Medium manganese steels (MMnS) are currently a subject of active scientific research due to a number of
reasons. First, their unique combination of strength and ductility makes them promising candidates for
lightweight structural applications in automotive and aerospace industries, where reducing weight without
sacrificing mechanical properties is critical. Second, their ability to retain austenite at room temperatures
offers advantages in terms of formability and resistance to hydrogen embrittlement, which are significant
challenges in steel manufacturing. Third, medium Mn steels have shown potential in enhancing wear and
impact resistance, making them suitable for applications in mining, construction, and machinery sectors.
Additionally, their corrosion resistance and potential for cost-effective alloying with other elements further
expand their utility across various engineering fields. Scientific research on medium Mn steels aims to
optimize their microstructure, processing parameters, and alloy compositions to unlock their full potential,
thereby contributing to the development of advanced materials that meet the performance requirements of
modern industries while promoting sustainability and efficiency in manufacturing processes.
The proposed research aims to investigate the stability of austenite in medium manganese steels within
ternary Fe-C-Mn and Fe-C-Mn-X systems (X: Al, Si, Cr), focusing on its correlation with processing
parameters. The primary objective is to assess the stability of austenite via (i) experimentally determining
the martensite start temperature (thermal stability) using dilatometry and thermal analysis techniques, and
(ii) to evaluate the fraction of austenite as a function of strain (mechanical stability) under tensile test. These
measurements will provide crucial data to understand how variations in processing conditions influence
austenite stability. Else, the study will correlate austenite stability with mechanical properties through
mechanical tests and in-depth microstructural characterization, aiming to establish predictive models.
Additionally, thermodynamic and kinetic calculations will aid in assessing the phase transformation behavior
under different thermal histories. The research will extend its scope to evaluate impact and wear properties
in relation to austenite stability, crucial for applications in industries requiring high strength and toughness,
such as mining and construction.
By systematically exploring these relationships, the project seeks to advance the fundamental understanding
of medium Mn steels, potentially leading to the development of lightweight, durable materials with enhanced
performance characteristics. Ultimately, the findings aim to contribute to the optimization of steel
manufacturing processes and the realization of more efficient and reliable engineering solutions in demanding
operational environments

The primary objective of this research is to evaluate the feasibility of using ultrasonic acoustic imaging as a
non-intrusive, in situ technique to assess the plastic behavior of commercial metals and alloys. Specifically,
it aims to explore the potential of ultrasonic acoustic imaging to identify and monitor various plastic
deformation mechanisms in stainless steel and aluminum. The selection of materials is based on their distinct
plastic deformation behaviors: aluminum releases internal energy through dislocation mechanisms, while
stainless steel releases energy through deformation, first by dislocation and then by twinning. To achieve
this goal, the study will continuously measure changes in sound velocity and the nonlinear acoustic parameter
β while subjecting the materials to uniaxial tensile tests at different levels of applied stress.
Previous studies conducted by our research group have demonstrated that changes in sound velocity, in
relation to strain, offer a reliable means of quantifying dislocation density in local measurements on
aluminum, copper, and stainless steel specimens. Furthermore, these studies have observed that alterations
in the nonlinear acoustic parameter, specifically second harmonic generation, exhibit more pronounced
changes compared to variations in linear acoustics (speed of sound). Building upon these findings, the
proposed research involves the generation of both linear and nonlinear acoustic images over wider spatial
regions to advance our understanding of the plastic behavior of materials undergoing different
microstructural changes.
The challenge of applying the results of this research to in situ measurements in the industry is not trivial,
as the highly controlled laboratory conditions are not maintained in service components. In this regard, the
incorporation of machine learning tools in the proposal aims to identify the parameters most sensitive to the
various deformation mechanisms through clustering techniques. It is expected that the correlation of different
acoustic parameters with the various plastic deformation mechanisms of both materials under study will
generate an optimal database that reflects the variety of scenarios present in service components, thus
paving the way for the industrial use of the proposed characterization system.
The adoption of diagnostic techniques and the utilization of metallic material state analysis in service
significantly enhance our ability to comprehend and control plastic deformation mechanisms, contributing to
improved material reliability and robustness, and facilitating informed decision-making and maintenance
strategies.
Additionally, ex-situ standard microstructural tests, including XRD (X-ray diffraction), EBSD (electron
backscatter diffraction), and TEM (transmission electron microscopy), will be performed to characterize the
material’s state after deformation. These complementary tests will provide valuable microstructural
information, enabling the correlation of deformation states with the acquired acoustic images.
All the acoustic and microstructural information described above, in conjunction with previous research group
data, will be stored in a robust and comprehensive database. This database will serve as the input for a
Machine Learning algorithm, which will facilitate the identification of patterns of correspondence between
acoustic and microstructural parameters. This approach aims to enable the future prediction, with a high
level of probability, of the specific type of plastic deformation mechanism that a material is undergoing based
on the acoustic parameter measurements.
The successful development of this research proposal would yield several significant outcomes. Firstly, it
would enable the early detection of microstructural changes in materials long before fractures occur.
Moreover, it would establish a non-intrusive tool for characterizing materials by identifying the underlying
mechanisms driving plastic deformation and monitoring the evolution of materials in service over time.
Ultimately, this research has the potential to advance our understanding of the plastic behavior of stainless
steel and aluminum, opening avenues for improved analysis, design, and performance evaluation of materials
in various industrial applications.

Plants, with their two-layered immune system, are equipped to combat pathogen invasion. The first layer, Pattern Triggered Immunity (PTI), is a powerful defense mechanism. It relies on Pattern Recognition Receptors (PRRs) to detect Microbe-Associated Molecular Patterns (MAMPs) from microbes, triggering a robust defense response. This response, including signaling cascades, gene expression changes, and production of antimicrobials and defense hormones, contributes to restricting pathogen colonization. PTI activation can trigger a systemic response known as Induced Systemic Resistance (IRS), enhancing plant defenses throughout the organism and leading to Non-Host-Resistance. The potential of PTI activation to enhance a plant’s overall defensive capacity is a promising strategy to improve crop health. PTI activation at infection sites triggers the production of mobile signals within the plant, which then spread IRS throughout the plant, enhancing its overall defensive capacity. Flg22 and xyn11, two well-known MAMPs, trigger PTI in tomato, activating various defense responses and, interestingly, including IRS in tomatoes and other plants.
Plant roots, often overlooked in discussions of plant immune systems, possess their own immune system, though less potent than leaves. They respond to MAMPs like Flg22 and chitin, but with weaker production of defense chemicals. Despite this difference, roots activate various defenses like PR proteins and callose deposition. Uniquely, roots secrete antifungal secondary metabolites like flavonoids. These root exudates play a crucial role in shaping the surrounding microbiome, attracting beneficial microbes, and possess antimicrobial activity itself. Studies have shown that root exudate composition can be manipulated to influence the soil microbiome and potentially enhance plant growth. This underlines the importance of considering roots in our understanding of plant immune systems, particularly how defense responses are displayed in the root after immune activation in leaves in terms of a systemic immune response. This often overlooked aspect is crucial for a comprehensive understanding of plant immunity.
Plants and microbes communicate two-way, establishing an interaction, by instance, plant root exudates influence the composition of the rhizosphere microbiome, which in turn regulates plant growth and immunity. Research suggests that specific bacteria within the rhizosphere microbiome can enhance plant immunity. In fact, transplanting the microbiome from a resistant tomato variety to a susceptible one improved disease resistance. Understanding this plant-microbiome-soil interaction is crucial for developing sustainable agriculture. Our ongoing research investigates how soil type influences tomato immunity and its connection to the soil microbiome. Preliminary results show that different soil types affect the strength of plant immunity responses, even though the overall bacterial types (phyla) are similar. Interestingly, specific bacterial isolates from a soil type with higher immunity were able to directly trigger plant defense mechanisms. Unraveling the intricate interplay between soil type, the rhizosphere microbiome, and tomato immunity holds the key to unlocking sustainable and resilient agricultural practices.
This proposal aims to investigate the potential of targeted Pattern-Triggered Immunity (PTI) activation in tomato leaves to enhance plant defense against diverse pathogens. We hypothesize that leaf application of microbial elicitors (flg22 and Xyn11) will trigger PTI, leading to changes in root gene expression and root exudate composition. These alterations are expected to enrich beneficial bacteria in the rhizosphere microbiome, ultimately enhancing resistance against both the foliar pathogen Pseudomonas syringae pv. tomato and the soil-borne pathogen Fusarium oxysporum f.sp. lycopersici. To achieve this, we have defined three specific objectives: 1) Evaluate the impact of leaf-applied elicitors on pathogen susceptibility, root gene expression, root exudate composition, and soil microbiome composition. 2) Develop synthetic exudates mimicking PTI-activated plants and construct synthetic microbial communities potentially containing beneficial bacteria. 3) Assess the effectiveness of leaf-applied elicitors and synthetic microbial communities on the root microbiome and plant health under field conditions. With this, we aim to elucidate the mechanisms by which leaf-based PTI activation influences root-level processes and shapes the rhizosphere microbiome to enhance tomato plant defense against various pathogens. The findings hold promise for developing novel and sustainable strategies for disease management in tomato production.

Este proyecto busca analizar el nivel de competencias digitales en estudiantes universitarios, abordando las brechas de género como un aspecto clave para una educación inclusiva y adaptada a las demandas de la era digital. La temática seleccionada es orden de género, ya que está investigación evaluará los factores asociados a las competencias digitales en estudiantes de primer y último año de la Universidad de O’Higgins, con el propósito de validar su impacto en la formación académica y el desarrollo de una ciudadanía digital activa y responsable.
Para alcanzar este objetivo, se utilizará un modelo de ecuaciones estructurales (SEM) que permitirá medir cinco dimensiones de competencias digitales según el Marco Europeo DigComp: alfabetización informacional y de datos, comunicación y colaboración, creación de contenido digital, seguridad y resolución de problemas. Además, se evaluará el efecto moderador del género en la relación entre estas competencias y el nivel de ciudadanía digital, considerando su relevancia en el contexto de la transformación digital.
El estudio se desarrollará mediante un enfoque cuantitativo, utilizando un cuestionario validado que será aplicado a una muestra representativa de estudiantes con equidad de género. Los resultados serán analizados a través de SEM con mínimos cuadrados parciales (PLS-SEM) para entender cómo estas competencias impactan la preparación de los y las estudiantes frente a los desafíos digitales actuales. Al finalizar el proyecto, los resultados se compartirán mediante, al menos, una publicación científica de alto impacto, una presentación en congreso, y un seminario de cierre dirigido a la comunidad universitaria, generando una base de conocimiento que apoye el desarrollo de políticas institucionales para reducir las brechas digitales de género en la educación superior.

Métodos basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones están permitiendo abordar múltiples problemas en ambientes no controlados como la agricultura, de manera robusta. Por ejemplo, métodos basados en Neural Radiance Fields (NeRF) se están explorando de manera amplia tanto con imágenes satelitales como en problemas de robótica de campo. En este contexto, el proyecto busca aunar competencias en visión computacional y aprendizaje de máquinas, usadas en la detección remota y en robótica, para abordar nuevas técnicas basadas en representaciones neuronales implícitas, para aplicaciones de la agricultura de precisión. Para lograr este objetivo, los investigadores convocados tienen un profundo conocimiento en estas áreas complementarias.
Es importante destacar que las áreas de sensado remoto (satelital y drones) y sensado próximo (robots y redes de sensores) están experimentando una aceleración sin precedentes. En el caso de sensado remoto, además de los grandes programas públicos como Sentinel, los actores privados están creando flotas de microsatélites capaces de vigilar la Tierra con revisitas diarias. Estos datos abundantes, baratos y de alta resolución están creando oportunidades para desarrollar aplicaciones novedosas para la supervisión de la actividad agrícola. En el caso del sensado próximo, las redes de sensores, junto con el uso de robots para monitoreo, está permitiendo un seguimiento regular de los procesos agrícolas, con una alta resolución temporal y espacial, por lo que cada vez hay una mayor disponibilidad de datos, que complementan los datos obtenidos mediante sensado remoto.
A nivel de uso, estas tecnologías se complementan, y a nivel de investigación, las técnicas utilizadas están empezando a converger, mediante el uso de métodos basados en redes neuronales, y más específicamente por métodos basados en representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF). Por todo esto, el estudio del sensado remoto y próximo de manera conjunta, y mediante marcos de trabajo con técnicas similares como las representaciones neuronales implícitas, tiene un gran potencial para en un futuro próximo generar una visión integrada de los procesos agrícolas mejorando la sostenibilidad y eficiencia en la agricultura.
Durante su ejecución, el proyecto llevará a cabo actividades de investigación conjunta, incluyendo seminarios online regulares, la toma de datos en terreno, y un workshop de cierre en el contexto de una conferencia internacional, que junto con el intercambio de investigadores en formación (magíster, doctorado y/o postdoctorado), así como visitas de investigadores senior, buscan articular una de red de trabajo que aborde de manera interdisciplinar y con técnicas modernas, problemáticas de sensado remoto y próximo en agricultura de precisión mediante representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF), entre otras.

El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación.
Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos.
La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta.
Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos:
● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas.
● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y
grados brix de cerezas.
● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos
con los algoritmos de visión computacional y IA desarrollados.
Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).

Las dislocaciones son la principal fuente de comportamiento plástico de metales, sin embargo, es muy difícil de estudiar cuantitativamente su comportamiento. Con el fin de mejorar esta situación, se ha propuesto utilizar su interacción con las ondas elásticas como una sonda no invasiva. Recientemente, se han demostrado, utilizando espectroscopia de resonancia Ultrasonido (RUS), que un aumento de densidad de dislocaciones en aluminio por un factor de 6 conduce a un cambio de la velocidad de las ondas de cizalle del orden de 1, una cantidad que puede medirse con una precisión del orden de 0,1%.

Se propone entonces estudiar la contribución de las dislocaciones a las propiedades mecánicas en dos sistemas de interés: En primer lugar, metales poli-cristalinos, en particular muestras de cobre y de aluminio. En segundo lugar, se propone estudiar muestras con estructura de capas múltiples, en particular sistemas de capas intercaladas de cobre y de niobio. El objetivo de largo plazo de esta investigación es permitir el desarrollo de la tecnología de ultrasonido como una herramienta no invasiva para la caracterización de materiales.

Se investigará en primera instancia la contribución de las dislocaciones a las constantes elásticas de metales poli-cristalinos, continuando un estudio anterior. Se realizarán nuevas medidas con muestras más puras de aluminio y de cobre, utilizando RUS en primera instancia. Como primer objetivo se plantea obtener un número mayor de muestras, con condiciones más extremas que las ya analizadas aumentando el rango de dislocaciones estudiado. Además de las medidas en el régimen lineal usando RUS, se realizarán medidas de parámetros no-lineales que pueden ser caracterizados a mayores amplitudes de excitación. Estas medidas pueden ser realizadas con el mismo montaje experimental de RUS. Además, se propone hacer un análisis ultrasónico tanto lineal como no lineal en un montaje de deformación estándar donde las medidas se realizarán in situ.

En segundo lugar, se propone caracterizar muestras de cobre-niobio, con estructura de capas múltiples. La motivación de este tema radica en el hecho que las interfaces del estado sólido juegan un papel importante en la determinación de las propiedades de los materiales compuestos, especialmente de los materiales estructurales destinados para el servicio en aplicaciones de energía. En la actualidad, las muestras multi-capas de cobre-niobio pueden ser preparadas en tamaños útiles para RUS (desde milímetros hasta centímetros). Pueden ser fabricas con pocas capas (del orden de 10 capas) y espesores de décimas de mm cada una, o con muchas capas (del orden de 3.10⁴) y espesores de 10 nm cada una. La motivación es obtener mediciones precisas de las constantes elásticas efectivas de las muestras mediante hipótesis del tipo homogeneización, y correlacionar sus valores con la cantidad de interfaces presentes. A primer orden, si dos muestras tienen la misma cantidad de niobio y cobre pero con diferentes números de capas y espesores, el proceso de homogenización más simple indica que las propiedades mecánicas deben ser iguales. En la práctica, se espera una contribución de las interfaces, lo cual no será despreciable cuando existan una cantidad considerable de ellas. La relación con las dislocaciones radica en el hecho que estas interfases tienen dislocaciones de tipo misfit, y dependiendo de la orientación de su vector de Burgers y de su densidad, su contribución a la elasticidad de la interface será distinta.

Dislocations are at the source of plastic behavior of metals and alloys, yet it is very difficult to quantitatively study their behavior. In order to improve this situation, it is proposed to use their interaction with elastic waves as a nonintrusive probe. The long-term aim of the research presented in this proposal is to enable the development of ultrasound technology as a practical non-intrusive tool for the characterization of plastic behavior of materials.
In recent years, proposers have shown, using Resonant Ultrasound Spectroscopy (RUS), that an increase of dislocation density in aluminum by a factor of 6 leads to a change for the speed of shear waves on the order of 1%, a quantity that can be measured with an accuracy on the order of 0.1%. They have also shown that local measurements of the speed of shear waves in aluminum under standard testing conditions in tension provide a quantitative, accurate, nonintrusive and continuous relation between dislocation density and externally applied stress, and that an increase in dislocation density by a factor of ten in copper and aluminum leads to an increase in the value of the (nonlinear) parameter that characterizes second harmonic generation by 20 to 60%.
This proposal seeks to go one more step towards a practical implementation of the proposed ultrasonic testing tool for pieces in service. Materials of wide use in industry, 304L steel and TWIP steel, will be used. And in addition to bulk ultrasonic and shear waves, surface Rayleigh waves will be tested, in order to develop techniques that are useful when pieces in service have a geometry that does not lend itself to bulk wave measurement. Both linear (wave propagation velocity and attenuation) and nonlinear (second harmonic generation) acoustics measurements will be performed, using bulk and surface waves, ex situ after mechanical treatment, and in situ under standard testing conditions. In addition, dislocation density will be measured using X-ray diffraction (XRD) , using both the modified Warren-Averbach and Rietveld methods. Additional characterization will be performed using transmission electron microscopy (TEM) and scanning electron microscopy (SEM).
The expected result of the proposed research is a set of measurements that relate acoustics parameters to dislocation density in 304L and TWIP steels. The specific goal is that these measurements will provide a framework for the development of devices to nondestructively measure the dislocation density of pieces in service.