Recerca
Enginyeria computacional per un món sostenible.
Descobreix els nostres projectes de recerca
Innovació
Solucions reals per a problemes globals.
Treballem amb simulació avançada per millorar la seguretat nuclear
Comunitat
Una xarxa global d’innovadors i emprenedors en mètodes numèrics.
Descobreix com la Càtedra UNESCO de Mètodes Numèrics lidera la innovació de frontera al Sud Global
Sobre Nosaltres
Des del 1987 som un centre de recerca i innovació pioner en enginyeria computacional.
Coneix el talent que ho fa possible.
Recerca
Descobreix els nostres projectes de recerca
Innovació
Treballem amb simulació avançada per millorar la seguretat nuclear
Comunitat
Descobreix com la Càtedra UNESCO de Mètodes Numèrics lidera la innovació de frontera al Sud Global
Sobre Nosaltres
Coneix el talent que ho fa possible.
Amb nou clústers de recerca, tres unitats d’innovació i una xarxa global arrelada al territori, la comunitat del CIMNE impulsa un progrés constant. Mantén-te al dia dels avenços científics, dels projectes internacionals i de les novetats corporatives que estan definint el futur de l’enginyeria.
Experts de l'Aula CIMNE-UPM ETSII han avaluat l’eficàcia de l’aprenentatge automàtic (Machine Learning, ML) i de la imatgeria per satèl·lit per avaluar la qualitat de l’aigua en entorns d’aigües interiors. En un estudi recent, la Laura Cáceres, el Dr. Jorge Rodríguez...
El Centre Internacional de Mètodes Numèrics en Enginyeria (CIMNE) ha engegat DAMSHAI (Dam Structural Health Monitoring and Safety Assessment with an AI Agent), un projecte de recerca de tres anys que explorarà l’aplicació de la intel·ligència artificial a l’avaluació...
Researchers at CIMNE's Machine Learning in Civil Engineering Research Group and the Flumen Institute have developed a new machine-learning based tool to classify off-stream reservoirs based on their potential risk of rupture. The work, carried out as part of the...
Researchers from the Machine Learning in Civil Engineering group at CIMNE have developed a new machine-learning based software to predict structural behaviour of dams, allowing for enhanced decision-making and minimizing safety risks of these critical infrastructures....
A group of researchers from the International Centre of Numerical Methods in Engineering (CIMNE) have proposed a new methodology for improving Machine Learning-based model forecasting of gound-level ozone (O3), a pollutant of photochemical origin that...
A publication co-authored by CIMNE researcher Fernando Salazar “CALA: Mejora de la seguridad hidrológica” (CALA: Improvement of the Hydrologic security) on the magazine Revista de Obras Públicas. The article explains the results of a...