El aprendizaje visuomotor condicional es un paradigma en el que las asociaciones estímulo-respuesta se aprenden a través de una recompensa. Un experimento típico se desarrolla de la siguiente forma: cuando se presenta un estímulo a un sujeto, éste debe decidir qué acción realizar de entre un conjunto. Una vez seleccionada la acción, el sujeto recibirá una recompensa en el caso de que la acción escogida sea correcta. En este tipo de tareas interactúan distintas regiones cerebrales, entre las que destacan el córtex prefrontal, el córtex premotor, el hipocampo y los ganglios basales. El objetivo de este proyecto consiste en estudiar la dinámica neuronal subyacente a esta clase de tareas a través de modelos computacionales. Proponemos el término processing pathway para describir cómo ejecuta esta tarea el cerebro y explicar los roles e interacciones entre las distintas áreas cerebrales. Además, tratamos el procesamiento anómalo en una hipótesis neurodinámica de la esquizofrenia. / Conditional visuomotor learning is a paradigm in which stimulus-response associations are learned upon reward feedback. A typical experiment is as follows: Upon a stimulus presentation, a subject has to decide which action to choose among a number of actions. After an action is selected, the subject receives reward if the action was correct. Several interacting brain regions work together to perform this task, most prominently the prefrontal cortex, the premotor cortex, the hippocampus, and the basal ganglia. Using computational modeling, we analyze and discuss the neurodynamics underlying this task. We propose the term processing pathway to describe how the brain performs this task and detail the roles and interactions of the brain regions. In addition, we address aberrant processing in a neurodynamical hypothesis of schizophrenia.

This thesis focuses on solute transport upscaling. Upscaling of solute transport is usually required to obtain computationally efficient numerical models in many field applications such as, remediation of aquifers, environmental risk to groundwater resources or the design of underground repositories of nuclear waste. The non-Fickian behavior observed in the field, and manifested by peaked concentration profiles with pronounced tailing, has questioned the use of the classical advection-dispersion equation to simulate solute transport at field scale using numerical models with discretizations that cannot capture the field heterogeneity. In this context, we have investigated the use of the advection-dispersion equation with mass transfer as a tool for upscaling solute transport in a general numerical modeling framework. Solute transport by groundwater is very much affected by the presence of high and low water velocity zones, where the contaminant can be channelized or stagnant. These contrasting water velocity zones disappear in the upscaled model as soon as the scale of discretization is larger that the size of these zones. We propose, for the modeling solute transport at large scales, a phenomenological model based on the concept of memory functions, which are used to represent the unresolved processes taking place within each homogenized block in the numerical models. We propose a new method to estimate equivalent blocks, for which transport and mass transfer parameters have to be provided. The new upscaling technique consists in replacing each heterogeneous block by a homogeneous one in which the parameters associated to a memory functions are used to represent the unresolved mass exchange between highly mobile and less mobile zones occurring within the block. Flow upscaling is based on the Simple Laplacian with skin, whereas transport upscaling is based in the estimation of macrodispersion and mass transfer parameters as a result of the interpretation of the r / Llerar Meza, G. (2009). Upscaling nonreactive solute transport [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/5848

El desarrollo de modelos matemáticos predictivos de distinto tipos de fenómenos son aplicaciones fundamentales y útiles de las técnicas de Minería de Datos. Un buen modelo se convierte en una excelente herramienta científica que requiere de la existencia y disposición de grandes volúmenes de datos, además de habilidad y considerable tiempo aplicado del investigador para integrar los conocimientos más relevantes y característicos del fenómeno en estudio. En el caso concreto de ésta tesis, los modelos de predicción desarrollados se enfocaron en la predicción contaminantes ambientales como el valor medio de Partículas Finas (PM2.5) presentes en el aire respirable con un tiempo de anticipación de 8 horas y del Ozono Troposférico Máximo (O3) con 24 horas de anticipación. Se trabajó con un interesante conjunto de técnicas de predicción partiendo con herramientas de naturaleza paramétrica tan sencillas como Persistencia, Modelación Lineal Multivariante, así como la técnica semi-paramétrica: Regresión Ridge además de herramientas de naturaleza no paramétrica como Redes Neuronales Artificiales (ANN) como Perceptron Multicapa (MLP), Perceptrón Multi Capa Cuadrática (SMLP), Función de Base Radial (RBF) y Redes Elman, así como Máquinas de Vectores Soporte (SVM), siendo las técnicas no paramétricas las que generalizaron mejor los fenómenos modelizados. / Salazar Ruiz, E. (2008). Desarrollo de modelos predictivos de contaminantes ambientales [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/2504