http://hdl.handle.net/10366/4394 Sat, 18 Apr 2026 17:03:49 GMT 2026-04-18T17:03:49Z 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. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/10366/170077 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. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/10366/169769 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. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/10366/167204 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. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/10366/167164 2025-01-01T00:00:00Z http://hdl.handle.net/10366/160283 [ES] En esta Tesis se presenta un algoritmo de Control Predictivo Distribuido (DMPC) que utiliza modelos locales lineales de predicción y un método de negación borrosa entre MPC vecinos para determinar la ley de control a aplicar sobre el proceso, lo que le hace especialmente adecuado para sistemas de gran escala. Por este motivo, en este trabajo se propone esta estrategia de control para el control óptimo de redes de drenaje urbano, ya que se trata de sistemas de gran escala con alta complejidad. Además, frente a otros controladores similares, los resultados ponen de manifiesto su mejor comportamiento en esta clase de sistemas que incluyen un grado adicional de dificultad para su control debido a la magnitud y variabilidad de las perturbaciones que afectan al sistema, representadas por los caudales de agua que por diferentes puntos llegan a la red colectora, los cuales pueden provenir tanto de aguas residuales urbanas como de las precipitaciones atmosféricas. El objetivo principal del sistema de control consiste en recoger la mayor parte de agua no tratada, almacenarla en depósitos y conducirla a las estaciones depuradoras de aguas residuales (EDAR), manteniendo el caudal de entrada a las mismas lo más próximo a su valor nominal y minimizando el efecto de las perturbaciones que pueden dar lugar a desbordamientos que provoquen que el agua escape de la red y no llegue a las estaciones de tratamiento, pudiendo ocasionar daños medioambientales. [EN] This Thesis presents a Distributed Predictive Control (DMPC) algorithm that uses local linear prediction models and a fuzzy negotiation method between neighboring MPCs to determine the control law to be applied on the process, especially suitable for large-scale systems. For this reason, this work proposes this control strategy for the optimal control of urban drainage networks, since these are large-scale systems with high complexity. Furthermore, compared to other similar controllers, the results show that it performs better in this type of system, which includes an additional degree of dificulty for its control due to the magnitude and variability of the disturbances that affect the system, represented by the water flows that reach the collector network at different points, which can come from both urban wastewater and atmospheric precipitation. The main objetive of the control system is to collect most of the untreated water, store it in tanks and convey it to the wastewater treatment plants (WWTPs), keeping the inflow to the WWTPs as close to its nominal value as possible and minimizing the effect of disturbances that can lead to overflows that cause the water to escape from the network and not reach the treatment plants, which can cause environmental damage. Mon, 01 Jan 2024 00:00:00 GMT http://hdl.handle.net/10366/160283 2024-01-01T00:00:00Z http://hdl.handle.net/10366/160258 [ES] Durante la última década, se ha observado cómo la tecnología de Internet de las Cosas (IoT) se ha posicionado dentro de la vida cotidiana de las personas, ya sea inmersa en el uso de artefactos domésticos conectados al internet o en procesos de manufactura a nivel industrial, conducción de vehículos autónomos, sistemas de seguridad, entre muchas toras aplicaciones. El acelerado desarrollo de esta tecnología la ha llevado también a estar presente dentro del campo de la investigación, donde día a día se establecen nuevos hitos para su desarrollo y aprovechamienton en todos sus ámbitos de aplicación. Con su importante presencia y uso cotidiano, IoT se ha convertido en una de las tecnologías con mayor generación de datos. Esta ha derivado en que la adquisición de datos desde los dispositivos IoT generen cargas masivas, que demandan altas tasas de procesamiento con tiempos de latencia mínimos, por ello requieren de sistemas robustos, capaces de analizar y procesar toda la información recolectada de manera eficiente. Por lo expuesto, la tendencia actual requiere que los sistemas encargados de procesar datos de dispositivos IoT combinen las prestaciones de hardware de Unidades Centrales de Procesamiento (CPUs) y Unidades de Procesamiento Gráfico (GPUs), Unidades de Procesamiento de Tensores (TPUs) y Matrices de Puertas Programables en Campo (FPGAs), al emplear este tipo de hardware es posible aplicar técnicas de aprendizaje automático que faciliten el procesamiento, la toma de decisiones con los datos adquiridos y reduzcan el tiempo de respuesta de los sistemas. Mon, 01 Jan 2024 00:00:00 GMT http://hdl.handle.net/10366/160258 2024-01-01T00:00:00Z http://hdl.handle.net/10366/159934 [EN] The exponential growth of Internet of Things (IoT) networks has prompted concerns about cybersecurity, particularly in the areas of malware detection and mitigation. Given the crucial importance of the role of IoT network security research in today’s digital age, where the proliferation of interconnected devices encompasses virtually every aspect of daily life. These devices, which range from smart thermostats to connected health systems, offer a wide range of benefits in terms of efficiency, convenience and data access. However, this interconnectedness also introduces a number of significant challenges in terms of cybersecurity. The inherent vulnerability of IoT devices to cyber-attacks presents a significant threat not only to the privacy and data integrity of individuals and organizations but also to the physical security of people and critical infrastructure operations. The objective of this PhD thesis is to develop new algorithms that can efficiently, effectively, and reliably protect dynamic Internet of Things (IoT) networks against a range of malware threats. To this end, many solutions to current problems, including network discovery, the classification of network packets into malicious packets, and navigation for malware discovery, are proposed. The implementation of these solutions in real-world scenarios enables the overcoming of the challenges of malware detection and mitigation in dynamic and diverse IoT network environments. This improvement would not only safeguard against potential disruptions in industrial processes or exposure of sensitive data in home environments but also ensure continuous protection against emerging threats. Innovative approaches to address this issue include the use of algorithms based on reinforcement learning, which offers the ability to effectively adapt to dynamic changes in the network without requiring exhaustive knowledge at all times. This approach not only aims to enhance the efficacy of threat detection and mitigation but also to anticipate and proactively respond to evolving security challenges. Consequently, this PhD thesis presents a number of intelligent algorithms designed to enhance security in IoT networks by overcoming the inherent limitations of these networks. This is achieved through the utilization of reinforcement learning and a range of classification algorithms. [ES] El crecimiento exponencial de las redes Internet de las Cosas (IoT) ha suscitado preocupaciones sobre la seguridad cibernética, especialmente en la detección y mitigación del malware. La investigación en seguridad de redes IoT tiene una importancia crucial en la era digital actual, donde la proliferación de dispositivos interconectados abarca prácticamente todos los aspectos de la vida cotidiana. Estos dispositivos, desde termostatos inteligentes hasta sistemas de salud conectados, ofrecen una amplia gama de beneficios en términos de eficiencia, comodidad y acceso a datos. Sin embargo, esta interconexión también introduce una serie de desafíos significativos en términos de ciberseguridad. La vulnerabilidad inherente de los dispositivos IoT a los ciberataques representa una amenaza no solo para la privacidad y al integridad de los datos, sino también para la seguridad física de las personas y las operaciones críticas de infraestructuras. El objetivo de esta Tesis Doctoral es investigar nuevos algoritmos que permitan de forma eficiente, efectiva y fiable la protección de redes IoT dinámicas frente a diversas amenazas malware. Para ello se proponen diferentes soluciones a los problemas actuales como son el descubrimiento de redes, la identificación de paquete de red en benignos o malignos y la clasificación del tipo malware. Gracias a la implementación de estas soluciones en escenarios reales conseguimos superar los desafíos en la detección y mitigación de malware en entornos de redes IoT caracterizados por su dinamismo y diversidad. Esta mejora no solo salvaguardaría contra posibles interrupciones en procesos industriales o la exposición de datos sensibles en entornos domésticos, sino que también garantizaría la protección continua ante las amenazas emergentes. Entre los enfoques innovadores para abordar esta problemática, destaca el empleo de algoritmos basados en aprendizaje por refuerzo, los cuales ofrecen la capacidead de adaptarse eficazmente a los cambios dinámicos en al red sin requerir un conocimiento exhaustivo en todo momento. Mediante esta aproximación, se busca no solo detectar y mitigar las amenazas de manera más efectiva, sino también anticipar y responder proactivamente a los desafíos de seguridad en constante evolución. Como resultado, esta Tesis Doctoral presenta varios algoritmos inteligentes que permiten mejorar la seguridad en el ámbito de las redes IoT superando las limitaciones físicas de las mismas, gracias al uso del aprendizaje por refuerzo y diferentes algoritmos de clasificación. Mon, 01 Jan 2024 00:00:00 GMT http://hdl.handle.net/10366/159934 2024-01-01T00:00:00Z http://hdl.handle.net/10366/159853 [EN] Learning to program allows you to acquire technical skills for software development. But also, the development of cognitive skills such as problem solving, logical reasoning, creativity, and critical thinking. These skills are highly valued and seen as fundamental for anyone facing the job market today and in the future. Technology has a strong impact on society and by teaching programming we enable students to better understand technology, to be responsible, more informed, and aware users. However, teaching and learning of programming is a complex task. Difficulties in teaching and learning programming have been a recurring theme throughout the ages. Many students face difficulties in the initial stages of learning programming. Teaching and learning programming requires a lot of work, dedication and commitment from everyone involved in this process. This doctoral thesis faces the challenge of improving the teaching and learning process of beginning programming, in a very specific context, in the introduction to programming curricular unit of the computer science course at the Instituto Polit ´ecnico da Guarda. Our group of students has very particular characteristics. Most of the students on our course have low levels of motivation and poor general knowledge. A large percentage of students do not acquire basic programming skills. This problem is extremely important, as poor programming skills will always be a major obstacle to the pursuit of studies in computer science course. With the main objective of minimizing this problem, we investigated, experimented, and implemented a set of activities and teaching methodologies that allowed us to improve basic programming skills. To achieve this goal, and given the characteristics of our study group, we used the scientific research methodology, with the development of an artifact, called Design Science Reasearch Methodology. This research has resulted in a strategy for teaching and learning initial programming that has significantly improved our students’ skills. The computational thinking activities used as an introduction and a set of multiple-choice activities and parson problems, with immediate feedback, put into practice for the initial concepts of learning programming, clearly contributed to this improvement. But also, the large number of coding exercises, also with immediate feedback, available for students to practice and consolidate the different learning concepts of initial programming. In this strategy, we have included a predictive model of student failure, based on a neural network, with the aim of detecting the student’s difficulties early on and acting quickly to help them. The entire strategy involved in the teaching and learning process in the initial programming would not be possible without the help of a technological management tool. In this work, we present the development of a technological tool to aid the teaching and learning process. The results obtained in the evaluation of the Introduction to Programming course, depending on the strategy and tool adopted, show that we have significantly improved our teaching and learning process. This indicates that we are on the right track and that the efforts made to ensure that a greater number of students acquire basic programming skills have been achieved. Our work has a very particular origin and characteristics, but we are convinced that the measures suggested will contribute to significant improvements in any system for teaching and learning initial programming. We conclude this work with an approach to what could be the use and impact of intelligent systems, such as ChatGPT, in teaching and learning initial programming. [ES] Aprender a programar permite adquirir competencias técnicas para el desarrollo de software. Pero también el desarrollo de competencias cognitivas como la resolución de problemas, el razonamiento lógico, la creatividad y el pensamiento cr´ıtico. Estas competencias son muy valoradas y se consideran fundamentales para cualquier persona que se enfrente al mercado laboral de hoy y del futuro. La tecnología tiene un fuerte impacto en la sociedad y enseñando programación permitimos a los estudiantes comprender mejor la tecnología, ser usuarios responsables, más informados y conscientes. Sin embargo, enseñar y aprender a programar es una tarea compleja. Las dificultades en la enseñanza y el aprendizaje de la programación han sido un tema recurrente a lo largo de los tiempos. Muchos estudiantes se enfrentan a dificultades en las fases iniciales del aprendizaje de la programaci ón. Enseñar y aprender programación requiere mucho trabajo, dedicación y compromiso por parte de todos los implicados en este proceso. Esta tesis doctoral aborda el reto de mejorar el proceso de ense˜nanza y el aprendizaje de la iniciación de la programación, en un contexto muy concreto, en la unidad curricular de Introducción a la Programación de la carrera de Ingenieria Informática del Instituto Politécnico de Guarda. Nuestro grupo de estudiantes tiene características muy particulares. La mayoría del estudiantado de nuestro curso tienen bajos niveles de motivación y escasos conocimientos generales. Un gran porcentaje de estudiantes no adquiere conocimientos básicos de programación. Este problema es extremadamente importante, ya que unos conocimientos de programación deficientes siempre serán un obstáculo importante para cursar estudios de ingeniería informática. Con el objetivo principal de paliar este problema, investigamos, experimentamos e implementamos un conjunto de actividades y metodologías didácticas que nos permitieron mejorar las competencias básicas de programación. Para conseguir este objetivo, y dadas las características de nuestro grupo de estudio, utilizamos metodología de investigación científica, con el desarrollo de un artefacto, denominado Design Science Reasearch Methodology. Esta investigación ha dado lugar a una estrategia para la enseñanza y el aprendizaje de la iniciación de la programación que ha mejorado notablemente las competencias de nuestros alumnos. Las actividades de pensamiento computacional utilizadas como introducción y un conjunto de actividades de elección múltiple y problemas de parson, con realimentación inmediato, puestas en pr´ actica para los conceptos iniciales del aprendizaje de la programaci´on, contribuyeron claramente a esta mejora. Pero también, el gran número de ejercicios de codificación, también con realimentación inmediato, puestos a disposición del alumnado para practicar y consolidar los diferentes conceptos de aprendizaje de la programación inicial. En esta estrategia, hemos incluido un modelo predictivo del fracaso escolar, basado en una red neuronal, con el objetivo de detectar precozmente las dificultades del alumnado y actuar con rápidamente para ayudarles. Toda la estrategia implicada en el proceso de ense˜nanza y aprendizaje de la programaci´on para principiantes no ser´ıa posible sin la ayuda de una herramienta tecnológica de gestión. En este trabajo presentamos el desarrollo de una herramienta tecnológica de ayuda al proceso de enseñanza y aprendizaje. Los resultados obtenidos en la evaluación del curso de Introducción a la Programación, en función de la estrategia y la herramienta adoptadas, muestran que hemos mejorado significativamente nuestro proceso de enseñanza y aprendizaje. Esto indica que vamos por el buen camino, y que los esfuerzos realizados para que un mayor número de alumnos adquieran las competencias básicas de programación, se han hecho realidad. Nuestro trabajo tiene un origen y unas características muy particulares, pero estamos convencidos de que las medidas sugeridas supondrán mejoras significativamente en cualquier sistema de la enseñanza y el aprendizaje de la iniciación a la programación. Concluimos este trabajo con una breve aproximación a lo que podría ser el uso e impacto de sistemas inteligentes, como ChatGPT, en la enseñnanza y el aprendizaje de la iniciación a la programación. Mon, 01 Jan 2024 00:00:00 GMT http://hdl.handle.net/10366/159853 2024-01-01T00:00:00Z http://hdl.handle.net/10366/158770 [ES] España es el segundo país de Europa con más piscinas. Sin embargo, la literatura jurídica estima que el 20% de las piscinas no están declaradas de forma legal o son irregulares. La Administración cuenta con un cuerpo de personas que analizan mediante procedimientos manuales, imágenes de satélite o de drones para detectar estructuras ilegales o irregulares. Este método es costoso en términos de esfuerzo, implicación de recursos humanos y tiempo, además de ser un método basado en la subjetividad de la persona que lo lleva a cabo. La propuesta de este trabajo de investigación pretende diseñar una plataforma basada en sistemas multiagente que incluya técnicas de visión artificial y que permita la detección automática de estructuras ilegales, pudiendo destacar, por ejemplo, la detección de balsas irregulares. Para la consecución exitosa de este trabajo, se emplearán herramientas de información geográfica (SIG) basadas en ortofotografía, combinadas con técnicas avanzadas de visión artificial basadas en redes convolucionales para la detección de objetos. Además, el uso de una arquitectura multiagente permitirá que el sistema diseñado sea modular, con la posibilidad de que las diferentes partes del sistema trabajen conjuntamente, equilibrando la carga de trabajo. El sistema propuesto ha sido validado mediante pruebas en diferentes ciudades de España. El sistema ha mostrado resultados prometedores en la realización de esta tarea, con una tasa de acuerdo superior al 97%. [EN] Spain stands as the second-ranked European nation in terms of the abundance of swimming pools. However, it has come to light in legal circles that a substantial 20% of these aquatic facilities either evade declaration or exist in an irregular manner. To tackle this issue, the governing bodies employ a team of individuals who manually scrutinize satellite and drone imagery. Their objective is to pinpoint structures that run afoul of legality or convention. This approach demands significant expenditure of both labor and time, compounded by the inherent subjectivity associated with human interpretation. This proposal sets forth the ambition to craft a platform capable of autonomously identifying aberrant pools. This endeavor draws upon geographical information systems (GIS) grounded in orthophotography, coupled with cutting-edge machine learning methodologies for precise object detection. Moreover, a multi-agent architecture comes into play, introducing modularity into the system's framework. This modular design facilitates the collaborative functioning of distinct system components, enabling the equitable distribution of workloads. The efficacy of the proposed system has been established through rigorous testing across various municipalities in Spain. Encouragingly, the system has yielded promising outcomes in its execution of this task, boasting an impressive F1-Score of 97.1% Mon, 01 Jan 2024 00:00:00 GMT http://hdl.handle.net/10366/158770 2024-01-01T00:00:00Z http://hdl.handle.net/10366/157534 [ES] La hipótesis de esta tesis doctoral se basa en la aplicación de la minería de datos en el análisis e identificación de riesgos de corrupción en las compras públicas. Concretamente, que, a través de la evaluación de los datos y el texto generado en las fases de cada proceso, mediante la combinación de técnicas de aprendizaje automático y PLN, se pueda detectar si ha existido corrupción y clasificar su tipo (sobreprecio, favoritismo, sesgo). El proceso se inicia desde la obtención de datos en un portal que no cumple con los principios de datos abiertos, como ocurre en Ecuador. Continúa con la realización del análisis exploratorio de los mismos, con el objetivo de encontrar la técnica adecuada para su limpieza y reducción de su dimensionalidad para su tratamiento. Con la base de datos depurada y el texto obtenido, se combinan algoritmos de aprendizaje automático supervisados y no supervisados, para la detección de corrupción en la asignación de contratos públicos. Como el estudio preliminar sobre el tema refleja, que la mayoría de las propuestas recogidas en la literatura son insuficientes y solo están enfocadas a la resolución de problemas muy específicos. Se evidencian algunas necesidades: • Detectar posibles sobreprecios, en base a las compras realizadas en periodos similares por otras instituciones públicas. • Investigar tipos de corrupción como el favoritismo, que ha sido poco estudiado. • La detección de sesgos a través del análisis del texto generado por cada proceso, para encontrar sesgo hacia determinados proveedores o de género. • Poder detectar la combinación de varios tipos de corrupción en un mismo proceso. Por lo tanto, la tesis se centra en establecer una metodología para prevenir y detectar corrupción mediante el uso de técnicas de aprendizaje automático y PLN, con el desarrollo de algoritmos de detección y predicción de sobreprecio, favoritismo y sesgo en compras públicas. Para validar la metodología, se diseñaron diferentes casos de estudio en varias áreas poco exploradas como: el sobreprecio en compras de medicamentos durante la pandemia de COVID-19 en Ecuador, el favoritismo basado en los parámetros de calificación de procesos y los tipos de contratación. Además, se crearon otros casos de estudio, que permitieran analizar el texto generado en cada proceso y poder detectar el favoritismo hacia cierto proveedor y asó como el sesgo de género en cada proceso de compra pública. Todos los resultados fueron evaluados con diferentes técnicas de rendimiento, empezando por el porcentaje de sobreprecio y enfatizando en el porcentaje de acierto de los algoritmos de clasificación. Además, los resultados obtenidos se contrastaron y validaron con las noticias de medios de comunicación y de redes sociales del país, sobre procesos de compras públicas con corrupción. Sun, 01 Jan 2023 00:00:00 GMT http://hdl.handle.net/10366/157534 2023-01-01T00:00:00Z http://hdl.handle.net/10366/157523 [EN] Distributed generation, namely renewables-based technologies, have emerged as a crucial component in the transition to mitigate the effects of climate change, providing a decentralized approach to electricity production. However, the volatile behavior of distributed generation has created new challenges in maintaining system balance and reliability. In this context, the demand response concept and corresponding programs arise giving the local energy communities prominence. In demand response concept, it is expected an empowerment of the consumer in the electricity sector. This has a significant impact on grid operations and brings complex interactions due to the volatile behavior, privacy concerns, and lack of consumer knowledge in the energy market context. For this, aggregators play a crucial role addressing these challenges. It is crucial to develop tools that allow the aggregators helping consumers to make informed decisions, maximize the benefits of their flexibility resources, and contribute to the overall success of grid operations. This thesis, through innovative solutions and resorting to artificial intelligence models, addresses the integration of renewables, promoting fair participation among all demand response providers. The thesis ultimately results in an innovative decision support system - MAESTRO, the Machine learning Assisted Energy System management Tool for Renewable integration using demand respOnse. MAESTRO is composed by a set of diversified models that together contribute for handling the complexity of managing energy communities with distributed generation resources, demand response providers, energy storage systems and electric vehicles. This PhD thesis comprises a comprehensive analysis of state-of-the-art techniques, system design and development, experimental results, and key findings. In this research were published twenty-six scientific papers, in both international journals and conference proceedings. Contributions to international projects and Portuguese projects was accomplished. [ES] La generación distribuida, en particular las tecnologías basadas en energías renovables, se ha convertido en un componente crucial en la transición para mitigar los efectos del cambio climático, al proporcionar un enfoque descentralizado para la producción de electricidad. Sin embargo, el comportamiento volátil de la generación distribuida ha generado nuevos desafíos para mantener el equilibrio y la confiabilidad del sistema. En este contexto, surge el concepto de respuesta de la demanda y los programas correspondientes, otorgando prominencia a las comunidades energéticas locales. En el concepto de "respuesta a la demanda" (DR por sus siglas en inglés), se espera un empoderamiento del consumidor en el sector eléctrico. Esto tiene un impacto significativo en la operación de la red y genera interacciones complejas debido al comportamiento volátil, las preocupaciones de privacidad y la falta de conocimiento del consumidor en el contexto del mercado energético. Para esto, los agregadores desempeñan un papel crucial al abordar estos desafíos. Es fundamental desarrollar herramientas que permitan a los agregadores ayudar a los consumidores a tomar decisiones informadas, maximizar los beneficios de sus recursos de flexibilidad y contribuir al éxito general de las operaciones de la red. Esta tesis, a través de soluciones innovadoras y utilizando modelos de inteligencia artificial, aborda la integración de energías renovables, promoviendo una participación justa entre todos los proveedores de respuesta de la demanda. La tesis resulta en última instancia en un sistema de apoyo a la toma de decisiones innovador: MAESTRO, Machine learning Assisted Energy System management Tool for Renewable integration using demand respOnse. MAESTRO está compuesto por un conjunto de modelos diversificados que contribuyen juntos para manejar la complejidad de la gestión de comunidades energéticas con recursos de generación distribuida, proveedores de respuesta de la demanda, sistemas de almacenamiento de energía y vehículos eléctricos. Esta tesis de doctorado comprende un análisis exhaustivo de las técnicas de vanguardia, el diseño y desarrollo del sistema, los resultados experimentales y los hallazgos clave. En esta investigación se publicaron veintiséis artículos científicos, tanto en revistas internacionales como en actas de conferencias. Se lograron contribuciones a proyectos internacionales y proyectos portugueses. [POR] A produção distribuída, nomeadamente as tecnologias baseadas em energias renováveis, emergiram como um componente crucial na transição para mitigar os efeitos das alterações climáticas, proporcionando uma abordagem descentralizada à produção de eletricidade. No entanto, o comportamento volátil da geração distribuída criou desafios na manutenção do equilíbrio e da fiabilidade do sistema. Nesse contexto, surge o conceito de resposta à procura e os programas correspondentes, conferindo proeminência às comunidades energéticas locais. No conceito de resposta à procura, espera-se um empoderamento do consumidor no setor elétrico. Isso tem um impacto significativo nas operações da rede e gera interações complexas devido ao comportamento volátil, preocupações com a privacidade e falta de conhecimento dos consumidores no contexto do mercado energético. Para isso, os agregadores desempenham um papel crucial ao lidar com esses desafios. É fundamental desenvolver ferramentas que permitam aos agregadores ajudar os consumidores a tomar decisões informadas, maximizar os benefícios de seus recursos de flexibilidade e contribuir para o sucesso global das operações da rede. Esta tese de doutoramento, através de soluções inovadoras e recorrendo a modelos de inteligência artificial, aborda a integração de energias renováveis, promovendo uma participação justa entre todos os fornecedores de resposta à procura. A tese resulta, em última instância, num sistema inovador de apoio à tomada de decisões - MAESTRO, Machine learning Assisted Energy System management Tool for Renewable integration using demand respOnse. A ferramenta MAESTRO é composta por um conjunto de modelos diversificados que, em conjunto, contribuem para lidar com a complexidade da gestão de comunidades energéticas com recursos de geração distribuída, fornecedores de resposta à procura, sistemas de armazenamento de energia e veículos elétricos. Esta tese de doutoramento abrange uma análise abrangente de técnicas de ponta, design e desenvolvimento do sistema, resultados experimentais e descobertas-chave. Nesta pesquisa, foram publicados vinte e seis artigos científicos, tanto em revistas internacionais como em atas de conferências. Foram realizadas contribuições para projetos internacionais e projetos portugueses. Sat, 01 Jul 2023 00:00:00 GMT http://hdl.handle.net/10366/157523 2023-07-01T00:00:00Z http://hdl.handle.net/10366/153202 [ES]El envejecimiento de la población a nivel global es una constante cada vez más presente en el día a día y las consecuencias derivadas de este problema son cada vez más impactantes para el correcto funcionamiento y estructuración de la sociedad. En este contexto, hablamos de consecuencias a nivel de crecimiento económico, estilos de vida (y jubilación), relaciones familiares, recursos disponibles por el gobierno a la franja etaria más anciana e inevitablemente la prevalencia de enfermedades crónicas. Es ante esta realidad que surge la necesidad de desarrollo y promoción de estrategias eficaces en el acompañamiento, prevención y estímulo al envejecimiento activo y saludable de la población para garantizar que las personas ancianas continúen teniendo un papel relevante en la sociedad en lugar de someterse al aislamiento y fácil deterioro de las capacidades físicas, cognitivas, emocionales y sociales. De esta forma, tiene todo el sentido aprovechar todos los desarrollos tecnológicos verificados en los últimos años, principalmente en lo que se refiere a avances en las áreas de dispositivos móviles, inteligencia artificial y sistemas de monitoreo y crear soluciones capaces de brindar apoyo diariamente al recopilar datos e indicadores del estado de salud y, en respuesta, proporcionar diversas acciones personalizadas que motiven la adopción de mejores hábitos de salud y medios para lograr este envejecimiento activo y saludable. El desafío consiste en motivar a esta población a conciliar su día a día con el interés y la voluntad de utilizar aplicaciones y sistemas que brinden este apoyo personalizado. Algunas de las abordajes recientemente explorados en la literatura con este objetivo y que han alcanzado resultados prometedores se basan en la utilización de técnicas de gamificación e incentivo al cumplimiento de desafíos a nivel de salud (como si la persona estuviera jugando un juego) y la utilización de interacciones personalizadas con objetos (ya sean físicos como robots o virtuales como avatares) capaces de brindar feedback más personal, creando así una conexión más cercana entre ambas entidades. El trabajo aquí presentado combina estas ideas y resulta en un enfoque inteligente para la promoción del bienestar de la población anciana a través de un sistema de cuidados de salud personalizado. Este sistema incorpora diversas técnicas de gamificación para la promoción de mejores hábitos y comportamientos, y la utilización de un asistente virtual cognitivo capaz de entender las necesidades e intereses del usuario para posibilitar un feedback e interacción personalizados con el fin de ayudar y motivar al cumplimiento de los diferentes desafíos y objetivos que se identifiquen. El enfoque propuesto fue validado a través de un estudio con 12 usuarios ancianos y se lograron resultados significativos en términos de usabilidad, aceptación y efectos de salud. Específicamente, los resultados obtenidos permiten respaldar la importancia y el efecto positivo de combinar técnicas de gamificación e interacción con un asistente virtual cognitivo que traduzca el progreso del estado de salud del usuario, ya que se lograron mejoras significativas en los resultados de salud después de la intervención. Además, los resultados de usabilidad obtenidos mediante la cumplimentación de un cuestionario de usabilidad confirmaron la buena adhesión a el enfoque presentado. Estos resultados validan la hipótesis de la investigación estudiada en el desarrollo de esta disertación. Sun, 01 Jan 2023 00:00:00 GMT http://hdl.handle.net/10366/153202 2023-01-01T00:00:00Z http://hdl.handle.net/10366/152712 [ES] El desarrollo y mejoras exponenciales que han experimentado las tecnologías de la información y la comunicación (ICT, del término inglés Information and Communication Technologies) en las últimas décadas ha traído aparejada la aparición de dispositivos que ofrecen funcionalidades difícilmente imaginables a finales del siglo pasado. Estas innovaciones tecnológicas han penetrado, en mayor o en menor media, en prácticamente todas las capas de la sociedad transformando la mayoría de los ámbitos profesionales, científicos, educativos, culturales, etc. Al amparo de esta transformación tecnológica, las tecnologías de realidad-virtualidad (RVT, del término inglés Reality-Virtuality Technologies) con mayor presencia en el mercado (es decir, realidad virtual (VR, del término inglés Virtual Reality), realidad aumentada (AR, del término inglés Augmented Reality) y realidad mixta (MR, del término inglés Mixed Reality)) han experimentado una notable mejora y abaratamiento, factores que han propiciado su expansión en numerosos ámbitos. La Ciencia e Ingeniería de Materiales (MSE, del término inglés Materials Science and Engineering) no es ajena a esta expansión de las RVT, siendo actualmente posible encontrar numerosos ejemplos de uso de estas tecnologías circunscritas a la MSE. Esta tesis doctoral aborda la investigación de diferentes aspectos del desarrollo y uso de herramientas basadas en RVT empleadas dentro del ámbito de la MSE. La primera parte de esta investigación persigue conocer el estado del arte en el uso de las RVT en el ámbito de la MSE para, de este modo, facilitar la apertura de nuevas líneas de investigación y la adquisición de ideas de desarrollo. Para ello, en primer lugar, se han analizado las aplicaciones basadas en RVT circunscritas a la MSE desarrolladas entre 2010 y 2021, con independencia de su propósito. Este análisis ha permitido conocer en qué áreas de la MSE se enmarcan las aplicaciones basadas en RVT, a qué sectores se dirigen, qué RVT emplean y qué propiedades de las mismas explotan. En segundo lugar, se analizaron las aplicaciones basadas en VR o AR que se han desarrollado hasta el año 2020 destinadas a dar soporte a la enseñanza de cristalografía. Además, se ha desarrollado una aplicación basada en VR orientada a facilitar la enseñanza de las redes de Bravais y se ha propuesto un procedimiento de uso y evaluación en el aula. La segunda parte de esta investigación analiza el proceso de creación de laboratorios virtuales destinados a facilitar la enseñanza de MSE en los grados de ingeniería. En particular, esta parte de la investigación analiza qué factores deben ser tenidos en cuenta por los docentes cuando crean laboratorios virtuales para que logren maximizar el aprendizaje significativo de los estudiantes, es decir, que sean capaces de comprender mejor y por más tiempo aquello que se les enseña. Para alcanzar este objetivo, por una parte, se analizó el proceso de desarrollo de diferentes laboratorios virtuales destinados a dar soporte a la enseñanza de ensayos de materiales. Por otra parte, se analizaron los resultados de los cuestionarios respondidos por diferentes grupos de alumnos un año después de usar los laboratorios virtuales analizados. De este modo ha sido posible establecer una serie de aspectos que deben ser tenidos en cuenta durante el proceso de desarrollo de las aplicaciones basadas en VR destinadas a facilitar el proceso de enseñanza-aprendizaje de MSE, de manera que se maximice el aprendizaje significativo del alumno. La tercera parte de esta investigación ahonda en el modo en que afecta el paso del tiempo a la eficacia formativa de los laboratorios virtuales destinados a dar soporte a la enseñanza de MSE. En este sentido, se han analizado las opiniones vertidas por diferentes grupos de estudiantes que utilizaron laboratorios virtuales y se comprobó cómo su motivación por utilizar dichos laboratorios disminuía (y, por tanto, la eficacia formativa de estas herramientas educativas también disminuía) con el transcurso de los años. En esta parte de la investigación se analizó este fenómeno circunscrito a aplicaciones basadas en VR orientadas a facilitar la enseñanza de MSE, constatándose su relación directa con las leyes de evolución del software establecidas por Lehman. El estudio llevado a cabo reveló que, si estas aplicaciones educativas son actualizadas periódicamente empleando herramientas de desarrollo actuales, es posible mantener su atractivo para los estudiantes y con él su eficacia formativa. [EN] The exponential development and improvements that information and communication technologies (ICT) have undergone in recent decades have brought with them the appearance of devices that offer functionalities that would have been difficult to imagine at the end of the last century. These technological innovations have permeated, to a greater or lesser extent, practically all layers of society, transforming most professional, scientific, educational, cultural, etc. fields. As a result of this technological transformation, the reality-virtuality technologies (RVT) with the greatest presence in the market (i.e., virtual reality (VR), augmented reality (AR) and mixed reality (MR)) have experienced a significant improvement and reduction in price, factors that have led to their expansion in many fields. Materials Science and Engineering (MSE) is no exception to this expansion of VRT, and it is currently possible to find numerous examples of the use of these technologies in MSE. This doctoral thesis investigates different aspects of the development and use of RVT-based tools used in the field of MSE. The first part of this research aims to know the state of the art in the use of VRT in the field of MSE in order to facilitate the opening of new lines of research and the acquisition of development ideas. To this end, first of all, it has been analysed the applications based on RVT in the field of MSE developed between 2010 and 2021, regardless of their purpose. This analysis has provided insight into which areas of the MSE the RVT-based applications fall into, which sectors they target, which RVT they use and which properties they exploit. Secondly, the VR or AR-based applications that have been developed up to 2020 to support the teaching of crystallography were analysed. In addition, a VR-based application has been developed to facilitate the teaching of Bravais lattices and a procedure for its use and evaluation in the classroom has been proposed. The second part of this research analyses the process of creating virtual laboratories aimed at facilitating the teaching of MSE in engineering degrees. In particular, this part of the research analyses which factors should be taken into account by teachers when creating virtual laboratories in order to maximise students' meaningful learning, i.e., that they are able to understand better and for longer what they are taught. To achieve this objective, on the one hand, the development process of different virtual laboratories designed to support the teaching of materials testing was analysed. On the other hand, the results of the questionnaires answered by different groups of students one year after using the virtual laboratories analysed were examined. In this way, it has been possible to establish a series of aspects that should be taken into account during the development process of VR-based applications aimed at facilitating the MSE teaching-learning process, so as to maximise meaningful learning of students. The third part of this research explores how the passage of time affects the learning effectiveness of virtual laboratories designed to support MSE teaching. In this regard, the opinions expressed by different groups of students who used virtual laboratories were analysed and it was found that their motivation to use these laboratories decreased (and, therefore, the learning effectiveness of these educational tools also decreased) over the years. This part of the research analysed this phenomenon limited to VR-based applications aimed at facilitating the teaching of MSE and found a direct relationship with the laws of software evolution established by Lehman. The study revealed that, if these educational applications are regularly updated using current development tools, it is possible to maintain their desirability for students and thus their educational effectiveness. Sat, 01 Jan 2022 00:00:00 GMT http://hdl.handle.net/10366/152712 2022-01-01T00:00:00Z http://hdl.handle.net/10366/152583 [ES] El Pacto Verde Europeo adoptado por la Comisión Europea tiene como objetivo hacer frente al cambio climático y a la degradación del medio ambiente. En este sentido, es de gran interés el empleo de materias primas renovables y el aprovechamiento de residuos generados por otros sectores e industrias como la biomasa lignocelulósica, constituida por glucosa y xilosa principalmente. En consecuencia, conseguir un uso eficiente de xilosa en fermentaciones microbianas se ha convertido en un objetivo importante en biotecnología. Ashbya gossypii es un hemiascomiceto filamentoso empleado para la producción de riboflavina y otros compuestos de interés industrial como nucleósidos, folatos y biolípidos, entre otros. Su importancia en la industria ha contribuido a su estudio y al desarrollo de herramientas moleculares para su manipulación. La ingeniería metabólica de este hongo ha permitido emplear medios de cultivo con xilosa como única fuente de carbono. Sin embargo, la construcción de diseños más complejos requiere el desarrollo de nuevas herramientas moleculares. En este contexto, se ha diseñado un sistema CRISPR/Cas9 adaptado a A. gossypii. Así, se ha comprobado la introducción eficiente de deleciones, sustituciones e inserciones de nucleótidos sin la integración genómica de marcadores de resistencia. Además, se ha llevado a cabo la caracterización de secuencias promotoras empleando del sistema Dual Luciferase Reporter (DLR). Las secuencias promotoras descritas se agrupan en tres grupos según su actividad transcripcional en promotores fuertes, medios y débiles. Adicionalmente, el sistema DLR se ha empleado para evaluar la funcionalidad de sitios reguladores pertenecientes a genes que controlan la ruta de producción de riboflavina. Por otro lado, mediante el empleo de estas herramientas y las ya existentes, se ha llevado a cabo la modificación de la ruta del mevalonato de A. gossypii para la producción de limoneno en cepas capaces de usar xilosa como única fuente de carbono. La sobreexpresión heteróloga de la limoneno sintasa de Citrus limon, junto con la sobreexpresión de los genes endógenos HMG1 y ERG12, además de la sobreexpresión de la ruta ortogonal NDPS1 ha permitido obtener una cepa de A. gossypii que produce 336.4 mg/L de limoneno en cultivos con xilosa como principal fuente de carbono. Este trabajo aporta nuevas herramientas de edición genómica de A. gossypii para la implementación de nuevas estrategias de ingeniería metabólica, como la producción de monoterpenos, demostrando la versatilidad e importancia de A. gossypii como factoría microbiana capaz de aprovechar residuos agroindustriales ricos en xilosa. [EN] The European Green Deal adopted by the European Commission contains a set of proposals aiming at combating climate change and environmental degradation. In this regard, the utilization of renewable materials and residues such as lignocellulosic biomass, composed mainly by glucose and xylose, it is of great interest. Consequently, the implementation of efficient systems for the utilization of xylose in microbial fermentations has become an important goal in biotechnology. Ashbya gossypii is a filamentous hemiascomycete that is currently exploited to produce riboflavin and other high-value compounds such as nucleosides, folates and biolipids. Its industrial relevance has promoted its research and the development of molecular tools. Therefore, the metabolic engineering of this fungus has enabled to design strains that can grow in cultures with xylose as the only carbon source. However, the construction of highly complex designs relies on the development of new methods to expand the molecular toolkit of this microbial factory. Hence, a one-vector CRISPR/Cas9 system for genomic engineering of A. gossypii has been developed. The efficiency of this genomic edition system as a marker-less approach has been validated for nucleotide deletions, substitutions, and insertions. Besides, an adaptation of the Dual Luciferase Reporter (DLR) system has been implemented for the identification of novel promoters in A. gossypii. The new promoter sequences described can be grouped into three classes according to their transcriptional activity in strong, medium, and weak promoters. In addition, the functionality of regulatory sites belonging to genes that control the riboflavin pathway has been evaluate in A. gossypii with this DLR system. Furthermore, novel strains of A. gossypii have been developed to produce limonene from xylose, through metabolic engineering of the mevalonate pathway. The overexpression of the limonene synthase from Citrus limon together with the overexpression of the endogenous HMG1 and ERG12 genes, and the overexpression of an heterologous orthogonal NDPS1 pathway triggered a limonene accumulation of 336.4 mg/L in cultures with xylose as the main carbon source. This work presents new molecular tools for A. gossypii that can help to promote new advanced strategies for the metabolic engineering of the fungus, such as the production of monoterpenes. This emerging biotechnological application highlights the importance of A. gossypii as a microbial factory that can grow on xylose-rich agro-industrial residues. Sat, 01 Jan 2022 00:00:00 GMT http://hdl.handle.net/10366/152583 2022-01-01T00:00:00Z http://hdl.handle.net/10366/152582 [ES] La tecnología blockchain, en base a sus características de transparencia, inmutabilidad, y democracia de los datos, se presenta como el potencial disruptor de la industria actual. El paradigma que presenta la industria hoy, basado en el Internet de las Cosas, genera una gran cantidad de comunicaciones entre los dispositivos, donde pueden existir problemas a la hora de verificar el origen y autoría de los datos generados. Por esta razón, la blockchain se presenta como una tecnología que puede solucionar los problemas mencionados. Sin embargo, la tecnología blockchain no está exenta de sus propios problemas: consumo de energía excesivo para preservar la seguridad en la red, imposibilidad por sí sola para detectar corrupción en el origen de los datos, o las violaciones a la intimidad y privacidad de los usuarios por la transparencia de la información almacenada. En la literatura se han propuesto soluciones a la hora de enfrentar los desafíos que presenta esta tecnología como, por ejemplo, (i) sustituir el uso de redes públicas por redes permisionadas, optimizando el consumo energético de la red al no ser necesario un algoritmo tan estricto para garantizar su seguridad, (ii) almacenar datos sensibles off-chain, utilizando la blockchain como método de verificación de la información, resumiéndola con el hash, o (iii) reducir la funcionalidad de las soluciones propuestas, eliminando servicios que potencialmente podrían ofrecer. En primer lugar, esta investigación realiza un estudio y análisis sobre las soluciones propuestas en la literatura, encontrando que, (i) no hacen frente a todos los desafíos que propone esta tecnología, o (ii) la centralización de su propuesta no justifica la implementación de la red blockchain. Todo esto hace imposible la implementación de estas arquitecturas en un escenario real, donde los marcos regulatorios cada vez son más estrictos. En base a las carencias encontradas en el Estado del Arte, esta Tesis Doctoral propone dos arquitecturas en diferentes ´ámbitos: la industria logística farmacéutica y el intercambio de electricidad en mercados automáticos. En el primer caso, se hace uso de modelos de teorías de juegos, para asegurar el buen comportamiento de los actores en la plataforma, además de sistemas de auditabilidad para tener controlado los posibles fallos técnicos que puedan ocurrir en los dispositivos. En el segundo caso, se hace uso de pruebas de conocimiento nulo y firmas en anillo para asegurar la privacidad y seguridad de los datos y los usuarios. Estas dos arquitecturas hacen frente a los desafíos que propone la tecnología blockchain, y permiten su implementación dentro de cualquier ámbito regulatorio. [EN] Blockchain technology, based on its characteristics of transparency, immutability, and data democracy, is presented as the potential disruptor of the current industry. The paradigm presented by the industry today, based on the Internet of Things, generates a large amount of communications between devices, where there may be problems when verifying the origin and authorship of the data generated. For this reason, blockchain is presented as a technology that can solve the aforementioned problems. However, blockchain technology is not exempt from its own problems: excessive energy consumption to preserve network security, impossibility by itself to detect corruption in the origin of the data, or violations to the privacy and intimacy of the users due to the transparency of the stored information. In the literature, solutions have been proposed to face the challenges presented by this technology: for example, replacing the use of public networks with permissioned networks, optimizing the energy consumption of the network by not requiring such a strict algorithm to guarantee its security, or storing sensitive data off-chain, using the blockchain as a method of verifying the information, by hashing it, or simply simplifying and centralizing the functionality of the proposed solutions. In this research, a study and analysis of the proposed solutions in the literature is carried out, finding that either they do not meet all the challenges proposed by this technology, or the centralization of its proposal does not justify the implementation of the blockchain network. All this makes it impossible to implement these architectures in a real scenario, where regulatory frameworks are increasingly strict. On the other hand, this Doctoral Thesis proposes two architectures in different fields, the pharmaceutical logistics industry and the exchange of electricity in automatic markets. In the first case, game theory models are used to ensure the good behavior of the actors in the platform, as well as auditability systems to control possible technical failures that may occur in the devices. In the second, use is made of null knowledge tests and ring signatures to ensure the privacy and security of data and users. The analysis shown by these two architectures concludes that both meet the challenges proposed in the field of blockchain technology, the latter being the most complete that can be implemented within any regulatory environment. Sat, 01 Jan 2022 00:00:00 GMT http://hdl.handle.net/10366/152582 2022-01-01T00:00:00Z http://hdl.handle.net/10366/152512 [EN] The growing concerns regarding the lack of fossil fuels, their costs, and their impact on the environment have led governmental institutions to launch energy policies that promote the increasing installation of technologies that use renewable energy sources to generate energy. The increasing penetration of renewable energy sources brings a great fluctuation on the generation side, which strongly affects the power and energy system management. The control of this system is moving from hierarchical and central to a smart and distributed approach. The system operators are nowadays starting to consider the final end users (consumers and prosumers) as a part of the solution in power system operation activities. In this sense, the end-users are changing their behavior from passive to active players. The role of aggregators is essential in order to empower the end-users, also contributing to those behavior changes. Although in several countries aggregators are legally recognized as an entity of the power and energy system, its role being mainly centered on representing end-users in wholesale market participation. This work contributes to the advancement of the state-of-the-art with models that enable the active involvement of the end-users in electricity markets in order to become key participants in the management of power and energy systems. Aggregators are expected to play an essential role in these models, making the connection between the residential end-users, electricity markets, and network operators. Thus, this work focuses on providing solutions to a wide variety of challenges faced by aggregators. The main results of this work include the developed models to enable consumers and prosumers participation in electricity markets and power and energy systems management. The proposed decision support models consider demand-side management applications, local electricity market models, electricity portfolio management, and local ancillary services. The proposed models are validated through case studies based on real data. The used scenarios allow a comprehensive validation of the models from different perspectives, namely end-users, aggregators, and network operators. The considered case studies were carefully selected to demonstrate the characteristics of each model, and to demonstrate how each of them contributes to answering the research questions defined to this work.; [ES] La creciente preocupación por la escasez de combustibles fósiles, sus costos y su impacto en el medio ambiente ha llevado a las instituciones gubernamentales a lanzar políticas energéticas que promuevan la creciente instalación de tecnologías que utilizan fuentes de energía renovables para generar energía. La creciente penetración de las fuentes de energía renovable trae consigo una gran fluctuación en el lado de la generación, lo que afecta fuertemente la gestión del sistema de potencia y energía. El control de este sistema está pasando de un enfoque jerárquico y central a un enfoque inteligente y distribuido. Actualmente, los operadores del sistema están comenzando a considerar a los usuarios finales (consumidores y prosumidores) como parte de la solución en las actividades de operación del sistema eléctrico. En este sentido, los usuarios finales están cambiando su comportamiento de jugadores pasivos a jugadores activos. El papel de los agregadores es esencial para empoderar a los usuarios finales, contribuyendo también a esos cambios de comportamiento. Aunque en varios países los agregadores están legalmente reconocidos como una entidad del sistema eléctrico y energético, su papel se centra principalmente en representar a los usuarios finales en la participación del mercado mayorista. Este trabajo contribuye al avance del estado del arte con modelos que permiten la participación activa de los usuarios finales en los mercados eléctricos para convertirse en participantes clave en la gestión de los sistemas de potencia y energía. Se espera que los agregadores desempeñen un papel esencial en estos modelos, haciendo la conexión entre los usuarios finales residenciales, los mercados de electricidad y los operadores de red. Por lo tanto, este trabajo se enfoca en brindar soluciones a una amplia variedad de desafíos que enfrentan los agregadores. Los principales resultados de este trabajo incluyen los modelos desarrollados para permitir la participación de los consumidores y prosumidores en los mercados eléctricos y la gestión de los sistemas de potencia y energía. Los modelos de soporte de decisiones propuestos consideran aplicaciones de gestión del lado de la demanda, modelos de mercado eléctrico local, gestión de cartera de electricidad y servicios auxiliares locales. Los modelos propuestos son validan mediante estudios de casos basados en datos reales. Los escenarios utilizados permiten una validación integral de los modelos desde diferentes perspectivas, a saber, usuarios finales, agregadores y operadores de red. Los casos de estudio considerados fueron cuidadosamente seleccionados para demostrar las características de cada modelo y demostrar cómo cada uno de ellos contribuye a responder las preguntas de investigación definidas para este trabajo. Sat, 01 Jan 2022 00:00:00 GMT http://hdl.handle.net/10366/152512 2022-01-01T00:00:00Z