentan estudios sobre ataques por correlación de consumo de potencia contra AES y ataques por inyección de fallos contra RSA-CRT. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/169769 [EN] With the introduction of the Internet of Things, maintenance practices have been moving from reactive to proactive and predictive approaches. The identification of faults often relies on the analysis of real-time data provided by streams and unstructured sources. Ontologies have been applied to the maintenance field, adding a semantic layer to the data that facilitates interoperability and semantic data mining processes. In such a time-sensitive domain, it is important that ontologies go beyond static representations of the domain and allow not only for the incorporation of time related knowledge, but must also be able to adapt to new knowledge and evolve. Evolving an ontology involves re-learning, re-enriching and re-validating knowledge in the face of changes to the domain, and techniques applied for them can be adapted to ontology evolution. This thesis aims to contribute to these fields by using streams of ontology individuals as the trigger for ontology evolution processes – facing challenges tied to the incomplete and transient nature of these data. As such, this thesis introduces an architecture for time-constrained ontology evolution called TICO, or Time Constrained instance-guided Ontology evolution. New versions of ontology classes and properties are reified through a 4D-Fluents approach, thus allowing reasoning over old data and accessing older conceptualizations of the domain. For the identification of property axioms, the possibilistic approach to axiom scoring was adapted to a scenario in which it is not always possible to query all individuals at once. Results show the effectiveness of the approach in accepting/rejecting axioms for the ontology’s properties. To identify patterns in data that could trigger the creation of new classes and enrich existing ones, a Formal Concept Analysis-based approach is employed. Using two different concept lattices that are updated with each individual, it is possible to identify a set of axioms to add to the ontology and uncover implicit relationships between old and new classes.; [ES] Con la introducción del IoT, las prácticas de mantenimiento han ido pasando de orientaciones reactivas a proactivas y predictivas. La identificación de fallas a menudo se basa en el análisis de datos en tiempo real proporcionados por flujos y fuentes no estructuradas. Las ontologías se han aplicado al campo del mantenimiento, añadiendo una capa semántica a los datos que facilita la interoperabilidad y los procesos de minería semántica de datos. En un ámbito tan sensible al tiempo, es importante que las ontologías ultrapasen las representaciones estáticas del dominio y permitan no sólo incorporar conocimientos relacionados con el tiempo, sino que también deben ser capaces de adaptarse y evolucionar. Evolucionar una ontología implica reaprender, re-enriquecer y re-validar el conocimiento y las técnicas aplicadas para ellas pueden adaptarse a la evolución de ontologías. Esta tesis pretende contribuir a estos campos utilizando flujos de individuos RDF como desencadenante de procesos de evolución de ontologías, enfrentándose a retos ligados a la naturaleza incompleta y transitoria de estos datos. Como tal, esta tesis introduce una arquitectura para la evolución de ontologías limitada en el tiempo llamada TICO (Time Constrained instance-guided Ontology evolution). Las nuevas versiones de las clases y propiedades de la ontología se reifican mediante 4D-Fluents, lo que permite razonar sobre datos antiguos y acceder a conceptualizaciones anteriores del dominio. Para la identificación de axiomas de propiedades, se adaptó el enfoque posibilista de cualificación de axiomas a un escenario en el que no siempre es posible obtener la descripción completa del conjunto de datos. Los resultados muestran la eficacia de la solución en aceptar/rechazar axiomas para las propiedades de la ontología. Para identificar patrones en los datos, crear nuevas clases y enriquecer las existentes, se emplea un enfoque basado en el Análisis Conceptual Formal. Utilizando dos redes de conceptos diferentes, es posible identificar un conjunto de axiomas para añadir a la ontología y descubrir relaciones implícitas entre clases antiguas y nuevas. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/169694 [EN] Accurate and early diagnosis of Alzheimers Disease (AD) remains a significant challenge due to the complexity of its pathological progression and the subtlety of its early biomarkers. Structural magnetic resonance imaging (MRI), combined with advancements in deep learning, has shown promising results for AD classification. However, existing approaches suffer from limitations such as fixed or heuristic slice selection, poor region of interest (ROI) targeting, and inadequate handling of anatomical variability. These shortcomings can result in data redundancy, reduced model generalizability, and increased computational costs. This thesis addresses these limitations by proposing a novel, ROI-guided slice instance selection methodology that integrates multi-atlas information to improve the representativeness and informativeness of input data for AD classification. A statistical centroid-based ROI extraction method is also introduced to localize and crop disease-relevant image regions precisely. The selected 2D slices and ROI patches are further evaluated using deep convolutional neural networks (CNNs) and hybrid ensemble methods to assess classification performance across anatomical planes, preprocessing variations, and CNN architectures. Additionally, a multiple-input, mixed-data 3D Vision Transformer (ViT) ensemble model is presented to incorporate multimodal data, combining 3D MRI with demographic and cognitive scores, to improve diagnostic accuracy. The proposed methods were validated using three large-scale public datasets (ADNI, AIBL, and OASIS), and the results demonstrate statistically significant improvements over both the baseline and state-of-the-art models. The hybrid ensemble achieved a maximum classification accuracy of 95%, and the proposed 3D ViT outperformed comparable architectures in multiple configurations. These contributions highlight the effectiveness of anatomically informed instance selection and the value of hybrid and multimodal deep learning approaches for robust and scalable AD diagnosis.; [ES] El diagnóstico temprano y preciso de la enfermedad de Alzheimer (EA) continúa siendo un desafío significativo debido a la complejidad de su progresión patológica y la sutileza de sus biomarcadores en etapas iniciales. La resonancia magnética estructural (MRI), combinada con los avances en aprendizaje profundo, ha mostrado resultados prometedores en la clasificación de casos de EA. No obstante, los enfoques existentes presentan limitaciones importantes, como la selección fija o heurística de cortes, una segmentación deficiente de las regiones de interés (ROIs) y una gestión inadecuada de la variabilidad anatómica. Estas deficiencias pueden generar redundancia de datos, reducir la capacidad de generalización del modelo e incrementar los costos computacionales. Esta tesis aborda dichas limitaciones mediante la propuesta de una novedosa metodología de selección de instancias por cortes, guiada por ROIs e integrada con información de múltiples atlas, con el fin de mejorar la representatividad e informatividad de los datos de entrada en tareas de clasificación de EA. Asimismo, se introduce un método estadístico de extracción de ROIs basado en centroides para localizar y recortar con precisión las regiones de imagen relevantes para la enfermedad. Los cortes 2D seleccionados y los parches de ROI extraídos son evaluados mediante redes neuronales convolucionales (CNNs) y métodos híbridos de ensamble, considerando diferentes planos anatómicos, variantes de preprocesamiento y arquitecturas de CNN. Además, se presenta un modelo de ensamble basado en un Transformer 3D de múltiples entradas y datos mixtos, diseñado para incorporar información multimodal, combinando imágenes de resonancia magnética tridimensional (MRI 3D) con datos demográficos y puntuaciones cognitivas, con el fin de mejorar la precisión diagnóstica. Los métodos propuestos fueron validados utilizando tres conjuntos de datos públicos a gran escala (ADNI, AIBL y OASIS), y los resultados demuestran mejoras estadísticamente significativas en comparación con modelos base y otros enfoques de última generación. El ensamble híbrido alcanzó una precisión máxima del 95%, y el transformador de visión 3D propuesto superó a arquitecturas comparables en múltiples configuraciones. Estas contribuciones destacan la eficacia de la selección de instancias informada anatómicamente y el valor de los enfoques híbridos y multimodales de aprendizaje profundo para un diagnóstico de la EA más robusto y escalable. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/169595 [ES] Las ciberamenazas contemporáneas están en constante evolución, impulsadas por actores de amenaza cada vez más sofisticados y metodologías de ataque dinámicas que desafían los sistemas tradicionales de la ciberseguridad. Ante este panorama, surge la necesidad de enfoques avanzados capaces de identificar y contrarrestar amenazas en tiempo real durante todas las fases de la Cyber Kill Chain. Esta tesis propone un nuevo framework basado en algoritmos de aprendizaje automático que permite caracterizar y abstraer patrones de comportamiento de amenazas emergentes en cada fase de la Cyber Kill Chain, desde la fase de reconocimiento inicial hasta la ejecución final del ataque. Mediante el uso de algoritmos de aprendizaje automático, el framework permite capturar los eventos generados por los distintos sistemas de monitorización y enrutar cada uno a la fase correspondiente. Allí, un modelo se encarga de evaluar si el evento representa una ciberamenaza, permitiendo así una respuesta proactiva frente a incidentes de seguridad. La integración con sistemas SIEM (en inglés, Security Information and Event Management) asegura que cada avance detectado del actor malicioso sea automáticamente reportado y gestionado, optimizando la capacidad de reacción de los equipos de seguridad. Los resultados experimentales validan que esta aproximación no solo mejora significativamente la detección temprana de ciberamenazas, sino que también facilita la interpretación y seguimiento del comportamiento adversario en escenarios complejos y dinámicos, fortaleciendo así la postura de ciberdefensa de las organizaciones. [EN] Contemporary cyber threats are constantly evolving, driven by increasingly sophisticated threat actors and dynamic attack methodologies that challenge traditional cybersecurity systems. Against this backdrop, the need arises for advanced approaches capable of identifying and countering threats in real time during all phases of the Cyber Kill Chain. This thesis proposes a new framework based on machine learning algorithms that allows characterizing and abstracting behavioral patterns of emerging threats in each phase of the Cyber Kill Chain, from the initial recognition phase to the final execution of the attack. Through the use of machine learning algorithms, the framework allows capturing events from each of the monitoring systems, routing them to the corresponding phase so that a model can evaluate whether the event corresponds to a cyber threat, providing a proactive response to security incidents. Integration with SIEM (Security Information and Event Management) systems ensures that each detected advance of the malicious actor is automatically reported and managed, optimizing the reaction capacity of security teams. Experimental results validate that this approach not only significantly improves the early detection of cyberthreats, but also facilitates the interpretation and management of the malicious actor. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/167204 [ES] La tesis desarrollada explora en profundidad el problema de la predicción de la evapotranspiración, así como la presencia de ruido en los datos y su impacto, ambos factores cruciales en la gestión sostenible de los recursos naturales dentro de la agricultura inteligente. De hecho, la agricultura inteligente depende cada vez más de tecnologías avanzadas que le permitan la gestión eficiente de los recursos hídricos y energéticos. En este sentido, una predicción precisa de la evapotranspiración es fundamental para optimizar el uso y la gestión del agua empleada en la agricultura, lo cual impacta directamente en el consumo energético, ya que unos requerimientos hídricos más precisos minimizan la necesidad de extracción y distribución de agua, lo que se traduce en un menor consumo de energía en los sistemas de riego, generando por tanto sistemas más sostenibles. En este contexto, se proponen nuevos modelos predictivos diseñados específicamente para abordar los diferentes desafíos de los problemas de regresión. Estos modelos han sido desarrollados y ajustados para manejar las complejidades inherentes a los datos reales, donde el ruido y las imperfecciones pueden comprometer significativamente la precisión de las predicciones. La investigación se centra en un análisis profundo de cómo diferentes tipos y niveles de ruido afectan el rendimiento de los modelos de regresión, con un enfoque particular en la evapotranspiración, subrayando la importancia de implementar estrategias eficaces de mitigación de ruido para elevar la precisión y fiabilidad de estos modelos. Se han abordado tres objetivos principales en esta investigación: Desarrollar y validar modelos predictivos para la evapotranspiración, optimizando su capacidad para manejar la variabilidad y las complejidades de los datos de evapotranspiración, asegurando su aplicabilidad en diferentes contextos hídricos y escenarios agrícolas. Investigar y desarrollar mecanismos robustos para la mitigación del impacto del ruido en datos de regresión, con especial atención en cómo estas imperfecciones afectan las predicciones, con el objetivo de mejorar la precisión y estabilidad de los modelos de regresión, incluyendo su aplicación potencial en la predicción del fenómeno de la evapotranspiración. Estudiar el impacto del ruido en datos de sensores IoT en agricultura inteligente y desarrollar un paquete software para su tratamiento en datos de evapotranspiración. Cada uno de estos objetivos se abordó a través de investigaciones exhaustivas y metodológicamente rigurosas que demostraron la eficacia y versatilidad de diferentes enfoques y tecnologías. Para enfrentar la complejidad inherente a la predicción de la evapotranspiración, se ha desarrollado y validado un modelo predictivo avanzado que emplea técnicas de ensemble, con un enfoque particular en el stacking. Esta estrategia permite combinar la fortaleza de múltiples modelos base para capturar mejor las relaciones no lineales presentes en los datos, logrando resultados sobresalientes en términos de precisión, robustez y capacidad de generalización en escenarios diversos. Además, se diseñaron e implementaron múltiples técnicas de filtrado de ruido, cuidadosamente adaptadas del campo de la clasificación a problemas de regresión, las cuales han demostrado ser sumamente efectivas en la mejora de la calidad de los datos. Finalmente, se examinó el impacto del ruido en las predicciones de evapotranspiración, evaluando cómo los filtros desarrollados contrarrestan este fenómeno. Los resultados confirmaron la eficacia de las diferentes técnicas de filtrado, siendo particularmente efectivas contra altos niveles de ruido, que pueden presentarse en datos recopilados a través de sensores IoT. Estas técnicas son especialmente valiosas dado que existen muy pocas opciones de métodos específicos para el filtrado de ruido en el campo de la regresión, permitiendo eliminar errores en datasets y mejorar significativamente el rendimiento de los modelos predictivos. Para facilitar la aplicación práctica de estos descubrimientos, se desarrolló y publicó el software rgnoisefilt. Este paquete de R ofrece hasta 22 técnicas de filtrado de ruido diseñadas específicamente para datos de regresión. Este software es públicamente accesible, proporcionando una herramienta valiosa para investigadores y profesionales. Estos hallazgos representan avances significativos en la investigación sobre evapotranspiración, extendiéndose además a otros contextos de regresión, lo que posibilita posteriormente una gestión más eficiente y sostenible de los recursos energéticos en diversas aplicaciones de agricultura inteligente y medioambientales. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/167164 [EN] This research explores the application of Transformer-based models and Hybrid Attention Mechanisms across three critical biomedical tasks: meningioma segmentation, epileptic seizure detection, and pathogenicity prediction of genomic variants. For meningioma segmentation, this research investigates refining skip connections in a U-Net architecture by incorporating Swin Transformers for Magnetic Resonance Imaging. The proposed SwinC U-Net model, evaluated on the Brain Tumor Segmentation Meningioma 2023 challenge dataset, achieved a Dice score of 0.8933±0.0016, precision of 0.9020±0.0041, and recall of 0.8939±0.0044, surpassing U-Net and Attention U-Net in precision and accuracy, while slightly underperforming in recall compared to U-Net. In epileptic seizure detection, this work addresses the challenge of real-time monitoring using microelectrode array data from rat brain slices with 4-aminopyridine-induced epileptic activity. Lightweight neural models were trained to detect seizures. The best performing model, GRU+Attention, achieved an event-level F1 score of 0.839, Jaccard index of 0.722, recall of 0.813, and precision of 0.867 on a held-out test set. The model was quantized to INT8, maintaining high event-level detection performance (F1 = 0.812, Jaccard = 0.709) and demonstrating real-time feasibility on embedded platforms like the Raspberry Pi 5 (latency: 2.61 ms) and Coral Dev Board (latency: 23.7 ms), with memory usage under 614 MB. For pathogenicity prediction, a Feature Tokenizer Transformer model was developed to classify genetic variants. The model used a set of inputs derived from next-generation sequencing data from the CLINVAR database, after being processed through the regular pipeline consisting of quality control, alignment, variant calling, filtering, indexing, and annotation. The semi-supervised approach allowed the model to extract insight from uncertain-labeled data. The model achieved a precision of 0.98, sensitivity of 0.92, specificity of 0.99, and F1 score of 0.95, outperforming ClinPred and REVEL in precision and specificity, but with slightly lower sensitivity than ClinPred. These studies demonstrate the versatility and efficacy of Attention-based models in handling diverse biomedical signal modalities. The results underscore the potential of Transformer architectures to advance biomedical data analysis, enhancing diagnostics and personalized medicine.; [ES] Esta investigación explora la aplicación de modelos basados en Transformers y mecanismos híbridos de atención en tres tareas biomédicas críticas: segmentación de meningiomas, detección de ataques epilépticos y predicción de patogenicidad de variantes genómicas. Para la segmentación de meningiomas, se estudia la mejora de las skip-connections en una arquitectura U-Net mediante la incorporación de Swin Transformers para imágenes de resonancia magnética. El modelo SwinC U-Net, evaluado en el conjunto de datos de la edición del 2023 del Brain Tumor Segmentation Challenge Meningioma, alcanzó una puntuación Dice de 0.8933±0.0016, precisión de 0.9020±0.0041 y recall de 0.8939±0.0044, superando a U-Net y Attention U-Net en precisión y exactitud, aunque con un rendimiento ligeramente inferior en recall en comparación con U-Net. En cuanto a la detección de crisis epilépticas, se aborda el reto de la monitorización en tiempo real utilizando datos de matrices de microelectrodos obtenidos de cortes cerebrales de rata con actividad epiléptica inducida por 4-aminopiridina. Se entrenaron modelos neuronales ligeros para detectar crisis, destacando el modelo GRU+Attention, que obtuvo una puntuación F1 a nivel de evento de 0.839, un índice de Jaccard de 0.722, un recall de 0.813 y una precisión de 0.867 en un conjunto de prueba independiente. Tras la cuantización a INT8, el modelo mantuvo un rendimiento elevado (F1 = 0.812, Jaccard = 0.709) y demostró viabilidad en tiempo real en plataformas embebidas como Raspberry Pi 5 (latencia: 2.61 ms) y Coral Dev Board (latencia: 23.7 ms), con un consumo de memoria inferior a 614 MB. Para predicción de patogenicidad, se desarrolló un modelo Feature Tokenizer Transformer para clasificar variantes genéticas utilizando datos de CLINVAR, procesados con el habitual pipeline de control de calidad, alineación, llamada de variantes y anotación. El acercamiento semisupervisado permite al modelo aprender de los datos con etiquetas inciertas. El modelo logró una precisión de 0.98, sensibilidad de 0.92, especificidad de 0.99 y F1 de 0.95, superando a ClinPred y REVEL en precisión y especificidad. Estos estudios demuestran la versatilidad de los modelos basados en atención para procesar diversas señales biomédicas, destacando el potencial de los Transformers para mejorar el diagnóstico y la medicina personalizada. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/166589 [ES] La protección contra explosiones tanto de estructuras como de personas siempre ha supuesto un reto, en ocasiones complicado de tratar y estudiar. En las últimas décadas se ha registrado un aumento en la frecuencia de ataques terroristas y explosiones accidentales, que han incentivado el estudio para la defensa contra estos eventos. La forma más habitual para su estudio consiste en la calibración de modelos numéricos mediante ensayos de campo, para posteriormente poder extrapolar los modelos y explorar mejoras en las estructuras. Estos ensayos tienen un alto coste asociado, especialmente si se pretenden realizar a escala real. En esta tesis se analiza la respuesta estructural de vigas de hormigón armado frente a explosiones cercanas. Para ello, se toman los datos de ensayos de campo del proyecto SEGTRANS. Los ensayos de detonación sobre las vigas se sitúan en unas distancias escaladas entre 0,20 y 0,80 m/kg1/3. Los resultados de estos ensayos se utilizan para validar los modelos numéricos creados, que son simulados en el software computacional LS-DYNA. En todos los modelos se ha recreado el hormigón de la viga mediante elementos finitos, siguiendo una formulación puramente Lagrangiana. Con respecto a la carga explosiva, se han estudiado dos enfoques diferentes para la modelización: Load Blast Enhanced (LBE) y Smoothed Particle Hydrodynamics (SPH). En el primer caso, se han estudiado distintos tamaños de malla para los elementos finitos (10, 15 y 20 mm), y cuatro modelos de material para el hormigón (CSCM, K&C, RHT y Winfrith). Los resultados arrojan cómo el daño sufrido por la viga depende del tamaño de malla, siendo este mayor a medida que los elementos se vuelven más pequeños. En cuanto a los modelos de material, se han encontrado grandes diferencias de comportamiento, tanto en valores absolutos como en los mecanismos de fallo principales para cada modelo. En los modelos que incorporan SPH en la modelización del explosivo, se exploran los mismos mallados de elementos finitos que en LBE, además de tres modelos de material para el hormigón (CSCM, K&C y RHT) y tres números de partículas SPH distintos (800.000, 1.600.000 y 3.200.000). Los resultados muestran la misma relación con el mallado del sólido que en las simulaciones con LBE. Sin embargo, la relación entre el número de partículas SPH que conforma el explosivo y el tamaño de malla demuestra ser de mayor importancia. Al igual que con LBE, se han encontrado diferencias de comportamiento significativas entre los distintos modelos de material. Con el objetivo de guiar a futuros autores que pretendan usar esta metodología, se ha creado un parámetro (Modelling Optimal Parameter, MOP) que relaciona estas dos variables junto con la masa del explosivo, y que permite a los autores obtener el número de partículas SPH recomendado para sus simulaciones. Los modelos numéricos desarrollados han demostrado una alta fiabilidad para reproducir los resultados experimentales. Sin embargo, la complejidad de los fenómenos explosivos y su interacción con las estructuras requiere una investigación continua para mejorar la precisión y aplicabilidad de estas simulaciones.; [EN] [EN] The protection against explosions, both for structures and individuals, has always posed a challenge, often complex to address and study. In recent decades, the frequency of terrorist attacks and accidental explosions has increased, driving research into protection against such events. The most common approach to studying these phenomena involves the calibration of numerical models through field tests, which are subsequently used to extrapolate results and explore structural improvements. These tests are associated with high costs, particularly when conducted at full scale. This thesis analyses the structural response of reinforced concrete beams subjected to near-field explosions. For this purpose, data from field tests conducted within the SEGTRANS project have been used. The detonation tests on the beams were performed at scaled distances ranging from 0.20 to 0.80 m/kg1/3. The results of these tests were employed to validate numerical models, which were simulated using the computational software LS-DYNA. In all models, the concrete in the beam was recreated using finite elements, following a purely Lagrangian formulation. Regarding the explosive load, two different modelling approaches were studied: Load Blast Enhanced (LBE) and Smoothed Particle Hydrodynamics (SPH). In the first case, different mesh sizes for the finite elements (10, 15, and 20 mm) were analysed, along with four material models for concrete (CSCM, K&C, RHT, and Winfrith). The results indicate that the damage sustained by the beam depends on the mesh size, with greater damage observed as the elements become smaller. Concerning the material models, significant behavioural differences were found, both in absolute values and in the primary failure mechanisms for each model. For models incorporating SPH in the explosive modelling, the same finite element meshes as in the LBE approach were explored, along with three material models for concrete (CSCM, K&C, and RHT) and three different numbers of SPH particles (800,000, 1,600,000, and 3,200,000). The results exhibit the same relationship with solid meshing as observed in LBE simulations. However, the relationship between the number of SPH particles representing the explosive and the mesh size proves to be of greater importance. As with LBE, significant behavioural differences were found among the various material models. To assist future researchers using this methodology, a parameter (Modelling Optimal Parameter, MOP) has been developed, which correlates these two variables along with the explosive mass, enabling researchers to determine the recommended number of SPH particles for their simulations. The developed numerical models have demonstrated high reliability in reproducing experimental results. However, the complexity of explosive phenomena and their interaction with structures necessitates ongoing research to enhance the accuracy and applicability of these simulations. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/166587 [ES] Los seres humanos u tilizan el agua para beber, para aplicaciones industriales, para irrigar la agricultura, para generar energía hidroeléctrica, para eliminar desechos y para recreación. Es importante que las fuentes de agua estén protegidas tanto para usos humanos como para la salud de los ecosistemas. En muchas zonas, los suministros de agua se están agotando debido al crecimiento demográfico, la contaminación y el desarrollo. Estas tensiones se han visto agravadas por las variaciones climáticas y los cambios provocados por el hombre. La gestión de los recursos hídricos es un subconjunto de la gestión del ciclo del agua que se centra en la utilización de los recursos de agua dulce. El agua también es la parte clave de eventos extremos como sequías e inundaciones. Su abundanc ia y entrega oportuna son fundamentales para satisfacer las necesidades de la sociedad y los ecosistemas. Las inundaciones son una parte natural del ciclo del agua, pero pueden ser fuerzas de destrucción aterradoras. Por tanto, las inundaciones son un área de estudio de la hidrología y la hidráulica y son de gran preocupación en la agricultura, la ingeniería civil y la salud pública. Los cambios humanos en el medio ambiente a menudo aumentan la intensidad, la frecuencia y los impactos de las inundaciones, p or ejemplo cambios en el uso de la tierra como la deforestación, grandes incendios y remoción de sedimentos de los lechos de los ríos, cambios en el curso de los cursos de agua o controles de inundaciones como los diques, y mayores impactos ambientales. cu estiones como el cambio climático y el aumento del nivel del mar. Entre todos estos, los ríos se consideran en su mayoría como el cuerpo de agua más importante y, por lo tanto, sus cambios se han vuelto de gran importancia. La morfología del canal de un rí o es función de una serie de procesos y condiciones ambientales, incluida la composición y erosionabilidad del lecho y las orillas (por ejemplo, arena, arcilla, lecho de roca); La erosión proviene de la fuerza y consistencia de la corriente, y puede afecta r la formación del cauce del río. Además, la vegetación y la tasa de crecimiento de las plantas; la disponibilidad de sedimentos; el tamaño y composición del sedimento que se mueve a través del canal; la tasa de transporte de sedimentos a través del canal y la tasa de deposición en la llanura aluvial, bancos, barras y lecho; y agradación o degradación regional debido a hundimiento o levantamiento. La morfología del río también puede verse afectada por la interacción humana, que es una forma en que el río re sponde a un nuevo factor en la forma en que el río puede cambiar su curso. Un ejemplo de cambio inducido por el hombre en la morfología de los ríos es la extracción de grava del lecho del río, que altera el flujo de agua y sedimentos fluviales. Un régimen fluvial es un sistema de equilibrio dinámico, que es una forma de clasificar los ríos en diferentes categorías. También vale la pena mencionar que los planos fluviales pudieron haber tenido diferentes formas, desde canal recto hasta sinusoidal y trenzado. La ingeniería hidráulica es otro subconjunto de la gestión del ciclo del agua que se centra en estos temas.; [EN] Humans use water for drinking, industrial applications, irrigating agriculture, hydropower, waste disposal, and recreation. It is important that water sources are protected both for human uses and ecosystem health. In many areas, water supplies are being depleted because of population growth, pollution, and development. These stresses have been made worse by climate variations and man-made changes. Water resource management is a subset of water cycle management that focuses on utilization of freshwater resources. Water is also the key part of extreme events such as drought and floods. Its abundance and timely delivery are critical for meeting the needs of society and ecosystems. Floods are a natural part of the water cycle, but they can be terrifying forces of destruction. Thus, floods are an area of study of hydrology and hydraulics and are of significant concern in agriculture, civil engineering, and public health. Human changes to the environment often increase the intensity, frequency and impacts of flooding, for example land use changes such as deforestation, large fires, and removal of sediments from riverbeds, changes in waterway course or flood controls such as with levees, and larger environmental issues such as climate change and sea level rise. Among all these, rivers mostly considered as the most important water body and therefore its changes have become of high importance. The morphology of a river channel is a function of a number of processes and environmental conditions, including the composition and erodibility of the bed and banks (e.g., sand, clay, bedrock); erosion comes from the power and consistency of the current, and can affect the formation of the river's path. Also, vegetation and the rate of plant growth; the availability of sediment; the size and composition of the sediment moving through the channel; the rate of sediment transport through the channel and the rate of deposition on the floodplain, banks, bars, and bed; and regional aggradation or degradation due to subsidence or uplift. River morphology can also be affected by human interaction, which is a way the river responds to a new factor in how the river can change its course. An example of human induced change in river morphology is gravel mining from riverbed, which alters the flow of fluvial water and sediment. A river regime is a dynamic equilibrium system, which is a way of classifying rivers into different categories. It is also worth mentioning that river plans could have been in different forms from straight canal to sinusoidal and braided. Water engineering is another subset of water cycle management that focuses on these issues. 2025-01-01T00:00:00Z http://hdl.handle.net/10366/166584 [EN] The transition towards more sustainable energy systems requires efficient and renewable solutions, particularly in urban environments where space heating and cooling represent a significant share of total energy consumption. In this context, low-enthalpy geothermal energy emerges as a strategic alternative for supplying District Heating (DH) systems, enabling the reduction of both fossil fuel dependency and greenhouse gas (GHG) emissions. This Doctoral Thesis aims to analyse and optimise geothermal-based DH systems by evaluating the key variables that influence their development, design, and overall feasibility. Three main lines of research have been addressed: I) the economic viability assessment compared to fossil conventional technologies, II) the development of accessible methodologies for system sizing and network planning, and III) the evaluation of the impact of specific improvements on critical system components. The research is structured around four scientific articles, which present replicable tools such as thermal and economic calculation models, Geographic Information Systems (GIS)-based methodologies for optimal site selection, comparative analyses of demand estimation techniques, and redesign proposals for the distribution network using coaxial pipe configurations. The results show that, through accessible tools and without the need for complex technological developments, it is possible to achieve technical and economic performance levels comparable to traditional systems, reinforcing geothermal energy as a viable solution for the decarbonisation of urban heating. Moreover, the findings of this Thesis reinforce the role of geothermal energy as a key energy vector in meeting European climate neutrality goals, as outlined in initiatives such as the REPowerEU Plan and the recent European Parliament Resolution on geothermal energy. The proposed methodological contributions provide a solid foundation for strategic decision-making and promote the transfer of knowledge into real-world urban and energy planning contexts. [ES] La transición hacia sistemas energéticos más sostenibles demanda soluciones eficientes y renovables, especialmente en el ámbito urbano donde la climatización representa una parte significativa del consumo energético. En este contexto, la energía geotérmica de baja entalpía se presenta como una alternativa estratégica para alimentar sistemas de calefacción de distrito (District Heating, DH), permitiendo reducir tanto la dependencia de combustibles fósiles como las emisiones de Gases de Efecto Invernadero (GEI). La presente Tesis Doctoral tiene como objetivo general analizar y optimizar los sistemas de calefacción de distrito geotérmicos mediante la evaluación de las variables que condicionan su desarrollo, diseño y viabilidad. Para ello, se han abordado tres líneas principales: I) el análisis de la viabilidad económica de estos sistemas frente a las tecnologías fósiles convencionales, II) el desarrollo de metodologías accesibles para el dimensionamiento y planificación de redes de calefacción de distrito, y III) la evaluación del impacto de mejoras específicas en elementos críticos del sistema. La investigación se ha estructurado en torno a cuatro artículos científicos, en los que se presentan herramientas replicables como modelos de cálculo térmico y económico, metodologías basadas en Sistemas de Información Geográfica (SIG) para la selección de emplazamientos óptimos, comparativas entre técnicas de estimación de demanda, así como propuestas de rediseño del sistema de distribución mediante tuberías coaxiales. Los resultados obtenidos demuestran que, mediante herramientas accesibles y sin necesidad de desarrollos tecnológicos complejos, es posible alcanzar niveles de rendimiento técnico y económico comparables a los sistemas tradicionales, contribuyendo a consolidar la geotermia como una solución viable para la descarbonización térmica del entorno urbano. Además, los hallazgos de esta Tesis Doctoral refuerzan el papel de la energía geotérmica como vector energético clave en el cumplimiento de los objetivos europeos de neutralidad climática, tal como se recoge en iniciativas como el Plan REPowerEU y la reciente Resolución del Parlamento Europeo sobre la energía geotérmica. Las propuestas metodológicas desarrolladas proporcionan una base sólida para la toma de decisiones estratégicas y fomentan la transferencia del conocimiento hacia contextos reales de planificación urbana y energética.; [ES] La transición hacia sistemas energéticos más sostenibles demanda soluciones eficientes y renovables, especialmente en el ámbito urbano donde la climatización representa una parte significativa del consumo energético. En este contexto, la energía geotérmica de baja entalpía se presenta como una alternativa estratégica para alimentar sistemas de calefacción de distrito (District Heating, DH), permitiendo reducir tanto la dependencia de combustibles fósiles como las emisiones de Gases de Efecto Invernadero (GEI). La presente Tesis Doctoral tiene como objetivo general analizar y optimizar los sistemas de calefacción de distrito geotérmicos mediante la evaluación de las variables que condicionan su desarrollo, diseño y viabilidad. Para ello, se han abordado tres líneas principales: I) el análisis de la viabilidad económica de estos sistemas frente a las tecnologías fósiles convencionales, II) el desarrollo de metodologías accesibles para el dimensionamiento y planificación de redes de calefacción de distrito, y III) la evaluación del impacto de mejoras específicas en elementos críticos del sistema. La investigación se ha estructurado en torno a cuatro artículos científicos, en los que se presentan herramientas replicables como modelos de cálculo térmico y económico, metodologías basadas en Sistemas de Información Geográfica (SIG) para la selección de emplazamientos óptimos, comparativas entre técnicas de estimación de demanda, así como propuestas de rediseño del sistema de distribución mediante tuberías coaxiales. Los resultados obtenidos demuestran que, mediante herramientas accesibles y sin necesidad de desarrollos tecnológicos complejos, es posible alcanzar niveles de rendimiento técnico y económico comparables a los sistemas tradicionales, contribuyendo a consolidar la geotermia como una solución viable para la descarbonización térmica del entorno urbano. Además, los hallazgos de esta Tesis Doctoral refuerzan el papel de la energía geotérmica como vector energético clave en el cumplimiento de los objetivos europeos de neutralidad climática, tal como se recoge en iniciativas como el Plan REPowerEU y la reciente Resolución del Parlamento Europeo sobre la energía geotérmica. Las propuestas metodológicas desarrolladas proporcionan una base sólida para la toma de decisiones estratégicas y fomentan la transferencia del conocimiento hacia contextos reales de planificación urbana y energética. 2025-01-01T00:00:00Z