Revisión bibliográfica.

Bibliografía 1:
Tema: Redes neuronales y aprendizaje por refuerzo en el control de turbinas eólicas
Resumen:
En el presente artículo se nos describe diferentes estrategias de control inteligente para
controlar el ángulo de las palas de una turbina eólica, se menciona el uso de redes neuronales
y aprendizaje por refuerzo, se hace énfasis en la complejidad del control de ángulo de las
palas debido a un comportamiento no lineal de estos dispositivos y a las perturbaciones
externar que encontramos debido a las condiciones climáticas adversas como puede ser el
comportamiento del viento y varios fenómenos meteorológicos. Debido a la complejidad
mencionada se opta también por aplicar configuraciones hibridas de control donde se fusiona
las estrategias inteligentes mencionadas y técnicas tradicionales como controladores PID.
Realizando pruebas funcionales para las estrategias de control se ha estabilizado en
simulación la potencia de salida de una turbina de 7 KW. Otro enfoque que se le da al uso de
las redes neuronales, además de ser usado para obtener los modelos computacionales de
aerogeneradores, es para estimar señales difíciles de ser percibidas como el viento efectivo
medido por el anemómetro, el cual llega a variar al real debido a perturbaciones externas. Al
realizar las simulaciones y obtener buenos resultados se plantea a futuro realizar las pruebas
de las técnicas de control mencionadas en turbinas de mayor tamaño.

Bibliografía 2:
Tema: Identificación de sistemas dinámicos utilizando redes neuronales RBF
Resumen:
Del artículo se destaca el uso de redes neuronales RBF para la identificación de sistemas
dinámicos complejos y no lineales, se menciona la importancia de esta identificación en el
campo de neuro control, control inverso, control adaptativo directo e indirecto. Para el
desarrollo del artículo se usó redes neuronales feedforward con memoria a la entrada y redes
recurrentes entrenadas para poder acercarse a la dinámica del sistema y ser implementada en
tiempo real en el lazo de control. Se presenta un esquema de identificación basado en redes
RBF las cuales presentan una capa oculta donde su arquitectura se modifica automáticamente
para encontrar el mejor número de unidades ocultas, de tal forma que se adapte
dinámicamente. Los autores plantean la comparación de las redes RBF con otros enfoques
de identificación de sistemas no lineales y estimación de parámetros con redes neuronales.
Se destaca resultados prometedores debido a una alta capacidad de aprendizaje de dinámicas
complejas y presentar una adaptabilidad a cambios en el sistema a identificar, se hace énfasis
en que se describe los primeros pasos en la validación de esta nueva arquitectura y se harán
trabajos a futuro.

Bibliografía 3:
Tema: Un modelo numérico para la simulación de la disolución de precipitados de
aleaciones de aluminio endurecido mediante redes neuronales.
Resumen:
En el artículo se presenta un modelo numérico detallado usado para predecir la evolución de
la disolución de precipitados y la dureza en aleaciones de aluminio, estas aleaciones fueron
endurecidas durante procesos de soldadura por batido y fricción y tratamientos térmicos,
dicho modelo se basó en el trabajo previo de Myhr y Grong (1991) el cual contiene una única
variable independiente, el tiempo, y una única variable de estado, la fracción volumétrica de
precipitados. Con el tiempo, estudios experimentales demostraron que el modelo teórico
sobrestimaba la tasa de variación de la disolución en las últimas etapas del proceso, debido a
este inconveniente se ha optado por el uso de redes neuronales para ajustar la curva y predecir
la evolución de la disolución y la dureza en las aleaciones con el fin de mejorar la precisión
del modelo. Mediante pruebas y la comparación con datos experimentales, se validó el
modelo resultante y se destaca una precisión significativamente mayor que con el modelo
original. El modelo adquirido predice los efectos de diferentes parámetros de procesamiento
en la evolución de precipitados y dureza en las aleaciones, por cual resulta útil para
aplicaciones industriales de fabricación de materiales, como la optimización de procesos de
soldadura y tratamientos térmicos, logrando una mejora de calidad y resistencia de las
aleaciones de aluminio.

Bibliografía 4:
Tema: Emisión acústica y redes neuronales para modelado y caracterización del
proceso de soldadura por fricción agitación.
Resumen:
En el siguiente artículo se presenta un modelo basado en emisión acústica y redes neuronales
para caracterizar y predecir parámetros del proceso de soldadura por fricción agitación. Se
evalúa la posibilidad del uso de las redes neuronales artificiales para la predicción a partir de
las señales vibro-acústicas generadas durante el proceso de soldadura. Los autores
compararon dos algoritmos de entrenamiento diferentes: el algoritmo del gradiente
descendente con momento y el algoritmo de Levenberg-Marquardt (LM), obteniendo
mejores resultados con la red neuronal entrenada con el algoritmo LM, siendo que su error
final convergió a 0,001 con una mayor rapidez siendo que únicamente se necesitó ocho
épocas de entrenamiento. Para la realización de las pruebas se usaron tres topologías donde
variaba el número de neuronas en la capa oculta, siendo 10,14 y 20. Se concluyó que el
algoritmo de LM es el mejor para realizar el modelo, por lo que se presenta un nuevo método
no destructivo para estimar parámetros de la soldadura sin interferir durante su proceso
permitiendo una mejor calidad.

Bibliografía 5:
Tema: Utilización de redes neuronales artificiales para predecir la influencia del tipo
de fresado en la calidad del producto
Resumen:
Los autores del artículo explican a través de la investigación de expertos de varias
universidades sobre como las diferentes estrategias de mecanizado afectan a la geometría
final de las piezas fresadas. Se presenta un estado del arte donde se realiza la revisión de la
literatura existente sobre el tema mencionado, posterior se describe la metodología utilizada
en la investigación, los autores usaron una máquina fresadora CNC para mecanizar piezas
con superficies complejas para realizar las pruebas con diferentes estrategias de mecanizado,
entre ellas el fresado en rampa y el fresado en espiral. Una vez que se realizaron los
mecanizados de las piezas se usó equipo de medición (CMM) y con los datos obtenidos,
como velocidad de corte, profundidad de corte y velocidad de avance, se entrenó una red
neuronal para predecir la calidad del producto en función del tipo de fresado utilizado. Se
concluyó que los diferentes métodos de mecanizado presentan ventajas y desventajas
dependiendo del parámetro definido por la ingeniería del producto o el diseñador, los autores
enfatizan que el fresado de rampa produjo piezas con una geometría más precisa y una
superficie más suave que con el fresado en espiral, de igual forma el uso de la red neuronal
fue capaz de predicir la calidad del producto en función del tipo de fresado utilizado.

Bibliografía 6:
Tema: Clasificación del tratamiento térmico de aceros con ensayos no destructivos por
corrientes de Foucault usando redes neuronales
Resumen:
En el artículo los autores explican como las técnicas de corrientes de Foucault se usan cada
vez más en la industria para detectar propiedades físicas y metalúrgicas en los aceros. Para
diferenciar las piezas de acero con diferentes tratamientos térmicos se usa los valores de
impedancia de una bobina generadora de corriente de Foucault, esta impedancia es una
medida de resistencia que presenta el material a la corriente eléctrica que se está generando,
debido a que aplicando una corriente alterna a la bobina, se genera un campo magnético que
induce corrientes eléctricas en el material las cuales originan un campo magnético opuesto
al de la bobina produciendo la variacion en la impedancia en la misma. La información
obtenida es usada para determinar las propiedades del material, se puede procesar con redes
neuronales artificiales, las cuales son capaces de clasificar los aceros según su tratamiento
térmico con una alta precisión. Los autores también determinaron la relación entre la carga
computacional teórica y el tiempo de ejecución medido de las redes neuronales con el fin de
evaluar su eficiencia, la carga computacional se estimó en funcion del número de neuronas
en la capa oculta y el número de variables de entrada, demostrando una alta correlación entre
la carga computacional y el tiempo de ejecución de las redes neuronales, sin embargo se
destaca que el aumento del número de variables de entrada no implica el aumento de la carga
computacional o en el tiempo de ejecución de las redes neuronales.
Bibliografía 7:
Tema: Aplicación de algoritmos de machine learning en el pronóstico y monitoreo de
la salud de sistemas electrónicos.
Resumen:
En el artículo se describe la era moderna de la digitalización donde la electrónica ha llegado
a ser fundamental para los sistemas de ingeniería. Se describe el enfoque actual del Internet
de las Cosas (IoT), vehículos autónomos y la Industria 4.0, donde la predicción de la salud
de los sistemas complejos puede evitar fallas catastróficas. Los autores plantean los desafíos
y oportunidades en la aplicación de algoritmos de machine learning en el pronóstico y
monitoreo de la salud, como la necesidad de cuantificar la incertidumbre en los resultados
del modelo y la importancia de la información de consumo de energía y almacenamiento de
datos para el uso en tiempo real, al igual que las técnicas utilizadas en la detección y
diagnóstico de fallas. Entre los ejemplos del uso de machine learning tenemos el monitoreo
de la salud de baterías, motores eléctricos y sistemas de energía renovable, estos algoritmos
son capaces de mejorar la eficiencia, prevenir fallas catastróficas y reducir los costos de
mantenimiento. Como caso práctico se ha planteado el uso del voltaje colector-emisor vara
evaluar la vida útil restante de un transistor IGBT.

Bibliografía 8:
Tema: Diagnóstico de fallas compuestas basado en Deep learning
Resumen:
En el artículo se plantea la importancia de la Industria 4.0 y su evolución hacia la
automatización y la digitalización en el campo de la fabricación inteligente, la necesidad de
soluciones de diagnóstico de fallas más eficientes y precisas en la denominada era de
automatización y digitalización. Se propone una nueva solución, basada en Deep Learning,
que usa técnicas de señales de voz para simplificar el proceso de diagnóstico de fallas y
mejorar la precisión y eficiencia, para lograr un bajo consumo de energía e identificación
automática continua. La red LeNef-F basada en la red LeNet logra una precisión del 97,41%
para la clasificación de fallas híbridas con un tamaño de modelo de 2,4 MB. Los autores
mencionan que la solución propuesta es ampliamente aplicable en el diagnostico de fallas de
equipos de gran tamaño, como prensas de rodillos, trituradoras y ventiladores e incluso en
otros equipos en la industria manufacturera, expandiendo su uso a diversos sectores
industriales.

Bibliografía 9:
Tema: Control de dispositivos mecatrónicos por inteligencia artificial
Resumen:
En el artículo se da una breve introducción a la mecatrónica y la inteligencia artificial, se
menciona que la combinación de ambas puede mejorar la eficiencia y productividad en gran
cantidad de aplicaciones. Se mencionan varios ejemplos como los robots, donde la
inteligencia artificial es usada para programar su comportamiento permitiendo que realice
tareas complejas como navegación autónoma, se tiene sistemas de transporte como trenes y
automóviles que emplean IA para optimizar su eficiencia y mejorar su seguridad, mediante
la detección de obstáculos y prevención de colisiones, en el campo de la energía renovable,
se tiene aplicaciones en turbinas eólicas y paneles solares para la optimización de la
producción de energía y mejoras en eficiencia, en el área de la medicina se emplea IA en
marcapasos y dispositivos de asistencia respiratoria para monitorear y ajustar
automáticamente el funcionamiento del dispositivo para que se pueda adaptar a las
necesidades del paciente. Se hace mención de diferentes enfoques para el control de los
dispositivos mecatrónicos, incluyendo machine learning y fuzzy logic, se destaca como
ventaja del machine learning el aprendizaje y adaptación de los dispositivos a nuevas
situaciones sin necesidad de una programación manual, como desventaja se menciona que
puede ser costoso su implementación y se requiere grandes cantidades de datos para el
entrenamiento del modelo, por otro lado, como ventaja de fuzzy logic es manejar la
incertidumbre y ambigüedad en los datos de entrada de los dispositivos mejorando su
precisión y robustez, como desventaja se tiene la difícil implementación.

Bibliografía 10:
Tema: Aplicación de Técnicas de Análisis de Conglomerados y Redes Neuronales
Artificiales en la Evaluación del Potencial Exportador de una Empresa.
Resumen:
En el artículo se presenta una metodología para el análisis de las condiciones competitivas
en el comercio exterior de organizaciones empresariales. En la metodología propuesta se
incluye etapas de medición, evaluación y clasificación de empresas, esto a partir de 16
factores clave del potencial exportador. Los autores evalúan la aplicación del análisis de
conglomerados para identificar perfiles competitivos y de redes neuronales para la
clasificación del potencial exportador. Como resultado, se indica la capacidad del análisis de
conglomerados y redes neuronales para discriminar niveles competitivos en el potencial
exportador, se destaca la aplicación en el sector químico ya que permitió agrupar a las
empresas en cuatro perfiles competitivos que asocian sus características, las redes neuronales
obtuvieron un 85,7% de capacidad para discriminar y clasificar las empresas, esto gracias al
uso de tres modelos de redes neuronales, con un 100% de clasificación correcta en la muestra
de entrenamiento, 87,5% en la muestra de prueba y 87,5% de capacidad en la prueba de
reserva. Se destaca que estas técnicas llegan a ser de ayuda para las organizaciones para la
toma de decisiones, prediciendo el riesgo y el rendimiento, obteniendo mejoras en su
desempeño en el comercio exterior.
Bibliografía 11:
Tema: Diseño de productos industriales asistido por ordenador basado en el algoritmo
de mejora de imagen y la red neuronal convolucional
Resumen: El artículo se centra en la integración de la inteligencia artificial (IA) en el diseño
de productos para mejorar la calidad y eficiencia del proceso de diseño industrial asistido por
computadora (CAID). Se utiliza la tecnología de procesamiento de imágenes basada en visión
artificial e IA, específicamente un algoritmo basado en redes neuronales convolucionales
(CNN), para mejorar la estabilidad y el rendimiento del diseño. El artículo también menciona
la optimización del proceso de diseño y la eficiencia del trabajo de CAID al usar este
algoritmo. Se destaca la eficacia de un método de verificación paralela cuando se expande la
escala de red en comparación con el método de verificación de un solo usuario. La simulación
demuestra que el modelo propuesto puede entrenarse rápidamente para lograr una precisión
deseada en el procesamiento de imágenes de CAID, lo que mejora la eficiencia del diseño y
la calidad del contenido del diseño.

Bibliografía 12:
Tema: Mantenimiento predictivo basado en datos de IoT, en sistemas difusos y redes
neuronales artificiales
Resumen: El documento habla sobre la aplicación de tecnologías de la Industria 4.0 para
mejorar las estrategias de mantenimiento en líneas de producción. Se utiliza el mantenimiento
predictivo (PdM) junto con la inteligencia artificial basada en aprendizaje profundo para
detectar y prevenir problemas de mantenimiento. También se menciona el uso de sensores y
el Internet de las cosas (IoT) para gestionar de manera más eficiente el mantenimiento en
máquinas industriales. El estudio propone un marco de planificación de mantenimiento
predictivo basado en datos y se verifica su viabilidad en una fábrica de cartón ondulado. Se
utiliza la lógica difusa para el mantenimiento basado en IA y el aprendizaje profundo para el
diagnóstico de fallas. El documento habla sobre la revolución de la Industria 4.0 en la
fabricación, donde se combinan tecnologías como IoT, computación en la nube, análisis de
datos, IA y aprendizaje automático para mejorar la producción y la gestión de máquinas. Se
destaca el uso del mantenimiento predictivo (PdM) para recopilar datos de sensores y
predecir fallos en las máquinas. Esto reduce los costos de mantenimiento y extiende la vida
útil de las máquinas. Se menciona que se consideran varios parámetros, como el tipo de
máquina, la experiencia del operador y la antigüedad de la máquina, para el diagnóstico y la
predicción de fallos. El texto también describe cómo se utilizan algoritmos para analizar
datos de sensores distribuidos y tomar decisiones precisas. El objetivo es evitar detener la
línea de producción sin razón y mejorar el rendimiento de las máquinas, predecir condiciones
y fechas de mantenimiento, y reconocer fallas antes de que ocurran. Se enfatiza que esto
conduce a una mayor vida útil de las máquinas, menos tiempo de inactividad, mejor calidad
del producto y ahorro de energía. Además, se señala que las fallas pueden ser causadas por
operaciones defectuosas y que el trabajo de investigación busca prevenirlas mediante el
reconocimiento preciso y la predicción de fallos.
Bibliografía 13:
Tema: Desarrollo de un método de seguridad para un robot industrial 3-DOF basado
en red neuronal recurrente
Resumen: El documento presenta un método de seguridad para un robot industrial de 3
grados de libertad (3-DOF) utilizando una red neuronal recurrente (RNN) y considerando
normas de seguridad en la interacción humano-robot (HRI). El objetivo principal es detectar
colisiones no deseadas en los enlaces del robot. Dado que la mayoría de los robots
industriales no son colaborativos y dependen de sensores de par para detectar colisiones, este
método utiliza datos de posición de las juntas como entradas para la detección de colisiones.
Se recopilan datos del robot KUKA LWR IV en condiciones sin colisión y durante colisiones,
y se utilizan para entrenar la RNN con el algoritmo LM de Levenberg-Marquardt. El
resultado muestra que la RNN es efectiva en detectar colisiones en cada eslabón del robot y
que el método es confiable según el análisis del error del modelo. El texto destaca la
importancia de la seguridad en la interacción entre humanos y robots industriales,
especialmente cuando los robots carecen de sensores de par en sus articulaciones. Se
mencionan estándares de seguridad y la necesidad de utilizar datos de posición y cinemática
para predecir datos dinámicos, como el par externo. Se enfatiza la importancia de diseñar
sistemas de seguridad basados en el aprendizaje automático sin agregar sensores adicionales.
El objetivo del documento es desarrollar un enfoque para detectar colisiones en los enlaces
del robot utilizando una red neuronal recurrente (RNN) y señales de posición conjuntas como
entradas. Se concluye que el control inteligente mejora la calidad, la seguridad y la eficiencia
energética en el entorno de trabajo robótico.

Bibliografía 14:
Tema: Un solucionador de problemas de control óptimo general para aplicaciones de
conducción autónoma y control industrial
Resumen: El texto presenta General Optimal Control Problems Solver (GOPS), un paquete
de solucionador de aprendizaje por refuerzo (RL) diseñado para abordar problemas de control
óptimo en aplicaciones industriales. Los métodos existentes, como el control predictivo de
modelos, a menudo son computacionalmente intensivos. Aunque el aprendizaje por refuerzo
ha mostrado promesa en juegos y aplicaciones de mesa, su adopción en la industria se ha
visto obstaculizada por la falta de solucionadores accesibles y precisos. GOPS se presenta
como una solución fácil de usar y altamente modular que busca construir controladores de
alto rendimiento en tiempo real. También ofrece una herramienta de conversión que permite
utilizar Matlab/Simulink para el diseño y validación del controlador. Además, puede manejar
problemas a gran escala al crear automáticamente entrenadores en serie y paralelos, y ofrece
varias funciones aproximadas comunes para políticas y valores. El paquete GOPS también
incluye algoritmos restringidos y robustos para sistemas de control industrial con
restricciones de estado e incertidumbres de modelo. Se han probado varios ejemplos de
control, como el control cuadrático lineal, el doble péndulo invertido, el seguimiento de
vehículos, el robot humanoide, la evitación de obstáculos y el control activo de la suspensión
para verificar su rendimiento. En resumen, GOPS es una herramienta versátil diseñada para
abordar desafíos de control óptimo en entornos industriales.

Bibliografía 15:
Tema: Diagnóstico de fallos de rodamientos y modelado pronóstico en plantas con
fines industriales
Resumen: El documento explora la combinación de mantenimiento basado en la condición
(CBM) y sistemas de apoyo a la decisión para mejorar la eficiencia empresarial y la
utilización de recursos. Se destaca la importancia del pronóstico de la condición futura, la
vida operativa restante y el comportamiento del sistema utilizando datos de monitoreo de
condición en el contexto de CBM. Se investiga la aplicación de la técnica de pronóstico
ARIMA en un conjunto de datos de portadores del Instituto FEMTO-ST. El estudio se enfoca
en modelar y predecir la vida útil restante de rodamientos en plantas industriales para
prevenir fallas catastróficas. Se destaca el valor agregado al estructurar los modelos ARIMA,
asegurando la estacionariedad de las series temporales mediante la Prueba de Dickey-Fuller,
lo que facilita predicciones precisas. Además, se compara el resultado obtenido con ARIMA
con los resultados de la regresión de redes neuronales (NNR) utilizada en la competencia
FEMTO y con resultados experimentales de la NASA. El Monitoreo Basado en la Condición
(CBM) se utiliza comúnmente para evaluar el estado y la salud de dispositivos rotativos. El
avance de la tecnología ha mejorado la CBM para mejorar el rendimiento de los productos y
reducir los tiempos de inactividad en máquinas modernas cada vez más sofisticadas. Sin
embargo, las señales de ruido natural, vibración y emisión acústica pueden dificultar la
detección de fallas en estos sistemas. Es especialmente complicado en maquinaria de baja
velocidad bajo condiciones variables de carga y temperatura.

Bibliografía 16:
Tema: Red neuronal convolucional ligera mediante búsqueda de arquitectura neuronal
y poda de modelos para el diagnóstico de fallas en los rodamientos y la predicción de la
vida útil restante
Resumen: El documento propone un enfoque en dos pasos para crear una red neuronal
convolucional (CNN) ligera para el diagnóstico de fallas en rodamientos y la predicción de
la vida útil restante (RUL). En el primer paso, se utiliza la búsqueda de arquitectura neuronal
(NAS) para construir una CNN basada en células con celdas óptimas y se limita el número
de celdas para reducir su tamaño. En el segundo paso, se realiza una poda basada en la
clasificación de pesos para reducir aún más las conexiones en la CNN. Se valida este enfoque
utilizando datos de la Case Western Reserve University para la clasificación de fallas,
logrando una alta precisión incluso después de eliminar el 50% de las conexiones. Además,
se reduce significativamente el tamaño de los parámetros de la red. Luego, se adapta la
estructura de la red para predecir la RUL y se valida con datos de prueba PRONOSTIA,
demostrando la viabilidad y superioridad de construir una CNN ligera con NAS y poda. Este
enfoque abre el potencial para implementar CNN ligeras en sistemas integrados.

Bibliografía 17:
Tema: Modelo de reducción de modelos de redes porosas utilizando redes neuronales
Resumen: Los sistemas de partículas que reaccionan juegan un papel importante en muchas
aplicaciones industriales, por ejemplo, el secado de biomasa o la fabricación de productos
farmacéuticos. Por lo tanto, el modelado numérico y la simulación de dichos sistemas son de
gran importancia para una operación eficiente, confiable y ambientalmente sostenible de los
procesos. Los complejos procesos termodinámicos, químicos y de flujo que tienen lugar en
las partículas son un desafío particular en una simulación. Además, normalmente se trata de
un gran número de partículas, lo que hace imposible un tratamiento explícito de las
individuales en una simulación a nivel de reactor. Un enfoque para superar este desafío es
calcular parámetros físicos efectivos a partir de simulaciones de alta resolución de una sola
partícula. Esto se puede combinar con métodos de reducción de modelos si se debe capturar
el comportamiento dinámico de las partículas. Los modelos de red de poros con su resolución
inigualable se han utilizado con éxito como modelos de alta resolución, por ejemplo, para
obtener el coeficiente de difusión macroscópica de secado. Tanto la identificación de
parámetros como la reducción de modelos han ganado recientemente un nuevo impulso por
el dramático progreso realizado en el aprendizaje automático en la última década.
Reportamos resultados sobre el uso de redes neuronales para la identificación de parámetros
y la reducción de modelos basados en modelos tridimensionales de redes de poros (PNM).
Creemos que nuestros resultados proporcionan un poderoso complemento a las metodologías
existentes para simulaciones a nivel de reactor con muchas partículas térmicamente gruesas.

Bibliografía 18:
Tema: Análisis de aplicaciones de la red neuronal convolucional de optimización de
enjambres de partículas en diseño industria
Resumen: Este artículo se enfoca en la aplicación de algoritmos de aprendizaje profundo
(DL) y diseño industrial asistido por ordenador (CAID) en el diseño industrial y modelado
3D. Propone un modelo de reconstrucción y renderizado 3D llamado PSO-CNN, que utiliza
una red neuronal convolucional con optimización de enjambre de partículas. El modelo
incorpora un mecanismo de atención mutua para establecer correlaciones a larga distancia
entre dominios y permite que las imágenes del dominio de origen aprendan las características
clave del dominio de destino. Además, para imágenes grandes, se utiliza un mecanismo de
atención mutua de múltiples cabezales para ahorrar recursos de memoria. Los resultados de
la simulación demuestran que el modelo puede reconstruir y renderizar estructuras 3D a partir
de una sola imagen de vista, aprovechando datos de imagen variados y la potencia del DL.
Esto permite la reconstrucción y renderizado 3D de objetos basados en una única imagen de
vista.
Bibliografía 19:
Tema: Diseño de productos industriales asistido por ordenador basado en el algoritmo
de mejora de imagen y la red neuronal convolucional
Resumen: El artículo se centra en la integración efectiva de la inteligencia artificial (IA) en
el diseño industrial asistido por computadora (CAID) para procesar información geométrica
de productos y lograr el diseño y la producción de alta calidad de nuevos productos. Se
propone un algoritmo de mejora de imágenes para productos de diseño industrial basado en
redes neuronales convolucionales (CNN). Este algoritmo mejora la estabilidad y el
rendimiento de la red, además de optimizar el proceso de diseño y la eficiencia del trabajo en
CAID. El artículo también menciona el uso de tecnología de procesamiento digital de
imágenes basada en visión artificial e IA en CAID. La simulación demuestra que el modelo
desarrollado puede entrenarse rápidamente para alcanzar los objetivos de procesamiento de
imágenes en CAID y mejorar tanto el contenido del diseño como la eficiencia del proceso de
diseño.

Bibliografía 20:
Tema: Modelado de corrosión basado en redes neuronales de codo de acero inoxidable
316L utilizando datos de mapeo de campo eléctrico
Resumen: Se ha desarrollado un enfoque para modelar el comportamiento de corrosión del
acero inoxidable 316L (SS) utilizando redes neuronales artificiales (RNA). Se realizaron
pruebas experimentales con agua salina en una estructura de codo a diferentes caudales y
concentraciones de sal, registrando datos de voltaje, corriente y temperatura utilizando pines
de mapeo de campo eléctrico (EFM) en la superficie del codo. Estos datos se utilizaron para
entrenar el modelo de RNA. El rendimiento del modelo se evaluó comparando el grosor de
la pared (WT) previsto con las mediciones reales. El modelo de RNA mostró un rendimiento
excepcional, con un error máximo oscilando entre 0.5363% y 0.7535%. Se calcularon los
valores de error RMSE y MAE, que fueron bajos (0.0271 y 0.0266, respectivamente). El
estudio también informa sobre la formación de escamas observada. Este enfoque contribuye
a comprender mejor la corrosión en el acero inoxidable 316L y proporciona información
valiosa para desarrollar estrategias eficientes de prevención de corrosión en entornos
industriales. La capacidad de predecir con precisión la pérdida de grosor de la pared permite
una planificación proactiva del mantenimiento y reduce el riesgo de fallas estructurales en
activos industriales, asegurando su sostenibilidad a largo plazo.