• Español

LLIGUIZACA DÁVILA JORGE RODRIGO

Cargo: 
PROFESOR NO TITULAR OCASIONAL (TC)
E-mail: 
jorollig@espol.edu.ec
Carrera: 
Ingeniería en Petróleo
CV English: 

INFORMACIÓN DE HOJA DE VIDA

Estudios realizados:
  • Máster en Ciencia e Ingeniería de la Gestión, China University of Petroleum, China
  • Ingeniero en Petróleo, Escuela Superior Politécnica del Litoral, Ecuador.
Experiencia Académica:
  • 2020-2021 - Coordinador de la carrera de Ingeniería en Petróleos
  • 2019 - Actualidad: Docente, Escuela Superior Politécnica del Litoral
Habilidades:
  • Español Avanzado
  • Inglés Avanzado
  • Mandarín Intermedio
Premios
  • 2019: CIE Excellent Graduate, China University of Petroleum.
  • 2018: Estudiante de Excelencia, China University of Petroleum.
  • 2018: Estudiante Líder de Excelencia, China University of Petroleum.
Experiencia Profesional:
  • 2016: Pasante en el departamento de Gestión Ambiental, GADM La Libertad.
Actividades Profesionales, Últimos 5 años:
  • 2019: Participante del Curso de Mooc Energy Transition: Innovation Towards a Low Carbon Future
  • 2019: Participante del Curso Legislación Ambiental.
  • 2020: Participante del Curso Tomorrow's Mobility.
  • 2020: Participante del Taller Desing Thinking para Profesores.
  • 2020: Oil and Gas Industry Operation and Markets
Publicaciones:
  • A. García, J. Lliguizaca, J. Zambrano, B. Cisneros (2020) “ACADEMY AND SOCIETY” COOPERATION BENEFITS IN PETROLEUM OPERATIONS AREAS CASE STUDY. LA LIBERTAD - SANTA ELENA - ECUADOR, ICERI2020 Proceedings, pp. 9564-9573.
  • Apolo, B., Manrique, R., Rodríguez, M., Martínez, I., Esparza, M., Lliguizaca-Davila, J., . . . Escobar-Segovia, K. (2020). Methodology for the selection of artificial survey systems in oil fields of ecuador. Paper presented at the Proceedings of the LACCEI International Multi-Conference for Engineering, Education and Technology, doi:10.18687/LACCEI2020.1.1.66 Retrieved from www.scopus.com
  • Carrión, F., Lliguizaca-Davila, J., & Perero, D. (2020). Screening enhanced oil recovery methods using the machine-learning algorithm K nearest neighbors (KNN). Paper presented at the Proceedings of the LACCEI International Multi-Conference for Engineering, Education and Technology, doi:10.18687/LACCEI2020.1.1.564 Retrieved from www.scopus.com