Todo trabajo científico tiene en la comprensión de la realidad que nos rodea su objetivo primario. Consecuentemente, la formulación de hipótesis y modelos (versiones simplificadas de la realidad) es piedra angular en todas las disciplinas científicas. En automática esto no es una excepción, siendo el modelado y la simulación tareas transversales en todas sus categorías, desde el control de procesos industriales a la moderna bioingeniería pasando por la robótica o la visión por computador, entre otras. Aquí los modelos, si bien usualmente son representaciones simplificadas de los sistemas/procesos, tienen una particularidad que los diferencia de los empleados en otras disciplinas: la necesidad de obtener predicciones en tiempo real.

El grupo MSO, de un marcado carácter multidisciplinar, lo formamos investigadores e ingenieros de diversas especialidades que tenemos preocupación por dar respuesta a las anteriores necesidades, proponiendo metodologías para la construcción de modelos (eficientes) y, muy importante, su posterior utilización para la toma de decisiones en todos los niveles de la pirámide de control. En este sentido, desarrollamos modelos dinámicos de procesos/sistemas tanto de naturaleza continua como discreta e híbrida. Además, desarrollamos métodos eficientes para la resolución de las ecuaciones que forman dichos modelos. El resultado normalmente se plasma en metodologías de modelado y simulación de diversa índole, así como en bibliotecas y software que facilitan su reutilización sistemática dentro de un entorno de simulación, control u optimización. Con estos modelos podemos «simular la realidad» con el nivel de detalle deseado, lo que nos permite predecir el comportamiento de los sistemas y desarrollar aplicaciones de, por ejemplo:

Análisis de sensibilidad/flexibilidad para diseñar sistemas más robustos y/o competitivos (o mejorar los existentes).
Control predictivo basado en modelo, cada vez más utilizado desde el ámbito puramente industrial como a nivel doméstico.
Simuladores de procesos orientados al entrenamiento de personal, que emulan salas de control conectadas a instalaciones industriales desde las cuales puede operarse el proceso en tiempo real de forma similar a la realidad.
Gemelos digitales de procesos para soporte a la decisión, proporcionando herramientas de análisis tipo “qué pasa si” donde, partiendo de la situación real del sistema en cualquier instante, se predice la evolución de dichos procesos ante cambios en las condiciones.
Planificación de la producción en plantas de gran escala con sistemas complejos.

Además, el resurgir de las metodologías de aprendizaje automático y la entrada en la era de la digitalización masiva (i.e., Industria 4.0) se posicionan como piezas fundamentales en este puzle, por lo que en el grupo también dedicamos sustancial esfuerzo al:

Modelado basado en datos o de «caja negra», tanto en la fase de creación del modelo, incluyendo el ajuste a datos utilizando herramientas de aprendizaje máquina (e.g. redes neuronales artificiales), como en la posterior validación del modelo con la realidad.
Modelado híbrido de procesos, también llamados modelos de «caja gris» (leyes físicas + relaciones experimentales) que se ajustan a datos de planta mediante herramientas de reconciliación de datos y aprendizaje máquina.

Por supuesto, tanto en el ajuste de modelos a datos como en la toma de decisión en sus diferentes niveles (del diseño a la planificación, pasando por el control) las herramientas y métodos de optimización juegan un papel tan fundamental como los propios modelos. El grupo MSO trabaja en algoritmos y métodos de control óptimo (MPC) y optimización orientados normalmente a mejorar índices de calidad y económicos (problemas multiobjetivo en muchos casos), respetando las restricciones de operación y/o del proceso. Además, estudiamos métodos de optimización robusta/estocástica, que tienen en cuenta de forma explícita las incertidumbres de los modelos y la variabilidad de los procesos, así como la necesidad de tomar decisiones discretas y, en ocasiones, de tomar decisiones entre varios agentes o equipos de cálculo.

Nombre del documento	Nombre del archivo	Fecha	Descargar
Bases concurso tesis MSO 2026	TesisMSO_Bases_2026.pdf	Aug 26, 2026	Descargar
Anexos concurso tesis MSO	MSO_concursoTesis_Anexos.docx	Aug 26, 2026	Descargar

Grupo Modelado, Simulación y Optimización

Documentos