Jesús González defenderá su tesis el viernes 28 de noviembre

Jesús González Sieiro es ingeniero energético por la Universidad de Vigo (2015–2019) y cuenta con un máster en Matemática Industrial por la Universidad de Santiago de Compostela (2019–2021).

Actualmente es estudiante de doctorado en la Universidad del País Vasco, en colaboración con BCAM (2021–2025). Sus intereses de investigación se centran en la dinámica de fluidos computacional, el aprendizaje automático, las redes neuronales profundas, la computación de alto rendimiento (HPC), la ingeniería eólica offshore, la aerodinámica y el diseño óptimo.

Jesús González Sieiro es ingeniero energético por la Universidad de Vigo (2015–2019) y cuenta con un máster en Matemática Industrial por la Universidad de Santiago de Compostela (2019–2021).

Actualmente es estudiante de doctorado en la Universidad del País Vasco, en colaboración con BCAM (2021–2025). Sus intereses de investigación se centran en la dinámica de fluidos computacional, el aprendizaje automático, las redes neuronales profundas, la computación de alto rendimiento (HPC), la ingeniería eólica offshore, la aerodinámica y el diseño óptimo.

Su tesis, titulada «Mejora de las simulaciones CFD para aerogeneradores eólicos marinos flotantes mediante técnicas de aprendizaje profundo», está dirigida por el Prof. David Pardo (BCAM, Ikerbasque y UPV/EHU) y el Dr. Vincenzo Nava (Universidad Politécnica de Turín). La defensa está programada para el 28 de noviembre de 2025, en la Sala Adela Moyua, Facultad de Ciencia y Tecnología (EHU-Leioa), a las 11:15 horas.

En nombre de todos los miembros de BCAM, queremos desearle mucho éxito en el futuro, tanto a nivel profesional como personal.

Resumen

Esta tesis propone metodologías innovadoras de aprendizaje profundo (Deep Learning, DL) para abordar el elevado coste computacional y los retos asociados a la obtención de simulaciones precisas de dinámica de fluidos computacional (CFD), fundamentales para la optimización del diseño de aerogeneradores eólicos marinos flotantes (FOWT).

El trabajo presentado está unificado por el uso de la diferenciación automática (Automatic Differentiation, AD), que permite integrar códigos CFD de alta fidelidad dentro de marcos de aprendizaje profundo.