Soy graduado en Ingeniería Informática por la Universitat Jaume I (2022) y máster en Ciencia de Datos por la Universitat Oberta de Catalunya (2023).
Comencé mi participación en el Grupo de Fluidos Multifásicos a través de un período de prácticas extracurriculares durante el año 2020. Posteriormente, llevé a cabo mi Trabajo de Final de Grado en colaboración con FACSA, concluyendo dicho trabajo en el año 2022. En la actualidad, ocupo la posición de personal técnico investigador.
Mi principal estudio se encuentra dentro de la línea de investigación que se centra en la aplicación de modelos de Machine Learning en el ámbito de CFD, con el propósito de agilizar simulaciones y llevar a cabo predicciones en tiempo real, entre otras aplicaciones significativas. En la actualidad, mi participación activa abarca proyectos como PORTMOD (Plataforma de gestión ambiental aplicada al control de contaminación atmosférica en puertos basada en IA y simulación computacional de fluidos) y VIRAL (Desarrollo del reactor virtual en Estación Depuradora de Aguas Residuales).
Adicionalmente, existe otra línea de investigación que emplea también técnicas de Machine Learning para el tratamiento y predicción de series temporales. Esta iniciativa se inició en colaboración con FACSA durante la realización de mi TFG, se amplió con el TFM, y actualmente se encuentra en fase de consideración para su expansión a otros ámbitos.
Asimismo, en calidad de miembro de la Cátedra, he participado recientemente en eventos de divulgación científica como Conecta con la Ciencia, Mednight GTS o Firujiciencia. Estos eventos tienen como objetivo primordial educar a audiencias de todas las edades sobre la ciencia subyacente a nuestras investigaciones.
Mi interés se centra específicamente en las siguientes áreas:
- Optimización de Simulaciones CFD mediante Técnicas de Machine Learning: Mi atención se dirige hacia la mejora de la eficiencia en simulaciones CFD a través de la aplicación de técnicas avanzadas de Machine Learning. Este enfoque busca agilizar y perfeccionar los procesos de simulación en el ámbito CFD.
- Incorporación de Conocimientos Físicos y Matemáticos en Modelos de Machine Learning para CFD: Aspiro a integrar los fundamentos físicos y matemáticos característicos de mi grupo de investigación en los modelos de Machine Learning destinados a aplicaciones en CFD. Este objetivo tiene como propósito enriquecer y potenciar la capacidad predictiva de dichos modelos mediante la incorporación de conocimientos especializados.
- Aplicación de Machine Learning en el Análisis y Predicción de Series Temporales: Otra área de mi interés se centra en la utilización de técnicas de Machine Learning para llevar a cabo análisis y predicciones en el contexto de series temporales. Este enfoque se orienta hacia la aplicación práctica de algoritmos de aprendizaje automático en la interpretación y anticipación de patrones en conjuntos de datos temporales.
