En este proyecto, se busca general nuevas tecnologías que permitan mejorar el manejo de recursos hídricos en la sexta región.

Director de línea “Gestión de Riego Intrapredial con Inteligencia Artificial”

El Centro de Modelamiento Matemático (CMM) es un centro científico líder en Chile para la investigación y aplicaciones de las matemáticas. Fue inaugurado en abril del 2000 y forma parte de la Facultad de Ciencias Físicas y Matemáticas (FCFM) de la Universidad de Chile, en la que se encuentra la principal y más antigua escuela de ingeniería del país. Su objetivo es crear nuevas matemáticas y utilizarlas para resolver problemas provenientes de otras ciencias, la industria y las políticas públicas.

Resumen

Implementación de una microrred de energías renovables (solar, eólica y geotérmica) en el distrito salinero artesanal Barranca-La Villa de Cáhuil. Implementación de una planta piloto geotérmica de producción de sal y electrificación de bombas y planta de yodación comunitaria mediante energías renovables no convencionales.

–

El objetivo principal de MIGA (Millenium Institute in Green Ammonia) es consolidar un espacio interdisciplinario de excelencia científica promoviendo la formación de recursos humanos avanzados, conocimiento y tecnología en temas relacionados con la producción sostenible y el uso del amoniaco como vector energético.

La misión de MIGA es abordar este desafío con un enfoque interdisciplinario que acorte las brechas tecnológicas actuales, avanzando en el conocimiento y la tecnología, generando capacitación interdisciplinaria en el área para nuevos investigadores, contribuyendo a la instalación de economías basadas en energías limpias para Chile y la comunidad internacional. MIGA es conceptualizado en cinco áreas de investigación interdisciplinarias e interrelacionadas:

1. Producción electroquímica de NH3
2. Producción de H2 a partir de electrólisis de NH3
3. Diseño y prototipos de pilas de combustible de NH3
4. Procesos de corrosión y protección
5. Economía del amoniaco

Development of algorithms for bilevel optimization problems with applications in security, electricity and logistics.

La crisis hídrica provocada por el calentamiento global es uno de los problemas más importantes que afectan a regiones agrícolas como la sexta Región de O’Higgins. Este proyecto de vinculación internacional tiene como objetivo principal investigar distintos mecanismos para la asignación de recursos hídricos e épocas de escasez. En particular, se analizará el caso en que se tienen multiples usos de agua: distintos tipos de industrias (cupríferas y agrícola por ejemplo) y uso urbano. Este proyecto de vinculación internacional es liderado por el equipo nacional conformado por investigadores de la Universidad de O’Higgins y Universidad de Chile. Este proyecto incluye visitas del equipo nacional a los centros INRIA Sophia Antipolis, y INRAE en Montpellier, así como la organización de un workshop en la Universidad de O’Higgins.

Decision-making processes involving uncertainty in the input parameters are commonplace, and the operational research community has investigated different methods to tackle this issue since the 60s. The current widespread availability of data and information presents a great opportunity to enhance the decision-making process, but at the same time, it presents a great challenge to develop new models and algorithms that capture this information. Stochastic programming, robust optimization, risk-averse optimization and distributionally robust optimization are different ways to deal with uncertainty. The input parameters are either modeled as random variables with a probability distribution that can be estimated from data; or as an uncertainty set which is often also decuded from data. A different approach is decision-focused learning or (a.k.a. smart predict-then-optimize) in which input parameters are learnt by a machine learning model which is trained considering the impact on the sub-opmality decisions made by not knowing perfectly the uncertain parameters. After training with this methodology, uncertain parameters are treated as deterministic parameters for the optimization problem. The main objective of this project is to provide a general framework for data-driven decision-making for different settings in transportation and logistics and to provide large-scale optimization models and algorithms to tackle uncertainty when data is available for these settings. We aim to compare and understand when each methodology to deal with uncertainty is the most adequate. Specifically, we aim to study problems in two-tier city logistics; large scale shortest path problems with real data motivated by firetruck dispatchment; multi-layer districting problems with balance constraint and uncertain demand; and the allocation security resources in a transportation network where the behavior of opportunistic passengers and the deployment of security agents are correlated.