La Cátedra Telefónica de la UEx premia a los mejores TFM y TFG relacionados con las nuevas tecnologías para la transformación digital de sectores productivos

18/02/2026. La Cátedra Telefónica de la Universidad de Extremadura ha premiado a los mejores Trabajos Fin de Máster (TFM) y Trabajo Fin de Grado (TFG) de la UEx relacionados nuevas tecnologías (IoT, Big data, Machine Learning o Blockchain) orientadas la transformación digital de sectores productivos (curso 2024/2025, convocatoria de fecha 13 de octubre de 2025).

Los proyectos premiados han sido los siguientes:

Amanda Merino Tapia. Propuesta de algoritmo heurístico para la reducción de las emisiones de carbono en Redes Definidas por Software (Grado en Ingeniería Informática en Ingeniería del Software – Escuela Politécnica)

En las últimas décadas, el tráfico global de Internet ha crecido de forma exponencial, impulsado por la digitalización de todos los sectores y la expansión de servicios en la nube, dispositivos conectados y aplicaciones basadas en inteligencia artificial. Este aumento constante de la demanda ha elevado significativamente el consumo energético asociado a las infraestructuras de red, lo que repercute directamente en las emisiones de carbono del sector TIC, responsables ya de entre el 2 y el 3% del total mundial.

Pese a los avances logrados en eficiencia energética, las previsiones indican que este porcentaje seguirá aumentando al mismo ritmo que el tráfico de datos. Diversas iniciativas, como el Acuerdo de París y la estrategia Net Zero, han reforzado la necesidad de reducir dichas emisiones en el ámbito digital.

En este contexto, el trabajo presentado se centra en estudiar y proponer mecanismos que permitan disminuir las emisiones generadas por las redes de comunicaciones sin comprometer su rendimiento, alineándose con los objetivos de la transformación digital sostenible. De esta forma, se aporta una perspectiva innovadora sobre cómo optimizar la eficiencia de las infraestructuras de red en un contexto de creciente demanda energética y computacional.

El objetivo principal de este trabajo es minimizar las emisiones de carbono generadas por redes de comunicaciones, sin comprometer su rendimiento ni conectividad en el proceso. Para lograrlo, se propone un modelo de encaminamiento de tráfico que, mediante un proceso iterativo de apagado selectivo de enlaces infrautilizados, permite redirigir la información hacia rutas más eficientes a nivel de emisiones.

Para alcanzar este objetivo general, se definieron los siguientes subobjetivos:

• Analizar y modelar la red, incorporando datos de emisiones en tiempo real para representar correctamente la topología y el tráfico de la infraestructura.
• Estudiar técnicas de apagado de enlaces (sleeping), evaluando su impacto en la eficiencia energética y la conectividad de la red.
• Investigar soluciones de Carbon-Aware Networking existentes y su integración con la información de emisiones para optimizar el encaminamiento del tráfico.
• Desarrollar y validar el algoritmo de enrutado, implementando distintas variantes y métricas que permitan seleccionar rutas óptimas y evaluar la reducción de emisiones.
• Analizar y comparar los resultados, considerando diferentes topologías y cargas de tráfico, para identificar las alternativas más eficientes y reproducibles.

En conjunto, estos objetivos reflejan una motivación clara: avanzar hacia redes de comunicación más sostenibles, incorporando soluciones prácticas y replicables que combinan eficiencia, innovación tecnológica y responsabilidad ambiental.

El algoritmo desarrollado en este trabajo se centró en reducir las emisiones de carbono en redes de telecomunicaciones sin comprometer la eficiencia del tráfico. Para ello, se combinaron dos estrategias de enrutamiento: primero, un enrutamiento rápido sin considerar emisiones; luego, un enrutamiento optimizado para seleccionar los enlaces que menos contribuyen a la huella de carbono. Esta combinación permitió lograr un equilibrio entre rendimiento y sostenibilidad. Se probaron distintas topologías de red, Abilene, Geant y Nobel, lo que permitió evaluar el algoritmo en redes de diferentes tamaños y características. Los resultados más destacados fueron:

• Con un apagado de apenas el 3% de los enlaces, se consiguió una reducción significativa de las emisiones, demostrando que cambios pequeños pueden tener un gran impacto.
• En redes grandes como Geant, los tiempos de ejecución aumentan, lo que sugiere que en escenarios reales podrían requerirse equipos más potentes o soluciones distribuidas.
• La disponibilidad y precisión de los datos sobre emisiones es clave: en algunas redes con nodos muy densos, las limitaciones de la API utilizada redujeron la granularidad de los resultados.
• El análisis de la ejecución cada hora durante un día completo mostró momentos críticos del día donde aplicar el algoritmo resulta más beneficioso, abriendo la puerta a estrategias de ejecución dinámica.

En conjunto, el algoritmo demuestra ser una solución práctica y flexible para reducir la huella de carbono en redes de telecomunicaciones, combinando eficiencia energética con un rendimiento operativo adecuado, y ofreciendo una base para futuras mejoras y aplicaciones en entornos reales.

Clara Galván Bermúdez. Sistema Blockchain para la venta de entrada (Grado en Ingeniería Informática en Tecnologías de la Información – Centro Universitario de Mérida)

La industria de los eventos en vivo mueve millones de euros anualmente, pero enfrenta graves problemas derivados de la compraventa digital de entradas: fraudes, falsificaciones, reventas abusivas y falta de transparencia en los precios. Las prácticas ilegítimas de reventa mediante bots automáticos, la manipulación de precios dinámicos y la facilidad para duplicar entradas en formato PDF han deteriorado la confianza del usuario en el mercado de ticketing online.

Aunque existen normativas recientes como la Ley de Servicios Digitales (DSA), su alcance resulta insuficiente para eliminar el fraude. Se requiere un enfoque tecnológico que garantice integridad, autenticidad y trazabilidad de las operaciones.

En este contexto surge EventChain, una aplicación descentralizada (dApp) desarrollada sobre la blockchain pública de Ethereum, que propone un sistema seguro, transparente y accesible para la compraventa de entradas digitales, eliminando intermediarios y asegurando la propiedad mediante tokens no fungibles (NFT). Este trabajo se enmarca en los objetivos de la Cátedra Telefónica “Transformación digital de sectores productivos”, aportando una aplicación real de las tecnologías Blockchain y Ciberseguridad a la digitalización del sector cultural y del entretenimiento.

El objetivo principal es diseñar e implementar una aplicación descentralizada para la gestión completa del ciclo de vida de las entradas, desde su emisión hasta la validación en el evento, utilizando tecnología blockchain. Objetivos específicos: – Desarrollar una arquitectura basada en Ethereum que garantice la trazabilidad de las transacciones. – Representar cada entrada mediante un token no fungible (NFT) que asegure unicidad y autenticidad. – Eliminar intermediarios mediante contratos inteligentes, reduciendo el fraude y los costes de gestión. – Implementar un sistema de verificación mediante códigos QR dinámicos y temporales. – Fomentar la propiedad digital y la interoperabilidad con billeteras como MetaMask.

El sistema desarrollado se materializa en una dApp funcional denominada EventChain, que permite: – Comprar y revender entradas con total trazabilidad. – Integración de un sistema de verificación de entradas basado en códigos QR dinámicos generados desde la propia aplicación, vinculados criptográficamente al propietario del token. Este mecanismo complementa la capa de seguridad proporcionada por la blockchain, permitiendo un proceso de validación ágil y seguro en el acceso a los eventos. Los QR tienen una caducidad temporal. – Asignar roles (administrador, organizador, colaborador, usuario) con distintos permisos. – Reducir fraudes y duplicaciones gracias a la verificación descentralizada. – Demostrar la viabilidad técnica y económica de soluciones blockchain en el sector cultural y de espectáculos.

El proyecto constituye una innovación en la digitalización del sector cultural al reemplazar los modelos centralizados por un sistema transparente y resistente al fraude. La combinación de blockchain y ciberseguridad crea un marco de confianza sin intermediarios, donde cada entrada se convierte en un activo digital único y verificable. Este enfoque puede aplicarse también a otros sectores productivos como el turismo, el transporte o la educación para la gestión segura de acreditaciones, reservas o certificados digitales.

El uso de códigos QR dinámicos permite validar cada entrada de forma rápida y segura, mientras que la blockchain garantiza la autenticidad y propiedad del activo, evitando falsificaciones y manipulaciones. Los tokens no fungibles (NFT) actúan como títulos digitales asociados a la billetera del usuario, impidiendo reventas no autorizadas y duplicaciones. Todas las transacciones quedan registradas de forma inmutable, aportando trazabilidad completa y eliminando la necesidad de confiar en intermediarios.

Desde la perspectiva de la transformación digital, EventChain representa un cambio estructural en la forma de gestionar la confianza y la identidad digital. El sistema automatiza procesos mediante contratos inteligentes, elimina tareas manuales e intermediarios y reduce los costes operativos. Además, promueve la propiedad digital del usuario y la interoperabilidad entre plataformas, pilares de la nueva economía descentralizada. Esta evolución tecnológica moderniza la industria del entretenimiento y y ejemplifica cómo la adopción de infraestructuras distribuidas y seguras impulsa la competitividad, la transparencia y la sostenibilidad de los sectores productivos en la era digital.

Ruth Torres Gallego. Gestión de residuos de construcción y demolición con técnicas de Imagen Digital e Inteligencia Artificial (Grado en Ingeniería Informática en Ingeniería del Software – Escuela Politécnica)

La gestión de residuos de construcción y demolición (RCD) constituye un reto global debido a su gran volumen y heterogeneidad. Los métodos tradicionales de clasificación, basados en inspecciones manuales y pesajes físicos, resultan lentos, costosos y propensos a errores. Como alternativa, este proyecto propone un sistema automatizado de identificación y clasificación de materiales empleando técnicas de visión artificial y Deep Learning, con el fin de avanzar hacia procesos de reciclaje más eficientes y sostenibles.

El proyecto establece como objetivo general el diseño y desarrollo de un sistema automatizado de clasificación de RCD mediante Deep Learning, complementado con metas específicas como la creación de un conjunto de datos representativo, el entrenamiento de un modelo robusto, la implementación de un prototipo funcional accesible desde la web y la evaluación de su viabilidad. Estos objetivos se enmarcan en la búsqueda de soluciones que favorezcan la sostenibilidad y la economía circular en el sector de la construcción.

En la revisión de trabajos previos se identificaron dos grandes enfoques para la clasificación de materiales: el análisis mediante imágenes 2D y el uso de escáneres láser terrestres. Aunque estos últimos permiten obtener modelos tridimensionales de gran precisión, su coste y complejidad limitan su aplicabilidad en entornos industriales cotidianos. En cambio, las técnicas basadas en imágenes 2D, especialmente aquellas que emplean deep learning, ofrecen una alternativa más accesible y versátil, pese a su sensibilidad a las condiciones de iluminación.

Sobre esta base, se evaluaron distintas arquitecturas de visión artificial, concluyendo que un modelo de clasificación global resultaba más adecuado que otros métodos de detección de objetos como YOLOv5 o Faster R-CNN.

La metodología desarrollada comprendió la construcción de un dataset propio obtenido en una planta de reciclaje, con clases de materiales como hormigón, cerámico, piedra, yeso, asfáltico y residuos generales. Se aplicaron procesos de preprocesamiento y aumento de datos, y tras experimentar con diferentes arquitecturas de Deep Learning se seleccionó ResNet50 como modelo final, entrenado mediante técnicas de transfer learning para mejorar su capacidad de generalización.

El modelo entrenado se integró en un prototipo funcional de aplicación web desarrollado en Flask, que permite la clasificación tanto de imágenes fijas como de transmisiones de vı́deo en tiempo real desde una cámara.

La interfaz incluye herramientas adicionales, como la visualización de mapas Grad-CAM para interpretar las decisiones del modelo, la generación de un archivo en formato CSV con los resultados y un sistema de estadísticas de sesión que facilita el análisis de los resultados obtenidos.

Los experimentos realizados muestran que el sistema alcanza un rendimiento competitivo incluso con un conjunto de datos limitado, y que su integración en un entorno web resulta accesible y usable. La experiencia evidencia la viabilidad de trasladar el modelo a un entorno práctico, aunque también revela limitaciones relacionadas con el tamaño y el desequilibrio del dataset.

En conclusión, el trabajo demuestra la viabilidad técnica de aplicar redes neuronales convolucionales a la clasificación de RCD en entornos reales, sienta las bases de un sistema inteligente aplicable a escenarios de reciclaje industrial y abre la puerta a futuras mejoras como la ampliación del conjunto de datos, la incorporación de nuevas clases de materiales, la exploración de arquitecturas más avanzadas y la integración en plantas de producción a gran escala, contribuyendo a una gestión de residuos más inteligente y sostenible.

Con el fin de favorecer la reproducibilidad de los experimentos, todo el código desarrollado se encuentra disponible en un repositorio público en GitHub: Ruth-Torres/CDW-Management

Sara Guillén Torrado. MetronIA — Sistema de Análisis de Sincronía de Ritmos Musicales en Audios (Grado en Ingeniería Informática en Ingeniería del Software – Escuela Politécnica)

La transformación digital ha impactado profundamente en el sector educativo y la enseñanza musical no es una excepción. El acceso a recursos digitales es vasto, pero las herramientas de retroalimentación para la práctica instrumental siguen siendo escasas. Mientras que un profesor puede guiar al alumno, el estudio individual es esencial para conseguir buenos resultados, pero se pueden cometer errores que pasan desapercibidos y que, a la larga, dificultan el aprendizaje.

Esta carencia es un reto clave para la digitalización efectiva de la educación musical, un sector productivo donde la explotación de datos de sensores (IoT) y el Machine Learning pueden generar un impacto transformador.

El objetivo principal es facilitar el estudio a alumnos de música que sufren dificultades para interpretar correctamente ritmos musicales complejos. Incluso si se tiene una referencia como guía durante el estudio, es complicado para los estudiantes de música comparar esta referencia con sus propias interpretaciones si no disponen de las herramientas necesarias.

Como objetivos secundarios se definen los siguientes:

• Desarrollar un sistema que permita comparar dos audios, uno de referencia y uno de una interpretación en vivo, analizando sus características y detectando las diferencias rítmicas entre ellos.
  • Sincronizar los audios para que se puedan comparar de manera efectiva, teniendo en cuenta las posibles variaciones en el tempo global de cada audio.
  • Detectar los errores rítmicos en el audio de estudio respecto al audio de referencia, identificando las variaciones rítmicas e imprecisiones en la interpretación.
  • Proporcionar una visualización clara de las diferencias rítmicas entre los dos audios, destacando las secciones donde se producen errores.
• Establecer métricas de evaluación y umbrales para medir la precisión de los ritmos.

MetronIA analiza la sincronía rítmica entre dos audios musicales, uno de referencia y otro de una interpretación en vivo. Se basa en la detección de onsets y su emparejamiento mediante el algoritmo de ≪Deformación Dinámica del Tiempo≫ (DTW), así́ como en la detección del tempo de ambos audios, utilizando la librería Librosa de Python.

Además, MetronIA incluye un proceso de validación mediante la aplicación de operadores de mutación a ficheros MIDI, generando audios que simulan variaciones rítmicas y errores comunes en la interpretación musical.

MetronIA es un sistema que cumple perfectamente con los objetivos planteados. A partir de un audio de referencia y otro de una interpretación en vivo, es capaz de sincronizarlos y detectar las diferencias rítmicas entre ellos. Además, proporciona diferentes formas de visualización que permiten apreciar las diferencias rítmicas de forma clara y efectiva.

Además, gracias al sistema de validación, donde se aplican operadores de mutación a los ficheros MIDI de un amplio conjunto de ejemplos, se puede comprobar que MetronIA es capaz de detectar la gran mayoría de los errores rítmicos introducidos, por lo que se puede afirmar que el sistema es robusto y fiable.