|
Escuela de Doctorado
|
|
 |
| Tesis Doctorales de la Universidad Pablo de Olavide a partir de 2025/26 |
| MODELOS EFICIENTES DE MACHINE LEARNING PARA RETOS DE SOSTENIBILIDAD | | Autor/a | GIL GAMBOA, ADRIAN | | Director/a | TRONCOSO LORA, ALICIA | | Codirector/a | TORRES MALDONADO, JOSE FRANCISCO | | Fecha de depósito | 01-10-2026 | | Periodo de exposición pública | 1 a 16 de octubre de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Sin especificar | | Programa | Programa de Doctorado en Biotecnología, Ingeniería y Tecnología Química (RD 99/2011) | | Mención internacional | No | | Resumen | La inteligencia artificial ha alcanzado resultados extremadamente positivos a costa de modelos cada vez más complejos, costosos de entrenar y de desplegar. En este contexto surge el paradigma de la IA frugal, que busca desarrollar modelos eficientes desde el punto de vista computacional y energético, capaces de ofrecer un rendimiento competitivo utilizando menos recursos, reduciendo los tiempos de cómputo y minimizando su huella ambiental. Bajo esta perspectiva, es importante conocer la precisión de un modelo, pero también, saber cuánto consume computacionalmente para hacerlo y cómo puede contribuir a soluciones más sostenibles.
Esta Tesis Doctoral ha sido presentada mediante la modalidad de compendio de publicaciones, con un total de tres aportaciones científicas publicadas y dos en proceso de revisión, todas ellas en revistas con alto índice de impacto en el Journal Citation Reports (JCR). La Tesis Doctoral comprende una investigación orientada al estudio, análisis y desarrollo de modelos de Machine Learning (ML) eficientes dentro del marco de inteligencia artificial aplicados a la predicción de series temporales con el objetivo de superar retos relacionados con la sostenibilidad.
La investigación comienza con el diseño y validación de una red DFFNN (Deed Feed Forward Neural Network) para la predicción del consumo de agua a medio plazo, trabajo que se publicó en la revista Expert Systems with Applications.
Posteriormente se propone un enfoque de transfer learning que reutiliza una DFFNN entrenada con datos de consumo eléctrico y se aplica dicho conocimiento a datos de consumo de agua, cuyos resultados se publicaron en Sustainable Computing: Informatics and Systems.
A continuación, se desarrolla un framework de metalearning basado en diferentes modelos para seleccionar automáticamente la arquitectura de deep learning más adecuada a cada serie temporal, publicado en la revista Results in Engineering.
Finalmente, se proponen dos técnicas de poda estructural de capas (Backward y Forward) para redes profundas, orientadas a reducir parámetros, tiempo de entrenamiento y consumo energético, recogidas en la publicación que se encuentra bajo revisión en la revista Knowledge Based Systems.
De forma adicional, se diseña una metodología no supervisada para diagnosticar causas raíz de fallos en aerogeneradores mediante clustering y subclustering de incidentes y alarmas, cuyo trabajo ha sido publicado en la revista Renewable Energy.
Todas estas publicaciones y trabajos en revisión han sido aceptados o
enviados a revistas indexadas en el primer cuartil (Q1) del Journal Citation Reports (JCR), reflejando la relevancia y calidad científica de las contribuciones realizadas. |
|
