APRÈN. Portal de la producció docent del professorat de la UPC

The main objective of this thesis is to create a compact, autonomous, vertical solution for indoor leafy greens gardening that minimizes surface area. The proposed product integrates sensors, pumps,andactuatorstoautonomouslycontrolenvironmentalparameterssuchastemperature, humidity, pH, EC, and water levels, thus simulating optimal environment for effective plant growth. Hydroponiccultivation principles were thoroughly investigated to establish the product's technical requirements. The resulting design utilizes the NFT hydroponic technique and specific environmental parameters to grow leafy greens such as lettuce and arugula. The development was based on a modular, standardized, and space-efficient architecture. The modular design allows the product to be expanded vertically up to the ceiling and horizontally as required. Each unit incorporates hydroponic channels, artificial lighting, ventilation, sensors, and actuators to ensure automated operations with minimal user intervention, limited to refilling water and fertilizers, harvesting, and planting. Inadditiontothedesign,thethesisevaluatestheproject'senvironmentalsustainability. Through life cycle analysis and CO2 footprint estimation, the values obtained are compared with supermarket vegetable alternatives. The results demonstrate the reduced environmental impact caused by the greater efficiency of hydroponics compared to traditional cultivation and savings in the supply chain and packaging. The result is a more sustainable urban lifestyle. Although the technical objectives have been achieved, the cost analysis reveals that the production cost of the thesis design is high for the current market. Further research and development will be required to optimize costs and validate the performance of the proposed solution for future commercialization.

Motor impairments resulting from neurological disorders such as stroke often lead to significant disability, requiring intensive rehabilitation. Depending on the severity of the brain lesion, some patients may not qualify for conventional physical therapy due to limited residual motor function. Brain-Computer Interfaces (BCIs), particularly those based on Motor Imagery (MI), offer a promising alternative for supporting neurorehabilitation in severely impaired individuals. MI has been proven to elicit brain activation patterns similar to actual movement, making it especially useful in cases where overt motor execution is not possible. This project aims at designing and developing a functional framework for an MI-based BCI capable of classifying left versus right hand motor imagery and delivering real-time neurofeedback. EEG signals were acquired from eleven healthy subjects during a standardized MI task. The data were used to implement an offline processing pipeline that included signal preprocessing, feature extraction using Common Spatial Patterns (CSP) algorithm, dimensionality reduction through feature selection, and classification using various supervised learning algorithms. Classification performance varied considerably across individuals, with 7 out 11 subjects achieving accuracies above 80%, and the best subject reaching 91.6%, while others scores close to chance level. These results confirm both the feasibility of the proposed system and the strong inter-subject variability often observed in MI-BCI applications. An online prototype was also developed, integrating real-time EEG acquisition, CSPbased feature extraction, classification, and visual feedback. Although online testing was limited to a small number of sessions due to time constraints, the system demonstrated its capacity to detect and respond to MI tasks in real time. Two additional BCI applications based on blink detection were implemented as demonstrators, showing high responsiveness and positive user feedback in public science outreach events. Despite promising results, the system's generalization remains limited, and the lack of data from motor-impaired individuals represents a noteworthy constraint. Future work should focus on improving the robustness and adaptability of the real-time system through extended calibration, adaptive learning, and testing with clinical populations. With continued development and validation, the proposed MI-BCI framework holds potential as a cost-effective and accessible tool for neurorehabilitation.

Aquest treball se centra en el desenvolupament d'un model numèric per a la predicció de les propietats elàstiques equivalents de peces fabricades mitjançant la tecnologia d'impressió 3D per deposició de filament fos (Fused Filament Fabrication, FFF). L'estudi proposa una metodologia que combina simulació numèrica, desenvolupaments de models numèrics i validació experimental, amb l'objectiu d'avaluar la precisió dels models generats. Les propietats elàstiques estudiades són el mòdul de Young (E) i el coeficient de Poisson (ν), centrant-se en peces impreses amb patró rectilini de 0–90º. Per assolir aquest objectiu, s'ha modelat una porció representativa del material (RVE), constituïda per quatre capes alternades amb un filament central complet i mig filament addicional a cada costat. A partir d'aquesta geometria, s'han realitzat diverses simulacions en condicions de deformació plana, tot variant la posició dels centres de curvatura de l'arrodoniment dels filaments, representant la variació de la densitat d'emplenament de la peça, així com les propietats elàstiques del material base. Aquests tres paràmetres (mòdul de Young, coeficient de Poisson i infill) constitueixen les variables d'entrada dels models numèrics desenvolupats. Com a variables de sortida, s'han considerat les propietats elàstiques equivalents resultants. Amb els resultats obtinguts de les simulacions, s'ha construït un banc de dades que s'ha emprat per a l'entrenament dels diferents models numèrics basats en algoritmes de machine learning. Inicialment, s'ha realitzat un estudi estadístic per a cada variable de sortida, a partir del qual s'han obtingut expressions analítiques basades en transformacions de les variables d'entrada. De manera paral·lela, s'han entrenat diversos models de regressió, lineals i no lineals, utilitzant el programari MATLAB. Aquests models han estat avaluats mitjançant tests independents, amb l'objectiu de validar la seva capacitat predictiva. Finalment, per a cada variable de sortida, s'han seleccionat els tres models amb millor rendiment com a candidats finals. La fase experimental ha consistit en la realització d'assaigs de tracció sobre provetes impreses en PLA, amb densitats d'emplenament del 40%, 60% i 80%. Per a cada nivell d'emplenament s'han imprès tres provetes, amb l'objectiu de garantir la repetibilitat dels resultats. Les provetes han estat impreses amb orientació horitzontal respecte a la safata d'impressió, amb els eixos X i Y paral·lels al pla de la safata i la direcció Z corresponent a l'altura de capa. Les provetes han estat instrumentades amb extensòmetres per mesurar les deformacions longitudinals i les transversals. Amb aquesta configuració s'han obtingut experimentalment els valors del mòdul de Young Ex i νxy, els quals s'han emprat per a la validació dels models numèrics desenvolupats. Els valors obtinguts experimentalment s'han comparat amb les prediccions dels models numèrics i amb els de les simulacions. Els resultats obtinguts mostren que els models de regressió basats en processos gaussians (GPR) i les xarxes neuronals ofereixen una precisió excel·lent, amb errors inferiors al 3 % en la majoria dels casos. Cal destacar també l'eficàcia de les equacions obtingudes a partir de l'estudi estadístic previ, que, malgrat la seva simplicitat, han proporcionat resultats comparables als dels models entrenats. Aquest estudi demostra la viabilitat d'estimar les propietats elàstiques de peces fabricades per FFF amb alta precisió, evitant la necessitat de simulacions complexes o assaigs físics. Com a línies futures, es proposa incorporar dades experimentals en l'entrenament dels models, analitzar altres patrons d'impressió i considerar paràmetres de procés com la viscositat o la temperatura, amb l'objectiu de millorar la robustesa i l'abast dels models proposats.

Aquest Treball de Final de Màster té com a objectiu la digitalització i automatització del procés de pressupostació de llibres a l'empresa Encuadernaciones Bardenas S.A., mitjançant el desenvolupament d'una pàgina web accessible per a clients registrats. Fins al moment, aquest procés es realitzava sempre de forma manual, a través de trucades telefòniques (o correus electrònics) i calculant els pressupostos amb fulls de càlcul (Microsoft Excel). La nova plataforma permet als usuaris introduir les característiques dels seus llibres en un formulari en línia i rebre de manera immediata un arxiu PDF amb el pressupost al correu, optimitzant temps i recursos. Pel desenvolupament del web s'han utilitzat tecnologies com Python (Flask), SQLite com a base de dades, i eines addicionals com ReportLab per a la generació dels pressupostos en format PDF. La interfície d'usuari ha estat dissenyada amb HTML, CSS i elements de JavaScript, per a una experiència funcional i intuïtiva. A més, la web ha estat desplegada als servidors d'Amazon Web Services, aprofitant la seva accessibilitat i fiabilitat. Un element clau per a la realització d'aquest projecte ha estat l'ús de la intel·ligència artificial, específicament ChatGPT, que ha jugat un paper fonamental en el desenvolupament del sistema. Gràcies a aquesta eina, s'ha pogut obtenir informació i coneixements en temps real, cosa que ha permès superar diversos reptes tècnics i adquirir habilitats en noves tecnologies de manera eficient. La intel·ligència artificial no només ha estat una font d'informació, sinó que també un recurs essencial per a la presa de decisions durant el projecte. Els resultats han estat positius. La implementació del sistema ha aconseguit reduir el temps requerit per a obtenir pressupostos, millorant l'experiència de l'usuari i augmentant l'eficiència operativa de l'empresa. A més, el fet que els clients puguin explorar autònomament diferents configuracions ha augmentat la seva satisfacció. En conclusió, aquest projecte demostra com la digitalització i l'automatització, gràcies a la intel·ligència artificial, són cada cop més accessibles i capaces de transformar processos tradicionals.

Epilepsy, a neurological disorder affecting millions worldwide, presents significant challenges in its drug-resistant form, where standard treatments often fail. The GALVANI project aims to address these challenges by developing personalized whole-brain models to optimize therapeutic strategies such as transcranial current stimulation and surgery. These models integrate structural, functional, and clinical data to simulate seizure dynamics and predict treatment outcomes. This thesis focuses on advancing the pipeline for whole-brain modeling by transitioning from invasive stereo-electroencephalography (SEEG) to non-invasive scalp electroencephalography (EEG). Using neural mass models (NMMs) and structural connectivity derived from diffusion MRI, the study develops a framework to personalize whole-brain models using EEG data. Key steps include generating synthetic EEG via forward modeling, comparing it to empirical EEG, and optimizing model parameters such as excitability. Validation results highlight the feasibility of capturing seizure propagation patterns using EEGbased models. In particular, topographic amplitude patterns (topographic maps) show a strong spatial correspondence between synthetic and real EEG, especially in regions identified clinically as seizure onset zones. Although functional connectivity comparisons show some qualitative similarities, further work is needed to improve their quantitative alignment. Frequency-specific analyses underscore the relevance of tailoring the model to epileptically meaningful bands, such as theta and gamma, which appear most sensitive to ictal activity. By reducing the invasiveness of data acquisition while maintaining biologically plausible seizure propagation dynamics, this work contributes to the development of clinically applicable, patientspecific simulations for epilepsy treatment. Future directions include integrating multimodal data and extending the framework to other neurological disorders.

The increasing penetration of renewable energy sources and the growing demand for electricity necessitate efficient power management strategies. Demand Side Management (DSM) plays a crucial role in optimizing energy consumption and ensuring grid stability. This report explores DSM strategies through the implementation of the Optimal Power Flow (OPF) technique with a focus on convex optimization. Convex optimization methods provide computationally efficient solutions to OPF problems while ensuring global optimality and robustness. This report integrates convex optimization with DSM approaches to enhance energy efficiency, improve load flexibility, and reduce peak demand. Simulation results demonstrate the effectiveness of the proposed methodology in achieving economic and operational benefits

This document covers the development of a distributed network of gas sensors useful to monitor the concentration of different gases in any office, car workshops, food conservation environments and other similar spaces. The project aims to design three different modules. The module for offices senses CO2 and volatile compounds (TVOC) concentrations. The module for car workshops senses CO, NOx, and particulate matter (PM) concentrations. The module for food conservation environments senses CO2 and O2 concentrations. In addition, all these modules sense temperature and relative humidity. The development of the project requires to program sensors, to define a communication architecture to send and store sensors' data in a database, to create a graphical user interface (GUI) to visualize data, and to design cases that integrate each module. The hardware needed for the project consists of digital and analogic sensors, and ESP32-based microcontrollers, which can be programmed via Arduino IDE. Regarding communication, the tool Mosquitto allows to use MQTT protocol to transmit data. This data is stored in a database by means of Node-RED and InfluxDB, where data visualization is done. 3D printing is used to create the cases that integrate the modules. The realization of the project gives as a result three fully functional modules that provide CO2, TVOC, CO, NOx, PM and O2 concentration data. All this data can be visualized in a graphical user interface. Lastly, the hardware has been properly integrated in small boxes that provide protection against external agents. It has been surprising to discover how important it is to select the right hardware to meet the requirements set for the system. Powerful and useful tools such as ESP32- based microcontrollers, Mosquitto, Node-RED and InfluxDB have introduced me to the interesting and growing world of Internet of Things

El presente Trabajo de Fin de Máster (TFM) se centra en el análisis de señales electroencefalográficas (EEG) para detectar indicios de conciencia en pacientes diagnosticados con estados alterados de conciencia (EAC), como el síndrome de vigilia sin respuesta (SVSR) o el estado de mínima conciencia (EMC). A través de un protocolo basado en tareas de imaginería motora, se ha buscado identificar patrones neurofisiológicos en EEG que evidencien intenciones cognitivas en ausencia de movimiento voluntario observable. La muestra incluyó 19 pacientes con daño cerebral adquirido (DCA), a quienes se aplicó un protocolo específico con mediciones EEG para evaluar diferencias entre condiciones de descanso e imaginería motora. Se observaron respuestas cerebrales consistentes en algunos participantes, lo cual refuerza la necesidad de mejorar los criterios diagnósticos tradicionales. Estos hallazgos podrían contribuir a una transformación en la evaluación clínica de la conciencia, ofreciendo alternativas más precisas y éticamente responsables en el abordaje de pacientes no comunicativos.

This thesis analyses the resilience and thermal comfort of the most representative building type in the lowest-income neighbourhood of Barcelona, located in a region with a continental Mediterranean climate. The main objective is to examine how a vulnerable and poorly adapted dwelling responds to rising temperatures and other extreme weather events associated with climate change. The selection of the building was the result of a thorough preliminary investigation into which energy poverty indicators can be applied at the neighbourhood scale. While many of these indicators require specific data that are not easily accessible to students, average disposable income was identified as a recurring and publicly available variable in most of them. Consequently, this indicator was used to select the neighbourhood with the lowest average income in Barcelona. Once it was selected, the predominant building typologies were studied, and the most representative structure, along with its construction materials, was chosen. The study incorporates cooling technologies affordable for low-income households, with a focus on passive strategies applied to a building model developed using OpenStudio and EnergyPlus platforms. The climate data used in the simulations were generated following the methodology proposed by Annex 80 for the city of Barcelona, given the worst expected IPCC scenario, the RCP8.5 pathway. Three temporal scenarios were considered: present day (2006-2025), mid-term future (2041-2060), and long-term future (2081-2100), with special attention given to extreme heatwave events. To assess the building's performance, several indicators of thermal comfort and resilience were used. Additionally, a literature review of similar studies was conducted, focusing on the impact of climate change on economically vulnerable buildings, aiming to identify new, practical, and applicable indicators for future work. Additionally, an analysis of similar studies focusing on the effects of climate change on buildings in situations of economic vulnerability has been carried out, with the aim of identifying new indicators that could be useful and easily applicable in future work. The results obtained seek to contribute to the detection and mitigation of energy poverty, highlighting how it may be exacerbated by the effects of climate change. Although passive strategies retain a certain degree of effectiveness under current conditions, their performance declines significantly in future scenarios, posing a risk to the health of occupants. This situation highlights the need to incorporate low-cost hybrid or active solutions. Despite the inherent limitations of simulation programs and the uncertainty associated with climate projections, this study aims to lay the foundations for more comprehensive future energy analyses, also considering the socioeconomic dimension, where poverty indicators will be of great help.

Aquest treball de fi de màster presenta una anàlisi exhaustiva del llançament de lebrikizumab, un fàrmac biològic per a la dermatitis atòpica (AD) moderada a severa, focalitzat al mercat de la Unió Europea. L'estudi, basat en el context farmacèutic del món real, explora el procés des del desenvolupament clínic fins al llançament comercial, combinant principis teòrics, investigació de mercat i modelització econòmica. L'objectiu és explorar la viabilitat comercial i la planificació estratègica necessàries per llançar un fàrmac biològic a la UE, sota el marc regulador de l'Agència Europea del Medicament (EMA). Tot i que s'inspira i beu de l'experiència professional de l'autor, totes les dades provenen de materials públics i no confidencials. Finalment, aquest projecte està enfocat a través de l'òptica de Gestió del Cicle de Vida (Life Cycle Management, LCM), avaluant la logística, la previsió de la demanda, la competència del mercat i, en general, les estructures de costos. Un model financer, que inclou un estudi detallat de Pèrdues i Guanys i cash-flow dóna suport a l'avaluació de la viabilitat.

The rapid proliferation of Electric Vehicles presents significant challenges to power-grid stability, especially when thousands of cars charge simultaneously without coordination. This thesis investigates two complementary families of scalable control schemes—(i) Mean-Field Control (MeanField Games and Mean-Field-Type Games), and (ii) model-free Reinforcement Learning (classical Reinforcement Learning and Deep Reinforcement Learning)—that capture stochastic arrivals, nodal capacity limits, ambient-temperature effects and battery degradation. Analytical mean-field-based formulations yield decentralized charging policies that depend only onpopulationstatisticsandenjoyϵ-Nashoptimalityasfleetsizegrows,whilereinforcement-learningbased agents learn directly from interaction histories and cope naturally with partial observability and non-stationary price signals. A common set of nine key performance indicators is applied to two benchmark scenarios: a one-night, three-node grid and a seven-day, heterogeneous 1 000-EV testbed built on real distribution-network data. Results show that Mean-Field-Type Games minimizes unmet energy (1 %) and queueing delays, Deep Reinforcement Learning maximizes average final State-of-Charge (81 %) under volatile tariffs, and classical Reinforcement Learning provides the most interpretable albeit least efficient baseline. Thesequantifiedtrade-offsclarifywhenmodel-basedequilibriummethodssufficeandwhenadaptive, data-driven controllers become indispensable, providing actionable guidance for large-scale, battery-health-aware EV-charging deployments.

En los últimos años, la demanda de plantas de energía solar fotovoltaica está aumentando exponencialmente. Sin embargo, no todo el mundo cuenta con el conocimiento necesario sobre este tema. Por lo tanto, este trabajo tiene como objetivo, por un lado, explicar cómo funciona la energía solar fotovoltaica y qué tipo de modelos se pueden encontrar actualmente. Además, se centrará en ajustar un modelo predictivo para estimar la generación de energía solar fotovoltaica. En la primera parte, la parte más teórica se abordarán diferentes temas, empezando por los principios más básicos para generar energía solar y un repaso por la historia de ésta, hasta los modelos que se pueden encontrar actualmente y cómo, según nuestras necesidades, hay modelos o elementos que se adaptarán mejor. La segunda parte se centrará en ajustar un modelo predictivo, utilizando una base de datos pública y externa. En esta fase, se estudiará la ecuación utilizada para predecir energía solar y el algoritmo estará dividido en tres etapas. La primera etapa será la que nos ayudará a limpiar los datos no necesarios del código y solucionará problemas como falta de algunos datos de la base, creando así un documento con todos los datos filtrados. La segunda parte consistirá en la implementación de dos modelos diferentes, con los que se entrenará el código con el objetivo de minimizar el error. Finalmente, se analizarán los resultados de la herramienta predictiva con la que poder estimar la energía solar generada por un inversor en cualquier parte del mundo.