IDEPA-WindarRenovables

Paintroad, valorización de lodos de pintura intetrándolos en una mezcla asfáltica. 

 

Los lodos de pintura son un residuo industrial peligroso fruto de la aplicación del recubrimiento en las torres eólicas. La inertización y tratamiento de este residuo supone un impacto medioambiental en la fabricación, reducible mediante su valorización. Esta propuesta parte de la experiencia del grupo en valorización de residuos al integrarlos en matrices asfálticas para capas de rodadura de carreteras. El interés de valorizar los lodos de pintura es que, además de evitar su tratamiento, podría sustituir parte del betún asfáltico. Esta valorización tiene unos costes e impactos potencialmente inferiores a otras alternativas como la incineración. Además, la integración en el aglomerado asegura la inertización del residuo. Así, se produce una disminución del impacto medioambiental debido a que se evita el tratamiento de los lodos de pintura y, por otra parte, se sustituye parte del betún de origen fósil, con la consiguiente disminución de la huella de carbono.

La investigadora María Díaz Piloñeta del grupo de investigación e ingeniería sostenible fue la encarga de realizar la presentación de la candidatura. Por su parte José Valeriano Álvarez Cabal es el investigador del grupo de investigación en ingeniería sostenible  responsable de la candidatura. 

Proxi, desarrollo de un sensor virtual para la predicción de la formación de óxidos de corrosión por condensación en materiales y productos.

Los materiales almacenados en las industrias se ven sometidos a situaciones ambientales cambiantes que pueden provocar alteraciones de sus características. Un caso crítico es la condensación provocada por el contacto de aire con superficies a temperatura inferior. Los cambios en el clima, la apertura de puertas, el transporte, etc. son causas que provocan la aparición de este fenómeno y pueden ser extremadamente dañinas, debiendo reparar las superficies o rechazar materiales. Advertir la formación de rocío con antelación suficiente, permitiría prevenir la formación de óxidos e identificar en qué momento del ciclo productivo ocurre esta degradación, pudiendo tomar medidas (cobertura, cambio de ubicación, …) o incluso servir para justificarse ante clientes. PROXI utiliza datos ambientales del lugar de estudio y datos meteorológicos globales para crear un modelo predictivo que permita anticiparse a este fenómeno, actuando como un sensor virtual que ayuda en la toma de decisiones e implantación de medidas preventivas.

El proyecto fue presentado por el investigador Vicente Rodríguez Montequín  y está liderado por el investigador Francisco de Asís Ortega Fernández del grupo de investigación en Ingeniería de Proyectos e Ingeniería Sostenible.

Diagnóstico en tiempo real de diversas magnitudes físicas de una turbina eólica mediante monitorización inalámbrica autónoma y técnica sensorless

El control de las máquinas síncronas de imanes permanentes (PMSMs) que se usan en generadores eólicos requiere de la medida/estimación de la posición del rotor. La posición del rotor se obtiene generalmente usando encoders. La presente propuesta, pretende reemplazar el sensor de posición por sensores analógicos de efecto Hall. Dichos sensores pueden ser usados adicionalmente para obtener información sobre la temperatura, estado de magnetización de los imanes y par medio, permitiendo por tanto una monitorización en tiempo real del estado de la máquina. Así mismo, se pretende desarrollar un sistema predictivo basado en la medida de vibraciones para monitorizar el estado del tren de transmisión y palas que pueda integrarse con el sistema SCADA de la instalación. La presente propuesta pretende dar una solución integrada, robusta y de bajo coste, al problema del control, diagnóstico y monitorización del conjunto generador eólico-tren de transmisión y pala.

Este proyecto está liderado por los investigadores David Díaz Reigosa y María Martínez Gómez.

Aplicaciones a la Industria 4.0 de los desarrollos para el sistema de L1 Trigger de muones del experimento CMS del LHC (CERN) utilizando FPGAS con aprendizaje automático

El objetivo del proyecto consiste en proporcionar una demostración en laboratorio de algoritmos de aprendizaje automático para el reconocimiento de patrones en tiempo real basados en tarjetas FPGA que faciliten la exploración de aplicaciones en la industria 4.0. Se explorarán aplicaciones de dichos algoritmos que proporcionen soluciones de consumo, gran ancho de banda y alta velocidad a la industria. Se estudiarán en detalle las aplicaciones de los algoritmos de reconocimiento de patrones a la monitorización de los diferentes elementos de los procesos de fabricación. Este proyecto surge de la participación del grupo en la actualización del sistema de trigger de nivel 1 de CMS para la fase 2 del LHC, HL-LHC. El grupo de investigación posee una larga trayectoria en el desarrollo de aplicaciones basadas en aprendizaje automático para resolver diferentes tipos de problemas, y se han incorporado al mismo dos ingenieros expertos en electrónica y telecomunicaciones con amplia experiencia en programación de tarjetas FPGA.

El proyecto está liderado por el investigador Santigo Folgueras Gómez, del departamento de física del grupo de física experimental del altas energías. 

Presentación de candidaturas