DESCRIPCIÓN El candidato al doctorado deberá desarrollar herramientas de aprendizaje automático que permitan la identificación, clasificación y cuantificación (ICQ) automatizadas, objetivas y eficientes, así como el mapeo espacial de defectos a escala meso y macro en materiales compuestos, mediante el entrenamiento con datos acoplados de inspección no destructiva de alta resolución y baja resolución (datos de microtomografía por rayos X [XRM] e imágenes ultrasónicas industriales). El candidato seleccionado desarrollará conceptos científicos y comunicará los resultados de la investigación mediante publicaciones científicas y presentaciones en conferencias internacionales. Colaborará estrechamente con otros candidatos al doctorado dentro de la red LEGEND, aprovechando las sinergias entre los proyectos, y participará activamente en las reuniones de la Asamblea General, eventos formativos y estancias internacionales en distintos países europeos. La investigación se centrará en mejorar las técnicas industriales de inspección no destructiva, desarrollar herramientas basadas en el aprendizaje profundo para la caracterización automatizada de defectos y contribuir a la generación de sombras digitales precisas para estructuras compuestas. #### **Responsabilidades clave** * Desarrollar herramientas basadas en aprendizaje automático y aprendizaje profundo para la identificación, clasificación y cuantificación automatizadas de defectos a partir de datos de inspección no destructiva de baja resolución. * Entrenar y validar modelos utilizando conjuntos de datos acoplados de alta resolución (XRM) e imágenes ultrasónicas industriales. * Evaluar y mejorar la robustez de las técnicas industriales de inspección no destructiva de baja resolución para estructuras compuestas. * Evaluar la precisión y escalabilidad de los métodos automatizados de caracterización de defectos aplicados a componentes compuestos aeroespaciales. * Publicar los hallazgos de la investigación en revistas científicas y presentar los resultados en conferencias internacionales. * Colaborar con investigadores, socios industriales y otros candidatos al doctorado dentro del consorcio LEGEND. * Participar en actividades formativas doctorales, reuniones del consorcio y estancias internacionales en organizaciones asociadas. REQUISITOS * Título de Máster (o titulación equivalente que habilite para estudios doctorales), obtenido antes de la fecha de contratación, en Ingeniería (Industrial, Aeroespacial, de Materiales), Física o un campo afín. * Aptitud para la admisión al Programa de Doctorado en Tecnología de la Universidad de Gerona, incluidos los requisitos académicos para estudios doctorales (normalmente al menos 300 ECTS en total, incluidos 60 ECTS a nivel de Máster). * No debe poseer ya un título doctoral (PhD). * Cumplimiento de la regla de movilidad MSCA: los solicitantes no deben haber residido, trabajado ni estudiado en España durante más de 12 meses en los 36 meses inmediatamente anteriores a la contratación. * Competencia suficiente, tanto escrita como oral, en inglés para realizar investigación, participar en actividades formativas internacionales y estancias, y comunicar resultados científicos. * En el momento de incorporación, los candidatos deberán aportar prueba de matrícula o admisión a un programa doctoral para el curso académico 2026/2027. #### **Cualificaciones preferentes** * Conocimientos documentados, formación académica o experiencia en tesis relacionada con ultrasonidos, fabricación de materiales compuestos o ensayos no destructivos (END/ENI). * Interés y competencias sólidos en ultrasonidos, fabricación de materiales compuestos y métodos de ensayos no destructivos. #### **Experiencia específica priorizada para el Candidato Doctoral 2 (DC2)** * Conocimientos documentados (mediante formación académica, cursos o proyectos de tesis) en ultrasonidos, fabricación de materiales compuestos o ensayos no destructivos.
David Muñoz
Indeed · HR
David Muñoz
Indeed · HR
