• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Parcourir

    Tout UVaDOCCommunautésPar date de publicationAuteursSujetsTitres

    Mon compte

    Ouvrir une session

    Statistiques

    Statistiques d'usage de visualisation

    Compartir

    Voir le document 
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Grado UVa
    • Voir le document
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Grado UVa
    • Voir le document
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/77811

    Título
    Optimización de materiales para el almacenamiento de hidrógeno mediante modelos de aprendizaje automático
    Autor
    Villalaín Moradillo, Adrián
    Director o Tutor
    Hernando Gallego, Francisco
    Editor
    Universidad de Valladolid. Facultad de CienciasAutoridad UVA
    Año del Documento
    2025
    Titulación
    Grado en Estadística
    Résumé
    El hidrogeno es un vector energético prometedor para una transición hacia fuentes sostenibles, pero su almacenamiento eficiente sigue siendo un desafío. Este trabajo aplica tecnicas de aprendizaje automatico para modelar y predecir la capacidad de almacenamiento de hidrógeno en materiales porosos tipo MOFs (Metal-Organic Frameworks), a partir de propiedades como densidad, porosidad y area superficial. Se emplean modelos de regresión como Ridge, LASSO y Random Forest, y se evalua su desempeño mediante validación cruzada. Además, se exploran estrategias para la generacion de nuevos candidatos mediante interpolación y simulación. Los resultados evidencian la capacidad de los modelos para identificar materiales con propiedades prometedoras y facilitar la busqueda de compuestos óptimos para aplicaciones energéticas.
     
    Hydrogen is a promising energy vector in the transition to sustainable sources, although its efficient storage remains a challenge. This work applies machine learning techniques to model and predict the hydrogen storage capacity of porous materials known as MOFs (MetalOrganic Frameworks), using features such as density, porosity, and surface area. Regression models including Ridge, LASSO, and Random Forest are used and evaluated through crossvalidation. Additionally, strategies for generating new candidate materials through interpolation and simulation are explored. The results highlight the models’ ability to identify promising materials and support the discovery of optimal compounds for energy applications.
    Palabras Clave
    Hidrógeno
    MOFs
    Aprendizaje automático
    Departamento
    Departamento de Estadística e Investigación Operativa
    Idioma
    spa
    URI
    https://uvadoc.uva.es/handle/10324/77811
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Grado UVa [31805]
    Afficher la notice complète
    Fichier(s) constituant ce document
    Nombre:
    TFG-7469.pdf
    Tamaño:
    1.035Mo
    Formato:
    Adobe PDF
    Thumbnail
    Voir/Ouvrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalExcepté là où spécifié autrement, la license de ce document est décrite en tant que Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10