Gran acogida del curso sobre machine learning en aeronáutica celebrado en la ETSIAE

|   Estudiantes

“Machine learning and statistical validation in aeronautics”, impartido por Lucas Lacasa, científico titular del CSIC y colaborador habitual de la UPM, ofrece formación en estas tecnologías propias de la industria 4.0 a profesionales de Airbus y el INTA.

Conseguir aeronaves cada vez más seguras, más ligeras, más eficientes y menos contaminantes es una constante de la aeronáutica, pero cómo conseguirlo es lo que hace que la industria evolucione incorporando las tecnologías más punteras existentes en el mercado en cada momento.

En la industria aeroespacial 4.0, la digitalización, la inteligencia artificial y dentro de esta, el aprendizaje automático o machine learning, toman un papel cada vez más activo. Reducir el coste y tiempo de desarrollo de una aeronave conlleva que se hagan menos pruebas en favor de simulaciones y se necesita que estas sean precisas y rápidas, sacando provecho a las capacidades de la computación de alto rendimiento en el procesamiento de grandes cantidades de datos.

Con este escenario, el grupo de investigación de la Universidad Politécnica de Madrid, Métodos y Aplicaciones Numéricas a la Tecnología Aeroespacial (NUMATH), dirigido por el catedrático de Matemática Aplicada Eusebio Valero, ha organizado el curso “Machine learning and statistical validation in aeronautics”. Esta formación, impartida por Lucas Lacasa, científico del CSIC y experto en el desarrollo de métodos para el análisis de sistemas complejos, ha sido seguida por más de 40 profesionales, incluido personal de Airbus e INTA.  

“Inicialmente este curso estaba concebido para unos 15 profesionales, pero debido al interés mostrado, hemos tenido que ampliar las plazas a más del doble e incluso habilitar un seguimiento en directo en streaming. Esto demuestra que es una tecnología que despierta la atención de la industria y el lugar destacado que ocupa la UPM en su desarrollo”, afirman los organizadores.

Durante cuatro días, en la Escuela Técnica Superior de Ingeniería Aeronáutica y del Espacio (ETSIAE) de la Universidad Politécnica de Madrid (UPM) se han tratado desde aspectos básicos de esta metodología hasta su aplicación en el ámbito aeronáutico. Con un intenso programa, las mañanas se han dedicado a sesiones teóricas, mientras que en las tardes los participantes han implementado algoritmos específicos y aplicado los conceptos aprendidos.

Este curso está financiado conjuntamente por la Comisión Europea y la Agencia Estatal de Investigación, a través de dos proyectos de investigación de los que forma parte NUMATH. Por un lado, SSeCoID (Stability and Sensitivity Methods for Flow Control and Industrial Design), que se centra en la aerodinámica y la simulación para desarrollar nuevos métodos y herramientas para el diseño de aeronaves con el fin de mejorar su rendimiento industrial. Y por otro, NextSim (Next Generation of industrial aerodynamic simulation code), que reconoce la necesidad de aumentar las capacidades de las actuales herramientas de dinámica de fluidos computacional para el diseño aeronáutico. El curso incorpora asimismo la experiencia del grupo NUMATH en distintos proyectos de desarrollo y aplicación de machine learning con la industria, y en particular con Airbus.

Sobre Lucas Lacasa
Lucas Lacasa se licenció en Física Teórica por la Universidad Complutense de Madrid en 2004 y se doctoró en Física de Sistemas Complejos por la Universidad Politécnica de Madrid en 2009. Fue Profesor Ayudante en la Escuela Técnica Superior de Ingeniería Aeronáutica y del Espacio de la UPM de 2010 a 2013. De 2013 a 2021 desarrolló su actividad docente en Queen Mary University of London (Reino Unido). Desde 2021 es Científico Titular del CSIC en el Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), y colabora regularmente con el grupo NUMATH de la UPM en proyectos de investigación relacionados con la exploración de datos (data mining). Utiliza, entre otras herramientas, el machine learning para analizar la aparición de la complejidad y la criticidad emergentes en sistemas físicos, sociotécnicos y biológicos, así como para desarrollar métodos innovadores para el análisis de datos, tema por el que obtuvo la beca EPSRC Early Career Fellowship y fue galardonado con el Premio Internacional en Ciencias Formales, otorgado por USERN.

Volver