You are on page 1of 13

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 procedural candidatos hipotéticos al material


que se espera descubrir, permitiendo así
La era digital ha sido impulsada por la superar la ingeniería de materiales que la
aplicación de la Inteligencia Artificial, un informática clásica no ha logrado.
elemento clave en el desarrollo científico y
tecnológico.Ésta ha facilitado las herramientas .
para muchos descubrimientos y avances en 2. METODOLOGIA
diversas áreas del conocimiento humano.
El impacto que ha generado la inteligencia en la Para el desarrollo del presente trabajo se
generación de novedosas tecnologías ha llevó a cabo una búsqueda y revisión
permitido el estudio de una rama particular de bibliográfica exhaustiva para la obtención de
la ingeniería,la Ingeniería de los Materiales.El una base de datos con información relevante
descubrimiento y mejoramiento de los sobre el desarrollo de la Inteligencia Artificial en
materiales, es uno de los progresos que han las últimas dos décadas con un enfoque en la
sido factibles con el uso de diferentes formas de aplicación de esta herramienta en el estudio de
Inteligencia Artificial; como, por ejemplo, el las propiedades, procesado y tratamientos
desarrollo de complejos algoritmos que térmicos de materiales y los avances en la
analizan enormes cantidades de datos, creación de nuevos materiales metálicos,
escanean cientos de materiales de muestra y polímeros, cerámicas y en el progreso de la
permiten obtener conclusiones por sí mismos nanotecnología que ha venido a revolucionar el
en lapsos sumamente cortos. De manera que, campo de la ingeniería y ciencia de los
no sólo se reduce el tiempo que podría tardar el materiales. La recopilación de información fue
estudio de los materiales y sus propiedades, llevada a cabo mediante fuentes físicas como
sino que también los resultados alcanzados con libros y digitales como artículos científicos y
estos dispositivos de Inteligencia Artificial tesis de grado académico disponibles
pueden abrir nuevos caminos de investigación electrónicamente. En total se recolectaron 50
y ya han empezado a revolucionar el panorama documentos relacionados con el tema de
de la ciencia de materiales. interés para el desarrollo de este artículo de
Según Quiang y Honghong (2018), en revisión bibliográfica. La información se
su artículo “Ciencia de los Materiales e sintetizó y se clasificó para seleccionar los
Ingeniería; Una nueva visión en la era de la aspectos relevantes para abordar sobre esta
Inteligencia Artificial” en la última década ha temática. De manera que, de la bibliografía
existido un auge en el desarrollo de consultada se eligió aquellos artículos
oportunidades para descubrir nuevos tipos de científicos que tenían mayor aporte y se
materiales mediante el uso máquinas centraban en las secciones que se pretendía
equipadas con sistemas complejos de abordar sobre la Inteligencia Artificial en la
inteligencia artificial, es decir, en la actualidad el Ingeniería y Ciencia de los Materiales.
conocimiento de los materiales tiene el
potencial de ser creado sin necesidad de 3. HISTORIA DE LA INTELIGENCIA
intervención humana. ARTIFICIAL
El documento “Historia de la Inteligencia
Es por esto que en la actualidad se Artificial” de Julio Villena, Raquel M Crespo y
busca llevar la Ingeniería de los materiales a Jesús García Crespo, presenta un análisis
una nueva evolución, por medio de la cronológico del desarrollo de la inteligencia
Inteligencia Artificial, se busca alcanzar el artificial que ve sus inicios como un fantástico
paradigma de Datos Intensivos. Según Quiang literario con una historia en sí mismo. Ya en la
y Hong Hong (2018), la IA permite decodificar antigüedad clásica vemos los trípodes
materiales al crear de manera inteligente y autómatas que fabrica el Dios Hefesto, y tiempo

2
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

desúés el golem a quien temían los jóvenes cuales construimos el siguiente capítulo de esta
caballeros de la época medieval, esta idea de fascinante historia.
inteligencia similar a la humana se mantiene
presente a través de la historia literaria,
pasando por el monstruo de Frankestein de 4. MÉTODOS DE APRENDIZAJE
Shelley hasta ejemplos más modernos como la UTILIZADOS POR LOS SISTEMAS DE
computadora HAL-9000 de la obra maestra de INTELIGENCIA ARTIFICIAL
Cubrick “2001: Odisea en el Espacio”.
El paso del mito a la realidad no se dio sino La característica principal de la inteligencia
hasta la década de los 50, cuando el célebre artificial es la capacidad de aprender. De
Allan Turing, considerado uno de los padres de acuerdo con Liu,Thianlu y Shi (2017) el llamado
la IA y la computación, publica su artículo "aprendizaje automático", o sea, el método por
“Computing Machinery and Intelligence”, en el cual “aprenden” las máquinas, funciona al
este artículo se profundiza sobre la posibilidad automatizar modelos analíticos mediante el uso
de que una máquina pueda imitar el de algoritmos que aprenden de forma iterativa a
comportamiento de la mente humana. En este partir de datos. De este modo, permite a las
mismo artículo se propone el archiconocido computadoras encontrar información oculta sin
Test de Turing, orientado a demostrar si una ser programadas explícitamente para saber
determinada máquina es inteligente o no. dónde buscar la información necesaria.
(Villena, et al., SF) Además, Mueller,Gilad y Ramprasad
Turing da el disparo inicial para el (2016) añaden que existe una clasificación de
desarrollo de una nueva ciencia, pues además los algoritmos utilizados por la inteligencia
de su artículo, Turing creó la primera máquina artificial, donde se puede distinguir dos ramas:
“pensante”, un precursor a la computadora a) Aprendizaje supervisado y b) Aprendizaje no
capaz de descifrar el código enigma de la supervisado. En ambos casos, el algoritmo que
Alemania Nazi, facilitando la victoria de los se emplea tiene acceso a un conjunto de
aliados. Con estas acciones comenzó una gran observaciones (datos) que son la base del
serie de hitos para el avance de la IA, aprendizaje de la máquina. Sin embargo, los
comenzando por la “Dartmouth Summer resultados obtenidos por ambos tipos difieren
Research Conference on Artificial Intelligence” entre sí, así como la naturaleza propia del
de 1956 donde brillantes científicos expusieron análisis que el sistema de inteligencia artificial
lo que son ahora las bases de esta ciencia. realiza.
(Villena, et al., SF)
Para el caso de los algoritmos
En tiempos modernos, la década de los 80 desarrollados por aprendizaje supervisado,
representó un momento clave para la IA por un básicamente consiste en introducir una serie de
lado la aparición de los Sistemas Expertos, más valores, por ejemplo, la estructura cristalina de
orientados a la aplicación práctica que a la diferentes materiales, y un conjunto de valores
persecución abstracta de la inteligencia, y por el de salida, como por ejemplo las propiedades
otro por el fracaso del proyecto “Quinta Gen.” correspondientes de los materiales. A partir de
que buscaba una alternativa a la IA que resultó esta información, la máquina de inteligencia
inalcanzable. (Villena, et al., SF) artificial trata de identificar una función que
Estos pasos hacia la Inteligencia Artificial pueda predecir con precisión los valores de
nos permiten apreciar el centenario avance de salida que se asociaría con el ingreso de
esta rama de la ciencia, del mito a la ciencia nuevos valores de entrada, esto mediante el
ficción y de esta únicamente a ser una ciencia desarrollo particular del algoritmo. Con
tan útil que hoy día se utiliza entre muchos respecto al aprendizaje no supervisado, no
aspectos, en el desarrollo de materiales con los existen valores de salida que se introduzcan en

3
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

el sistema, al contrario, el objetivo de este tipo optimización de enjambre de partículas para


de inteligencia artificial es identificar patrones que las partículas en el algoritmo evolucionen
en los valores de entrada con base en el junto con la energía de difusión, se puede
algoritmo. entrenar los parámetros de la red neuronal
artificial de la función de base radial para que
No es posible decir cuál de estos dos realice predicciones de solubilidad. En este
métodos es mejor, sino que depende del caso, se muestra un caso de aprendizaje no
objetivo que se busque alcanzar por medio de supervisado, ya que los valores de salida no se
la ayuda del aprendizaje automático. Para el introducen en el sistema ni se encuentran en
caso específico del desarrollo de materiales una base de datos.
poliméricos, por ejemplo, es muy utilizada la
implementación de redes neuronales artificiales
(NN), las cuales, de acuerdo con Wei, Melko y 5. MODELOS DESARROLLADOS POR
Chen (2017), son una rama del aprendizaje MEDIO DE INTELIGENCIA ARTIFICIAL
automático que ha demostrado una
sorprendente capacidad para reconocer 5.1. Redes Neuronales Artificiales
patrones de enorme complejidad. En este caso,
se han utilizado para clasificar las fases en un La inteligencia artificial es un intento por
modelo de giro bidimensional (2D) e identificar descubrir y describir aspectos de la inteligencia
temperaturas críticas entre varias fases humana que pueden ser simulados mediante
directamente desde las configuraciones máquinas. Las redes neuronales artificiales son
producidas por las simulaciones de Monte Carlo una forma de emular ciertas características
(MC) de modelos de polímeros, identificando propias de los humanos, como la capacidad de
estados desordenados, parcialmente memorizar y de asociar hechos, que permiten
ordenados y ordenados como bobina, resolver problemas que tienen la característica
estructuras globulares de tipo líquido y de no poder ser resueltos mediante algoritmos
estructuras cristalinas de baja energía. Como porque necesitan del conocimiento adquirido a
puede observarse, este es un caso de través de la experiencia. (Ruiz y Basualdo,
aprendizaje supervisado, ya que lo que hace es 2001)
reconocer, identificar y clasificar tomando como De acuerdo con Ruiz y Basualdo (2001),
valores posibles una base de datos. las redes neuronales (de manera análoga a las
unidades biológicas de las cuales reciben su
Otra aplicación de NN en materiales
nombre), consisten en unidades de
poliméricos es la de encontrar la solubilidad del
procesamiento que intercambian datos o
dióxido de carbono supercrítico (ScCO2) en un
información, se utilizan para reconocer
polímero, como lo exponen Mengshan et al
patrones, y tienen la capacidad de aprender y
(2017). De acuerdo con los autores, la
mejorar su funcionamiento. Por tanto, los
solubilidad del dióxido de carbono supercrítico
modelos de redes neuronales artificiales
en polímeros se utiliza ampliamente en la
(abreviados ANN o simplemente NN) tienen la
modificación y síntesis de materiales, la
capacidad de eliminar la necesidad de una
preparación de nuevos materiales y otros
investigación experimental costosa en diversas
campos. Bajo las condiciones supercríticas de
áreas de los procesos de fabricación.
alta temperatura y presión, los experimentos de
(Shabanzadeh,P. , Senu,N., Shameli,K. y
disolución se caracterizan por un procedimiento
Tabar, M., 2013)
de operación relativamente difícil, de alto costo,
de largo tiempo y con altos requisitos de Como se ha mencionado, las redes
personal, por lo que no es fácil obtener datos de neuronales artificiales presentan un gran
solubilidad en estas condiciones. Al integrar la número de características semejantes a las del
teoría de la difusión en la mejora de la cerebro.Por esta razón, algunas de las ventajas

4
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

que estas presentan son el aprendizaje Otra aplicación de estas técnicas de


adaptativo, la autoorganización, la tolerancia a Inteligencia Artificial ha sido en la evaluación de
fallos y la facilidad de inserción de las mismas las propiedades mecánicas de mezclas de
en la tecnología ya existente. nylon que han sido modificadas de forma
6. PROPIEDADES MECÁNICAS DE LOS elastomérica. Esta técnica es llevada a cabo
MATERIALES QUE SE ESTUDIAN para incrementar la dureza de la matriz
MEDIANTE EL USO DE INTELIGENCIA polimérica que es frágil pero la adición de
ARTIFICIAL caucho a termoplásticos semidúctiles como
algunas poliamidas, poliésteres contribuyen a
La aplicación de la Inteligencia Artificial en incrementar la resistencia de las mezclas. No
el estudio de las propiedades mecánicas de los obstante, la adición de un compuesto
materiales ha permitido predecir el elastómero a una matriz rígida reduce la
comportamiento de éstos bajo diferentes resistencia y rigidez del material en
condiciones o factores como, por ejemplo, comparación con su composición inicial. Por
variaciones en la composición, diferentes ello, numerosos estudios han señalado que
técnicas de procesamiento, cambios de debido a la complejidad del proceso de
temperatura, entre otros. La determinación de extrusión se dificulta el modelado de éste, y se
las propiedades de los materiales puede ha recurrido al desarrollo de modelos
llevarse a cabo de forma experimental; no matemáticos basados en lógica difusa para
obstante, resulta bastante impráctico y superar estas limitaciones. El modelo de lógica
demanda muchos recursos y tiempo. Por lo difusa se emplea como una herramienta para la
que, se ha desarrollado diferentes algoritmos modelación de sistemas dinámicos no lineales,
que permiten crear modelos por medio de los y las redes neuronales se basan en el análisis
cuales se pueden evaluar y predecir de conjuntos de datos, donde estas redes
propiedades mecánicas de nuevos materiales a representan en conjunto una función
partir de bases de datos existentes para las multivariable que liga los valores de entrada con
características que se desean estudiar. los de salida, y se generan funciones para el
La Inteligencia artificial ha facilitado las procesamiento y envío de información entre sí
herramientas para investigaciones de (Ghatarband, Asadi, Mazinani, Kalaee y
materiales tanto en la desarrollados por el ser Shiri,2014).
humano como aquellos que se encuentran la De acuerdo con la literatura, se han
naturaleza. Siendo un ejemplo de ello, los aplicado las redes neuronales artificiales y el
estudios llevados a cabo para la determinación sistema de interferencia neurodifuso para
de las propiedades mecánicas de la guadua estudiar mezclas de poliamida 6 (PA6)/ etileno-
Angustifolia que ha sido empleada como propileno-caucho en diferentes
material estructural en las zonas donde ésta composiciones, y se han obtenido resultados
crece. Se utilizaron redes neuronales artificiales que sugieren el empleo de estos dos métodos
con el objetivo de encontrar relaciones entre como una herramienta efectiva para el análisis
variables como el contenido de humedad, la de mezclas poliméricas. Lo anterior con el fin de
densidad, el módulo elástico, la resistencia a la determinar propiedades como resistencia a
compresión paralela y perpendicular a la fibra, fluencia, módulo elástico, y resistencia al
así como la resistencia a la tensión y la flexión. impacto con un margen de error aceptable
Además, se desarrollaron modelos a partir de (Ghatarband et al, 2014). La eficiencia de las
las técnicas de lógica difusa y el Sistema de redes neuronales artificiales ha llevado a la
Inferencia Neuronal adaptativo (ANFIS). Siendo aplicación de esta herramienta para el análisis
este último método el cual brindó resultados con de propiedades de otros materiales como el
suficiente aproximación para algunas de las hormigón reforzado con fibras metálicas. Este
propiedades mecánicas (Rojas, 2013). es un material elaborado con cemento, agua,

5
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

aditivos y adiciones minerales, que dado a su dado que los resultados muestran un factor de
fragilidad se ha recurrido a la incorporación de correlación alto entre el valor brindado por los
fibras metálicas con el fin de aumentar su modelos de redes neuronales y el valor real
ductilidad. El estudio del comportamiento de obtenido en un ensayo experimental (González,
este material estructural ante esfuerzos como la Guerrero, Delvasto y Ernesto, 2016).
estimación de su resistencia a la compresión ha La utilización de redes neuronales también
sido llevado al campo de la Inteligencia Artificial se ha aplicado en estudios de muestras de
dada la complejidad y la existencia de una concreto tras el período de curado, en busca de
dependencia no lineal entre las variables, lo emplear la Inteligencia Artificial para poder
cual limita los modelos matemáticos que se han obtener un modelo que brinde resultados sobre
desarrollado previamente. la resistencia del producto justo después de
De manera que, se ha recurrido al uso de fabricado. Ya que los ensayos para determinar
algoritmos como Levenberg-Maquart y el la resistencia a compresión del concreto son
Gradiente Conjugado Escalonado. En el caso llevados a cabo después de un período de
del algoritmo de Levenberg-Mardquart se basa curado, lo cual hace que los resultados difieran
en un proceso iterativo que localiza el mínimo del momento justo después de la fabricación del
de una función que resulta de aplicar la técnica producto. Además, la resistencia del concreto
de mínimos cuadrados ponderados a funciones fabricado está limitada por factores como las
no lineales de entrada. Por otro lado, el proporciones de sus componentes y la inclusión
Gradiente Conjugado Escalonado que se de aditivos. En una de las investigaciones que
emplea en el entrenamiento de las redes se han realizado sobre las propiedades de este
neuronales artificiales para la optimización del material de gran importancia en la construcción
error (González, Guerrero, Delvasto y Ernesto, civil, se utilizaron 267 probetas de concreto
2016). fabricadas a partir de diferentes cantidades de
Uno de los ensayos que se ha llevado a cabo sus elementos constitutivos como cemento,
para el análisis de las propiedades mecánicas agua, y piedra, de acuerdo con los lineamientos
del hormigón reforzado con fibras metálicas, por de la norma ASTM C 192/C 192 M. Y para la
ejemplo, las de acero, ha aplicado ambos modelación del ensayo a compresión se
algoritmos mediante la utilización del software aplicaron dos tipos de redes neuronales que
Matlab. En la construcción de las redes corresponden al tipo perceptrón multicapa y una
neuronales, para las variables de entrada se red de Elman (Acuña, Torre, Moromi y García,
consideran datos con resultados de ensayos 2014).
mecánicos provenientes de publicaciones El estudio realizado señala que a partir de
científicas relacionados con la dosificación de los modelos desarrollado es posible explicar al
las materias primas, el tipo de fibra de acero, las menos el 87% de la variabilidad en las
características del tipo de cemento y los aditivos muestras. Además, ambos métodos de redes
químicos. De tal forma que, se delimita la capa neuronales presentaron resultados con
de salida con variables de respuesta enfocadas coeficientes de correlación comprendidos entre
en la estimación de propiedades mecánicas el 0,93 y 0,98. Por lo tanto, se concluye que es
como resistencia a la tensión, a la flexión y a la posible la utilización de redes neuronales para
cortante, así como el índice de tenacidad. Los la modelización de la resistencia a la
experimentos que se han llevado a cabo en esta compresión del concreto tras un período de
área de la ciencia de los materiales han curado y así obtener resultados en menor
permitido concluir que el establecimiento de tiempo (Acuña, Torre, Moromi y García, 2014).
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
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

7. INTELIGENCIA ARTIFICIAL APLICADA acuerdo el modelo desarrollado por máquinas


EN EL DESARROLLO DE MATERIALES de autoaprendizaje; sin embargo, existen
METÁLICOS. discrepancias con respecto a las
El desarrollo de métodos de Inteligencia composiciones predichas por éste. Por lo que,
Artificial ha permitido explorar nuevas en este estudio particular se refinó el modelo
posibilidades en el desarrollo de materiales ampliando la base de datos utilizada para el
metálicos, siendo un ejemplo claro de esto el entrenamiento de las máquinas de
vidrio metálico. La ausencia de orden cristalino autoaprendizaje y así mejorar la precisión en los
en las aleaciones de vidrio metálico altera de resultados. Los alcances de la investigación
forma significativa sus propiedades siendo permitieron el descubrimiento de vidrios
mejoradas y con funcionalidad novedosas; metálicos en dos aleaciones ternarias
como, por ejemplo, tienen una resistencia adicionales que no habían sido reportadas
excepcional al desgaste, un mejoramiento en la previamente. Además, el uso iterativo de estos
resistencia a la corrosión por su capacidad para experimentos de máquinas de auto aprendizaje
formar rápidamente películas protectoras en condujo al descubrimiento rápido de tres
sus superficies. Por lo que, se considera al nuevos sistemas de formación del vidrio
vidrio metálico un prometedor candidato a ser metálico (Ren, Ward, Williams, Laws y
empleado en aplicaciones estructurales en Wolverton, 2018).
entornos químicamente severos. Otra de las aplicaciones de la Inteligencia
Según los reportes recientes, se estima la artificial en los materiales metálicos ha sido el
existencia más de varios millones de vidrios modelo de nanopartículas de plata preparadas
metálicos, pero en los últimos 50 años apenas en el espacio entre capas de montmorillonita,
se han descubierto menos unos pocos miles. Y que es un mineral del grupo de los silicatos cuyo
la búsqueda de estos materiales representa un espacio entre placas se ha empleado para la
reto ya la por lo general contienen tres o más síntesis de materiales. La síntesis de
elementos y los parámetros de procesamiento nanopartículas metálicas puras es un proceso
como la velocidad de enfriamiento tienen una complicado debido a la tendencia a formarse
gran influencia en la conformabilidad de éstos. conglomerados. Por lo que en los experimentos
Las inmensidades del espacio de más recientes se ha optado por la opción de
procesamiento y composiciones posibles hacen sintetizarlas a partir de componentes de arcillas.
que los ensayos experimentales de prueba y De manera que, las nanopartículas se sujetan
error sean difíciles y caros, y podría tomar en los espacios interlaminar de la arcilla, y este
muchos años analizar todas las combinaciones procedimiento permite controlar el tamaño de
posibles para la búsqueda nuevas aleaciones las nanopartículas obtenidas para diversas
metálicas (Ren, Ward, Williams, Laws y aplicaciones. El sustrato empleado para la
Wolverton, 2018). síntesis de plata es el AgNO3, y factores como
Por esta razón, esta clase metaestable de la estabilidad, la morfología y la distribución del
materiales ha sido estudiada mediante el tamaño de las nanopartículas puede limitar la
desarrollo de un modelo de aprendizaje comprensión de las propiedades de las
automático a partir de observaciones nanopartículas de este metal(Shabanzadeh,
reportadas y parámetros de teorías Norazak, Shameli y Mohaghegh, 2013).
fisicoquímicas. El modelo se ha generado con En el estudio realizado para los
el fin de relacionar el método de síntesis con nanocristales de plata sintetizados por
experimentos de alto rendimiento que podrían reducción química en las intercapas de la
llevar a la obtención de nuevos sistemas de Montmorillonita, se implementó la Inteligencia
vidrio metálico de aleaciones ternarias Co-V-Zr. Artificial como una herramienta para analizar el
Según los resultados que se han obtenido, las efecto de la variación de ciertos parámetros de
observaciones experimentales están de las partículas como por ejemplo la

7
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

concentración de AgNO3, la temperatura de la construcción, pisos, abrasivos, formas


reacción y la longitud de onda de la radiación estructurales de rodamientos o engranajes,
ultravioleta para estudiar la influencia de estos aplicaciones eléctricas, entre otras.
factores en el tamaño de las
nanopartículas. Para el desarrollo del modelo Las arcillas constituyen la materia básica
se aplicó una Red Neuronal Artificial como una para fabricación de cantidad de productos del
técnica de análisis estadístico que tiene la sector constructor como baldosas, enchapes,
ventaja de que no se requiere un modelo pavimentos, ladrillos y tejas. Pequeñas y
matemático, puesto que se basa en el medianas industrias suelen usar arcillas de
aprendizaje a partir de muestras y diverso origen mineral en la elaboración de sus
reconocimiento de patrones en una serie de productos y su clasificación se hace en base al
valores de entrada y salida, pero sin efectuar juicio de expertos de producción para hacer las
ninguna suposición sobre la naturaleza de los mezclas necesarias para elaborar los
datos(Shabanzadeh, Norazak, Shameli y productos. Lo anterior acarrea incertidumbre
Mohaghegh, 2013). que provoca que muchos de los productos
finales se rechacen al no cumplir las
El modelo desarrollado por esta Red especificaciones técnicas. La inteligencia
Neuronal Artificial permitió predecir el tamaño artificial surge como alternativa de solución a
de las nanopartículas y determinar cuáles este problema basada en el uso de redes
factores afectan más significativamente éste, neuronales permite clasificar según sus
siendo las principales variables la propiedades las arcillas que se van a usar para
concentración de AgNo3 y la temperatura. componer las pastas, con el propósito de
Además, otro alcance obtenido por el modelo disminuir la cantidad de producto rechazado. Se
desarrollado por técnicas de Inteligencia logró llegar a una red neuronal capaz de
Artificial fue la estimación del tamaño óptimo de predecir las muestras de entrenamiento y
las nanopartículas de plata fue 4,5 nm a una prueba con 97,79 % y 94,12 % de precisión
temperatura de reacción de 27 oC y una respectivamente. La clasificación de las arcillas
concentración de AgNO3 de 1,0 M. Por lo que, se realizó con base en propiedades como el
la aplicación de la Inteligencia Artificial en el límite plástico, el límite líquido, contenido de
análisis de los procesos de síntesis de arena, contenido de grava, contenido de granos
materiales permite obtener modelos que finos, humedad de moldeo, contracción en
proporcionan las condiciones óptimas y seco, entre otras. El modelo desarrollado por
composiciones requeridas para la producción los expertos permite clasificar las arcillas en sus
de nanopartículas de un cierto tamaño, sin tener grupos correspondientes con un 95% de
que llevar a cabo ensayos experimentales de confianza. La red neuronal manifiesta que las
prueba y error que incrementan los costos variables de mayor peso en la clasificación son
económico y la inversión de tiempo el límite plástico y el límite líquido (Gómez,
(Shabanzadeh, Norazak, Shameli y Sánchez & Ocampo, 2012).
Mohaghegh, 2013).
El artículo citado anteriormente ejemplifica
cómo la implementación de una red neuronal
puede influir significativamente en una mejor
8. INTELIGENCIA ARTIFICIAL APLICADA
formulación en la fabricación de productos de
EN EL DESARROLLO DE MATERIALES
tal forma que se cumpla con las
CERÁMICOS.
especificaciones técnicas y estándares de
Las cerámicas constituyen de los
calidad demandados por los clientes, esto para
materiales más utilizados por el ser humano
una compañía significa una mejora en sus
desde la antigüedad, se tienen múltiples
ventas y una reducción significativa de
aplicaciones y usos de este tipo de materiales
productos defectuosos. Dado que la red
tales como refractarios, materiales de

8
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

neuronal tiene la capacidad de aprender sobre y traducirlas como señales eléctricas, la señal
la marcha, al adquirir mayor experiencia en la eléctrica analógica generada por el transductor
clasificación de arcillas, la incertidumbre de este será directamente proporcional a la magnitud
procedimiento debe ir disminuyendo, sin de la vibración y es digitalizada mediante una
embargo, es importante actualizar la data de la tarjeta de adquisición de datos computarizados,
red periódicamente. con estos datos se entrena a 2 modelos de red
neuronal, cuyos criterios se basarán en la
Mediante un algoritmo genético se utilizó la extracción de características, y señales de
teoría de la función de densidad con el fin de frecuencia del acelerómetro. Ambos modelos
identificar estructuras de baja energía de resultaron capaces de de clasificar mosaicos
compuestos bidimensionales de óxidos de buenos y malos. El sistema de desarrollo
elementos del grupo IV. Los hallazgos reflejan resulta ser altamente flexible y puede ser
que el SiO es más estable en su estructura
2
utilizado para la evaluación de cualquier pieza
bitetraédrica, mientras que el SnO y el PbO
2 2
cerámica que pueda ser sometida a una prueba
bidimensionales son más estables en su de resonancia.
estructura mono-tetraédrica (1T). Para el GeO 2

se encontró una nueva estructura con menor Como es evidente, la inteligencia artificial
energía y simetría monoclínica. Todas las permite no sólo en desarrollar nuevos
estructuras presentan valores de energía de materiales cerámicos, si no también podrá ser
formación por átomo inferiores a los materiales parte de los procesos de evaluación del
bidimensionales ya sintetizados. Los materiales resultado final, por lo que resultan una pieza
presentan potenciales aplicaciones en fundamental para la continua modernización de
nanomateriales electrónicos,particularmente el este tipo de materiales.
GeO y el SnO son candidatos potenciales a ser
2 2

óxidos compuerta, además el SnO podría 2

funcionar como una capa protectora en 9. INTELIGENCIA ARTIFICIAL APLICADA


dispositivos nanoelectrónicos con EN EL DESARROLLO DE POLÍMEROS
heteroestructuras (Singh & Revard, 2017).
El caso anterior ejemplifica una aplicación 10. INTELIGENCIA ARTIFICIAL APLICADA
de los algoritmos genéticos en el EN EL DESARROLLO DE LA
descubrimiento potencial de nuevas estructuras NANOTECNOLOGÍA
de compuestos químicos que pueden tener La nanotecnología (se deriva del griego enano)
futuras aplicaciones como dieléctricos. y corresponde al control de la materia a escalas
entre 1 y 100 nanómetros. Comprende el
La inteligencia artificial resulta también diseño, creación, manipulación, aplicación de
provechosa incluso en el control de calidad de materiales y sistemas funcionales a través de
piezas cerámicas como lo exponen Barrera y sistemas de control escalados. Además,
Calderón (2004) en su artículo “Control de explora las propiedades de la materia y sus
Calidad de Piezas Cerámicas por Medio de fenómenos intrínsecos (Ruiz Carrasco, 2016).
Análisis de Vibraciones y Redes Neuronales
Artificiales”, en el cual explican que es posible Para entender a profundidad el concepto
encontrar un técnica rápida y sencilla para de la nanotecnología es preciso enfocarse en el
detectar fisuras internas o externas de piezas concepto de átomo, inicialmente. El átomo es la
cerámicas (enfocado en mosaico cerámico) unidad constituyente más pequeña de la
utilizando como herramienta para la materia, es decir es la unidad básica y más
clasificación las redes neuronales artificiales, pequeña que puede formar un material. El
los autores explican que mediante el uso de un concepto de átomo (proviene del latín atomum,
acelerómetro, se pueden detectar las pequeñas proveniente del griego ἄτομον cuyo significado
vibraciones mecánicas de las piezas cerámicas es porciones, indivisible). Los átomos son

9
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

elementos minúsculos con masas evolutivos con el objetivo de proveer


relativamente pequeñas, con dimensiones de información más completa a las nuevas
diámetro y masa del orden de una billonésima generaciones de forma que se adquieran
parte de un metro y la cuatro millonésima parte nuevas herramientas para desarrollar gran
del gramo. La mayor parte de su masa se cantidad de proyectos científicos que permitan
encuentra concentrada en el núcleo el cual ayudar a la humanidad (Berger, 2015).
contiene protones con carga positiva y
neutrones sin carga, además, cuenta con una Sacha Gómez y Pablo Varona del grupo de
nube de electrones con carga negativa que se “Neurocomputación Biológica de la Universidad
encuentran repartidos en los distintos niveles Autónoma de Madrid”, mencionan las distintas
energéticos. Un aspecto relevante de los razones por las cuales los paradigmas de la
átomos es que al contar con tamaños tan inteligencia artificial son utilizados en la
reducidos, no son fácilmente observables nanotecnología:” La nanotecnología sufre gran
mediante la microscopía óptica debido a la gran cantidad de limitaciones físicas a escala laboral,
limitante de la potencia amplificadora del debido a la diferencia entre la escala física y la
microscopio óptico a la longitud de onda del nanométrica.” De forma que si se desea obtener
espectro visible (Ruiz Carrasco, 2016). información a escalas muy pequeñas se
necesitan equipos especializados que permitan
El debate constante entre la convergencia interpretar los resultados de forma consistente,
tecnológica, es parte del discurso social y sin embargo, esto es uno de los retos más
político que presenta la nanotecnología, la grandes que posee la nanotecnología, la
biotecnología y la inteligencia artificial correcta interpretación de datos a escalas
principalmente. La convergencia de estas tres realmente pequeñas. Otro de los grandes retos
temáticas se vuelve un término basado en la que posee la nanotecnología radica en la
predicción, estas predicciones van desde el interferencia de otros elementos en la señal que
incremento del efecto sinérgico hasta la fusión se desea analizar de forma que los resultados
de la nanotecnología, la biotecnología y la obtenidos no son los resultados más óptimos,
inteligencia artificia (Berger, 2015). ya que las interferencias pueden desviar los
resultados reales considerablemente. De esta
Taniguchi Norio y Richard Feyman fueron forma se pretende crear a partir de la
de los primeros precursores del desarrollo de la Inteligencia Artificial nueva maquinaria que
Nanotecnología. El tema fue acuñado por el permita minimizar estas deficiencias
japonés Taniguchi Norio, en el año 1974, en su nanotecnológicas con el fin de erradicarlas o
conferencia “Hay un lugar en el fondo”. En dicha minimizarlas y optimizar el desarrollo de la
conferencia el japonés menciona cómo es nanotecnología a partir del desarrollo de la
posible ver mover objetos átomo por átomo, lo inteligencia artificial como herramienta de
cual causó un incrementó inminente del interés apoyo para solventar algunas de las carencias
por gran parte de la comunidad científica, pues que posee la nanotecnología y de esta forma
resultó ser una temática innovadora para el optimizar la nanotecnología lo más que se
desarrollo de nuevos proyectos y pueda (Berger, 2015).
experimentaciones más centralizadas en el
estudio delm comportamiento a niveles Los futurólogos han dedicado años para
atómicos (Ruiz Carrasco, 2016). tratar padecimientos físicos, por ejemplo, la
generación de micro implantes, nano-fármacos,
Mientras la nanotecnología combina los la elaboración de órganos artificiales y células
conocimientos de la física, la química y la madre. Uno de los avances tecnológicos más
ingeniería. La inteligencia artificial se ha recientes relacionados con la Inteligencia
centrado mayoritariamente en el estudio Artificial consistió en la creación de un cerebro
biológico para de esta forma ampliar el artificial, denominado “Maquina Celular
desarrollo de redes neuronales o algoritmos

10
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

Autómata”, construido por la empresa es un modelo que permite detectar los puntos
Genobyte, esta maquinaria consiste en 37,7 críticos por medio de dos planos paralelos al
millones de neuronas artificiales, microcircuitos plano xy, sirve para generar una primera
considerablemente pequeños que permiten la aproximación. El modelo basado en la media
generación de circuitos en los procesos de consiste en un método que identifica el
sinapsis o comunicación a nivel neuronal. A comportamiento de los perfiles matriciales, es
pesar de haber realizado una maquinaria de tan un algoritmo más desarrollado que el del
amplia capacidad, no se a logrado aún generar modelo de planos paralelos a pesar de no
un ejemplar perfecto de un cerebro humano,sin solucionar las fallas del primer modelo resulta
embargo, gracias al desarrollo de la inteligencia útil en la definición algorítmica completa. El
artificial y de la nanotecnología en conjunto se modelo de máximos y mínimos se basa en los
pueden desarrollar proyectos de gran nivel perfiles de las imágenes de forma
científico (Fenández Alí, 2008). independiente, pero en vez de utilizar los
valores de media se utilizan los valores
Andrés Ruiz Carrasco (2016), en su trabajo máximos y mínimos, un aspecto importante de
de fin de grado con la temática “Aplicaciones de mencionar de este modelo es que no utiliza una
la Inteligencia Artificial en los Nanomateriales”, tolerancia ajustable como ocurría con modelos
realiza su investigación con base a la anteriores, a pesar de ser un modelo bastante
recopilación de datos de un sistema de eficiente no es considerado el mejor modelo
microscopía del orden de nanómetros. El para la detección de puntos críticos. Por otra
objetivo principal de su proyecto consistió en parte, el modelo de búsqueda por cuadrantes,
desarrollar métodos capaces de identificar este modelo parte del concepto de que cada
átomos de distintas especies para su posterior matriz es independiente y que cada una no
clasificación y caracterización. Los datos fueron influye en las demás y finalmente el modelo final
recolectados utilizando el método de completo que une las ventajas de cada uno de
microscopía de efecto túnel, correspondiente a los modelos anteriores y minimiza las
una técnica de la microscopía de barrido de una debilidades presentes en cada uno de los
superficie de Rutenio, sobre la cual se modelos mencionados anteriormente. Debido a
encontraban suspendidos átomos de Carbono, que se trata de un método que minimiza fallos,
Hidrógeno, Oxígeno y una molécula de agua. A este método se utilizó en la segunda parte de
partir de la situación antes mencionada se quiso proyecto y se centra en delimitar los átomos
desarrollar una interfaz que permitiera al independientes y posteriormente en su
usuario realizar tareas representativas en modelado. Se concluyó que el proyecto
términos de la caracterización y clasificación consiguió la detección completa de átomos, de
atómica de los átomos. Para el análisis de forma rápida, eficiente y óptima. A su vez logró
resultados de las muestras se determinó los desarrollarse una interfaz amigable, de
puntos críticos o puntos de alta probabilidad interacción simple con el usuario y de baja
electrónica por medio de un algoritmo complejidad para el mismo, realizando un
matemático. aporte considerable a la comunidad
También se realizó un análisis de científica (Ruiz Carrasco, 2016).
normalización que permitió la identificación En el artículo “Nanomaterials
rápida y eficiente de los átomos reduciéndolo a Characterization and Risk Assessment Using
operaciones con números positivos. Para la Fuzzy Support Vector Machine “, se menciona
interpretación de resultados se utilizaron los que la nanotecnología se ha convertido en una
modelos de planos paralelos, modelo basado de las áreas más prometedoras para el
en media, modelo de máximos y mínimos, progreso de la humanidad. En este experimento
modelo de búsqueda de cuadrantes y modelo en particular, se aplican las máquinas de
final completo. El modelo de planos paralelos, soporte vectorial del modelo de Fuzzy para la

11
Revista Ingeniería de Materiales IQ-0415,Número 1, páginas 1-20, 2018

predicción y evaluación de toxicidad que composición de componentes en un


pueden tener los nanomateriales en los seres material sobre sus propiedades como
vivos y su impacto negativo en los ecosistemas. resistencia a la compresión, a la tensión y
Se puede llevar a cabo este análisis de forma la tenacidad.
experimental, no obstante, la gran cantidad y  El descubrimiento de nuevos materiales
variedad de nanopartículas en cuanto a tamaño metálicos se ha visto acelerado por las
y composición limita la utilización de métodos herramientas de inteligencia Artificial que se
tradicionales para la caracterización de estas, y
han aplicado en la obtención de modelos
lleva a la selección de herramientas producto de
Inteligencia Artificial para el desarrollo de que predicen el comportamiento de posibles
modelos que permitan aproximar estos aleaciones a partir de bases de datos
resultados de una forma más rápida y menos analizadas por redes neuronales y sistemas
costosa. de lógica difusa. Estas técnicas de
El objetivo del estudio fue la clasificación y Inteligencia Artificial superan las
evaluación de los riesgos que se asocian con el limitaciones existentes en los métodos
uso de nanomateriales con base en su tamaño, tradicionales como por ejemplo los recursos
área superficial, el tiempo de exposición, la y el tiempo requerido para pruebas de
concentración y el índice de toxicidad. Y a partir ensayo y error en los laboratorios.
del análisis mediante las máquinas de soporte  La Inteligencia Artificial ha optimizado
vectorial de Fuzzy, se estableció un modelo que considerablemente el uso de la
permite evaluar las propiedades fisicoquímicas nanotecnología brindándole herramientas
y efectos toxicológicos de nanomateriales y que faciliten el estudio del comportamiento
predecir la toxicidad de nanomateriales a partir a nivel nanoscópico con la generación de
de bases de datos que fueron empleadas para programación neuronal a través de la
el entrenamiento del sistema de inteligencia fabricación de microchips y circuitos en la
artificial. Para lo cual se implementa el lenguaje generación de redes neuronales.
de programación de Microsoft C# para llevar a  La Inteligencia Artificial ha facilitado el
cabo la clasificación del conjunto de datos de estudio atómico y ha optimizado procesos
toxicidad de materiales. relacionados con el análisis de distintos
Según los resultados, la precisión del componentes atómicos de los materiales
modelo híbrido desarrollado por máquinas de con la nanotecnología, para de esta forma
soporte vectorial de Fuzzy fue satisfactoria para automatizar los procesos caracterización y
predecir las correlaciones, y tiene una elevada análisis de propiedades con la creación de
exactitud en la predicción de los tipos de programas considerablemente accesibles
toxicidad con un desempeño estable, y con para cualquier usuario basados en los
porcentajes de error absoluto bajos. principios de la Inteligencia Artificial.

11. CONCLUSIONES

 La aplicación de métodos de Inteligencia 12. REFERENCIAS BIBLIOGRÁFICAS


Artificial para el análisis de propiedades
mecánicas de los materiales ha permitido la
obtención de resultados de manera más Acuña, L., Torre, A., Moromi, I., y Francisco, G.
rápida y con un ahorro de recursos en (2014). Uso de las Redes Neuronales
ensayos experimentales. Ya que, por Artificiales en el Modelado del Ensayo de
ejemplo, el desarrollo de modelos por redes Resistencia a Compresión del Concreto de
neuronales ha facilitado el estudio del efecto Construcción según la norma ASTM C39/C
de variables como la combinación y

12
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