Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

Implementación de la Inteligencia Artificial para la innovación y

desarrollo en la Ingeniería y la Ciencia de los Materiales

Jocelyn Miranda 1, Georgina Villalón 2, Francisco Granados3, Katherine Obando 4Walter Nolasco

1 Estudiante de Ingeniería Química, Universidad de Costa Rica. 2 Estudiante de Ingeniería Química,

Universidad de Costa Rica. 3 Estudiante de Ingeniería Química, Universidad de Costa Rica. 4 Estudiante de
Ingeniería Química, Universidad de Costa Rica. 5 Estudiante de Ingeniería Química, Universidad de Costa
Rica.

RESUMEN

Se debe tener el resumen en español e inglés, los cuales incluirán los objetivos principales de la investigación,
alcance, metodología empleada, resultados principales y conclusiones. El resumen debe ser claro, coherente
y sucinto, para lo cual se sugiere revisar y verificar datos, sintaxis, ortografía, no caer en erratas y no incluir
ecuaciones, figuras, tablas ni referencias bibliográficas. El resumen es máximo de 150 palabras y debe reflejar
fielmente el contenido del artículo. Su redacción debe estar en tercera persona.

Palabras clave: Palabra clave1, palabra clave2, palabra clave3.

Éstas ayudan a identificar los temas o aspectos principales del artículo y son importantes para su indexación
en bases bibliográficas. Deben ser entre tres y cinco, entre ellas pueden incluirse frases cortas que describan
tópicos significativos del artículo. Se recomienda utilizar los términos de los tesauros especializados de las
disciplinas correspondientes.

Implementation of Artificial Intelligence for innovation and development in Engineering and Materials
Science

ABSTRACT

Abstract, corresponde a la traducción precisa al inglés, del resumen ya presentado en español, debe ir en
cursiva.

Keywords: Keyword1, keyword2, keyword3.

Keywords, corresponden a la traducción precisa al inglés, de las palabras clave ya presentadas en español,
deben ir en cursiva.

1
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
1. INTRODUCCIÓN
La era digital ha sido impulsada por la
aplicación de la Inteligencia Artificial, un
elemento clave en el desarrollo científico y
tecnológico.Ésta ha facilitado las herramientas
para muchos descubrimientos y avances en
diversas áreas del conocimiento humano.
El impacto que ha generado la inteligencia en la
generación de novedosas tecnologías ha
permitido el estudio de una rama particular de
la ingeniería,la Ingeniería de los Materiales.El
descubrimiento y mejoramiento de los
materiales, es uno de los progresos que han
sido factibles con el uso de diferentes formas de
Inteligencia Artificial; como, por ejemplo, el
desarrollo de complejos algoritmos que
analizan enormes cantidades de datos,
escanean cientos de materiales de muestra y
permiten obtener conclusiones por sí mismos
en lapsos sumamente cortos. De manera que,
no sólo se reduce el tiempo que podría tardar el
estudio de los materiales y sus propiedades,
sino que también los resultados alcanzados con
estos dispositivos de Inteligencia Artificial
pueden abrir nuevos caminos de investigación
y ya han empezado a revolucionar el panorama
de la ciencia de materiales.
Según Quiang y Honghong (2018), en
su artículo “Ciencia de los Materiales e
Ingeniería; Una nueva visión en la era de la
Inteligencia Artificial” en la última década ha
existido un auge en el desarrollo de
oportunidades para descubrir nuevos tipos de
materiales mediante el uso máquinas
equipadas con sistemas complejos de
inteligencia artificial, es decir, en la actualidad el
conocimiento de los materiales tiene el
potencial de ser creado sin necesidad de
intervención humana.
Es por esto que en la actualidad se
busca llevar la Ingeniería de los materiales a
una nueva evolución, por medio de la
Inteligencia Artificial, se busca alcanzar el
paradigma de Datos Intensivos. Según Quiang
y Hong Hong (2018), la IA permite decodificar
materiales al crear de manera inteligente y
2
procedural candidatos hipotéticos al material
que se espera descubrir, permitiendo así
superar la ingeniería de materiales que la
informática clásica no ha logrado.
.
2. METODOLOGIA
Para el desarrollo del presente trabajo se
llevó a cabo una búsqueda y revisión
bibliográfica exhaustiva para la obtención de
una base de datos con información relevante
sobre el desarrollo de la Inteligencia Artificial en
las últimas dos décadas con un enfoque en la
aplicación de esta herramienta en el estudio de
las propiedades, procesado y tratamientos
térmicos de materiales y los avances en la
creación de nuevos materiales metálicos,
polímeros, cerámicas y en el progreso de la
nanotecnología que ha venido a revolucionar el
campo de la ingeniería y ciencia de los
materiales. La recopilación de información fue
llevada a cabo mediante fuentes físicas como
libros y digitales como artículos científicos y
tesis de grado académico disponibles
electrónicamente. En total se recolectaron 50
documentos relacionados con el tema de
interés para el desarrollo de este artículo de
revisión bibliográfica. La información se
sintetizó y se clasificó para seleccionar los
aspectos relevantes para abordar sobre esta
temática. De manera que, de la bibliografía
consultada se eligió aquellos artículos
científicos que tenían mayor aporte y se
centraban en las secciones que se pretendía
abordar sobre la Inteligencia Artificial en la
Ingeniería y Ciencia de los Materiales.
3. HISTORIA DE LA INTELIGENCIA
ARTIFICIAL
El documento “Historia de la Inteligencia
Artificial” de Julio Villena, Raquel M Crespo y
Jesús García Crespo, presenta un análisis
cronológico del desarrollo de la inteligencia
artificial que ve sus inicios como un fantástico
literario con una historia en sí mismo. Ya en la
antigüedad clásica vemos los trípodes
autómatas que fabrica el Dios Hefesto, y tiempo
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
desúés el golem a quien temían los jóvenes
caballeros de la época medieval, esta idea de
inteligencia similar a la humana se mantiene
presente a través de la historia literaria,
pasando por el monstruo de Frankestein de
Shelley hasta ejemplos más modernos como la
computadora HAL-9000 de la obra maestra de
Cubrick “2001: Odisea en el Espacio”.
El paso del mito a la realidad no se dio sino
hasta la década de los 50, cuando el célebre
Allan Turing, considerado uno de los padres de
la IA y la computación, publica su artículo
“Computing Machinery and Intelligence”, en
este artículo se profundiza sobre la posibilidad
de que una máquina pueda imitar el
comportamiento de la mente humana. En este
mismo artículo se propone el archiconocido
Test de Turing, orientado a demostrar si una
determinada máquina es inteligente o no.
(Villena, et al., SF)
Turing da el disparo inicial para el
desarrollo de una nueva ciencia, pues además
de su artículo, Turing creó la primera máquina
“pensante”, un precursor a la computadora
capaz de descifrar el código enigma de la
Alemania Nazi, facilitando la victoria de los
aliados. Con estas acciones comenzó una gran
serie de hitos para el avance de la IA,
comenzando por la “Dartmouth Summer
Research Conference on Artificial Intelligence”
de 1956 donde brillantes científicos expusieron
lo que son ahora las bases de esta ciencia.
(Villena, et al., SF)
En tiempos modernos, la década de los 80
representó un momento clave para la IA por un
lado la aparición de los Sistemas Expertos, más
orientados a la aplicación práctica que a la
persecución abstracta de la inteligencia, y por el
otro por el fracaso del proyecto “Quinta Gen.”
que buscaba una alternativa a la IA que resultó
inalcanzable. (Villena, et al., SF)
Estos pasos hacia la Inteligencia Artificial
nos permiten apreciar el centenario avance de
esta rama de la ciencia, del mito a la ciencia
ficción y de esta únicamente a ser una ciencia
tan útil que hoy día se utiliza entre muchos
aspectos, en el desarrollo de materiales con los
3
cuales construimos el siguiente capítulo de esta
fascinante historia.
4. MÉTODOS DE APRENDIZAJE
UTILIZADOS POR LOS SISTEMAS DE
INTELIGENCIA ARTIFICIAL
La característica principal de la inteligencia
artificial es la capacidad de aprender. De
acuerdo con Liu,Thianlu y Shi (2017) el llamado
"aprendizaje automático", o sea, el método por
el cual “aprenden” las máquinas, funciona al
automatizar modelos analíticos mediante el uso
de algoritmos que aprenden de forma iterativa a
partir de datos. De este modo, permite a las
computadoras encontrar información oculta sin
ser programadas explícitamente para saber
dónde buscar la información necesaria.
Además, Mueller,Gilad y Ramprasad
(2016) añaden que existe una clasificación de
los algoritmos utilizados por la inteligencia
artificial, donde se puede distinguir dos ramas:
a) Aprendizaje supervisado y b) Aprendizaje no
supervisado. En ambos casos, el algoritmo que
se emplea tiene acceso a un conjunto de
observaciones (datos) que son la base del
aprendizaje de la máquina. Sin embargo, los
resultados obtenidos por ambos tipos difieren
entre sí, así como la naturaleza propia del
análisis que el sistema de inteligencia artificial
realiza.
Para el caso de los algoritmos
desarrollados por aprendizaje supervisado,
básicamente consiste en introducir una serie de
valores, por ejemplo, la estructura cristalina de
diferentes materiales, y un conjunto de valores
de salida, como por ejemplo las propiedades
correspondientes de los materiales. A partir de
esta información, la máquina de inteligencia
artificial trata de identificar una función que
pueda predecir con precisión los valores de
salida que se asociaría con el ingreso de
nuevos valores de entrada, esto mediante el
desarrollo particular del algoritmo. Con
respecto al aprendizaje no supervisado, no
existen valores de salida que se introduzcan en
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
el sistema, al contrario, el objetivo de este tipo
de inteligencia artificial es identificar patrones
en los valores de entrada con base en el
algoritmo.
No es posible decir cuál de estos dos
métodos es mejor, sino que depende del
objetivo que se busque alcanzar por medio de
la ayuda del aprendizaje automático. Para el
caso específico del desarrollo de materiales
poliméricos, por ejemplo, es muy utilizada la
implementación de redes neuronales artificiales
(NN), las cuales, de acuerdo con Wei, Melko y
Chen (2017), son una rama del aprendizaje
automático que ha demostrado una
sorprendente capacidad para reconocer
patrones de enorme complejidad. En este caso,
se han utilizado para clasificar las fases en un
modelo de giro bidimensional (2D) e identificar
temperaturas críticas entre varias fases
directamente desde las configuraciones
producidas por las simulaciones de Monte Carlo
(MC) de modelos de polímeros, identificando
estados desordenados, parcialmente
ordenados y ordenados como bobina,
estructuras globulares de tipo líquido y
estructuras cristalinas de baja energía. Como
puede observarse, este es un caso de
aprendizaje supervisado, ya que lo que hace es
reconocer, identificar y clasificar tomando como
valores posibles una base de datos.
Otra aplicación de NN en materiales
poliméricos es la de encontrar la solubilidad del
dióxido de carbono supercrítico (ScCO2) en un
polímero, como lo exponen Mengshan et al
(2017). De acuerdo con los autores, la
solubilidad del dióxido de carbono supercrítico
en polímeros se utiliza ampliamente en la
modificación y síntesis de materiales, la
preparación de nuevos materiales y otros
campos. Bajo las condiciones supercríticas de
alta temperatura y presión, los experimentos de
disolución se caracterizan por un procedimiento
de operación relativamente difícil, de alto costo,
de largo tiempo y con altos requisitos de
personal, por lo que no es fácil obtener datos de
solubilidad en estas condiciones. Al integrar la
teoría de la difusión en la mejora de la
4
optimización de enjambre de partículas para
que las partículas en el algoritmo evolucionen
junto con la energía de difusión, se puede
entrenar los parámetros de la red neuronal
artificial de la función de base radial para que
realice predicciones de solubilidad. En este
caso, se muestra un caso de aprendizaje no
supervisado, ya que los valores de salida no se
introducen en el sistema ni se encuentran en
una base de datos.
5. MODELOS DESARROLLADOS POR
MEDIO DE INTELIGENCIA ARTIFICIAL
5.1. Redes Neuronales Artificiales
La inteligencia artificial es un intento por
descubrir y describir aspectos de la inteligencia
humana que pueden ser simulados mediante
máquinas. Las redes neuronales artificiales son
una forma de emular ciertas características
propias de los humanos, como la capacidad de
memorizar y de asociar hechos, que permiten
resolver problemas que tienen la característica
de no poder ser resueltos mediante algoritmos
porque necesitan del conocimiento adquirido a
través de la experiencia. (Ruiz y Basualdo,
2001)
De acuerdo con Ruiz y Basualdo (2001),
las redes neuronales (de manera análoga a las
unidades biológicas de las cuales reciben su
nombre), consisten en unidades de
procesamiento que intercambian datos o
información, se utilizan para reconocer
patrones, y tienen la capacidad de aprender y
mejorar su funcionamiento. Por tanto, los
modelos de redes neuronales artificiales
(abreviados ANN o simplemente NN) tienen la
capacidad de eliminar la necesidad de una
investigación experimental costosa en diversas
áreas de los procesos de fabricación.
(Shabanzadeh,P. , Senu,N., Shameli,K. y
Tabar, M., 2013)
Como se ha mencionado, las redes
neuronales artificiales presentan un gran
número de características semejantes a las del
cerebro.Por esta razón, algunas de las ventajas
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
que estas presentan son el aprendizaje
adaptativo, la autoorganización, la tolerancia a
fallos y la facilidad de inserción de las mismas
en la tecnología ya existente.
6. PROPIEDADES MECÁNICAS DE LOS
MATERIALES QUE SE ESTUDIAN
MEDIANTE EL USO DE INTELIGENCIA
ARTIFICIAL
La aplicación de la Inteligencia Artificial en
el estudio de las propiedades mecánicas de los
materiales ha permitido predecir el
comportamiento de éstos bajo diferentes
condiciones o factores como, por ejemplo,
variaciones en la composición, diferentes
técnicas de procesamiento, cambios de
temperatura, entre otros. La determinación de
las propiedades de los materiales puede
llevarse a cabo de forma experimental; no
obstante, resulta bastante impráctico y
demanda muchos recursos y tiempo. Por lo
que, se ha desarrollado diferentes algoritmos
que permiten crear modelos por medio de los
cuales se pueden evaluar y predecir
propiedades mecánicas de nuevos materiales a
partir de bases de datos existentes para las
características que se desean estudiar.
La Inteligencia artificial ha facilitado las
herramientas para investigaciones de
materiales tanto en la desarrollados por el ser
humano como aquellos que se encuentran la
naturaleza. Siendo un ejemplo de ello, los
estudios llevados a cabo para la determinación
de las propiedades mecánicas de la guadua
Angustifolia que ha sido empleada como
material estructural en las zonas donde ésta
crece. Se utilizaron redes neuronales artificiales
con el objetivo de encontrar relaciones entre
variables como el contenido de humedad, la
densidad, el módulo elástico, la resistencia a la
compresión paralela y perpendicular a la fibra,
así como la resistencia a la tensión y la flexión.
Además, se desarrollaron modelos a partir de
las técnicas de lógica difusa y el Sistema de
Inferencia Neuronal adaptativo (ANFIS). Siendo
este último método el cual brindó resultados con
suficiente aproximación para algunas de las
propiedades mecánicas (Rojas, 2013).
5
Otra aplicación de estas técnicas de
Inteligencia Artificial ha sido en la evaluación de
las propiedades mecánicas de mezclas de
nylon que han sido modificadas de forma
elastomérica. Esta técnica es llevada a cabo
para incrementar la dureza de la matriz
polimérica que es frágil pero la adición de
caucho a termoplásticos semidúctiles como
algunas poliamidas, poliésteres contribuyen a
incrementar la resistencia de las mezclas. No
obstante, la adición de un compuesto
elastómero a una matriz rígida reduce la
resistencia y rigidez del material en
comparación con su composición inicial. Por
ello, numerosos estudios han señalado que
debido a la complejidad del proceso de
extrusión se dificulta el modelado de éste, y se
ha recurrido al desarrollo de modelos
matemáticos basados en lógica difusa para
superar estas limitaciones. El modelo de lógica
difusa se emplea como una herramienta para la
modelación de sistemas dinámicos no lineales,
y las redes neuronales se basan en el análisis
de conjuntos de datos, donde estas redes
representan en conjunto una función
multivariable que liga los valores de entrada con
los de salida, y se generan funciones para el
procesamiento y envío de información entre sí
(Ghatarband, Asadi, Mazinani, Kalaee y
Shiri,2014).
De acuerdo con la literatura, se han
aplicado las redes neuronales artificiales y el
sistema de interferencia neurodifuso para
estudiar mezclas de poliamida 6 (PA6)/ etileno-
propileno-caucho en diferentes
composiciones, y se han obtenido resultados
que sugieren el empleo de estos dos métodos
como una herramienta efectiva para el análisis
de mezclas poliméricas. Lo anterior con el fin de
determinar propiedades como resistencia a
fluencia, módulo elástico, y resistencia al
impacto con un margen de error aceptable
(Ghatarband et al, 2014). La eficiencia de las
redes neuronales artificiales ha llevado a la
aplicación de esta herramienta para el análisis
de propiedades de otros materiales como el
hormigón reforzado con fibras metálicas. Este
es un material elaborado con cemento, agua,
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
aditivos y adiciones minerales, que dado a su
fragilidad se ha recurrido a la incorporación de
fibras metálicas con el fin de aumentar su
ductilidad. El estudio del comportamiento de
este material estructural ante esfuerzos como la
estimación de su resistencia a la compresión ha
sido llevado al campo de la Inteligencia Artificial
dada la complejidad y la existencia de una
dependencia no lineal entre las variables, lo
cual limita los modelos matemáticos que se han
desarrollado previamente.
De manera que, se ha recurrido al uso de
algoritmos como Levenberg-Maquart y el
Gradiente Conjugado Escalonado. En el caso
del algoritmo de Levenberg-Mardquart se basa
en un proceso iterativo que localiza el mínimo
de una función que resulta de aplicar la técnica
de mínimos cuadrados ponderados a funciones
no lineales de entrada. Por otro lado, el
Gradiente Conjugado Escalonado que se
emplea en el entrenamiento de las redes
neuronales artificiales para la optimización del
error (González, Guerrero, Delvasto y Ernesto,
2016).
Uno de los ensayos que se ha llevado a cabo
para el análisis de las propiedades mecánicas
del hormigón reforzado con fibras metálicas, por
ejemplo, las de acero, ha aplicado ambos
algoritmos mediante la utilización del software
Matlab. En la construcción de las redes
neuronales, para las variables de entrada se
consideran datos con resultados de ensayos
mecánicos provenientes de publicaciones
científicas relacionados con la dosificación de
las materias primas, el tipo de fibra de acero, las
características del tipo de cemento y los aditivos
químicos. De tal forma que, se delimita la capa
de salida con variables de respuesta enfocadas
en la estimación de propiedades mecánicas
como resistencia a la tensión, a la flexión y a la
cortante, así como el índice de tenacidad. Los
experimentos que se han llevado a cabo en esta
área de la ciencia de los materiales han
permitido concluir que el establecimiento de
modelos computacionales basados en redes
neuronales puede emplearse para la predicción
de las propiedades del hormigón tanto
reforzado como sin reforzar. Lo cual se justifica
6
dado que los resultados muestran un factor de
correlación alto entre el valor brindado por los
modelos de redes neuronales y el valor real
obtenido en un ensayo experimental (González,
Guerrero, Delvasto y Ernesto, 2016).
La utilización de redes neuronales también
se ha aplicado en estudios de muestras de
concreto tras el período de curado, en busca de
emplear la Inteligencia Artificial para poder
obtener un modelo que brinde resultados sobre
la resistencia del producto justo después de
fabricado. Ya que los ensayos para determinar
la resistencia a compresión del concreto son
llevados a cabo después de un período de
curado, lo cual hace que los resultados difieran
del momento justo después de la fabricación del
producto. Además, la resistencia del concreto
fabricado está limitada por factores como las
proporciones de sus componentes y la inclusión
de aditivos. En una de las investigaciones que
se han realizado sobre las propiedades de este
material de gran importancia en la construcción
civil, se utilizaron 267 probetas de concreto
fabricadas a partir de diferentes cantidades de
sus elementos constitutivos como cemento,
agua, y piedra, de acuerdo con los lineamientos
de la norma ASTM C 192/C 192 M. Y para la
modelación del ensayo a compresión se
aplicaron dos tipos de redes neuronales que
corresponden al tipo perceptrón multicapa y una
red de Elman (Acuña, Torre, Moromi y García,
2014).
El estudio realizado señala que a partir de
los modelos desarrollado es posible explicar al
menos el 87% de la variabilidad en las
muestras. Además, ambos métodos de redes
neuronales presentaron resultados con
coeficientes de correlación comprendidos entre
el 0,93 y 0,98. Por lo tanto, se concluye que es
posible la utilización de redes neuronales para
la modelización de la resistencia a la
compresión del concreto tras un período de
curado y así obtener resultados en menor
tiempo (Acuña, Torre, Moromi y García, 2014).
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
7. INTELIGENCIA ARTIFICIAL APLICADA
EN EL DESARROLLO DE MATERIALES
METÁLICOS.
El desarrollo de métodos de Inteligencia
Artificial ha permitido explorar nuevas
posibilidades en el desarrollo de materiales
metálicos, siendo un ejemplo claro de esto el
vidrio metálico. La ausencia de orden cristalino
en las aleaciones de vidrio metálico altera de
forma significativa sus propiedades siendo
mejoradas y con funcionalidad novedosas;
como, por ejemplo, tienen una resistencia
excepcional al desgaste, un mejoramiento en la
resistencia a la corrosión por su capacidad para
formar rápidamente películas protectoras en
sus superficies. Por lo que, se considera al
vidrio metálico un prometedor candidato a ser
empleado en aplicaciones estructurales en
entornos químicamente severos.
Según los reportes recientes, se estima la
existencia más de varios millones de vidrios
metálicos, pero en los últimos 50 años apenas
se han descubierto menos unos pocos miles. Y
la búsqueda de estos materiales representa un
reto ya la por lo general contienen tres o más
elementos y los parámetros de procesamiento
como la velocidad de enfriamiento tienen una
gran influencia en la conformabilidad de éstos.
Las inmensidades del espacio de
procesamiento y composiciones posibles hacen
que los ensayos experimentales de prueba y
error sean difíciles y caros, y podría tomar
muchos años analizar todas las combinaciones
posibles para la búsqueda nuevas aleaciones
metálicas (Ren, Ward, Williams, Laws y
Wolverton, 2018).
Por esta razón, esta clase metaestable de
materiales ha sido estudiada mediante el
desarrollo de un modelo de aprendizaje
automático a partir de observaciones
reportadas y parámetros de teorías
fisicoquímicas. El modelo se ha generado con
el fin de relacionar el método de síntesis con
experimentos de alto rendimiento que podrían
llevar a la obtención de nuevos sistemas de
vidrio metálico de aleaciones ternarias Co-V-Zr.
Según los resultados que se han obtenido, las
observaciones experimentales están de
7
acuerdo el modelo desarrollado por máquinas
de autoaprendizaje; sin embargo, existen
discrepancias con respecto a las
composiciones predichas por éste. Por lo que,
en este estudio particular se refinó el modelo
ampliando la base de datos utilizada para el
entrenamiento de las máquinas de
autoaprendizaje y así mejorar la precisión en los
resultados. Los alcances de la investigación
permitieron el descubrimiento de vidrios
metálicos en dos aleaciones ternarias
adicionales que no habían sido reportadas
previamente. Además, el uso iterativo de estos
experimentos de máquinas de auto aprendizaje
condujo al descubrimiento rápido de tres
nuevos sistemas de formación del vidrio
metálico (Ren, Ward, Williams, Laws y
Wolverton, 2018).
Otra de las aplicaciones de la Inteligencia
artificial en los materiales metálicos ha sido el
modelo de nanopartículas de plata preparadas
en el espacio entre capas de montmorillonita,
que es un mineral del grupo de los silicatos cuyo
espacio entre placas se ha empleado para la
síntesis de materiales. La síntesis de
nanopartículas metálicas puras es un proceso
complicado debido a la tendencia a formarse
conglomerados. Por lo que en los experimentos
más recientes se ha optado por la opción de
sintetizarlas a partir de componentes de arcillas.
De manera que, las nanopartículas se sujetan
en los espacios interlaminar de la arcilla, y este
procedimiento permite controlar el tamaño de
las nanopartículas obtenidas para diversas
aplicaciones. El sustrato empleado para la
síntesis de plata es el AgNO3, y factores como
la estabilidad, la morfología y la distribución del
tamaño de las nanopartículas puede limitar la
comprensión de las propiedades de las
nanopartículas de este metal(Shabanzadeh,
Norazak, Shameli y Mohaghegh, 2013).
En el estudio realizado para los
nanocristales de plata sintetizados por
reducción química en las intercapas de la
Montmorillonita, se implementó la Inteligencia
Artificial como una herramienta para analizar el
efecto de la variación de ciertos parámetros de
las partículas como por ejemplo la
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
concentración de AgNO3, la temperatura de la
reacción y la longitud de onda de la radiación
ultravioleta para estudiar la influencia de estos
factores en el tamaño de las
nanopartículas. Para el desarrollo del modelo
se aplicó una Red Neuronal Artificial como una
técnica de análisis estadístico que tiene la
ventaja de que no se requiere un modelo
matemático, puesto que se basa en el
aprendizaje a partir de muestras y
reconocimiento de patrones en una serie de
valores de entrada y salida, pero sin efectuar
ninguna suposición sobre la naturaleza de los
datos(Shabanzadeh, Norazak, Shameli y
Mohaghegh, 2013).
El modelo desarrollado por esta Red
Neuronal Artificial permitió predecir el tamaño
de las nanopartículas y determinar cuáles
factores afectan más significativamente éste,
siendo las principales variables la
concentración de AgNo3 y la temperatura.
Además, otro alcance obtenido por el modelo
desarrollado por técnicas de Inteligencia
Artificial fue la estimación del tamaño óptimo de
las nanopartículas de plata fue 4,5 nm a una
temperatura de reacción de 27 oC y una
concentración de AgNO3 de 1,0 M. Por lo que,
la aplicación de la Inteligencia Artificial en el
análisis de los procesos de síntesis de
materiales permite obtener modelos que
proporcionan las condiciones óptimas y
composiciones requeridas para la producción
de nanopartículas de un cierto tamaño, sin tener
que llevar a cabo ensayos experimentales de
prueba y error que incrementan los costos
económico y la inversión de tiempo
(Shabanzadeh, Norazak, Shameli y Sánchez & Ocampo, 2012).
Mohaghegh, 2013).
8. INTELIGENCIA ARTIFICIAL APLICADA
EN EL DESARROLLO DE MATERIALES
CERÁMICOS.
Las cerámicas constituyen de los
materiales más utilizados por el ser humano
desde la antigüedad, se tienen múltiples
aplicaciones y usos de este tipo de materiales
tales como refractarios, materiales de
8
construcción, pisos, abrasivos, formas
estructurales de rodamientos o engranajes,
aplicaciones eléctricas, entre otras.
Las arcillas constituyen la materia básica
para fabricación de cantidad de productos del
sector constructor como baldosas, enchapes,
pavimentos, ladrillos y tejas. Pequeñas y
medianas industrias suelen usar arcillas de
diverso origen mineral en la elaboración de sus
productos y su clasificación se hace en base al
juicio de expertos de producción para hacer las
mezclas necesarias para elaborar los
productos. Lo anterior acarrea incertidumbre
que provoca que muchos de los productos
finales se rechacen al no cumplir las
especificaciones técnicas. La inteligencia
artificial surge como alternativa de solución a
este problema basada en el uso de redes
neuronales permite clasificar según sus
propiedades las arcillas que se van a usar para
componer las pastas, con el propósito de
disminuir la cantidad de producto rechazado. Se
logró llegar a una red neuronal capaz de
predecir las muestras de entrenamiento y
prueba con 97,79 % y 94,12 % de precisión
respectivamente. La clasificación de las arcillas
se realizó con base en propiedades como el
límite plástico, el límite líquido, contenido de
arena, contenido de grava, contenido de granos
finos, humedad de moldeo, contracción en
seco, entre otras. El modelo desarrollado por
los expertos permite clasificar las arcillas en sus
grupos correspondientes con un 95% de
confianza. La red neuronal manifiesta que las
variables de mayor peso en la clasificación son
el límite plástico y el límite líquido (Gómez,
El artículo citado anteriormente ejemplifica
cómo la implementación de una red neuronal
puede influir significativamente en una mejor
formulación en la fabricación de productos de
tal forma que se cumpla con las
especificaciones técnicas y estándares de
calidad demandados por los clientes, esto para
una compañía significa una mejora en sus
ventas y una reducción significativa de
productos defectuosos. Dado que la red
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
neuronal tiene la capacidad de aprender sobre
la marcha, al adquirir mayor experiencia en la
clasificación de arcillas, la incertidumbre de este
procedimiento debe ir disminuyendo, sin
embargo, es importante actualizar la data de la
red periódicamente.
Mediante un algoritmo genético se utilizó la
teoría de la función de densidad con el fin de
identificar estructuras de baja energía de
compuestos bidimensionales de óxidos de
elementos del grupo IV. Los hallazgos reflejan
que el SiO es más estable en su estructura
2
bitetraédrica, mientras que el SnO y el PbO
2 2
bidimensionales son más estables en su
estructura mono-tetraédrica (1T). Para el GeO
se encontró una nueva estructura con menor
energía y simetría monoclínica. Todas las
estructuras presentan valores de energía de
formación por átomo inferiores a los materiales
bidimensionales ya sintetizados. Los materiales
presentan potenciales aplicaciones en
nanomateriales electrónicos,particularmente el
GeO y el SnO son candidatos potenciales a ser
2 2
óxidos compuerta, además el SnO podría 2
funcionar como una capa protectora en
dispositivos nanoelectrónicos con
heteroestructuras (Singh & Revard, 2017).
El caso anterior ejemplifica una aplicación
de los algoritmos genéticos en el
descubrimiento potencial de nuevas estructuras
de compuestos químicos que pueden tener
futuras aplicaciones como dieléctricos.
La inteligencia artificial resulta también
provechosa incluso en el control de calidad de
piezas cerámicas como lo exponen Barrera y
Calderón (2004) en su artículo “Control de
Calidad de Piezas Cerámicas por Medio de
Análisis de Vibraciones y Redes Neuronales
Artificiales”, en el cual explican que es posible
encontrar un técnica rápida y sencilla para
detectar fisuras internas o externas de piezas
cerámicas (enfocado en mosaico cerámico)
utilizando como herramienta para la
clasificación las redes neuronales artificiales,
los autores explican que mediante el uso de un
acelerómetro, se pueden detectar las pequeñas
vibraciones mecánicas de las piezas cerámicas
y traducirlas como señales eléctricas, la señal
eléctrica analógica generada por el transductor
será directamente proporcional a la magnitud
de la vibración y es digitalizada mediante una
tarjeta de adquisición de datos computarizados,
con estos datos se entrena a 2 modelos de red
neuronal, cuyos criterios se basarán en la
extracción de características, y señales de
frecuencia del acelerómetro. Ambos modelos
resultaron capaces de de clasificar mosaicos
buenos y malos. El sistema de desarrollo
resulta ser altamente flexible y puede ser
utilizado para la evaluación de cualquier pieza
cerámica que pueda ser sometida a una prueba
de resonancia.
2
Como es evidente, la inteligencia artificial
permite no sólo en desarrollar nuevos
materiales cerámicos, si no también podrá ser
parte de los procesos de evaluación del
resultado final, por lo que resultan una pieza
fundamental para la continua modernización de
este tipo de materiales.
9. INTELIGENCIA ARTIFICIAL APLICADA
EN EL DESARROLLO DE POLÍMEROS
10. INTELIGENCIA ARTIFICIAL APLICADA
EN EL DESARROLLO DE LA
NANOTECNOLOGÍA
La nanotecnología (se deriva del griego enano)
y corresponde al control de la materia a escalas
entre 1 y 100 nanómetros. Comprende el
diseño, creación, manipulación, aplicación de
materiales y sistemas funcionales a través de
sistemas de control escalados. Además,
explora las propiedades de la materia y sus
fenómenos intrínsecos (Ruiz Carrasco, 2016).
Para entender a profundidad el concepto
de la nanotecnología es preciso enfocarse en el
concepto de átomo, inicialmente. El átomo es la
unidad constituyente más pequeña de la
materia, es decir es la unidad básica y más
pequeña que puede formar un material. El
concepto de átomo (proviene del latín atomum,
proveniente del griego ἄτομον cuyo significado
es porciones, indivisible). Los átomos son
9
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
elementos minúsculos con masas
relativamente pequeñas, con dimensiones de
diámetro y masa del orden de una billonésima
parte de un metro y la cuatro millonésima parte
del gramo. La mayor parte de su masa se
encuentra concentrada en el núcleo el cual
contiene protones con carga positiva y
neutrones sin carga, además, cuenta con una
nube de electrones con carga negativa que se
encuentran repartidos en los distintos niveles
energéticos. Un aspecto relevante de los
átomos es que al contar con tamaños tan
reducidos, no son fácilmente observables
mediante la microscopía óptica debido a la gran
limitante de la potencia amplificadora del
microscopio óptico a la longitud de onda del
espectro visible (Ruiz Carrasco, 2016).
El debate constante entre la convergencia
tecnológica, es parte del discurso social y
político que presenta la nanotecnología, la
biotecnología y la inteligencia artificial
principalmente. La convergencia de estas tres
temáticas se vuelve un término basado en la
predicción, estas predicciones van desde el
incremento del efecto sinérgico hasta la fusión
de la nanotecnología, la biotecnología y la
inteligencia artificia (Berger, 2015).
Taniguchi Norio y Richard Feyman fueron
de los primeros precursores del desarrollo de la
Nanotecnología. El tema fue acuñado por el
japonés Taniguchi Norio, en el año 1974, en su
conferencia “Hay un lugar en el fondo”. En dicha
conferencia el japonés menciona cómo es
posible ver mover objetos átomo por átomo, lo
cual causó un incrementó inminente del interés
por gran parte de la comunidad científica, pues
resultó ser una temática innovadora para el
desarrollo de nuevos proyectos y pueda (Berger, 2015).
experimentaciones más centralizadas en el
estudio delm comportamiento a niveles
atómicos (Ruiz Carrasco, 2016).
Mientras la nanotecnología combina los
conocimientos de la física, la química y la
ingeniería. La inteligencia artificial se ha
centrado mayoritariamente en el estudio
biológico para de esta forma ampliar el
desarrollo de redes neuronales o algoritmos
10
evolutivos con el objetivo de proveer
información más completa a las nuevas
generaciones de forma que se adquieran
nuevas herramientas para desarrollar gran
cantidad de proyectos científicos que permitan
ayudar a la humanidad (Berger, 2015).
Sacha Gómez y Pablo Varona del grupo de
“Neurocomputación Biológica de la Universidad
Autónoma de Madrid”, mencionan las distintas
razones por las cuales los paradigmas de la
inteligencia artificial son utilizados en la
nanotecnología:” La nanotecnología sufre gran
cantidad de limitaciones físicas a escala laboral,
debido a la diferencia entre la escala física y la
nanométrica.” De forma que si se desea obtener
información a escalas muy pequeñas se
necesitan equipos especializados que permitan
interpretar los resultados de forma consistente,
sin embargo, esto es uno de los retos más
grandes que posee la nanotecnología, la
correcta interpretación de datos a escalas
realmente pequeñas. Otro de los grandes retos
que posee la nanotecnología radica en la
interferencia de otros elementos en la señal que
se desea analizar de forma que los resultados
obtenidos no son los resultados más óptimos,
ya que las interferencias pueden desviar los
resultados reales considerablemente. De esta
forma se pretende crear a partir de la
Inteligencia Artificial nueva maquinaria que
permita minimizar estas deficiencias
nanotecnológicas con el fin de erradicarlas o
minimizarlas y optimizar el desarrollo de la
nanotecnología a partir del desarrollo de la
inteligencia artificial como herramienta de
apoyo para solventar algunas de las carencias
que posee la nanotecnología y de esta forma
optimizar la nanotecnología lo más que se
Los futurólogos han dedicado años para
tratar padecimientos físicos, por ejemplo, la
generación de micro implantes, nano-fármacos,
la elaboración de órganos artificiales y células
madre. Uno de los avances tecnológicos más
recientes relacionados con la Inteligencia
Artificial consistió en la creación de un cerebro
artificial, denominado “Maquina Celular
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
Autómata”, construido por la empresa
Genobyte, esta maquinaria consiste en 37,7
millones de neuronas artificiales, microcircuitos
considerablemente pequeños que permiten la
generación de circuitos en los procesos de
sinapsis o comunicación a nivel neuronal. A
pesar de haber realizado una maquinaria de tan
amplia capacidad, no se a logrado aún generar
un ejemplar perfecto de un cerebro humano,sin
embargo, gracias al desarrollo de la inteligencia
artificial y de la nanotecnología en conjunto se
pueden desarrollar proyectos de gran nivel
científico (Fenández Alí, 2008).
Andrés Ruiz Carrasco (2016), en su trabajo
de fin de grado con la temática “Aplicaciones de
la Inteligencia Artificial en los Nanomateriales”,
realiza su investigación con base a la
recopilación de datos de un sistema de
microscopía del orden de nanómetros. El
objetivo principal de su proyecto consistió en
desarrollar métodos capaces de identificar
átomos de distintas especies para su posterior
clasificación y caracterización. Los datos fueron
recolectados utilizando el método de
microscopía de efecto túnel, correspondiente a
una técnica de la microscopía de barrido de una
superficie de Rutenio, sobre la cual se
encontraban suspendidos átomos de Carbono,
Hidrógeno, Oxígeno y una molécula de agua. A
partir de la situación antes mencionada se quiso
desarrollar una interfaz que permitiera al
usuario realizar tareas representativas en
términos de la caracterización y clasificación
atómica de los átomos. Para el análisis de
resultados de las muestras se determinó los
puntos críticos o puntos de alta probabilidad
electrónica por medio de un algoritmo
matemático.
También se realizó un análisis de
normalización que permitió la identificación
rápida y eficiente de los átomos reduciéndolo a
operaciones con números positivos. Para la
interpretación de resultados se utilizaron los
modelos de planos paralelos, modelo basado
en media, modelo de máximos y mínimos,
modelo de búsqueda de cuadrantes y modelo
final completo. El modelo de planos paralelos,
11
es un modelo que permite detectar los puntos
críticos por medio de dos planos paralelos al
plano xy, sirve para generar una primera
aproximación. El modelo basado en la media
consiste en un método que identifica el
comportamiento de los perfiles matriciales, es
un algoritmo más desarrollado que el del
modelo de planos paralelos a pesar de no
solucionar las fallas del primer modelo resulta
útil en la definición algorítmica completa. El
modelo de máximos y mínimos se basa en los
perfiles de las imágenes de forma
independiente, pero en vez de utilizar los
valores de media se utilizan los valores
máximos y mínimos, un aspecto importante de
mencionar de este modelo es que no utiliza una
tolerancia ajustable como ocurría con modelos
anteriores, a pesar de ser un modelo bastante
eficiente no es considerado el mejor modelo
para la detección de puntos críticos. Por otra
parte, el modelo de búsqueda por cuadrantes,
este modelo parte del concepto de que cada
matriz es independiente y que cada una no
influye en las demás y finalmente el modelo final
completo que une las ventajas de cada uno de
los modelos anteriores y minimiza las
debilidades presentes en cada uno de los
modelos mencionados anteriormente. Debido a
que se trata de un método que minimiza fallos,
este método se utilizó en la segunda parte de
proyecto y se centra en delimitar los átomos
independientes y posteriormente en su
modelado. Se concluyó que el proyecto
consiguió la detección completa de átomos, de
forma rápida, eficiente y óptima. A su vez logró
desarrollarse una interfaz amigable, de
interacción simple con el usuario y de baja
complejidad para el mismo, realizando un
aporte considerable a la comunidad
científica (Ruiz Carrasco, 2016).
En el artículo “Nanomaterials
Characterization and Risk Assessment Using
Fuzzy Support Vector Machine “, se menciona
que la nanotecnología se ha convertido en una
de las áreas más prometedoras para el
progreso de la humanidad. En este experimento
en particular, se aplican las máquinas de
soporte vectorial del modelo de Fuzzy para la
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018
predicción y evaluación de toxicidad que
pueden tener los nanomateriales en los seres
vivos y su impacto negativo en los ecosistemas.
Se puede llevar a cabo este análisis de forma
experimental, no obstante, la gran cantidad y
variedad de nanopartículas en cuanto a tamaño
y composición limita la utilización de métodos
tradicionales para la caracterización de estas, y
lleva a la selección de herramientas producto de
Inteligencia Artificial para el desarrollo de
modelos que permitan aproximar estos
resultados de una forma más rápida y menos
costosa.
El objetivo del estudio fue la clasificación y
evaluación de los riesgos que se asocian con el
uso de nanomateriales con base en su tamaño,
área superficial, el tiempo de exposición, la
concentración y el índice de toxicidad. Y a partir
del análisis mediante las máquinas de soporte
vectorial de Fuzzy, se estableció un modelo que
permite evaluar las propiedades fisicoquímicas
y efectos toxicológicos de nanomateriales y
predecir la toxicidad de nanomateriales a partir
de bases de datos que fueron empleadas para
el entrenamiento del sistema de inteligencia
artificial. Para lo cual se implementa el lenguaje
de programación de Microsoft C# para llevar a
cabo la clasificación del conjunto de datos de
toxicidad de materiales.
Según los resultados, la precisión del
modelo híbrido desarrollado por máquinas de
soporte vectorial de Fuzzy fue satisfactoria para
predecir las correlaciones, y tiene una elevada
exactitud en la predicción de los tipos de
toxicidad con un desempeño estable, y con
porcentajes de error absoluto bajos.
11. CONCLUSIONES
 La aplicación de métodos de Inteligencia
Artificial para el análisis de propiedades
mecánicas de los materiales ha permitido la
obtención de resultados de manera más
rápida y con un ahorro de recursos en
ensayos experimentales. Ya que, por
ejemplo, el desarrollo de modelos por redes
neuronales ha facilitado el estudio del efecto
de variables como la combinación y
12
composición de componentes en un
material sobre sus propiedades como
resistencia a la compresión, a la tensión y
la tenacidad.
 El descubrimiento de nuevos materiales
metálicos se ha visto acelerado por las
herramientas de inteligencia Artificial que se
han aplicado en la obtención de modelos
que predicen el comportamiento de posibles
aleaciones a partir de bases de datos
analizadas por redes neuronales y sistemas
de lógica difusa. Estas técnicas de
Inteligencia Artificial superan las
limitaciones existentes en los métodos
tradicionales como por ejemplo los recursos
y el tiempo requerido para pruebas de
ensayo y error en los laboratorios.
 La Inteligencia Artificial ha optimizado
considerablemente el uso de la
nanotecnología brindándole herramientas
que faciliten el estudio del comportamiento
a nivel nanoscópico con la generación de
programación neuronal a través de la
fabricación de microchips y circuitos en la
generación de redes neuronales.
 La Inteligencia Artificial ha facilitado el
estudio atómico y ha optimizado procesos
relacionados con el análisis de distintos
componentes atómicos de los materiales
con la nanotecnología, para de esta forma
automatizar los procesos caracterización y
análisis de propiedades con la creación de
programas considerablemente accesibles
para cualquier usuario basados en los
principios de la Inteligencia Artificial.
12. REFERENCIAS BIBLIOGRÁFICAS
Acuña, L., Torre, A., Moromi, I., y Francisco, G.
(2014). Uso de las Redes Neuronales
Artificiales en el Modelado del Ensayo de
Resistencia a Compresión del Concreto de
Construcción según la norma ASTM C39/C
 Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

39M. Información Tecnológica, 25(4), 3-12. Sciences Advances, 4(4). Doi:

Doi:10.4067/s0718-07642014000400002 10.1126/sciadv.aaq1566.

Barrera G., Carreón G., Ruiz M, (2004) Control Rojas, J. ( 2013). Análisis de las propiedades
de Calidad de Piezas Cerámicas por Medio de mecánicas de la guadua Angustifolia mediante
Análisis de Vibraciones y Redes Neuronales técnicas estadísticas y redes neuronales (tesis
Artificiales. Recuperado de; de grado). Universidad Nacional de Colombia,
http://www.scielo.org.mx/pdf/cys/v8n3/v8n3a4. Bogotá, Colombia. Recuperado de:
pdf http://bdigital.unal.edu.co/44823/1/1032358002
.2013.pdf
Fernández Alí, C. (2008). La nanotecnología
entre nosotros. Revista de información
,tecnología y sociedad. Ruiz Carrasco, A. (2016). Aplicaciones de la
Inteligencia Artificial en la Nanotecnología.
Ghatarband, M., Mazinani, S., Kalaee, M., y Madrid: Universidad de Madrid.
Shiri, M. (2014). Predicting mechanical
properties of elastomeric modified nylon blend Shabanzadeh, P., Norazak, S., Shameli, K., y
using adaptative neuro-fuzzy interference Mohaghegh, T.(2013). Artificial Intelligence in
system and neural network. The International
Journal of Advanced Manufacturing Numerical Modeling of Silver Nanoparticles
Technology,76,961–970. Doi:10.1007/s00170- Prepared in Montmorillonite Interlayer Space.
0414-6294-5. Journal of Chemestry,vol.2013.Recuperado de:
https://doi.org/10.1155/2013/305713.
Gómez. J, Sánchez J., Ocampo A. (2012).
Aplicación de las Redes Neuronales en la Villena, J. (s.f) Historia de la Inteligencia
clasificación de Arcillas [En Línea] Recuperado Artificial. [En Línea] Recuperado de:
de:
http://www.scielo.org.co/pdf/eia/n17/n17a14.pd
http://ocw.uc3m.es/ingenieria-
f telematica/inteligencia-en-redes-de-
comunicaciones/material-de-clase-1/01-
González, L., Guerrero, A., Delvasto, S., y historia-de-la-inteligencia-artificial/view
Ernesto, A. (2016). Redes neuronales
artificiales para estimar propiedades en estado
fresco y endurecido, para hormigones
reforzados con fibras metálicas. Cuaderno
Activa, 9, 95-107. Recuperado de:
http://ojs.tdea.edu.co/index.php/cuadernoactiva
/article/view/423/495

Quiang,T., Honghong, Q.(2018) Materials

science and engineering: New vision in the era
of artificial intelligence. Xi’an Technological
University,China.

Ren, F., Ward, L., Williams, T., Laws, K., y

Wolverton, C.(2018). Accelerated discovery of
metallic glasses through iteration of machine
learning and high-throughput experiments.

13