Esta web utiliza cookies para optimizar la navegación. Al continuar con su visita, usted acepta el uso de cookies y nuestra politica de privacidad Acepto

IK4 Doctorados

 

CEIT

Centro multicultural que desarrolla proyectos de investigación aplicada para mejorar la capacidad de innovación de las empresas.

 
DOCTORADOS

CEIT

Técnicas de aprendizaje supervisado y no supervisado para la detección de pérdidas técnicas (fugas), no técnicas (fraude) y predicción de consumo en redes de abastecimiento de agua

CEIT

INICIO: 02/2017

ABIERTO

OBTENCIÓN GRADO DOCTOR/A: 01/2020

Descripción

La gestión sostenible e integrada de los recursos hídricos es uno de los temas globales más complicados para una empresa de distribución de agua potable. El agua dulce es un recurso limitado y valioso, que hay que preservar y usar en su justa medida. Dado que el agua es un recurso escaso, entre otras cuestiones debido al crecimiento de la población y a los efectos por el cambio climático, debe ser gestionada de una manera eficiente, cuyo objetivo principal es que el máximo volumen de agua que entra en la red llegue a sus puntos de consumo, minimizando las pérdidas en la mayor medida posible.

La tesis doctoral se centrará en el desarrollo de algoritmos novedosos de análisis de datos y machine learning para la predicción de consumo ( water consumption forecasting) and detección de fugas, que faciliten la operación y la gestión de los sistemas de abastecimiento de agua.

En concreto se estudiarán:

1. Técnicas no supervisadas basadas en el análisis de series temporales definiendo para ello medidas de distancia entre series de consumo que estén específicamente diseñadas para la casuística tratada.

2. Herramientas y métodos basados en la teoría de grafos y conectómica cerebral para el descubrimiento de patrones funcionales causa/efecto.

3. Modelos capaces de automáticamente detectar seasonalities o cambios de tendencia/comportamiento en los datos (concept drift), de tal modo que son capaces de adaptarse al cambio y producir una predicción de buena calidad balanceando el Pareto entre plasticidad (adaptación al cambio aprovechando modelos previamente entrenados) y estabilidad (aprendizaje del modelo sin sobreajuste a cambios puntuales del dataset).

Los modelos desarrollados se validarán en datasets de dominio público, así como potencialmente con datos reales tras propuesta de colaboración con entes como URA o el Consorcio de Aguas.

Departamento o Unidad del Centro Tecnológico Asociado

Agua y Salud

Línea de investigación

Big data, Data Analytics and machine learning

Fecha inicio prevista

02/2017

Fecha obtención grado doctor/a

01/2020

Requisitos necesarios

Graduado en Ing. Telecomunicación con Master en Ing. Telecomunicación / Licenciado en Ciencias Exactas / Graduado en Matemáticas con Master en Modelización e Investigación Matemática, Estadística y Computacional, o con Master en Ing. Telecomunicación. Fin carrera: posterior a 2013 (excluido el pfc).

IK4 Research Alliance SELECCIONA EN ORDEN DE PRIORIDAD  LAS OFERTAS A LAS QUE DESEAS INSCRIBIRTE Poniendo el número 1 como primera opción, 2, ó 3 como última opción

Puedes elegir un máximo de 3 ofertas.
Recuerda que sólo debes darle a "Enviar" cuando ya tengas configuradas tus opciones correctamente, mientras tanto, usa el botón de "Guardar" para ir añadiendo más o modificarlas de posición.