Durante las pasadas Jornadas de Automática virtuales, se resolvió el Concurso a la Mejor Tesis doctoral en Modelado, Simulación y Optimización edición 2020. En el citado evento, lo dos finalistas realizaron una presentación de los resultados más relevantes de su trabajo de tesis en la reunión anual del grupo MSO, a las cuales podéis acceder desde el canal de CEA en Youtube, o directamente desde los siguientes enlaces:
- Computación de altas prestaciones en el diseño óptimo y control de plantas solares de torre, Dr. Nicolás Calvo Cruz
- Modeling and control of reluctance actuators, Dr. Édgar Ramírez Laboreo
El jurado del concurso decidió, con sus puntuaciones realizadas de forma independiente, que el ganador fuera el Dr. Nicolás Calvo Cruz, ¡por menos de medio punto de diferencia! La valoración obtenida por sendos candidatos en los 3 aspectos principales mencionados en las bases del concurso fue la siguiente:
|
Candidato |
Impacto científico | Complejidad técnica | Potencial industrial |
TOTAL |
|
Nicolás Calvo |
40 |
21 |
18 |
79 |
|
Edgar Ramírez |
35,11 |
27 |
16,5 |
78,61 |
Desde la Coordinación del GT felicitamos a los 2 finalistas por la excelencia de sus trabajos, pero no nos queremos olvidar de agradecer al resto de candidatos, cuyos trabajos de investigación son también muy merecedores de reconocimiento. Por ello los listamos a continuación:
|
Autor |
Tesis Doctoral |
| Lidia M. Belmonte Moreno | Control and Navigation of Unmanned Aerial Vehicles Based on Computer Vision for Assistance Robotics |
| Jorge Lozano Nájera | Metodología de mejora de producción y cadena de suministro en industria alimentaria basada en SMED |
| Jorge Luis García Alcaraz | Modelos causales para la implementación de herramientas de
manufactura esbelta y cadena de suministro |
| Carlos Gómez Palacín | Efficient scheduling of batch processes in continuous processing lines |
| José Roberto Mendoza Fong | Proveedores y procesos productivos verdes y los beneficios obtenidos en la industria manufacturera |
| Eslam Montaser Roushdi Ali | Stochastic seasonal models for glucose prediction in Type-1 diabetes |