Educación
Evaluación de Modelos
Aprende a evaluar tus modelos de ML, elegir métricas y evitar errores en decisiones.
Construcción
Aprendizaje Automático
Pipeline Completo de IA para Predecir la Resistencia a la Compresión del Cemento:
Mejores Prácticas Industriales y Estudios de Caso
Este artículo está escrito por un ingeniero de FuzzyFrog con experiencia en la construcción de herramientas de IA para industrias. Descubre cómo se puede aplicar la IA en sitio, sus beneficios y sus limitaciones.
Probamos y refinamos, para que puedas actuar con claridad, ahorrar tiempo y obtener mejores resultados.
FF
Equipo FuzzyFrog
15 de septiembre, 2025
Puntos Clave
- El equilibrio entre precisión del modelo e interpretabilidad se gestiona según las necesidades del negocio. Prioriza la interpretabilidad cuando se requiere supervisión humana o auditorías, y prioriza la precisión cuando la automatización es el objetivo principal.
- Un proyecto de ML no termina con la precisión. La métrica real es el impacto en eficiencia, costos y toma de decisiones.
Contexto Industrial y Definición del Problema
1.1 ¿Qué es el cemento?
El cemento es uno de los materiales más utilizados en la construcción, ya que desempeña un papel importante en la producción de concreto. El cemento en sí es un polvo fino que, al mezclarse con agua y agregados como arena y grava, forma concreto.
No es raro, entonces, que se realicen estudios para comprender la calidad de este material. Uno de los proyectos en los que trabajamos1 consistió en entender cómo la composición del cemento impacta su resistencia.
Cada sección, pregunta y hallazgo en este y otros proyectos del portafolio contrasta estudios recientes con la experiencia adquirida al llevar a cabo el proyecto.
1 Disclaimer: La serie de proyectos de este portafolio se inspira en proyectos reales realizados en contextos empresariales o académicos. Sin embargo, debido a preocupaciones de confidencialidad y ética, la información presentada no revela nombres, datos ni casos de uso específicos. Afortunadamente, esto no diluye la experiencia que compartimos contigo.
1.2 ¿De qué está hecho el cemento?
El cemento está compuesto por diferentes compuestos químicos, y las proporciones en que se combinan crean distintos tipos de cemento. Los componentes del cemento son:
- Clinker (Sílice, Alúmina, Óxido de Hierro, Cal, Yeso, Magnesia, Alcalinos)
- Yeso
- Piedra Caliza
- Arcilla Calcinada
- Escoria
- etc.
Dependiendo de los procesos de cada empresa, estos componentes varían en proporción.
1.3 ¿Cómo se puede aplicar la Inteligencia Artificial al diseño del concreto?
La implementación de IA debe guiarse respondiendo a la pregunta: ¿Cómo me beneficia la IA? Según la experiencia, la manera más directa en que las empresas pueden beneficiarse se encuentra en uno de los tres pilares de cualquier empresa (a un nivel muy abstracto, y dependiendo de la empresa, cada departamento podría clasificarse en cualquiera de ellos): Marketing, Atención al Cliente y Operaciones.
Para este proyecto en particular, el cliente quería responder a la pregunta: ¿Cómo puedo conocer el porcentaje de compuestos químicos del cemento (no del concreto en sí) requerido para alcanzar una resistencia a compresión específica? Este caso se ilustra en Figura 1.
Figura 1
Análisis de Resistencia a Compresión en el Diseño de Mezclas de Concreto
Nota: Análisis comparativo de tres composiciones de mezclas de cemento que contienen escoria de alto horno (BFS), clinker de cemento (CC) y carbonato de calcio (CaCO₃). Los gráficos de barras muestran valores de resistencia a compresión (4.2–4.5 Kpsi) y costos relativos (−- −$$$) para diferentes proporciones de mezcla. La función objetivo y = f(X) representa la relación entre la composición del cemento (X) y la resistencia a compresión resultante (y) para la optimización de materiales.
La piedra caliza tiene un efecto directo en la resistencia a compresión. Varios estudios lo confirman, proporcionando evidencia que respalda el sentido operativo del proyecto como estrategia de ahorro de costos. Hallazgos recientes demuestran que las mezclas de cemento de arcilla calcinada y piedra caliza pueden optimizarse tanto para rendimiento como para sostenibilidad (Chen, Chen, Li, & Zhang, 2025). Además, la investigación muestra que la finura del polvo de piedra caliza impacta significativamente el desempeño mecánico del concreto (Zhang, Yang, Wu, Yu, Pang, & Lv, 2025).
Otras iniciativas en curso aplican inteligencia artificial (IA) en el diseño de concreto (no confundir con cemento), con el objetivo de optimizar tanto el rendimiento como la sostenibilidad (ZKG, n.d.; Concrete.ai, n.d.).
Una de las principales líneas de acción es la optimización del contenido de clinker, donde la IA y la computación de alto rendimiento aceleran el descubrimiento de materiales y mejoran la precisión predictiva (Pyzer-Knapp et al., 2022).
Además, estudios recientes sobre cemento de arcilla calcinada y piedra caliza (LC3) han desarrollado modelos de machine learning multilayer explicables usando más de 4,000 puntos de datos. Estos modelos estiman de manera confiable la resistencia a compresión a 28 días de los composites LC3, superando las limitaciones de enfoques estadísticos previos y aplicaciones convencionales de ML (Mercatus Center, 2023; MIT Technology Review, 2024).
1.4 ¿Cuáles son los desafíos más comunes que enfrentan las empresas de construcción al implementar IA para la predicción de la calidad del cemento en entornos de fabricación reales?
Cada empresa, dependiendo de su madurez, enfrenta diferentes desafíos. Uno de los más frecuentes al implementar soluciones de IA es la gobernanza de datos. Más información se puede ver en otro proyecto [enlace a otro proyecto].
Otro desafío frecuente es el deseo de comenzar en grande. En la práctica, es común que las iniciativas de IA en PYMEs (y a veces en grandes empresas también) comiencen con personal que quiere iniciar el proyecto internamente. Como resultado, los datos disponibles al inicio suelen estar en formatos simples como .xlsx o .csv. En esta etapa, construir un pipeline completo rara vez se justifica para un prototipo o prueba piloto.
Otros desafíos también se han destacado en estudios recientes, incluyendo preocupaciones sobre la fiabilidad y precisión de los algoritmos, el costo por unidad de producción y la dificultad de volver a los procedimientos tradicionales en caso de falla tecnológica o inaccesibilidad (Waqar, Bheel, & Tayeh, 2024).
En este artículo, no nos referimos a la implementación de IA en el sentido de usar agentes basados en LLM, sino a IA específica del dominio. Sin embargo, otros estudios han documentado desafíos relacionados con la implementación de IA generativa en la industria de la construcción.
Estos desafíos incluyen: conocimiento del dominio — el vasto contexto especializado de la construcción dificulta que GenAI extraiga relaciones significativas de estructura-actividad a partir de datos industriales; alucinaciones — los sistemas GenAI producen predicciones estéticamente convincentes pero inexactas con confianza injustificada, como cronogramas de ruta crítica erróneos; precisión — la falta de conocimiento de ingeniería fundamental lleva a que los modelos capturen solo asociaciones estadísticas superficiales en lugar de fundamentos causales, arriesgando decisiones de construcción defectuosas; y costo — las altas demandas de recursos y costos continuos son barreras importantes, especialmente para pequeñas empresas con presupuestos limitados (Ghimire, Kim, & Acharya, 2024).
1.2 ¿Qué variables específicas de composición del cemento (proporciones de clinker, porcentajes de yeso, aditivos) han demostrado ser más predictivas en proyectos industriales recientes de IA?
En proyectos industriales de IA, las variables de composición del cemento más predictivas dependen del conjunto de datos y del problema objetivo. Para la predicción de la resistencia a compresión, los factores clave suelen incluir Clinker I (%), Yeso (%), Piedra Caliza (%) y Arcilla Calcinada (%). Estas variables muestran consistentemente fuertes correlaciones con la resistencia a edades tempranas y tardías (1, 3, 7, 28 días). Un resumen de estas variables predictivas se muestra en Tabla 1.
Tabla 1
Variables de composición de cemento más predictivas en proyectos industriales de IA.
| Variable | Más Predictiva Para | Notas | Enfoque de Importancia de Característica |
|---|---|---|---|
| Clinker I (%) | Resistencia temprana (1–7 días) | Impulsa reacciones de hidratación inicial; mayor clinker generalmente aumenta PSI temprano | Importancia basada en árboles, SHAP |
| Yeso (%) | Tiempo de fraguado & resistencia a 1 día | Equilibra hidratación temprana, previene fraguado rápido | Importancia basada en árboles, coeficientes Lasso |
| Piedra Caliza (%) | Resistencia a 7–28 días | Rellena vacíos, mejora resistencia a largo plazo y trabajabilidad | Importancia basada en árboles, importancia por permutación |
| Arcilla Calcinada (%) | Resistencia a 28 días | Potencia reacciones puzolánicas, aumenta resistencia a compresión tardía | Importancia basada en árboles, SHAP |
| Otros Aditivos | Efecto menor/moderado | Plastificantes, escoria, cenizas volantes influyen moderadamente en trabajabilidad y resistencia | Importancia basada en árboles, estudios de ablación |
Nota: Esta tabla resume las variables clave de composición del cemento que han demostrado ser más predictivas para la resistencia a compresión en proyectos industriales de IA. Destaca la influencia de Clinker I, Yeso, Piedra Caliza, Arcilla Calcinada y otros aditivos. La importancia de las características se evaluó utilizando modelos basados en árboles y otros enfoques estadísticos. Elaboración propia.
1.3 ¿Cómo justifican las empresas el ROI de proyectos de IA para resistencia del cemento más allá de la precisión del modelo, y qué métricas se monitorean típicamente?
Para este proyecto, el objetivo principal del cliente era optimizar el uso de piedra caliza en sus mezclas de cemento. Operativamente, este fue el factor más importante. La precisión del modelo era secundaria frente a los insights accionables.
El enfoque estaba en identificar cómo diferentes variables de composición afectan la resistencia a compresión. Al entender estas relaciones, el equipo podía sugerir ajustes para reducir el contenido de piedra caliza sin sacrificar resistencia.
La recomendación para el cliente fue decidir primero los rangos de resistencia objetivo. Luego, monitorear las variables clave y probar ajustes de manera iterativa. Este enfoque ayuda a mejorar la eficiencia y respalda decisiones empresariales claras.
2. Conjuntos de Datos Reales y Manejo de Datos
2.1 ¿Qué conjuntos de datos públicos y propietarios son realmente utilizados por profesionales para entrenamiento y validación de IA?
En el mejor de los casos, las empresas utilizan conjuntos de datos propietarios. Una ventaja no es solo la barrera competitiva (por ejemplo, datos de calidad a los que otros no pueden acceder) sino también tener contexto sobre cómo se recopilaron los datos. Este contexto permite una identificación más rápida y precisa de valores atípicos, variables predictivas y otros matices.
Alternativamente, se pueden usar conjuntos de datos abiertos como proxies mientras se recopilan los datos propietarios. La tabla a continuación compara algunos conjuntos de datos públicos para este propósito (Tabla 2).
Como ingeniero de datos en la industria del cemento, el desafío es entender cómo la composición del cemento—no las mezclas de concreto—afecta la resistencia a compresión, incluso sin datos industriales propietarios. Estos proxies permiten refinar modelos de manera iterativa, predicción multi-salida e insights preliminares de formulación antes de mediciones in situ.
Tabla 2.
Conjuntos de datos públicos usados como proxies para entrenamiento y validación de IA en la predicción de resistencia a compresión del cemento.
| Conjunto de Datos | Registros | Variables | Pros como Proxy | Contras como Proxy | Mejor Uso |
|---|---|---|---|---|---|
| UCI Resistencia a Compresión de Concreto | 1,030 | 8 entradas + 1 salida | ✅ Bien establecido ✅ Ampliamente usado ✅ Datos limpios ✅ Referencia estándar | ❌ Basado en Yeh (1998) ❌ Solo concreto convencional ❌ Aditivos modernos limitados | Línea base inicial, validación de arquitectura, comparación de modelos |
| Mendeley - Concreto Normal | ~500–1,000 | 9 características | ✅ Datos recientes (2022) ✅ Incluye asentamiento ✅ Fuente industrial real ✅ Aditivos modernos | ❌ Limitado geográficamente ❌ Fuente única ❌ Menos establecido | Proxy industrial, validación con datos actuales, multi-objetivo (asentamiento + resistencia) |
| Figshare - Concreto de Alto Rendimiento | 597 (resistencia), 282 (asentamiento), 264 (resistividad) | Múltiples salidas | ✅ Específico HPC ✅ Multi-propiedad ✅ Datos experimentales recientes ✅ Resistividad eléctrica | ❌ Tamaño más pequeño ❌ Menos documentado ❌ Posible inconsistencia entre fuentes | HPC especializado, predicción multi-objetivo, validación avanzada |
| Mendeley - IIT Bhubaneswar | 188 mezclas | Variables de materiales reciclados | ✅ Concreto con agregados reciclados ✅ Amplio rango agua/cemento (0.25–0.75) ✅ Laboratorio controlado ✅ Aditivos modernos (GGBS, MK) | ❌ Tamaño pequeño ❌ Sesgo geográfico ❌ Enfocado en RCA | Concreto sostenible, agregados reciclados, prueba de concepto |
| Mendeley - Concreto Geopolímero | Variable | Geopolímeros | ✅ Tecnología emergente ✅ Químicas diferentes ✅ Datos experimentales recientes | ❌ Muy específico ❌ No transferible ❌ Tamaño limitado | Concretos alternativos, investigación especializada, nichos específicos |
Nota: Comparación de conjuntos de datos públicos usados como proxies en proyectos de IA para composición de cemento, destacando cantidad de registros, cobertura de variables, pros, contras y casos de uso sugeridos. Elaboración propia.
2.2 ¿Cómo manejan los científicos de datos las mediciones faltantes, protocolos de prueba inconsistentes y valores atípicos en conjuntos de datos de laboratorio de cemento?
Después de definir el caso de uso y recopilar el conjunto de datos, es momento de prepararlo. En esta guía práctica, esto es lo que usualmente hacemos según la experiencia:
PASO 1. Evaluación cualitativa de cada variable
Reunirse con el propietario de los datos (quien tenga más conocimiento sobre cómo se recopilaron). Usamos un esquema de semáforo para calificar el valor predictivo de cada variable: Rojo para irrelevante, Ámbar para incierta, y Verde para variables altamente útiles. Este paso ayuda a diseñar experimentos con información valiosa de expertos.
PASO 2. Revisar tipos de variables
En Python, las variables pueden ser enteros, flotantes u objetos (usualmente texto, es decir, categóricas).
PASO 3. Verificar valores atípicos y faltantes
Los valores atípicos pueden filtrarse, y los faltantes imputarse. El juicio experto es clave aquí. El contexto del PASO 1 guía la decisión correcta. [Ejemplo en otro proyecto]
PASO 4. Calcular la heurística FDSR
FDSR = \(\frac{\text{Número de muestras}}{k \times \text{Número de variables}}\)
Donde:
- Número de muestras = total de mediciones de laboratorio
- Número de variables = total de variables incluidas
- k = multiplicador (5–10, dependiendo de cuán cauteloso seas sobre el sobreajuste)
Interpretación:
- FDSR ≥ 1 → ✅ Datos suficientes para las variables
- FDSR < 1 → ⚠️ Datos diluidos; considerar reducción de dimensionalidad o regularización
- FDSR → 0 → ❌ Alto riesgo de sobreajuste; reducir variables o recolectar más datos
Ejemplo: 100 variables, k = 5 → mínimo de muestras = 500 300 muestras → FDSR = 300 / 500 = 0.6 → suficiencia parcial, tal vez aplicar PCA o seleccionar las principales variables 600 muestras → FDSR = 600 / 500 = 1.2 → bueno, todas las variables incluidas de manera segura
PASO 5. Codificar variables
Decidir entre one-hot, ordinal o transformaciones para reducir dimensionalidad y evitar la maldición de la dimensionalidad.
PASO 6. Conjunto de datos listo para usar
Una vez seleccionadas y codificadas las variables, el conjunto de datos está listo para modelado.
A medida que aumenta el número de variables, el espacio de características se expande exponencialmente. Una regla práctica ampliamente citada sugiere al menos 5 muestras por variable para reducir sobreajuste. Técnicas de reducción de dimensionalidad como PCA o selección de variables, así como regularización (Lasso/Ridge), ayudan a mantener un entrenamiento de modelo confiable. Referencia: Maldición de la dimensionalidad
2.3 ¿Qué tamaños de muestra y frecuencias de medición generan modelos confiables en proyectos industriales de predicción de cemento?
Por qué importa esta pregunta: Conocer el tamaño de muestra y la frecuencia de medición correctos es crítico para asegurar que los modelos de IA en predicción de cemento sean confiables y accionables. Pocas muestras o mediciones irregulares pueden causar sobreajuste, mala generalización o resultados engañosos.
En nuestro caso, el cliente no proporcionó contexto adicional ni metadatos más allá de los datos crudos. El conjunto de datos incluía:
- Intervalos de 7–8 horas entre mediciones
- Aproximadamente 3 mediciones por día
- Frecuencia promedio de muestreo: ~3 muestras/día
Responder esta pregunta ayuda a definir si los datos existentes son suficientes para entrenamiento, o si se necesitan estrategias adicionales de muestreo o remuestreo antes de desplegar modelos predictivos. También informa decisiones sobre complejidad del modelo, selección de variables y umbrales de confiabilidad.
3. Ingeniería de Características
3. Preprocesamiento y Ingeniería de Variables
3.1 ¿Qué pasos de preprocesamiento manejan mejor los tiempos de fraguado, variaciones de temperatura y ruido relacionado con equipos en conjuntos de datos de cemento?
Para conjuntos de datos de cemento, el preprocesamiento puede ser muy complejo, considerando tiempos de fraguado, variaciones de temperatura y ruido de equipos. Estos factores a menudo requieren normalización, suavizado o calibración entre lotes e instrumentos.
Para este proyecto, tomamos un enfoque más simple: usamos directamente los tiempos de fraguado y eliminamos mediciones atípicas para minimizar el posible ruido de los equipos. Esto aseguró datos más limpios para el entrenamiento del modelo sin complicar demasiado el preprocesamiento.
En otro proyecto [enlace], se analizaron en detalle los resultados de múltiples laboratorios para determinar cantidades de material, y se tuvo en cuenta cuidadosamente el ruido de los equipos. Ese estudio sirve como referencia para un manejo más avanzado cuando la calidad y variabilidad de los datos son mayores.
4. Selección e Implementación de Modelos
4.1 ¿Qué algoritmos de regresión (Lineal, Random Forest, XGBoost, redes neuronales) ofrecen el mejor ROI en proyectos de predicción de cemento?
La Tabla 3 resume los principales algoritmos de regresión utilizados en proyectos de predicción de cemento, junto con sus fortalezas, debilidades, impulsores típicos de ROI y notas para aplicación operacional.
5. Validación, Benchmarking y Despliegue Industrial
5.1 ¿Cómo validan las empresas los modelos de IA frente a variaciones estacionales y proveedores de materias primas?
| Factor de Validación | Por Qué Importa | Estrategia Típica | Ejemplo en Plantas de Cemento |
|---|---|---|---|
| Temperatura y humedad estacional | Afectan el fraguado y la resistencia | Validación cruzada segmentada por estación | Modelos entrenados con datos de verano vs invierno |
| Proveedores de materias primas | Diferentes fuentes de clinker/yeso afectan la variabilidad | Benchmarks separados por proveedor | Ajuste de hiperparámetros por lote de clinker |
| Turnos de producción | Operadores y equipos introducen ruido | Divisiones de validación por turno o línea de producción | Comparación de rendimiento turno diurno vs nocturno |
| Sitios geográficos | Plantas en diferentes regiones | Validación federada / transferencia de aprendizaje | Modelo ajustado con datos de plantas hermanas |
5.2 ¿Cómo se comparan las predicciones de IA con las pruebas de laboratorio tradicionales, y cuáles son los umbrales de precisión aceptables?
📊 Referencia de Benchmark
Prueba de laboratorio: resistencia a compresión ASTM C109 a 1, 7 y 28 días
Benchmark de IA: RMSE < 3–5 MPa
⚖️ Umbrales Aceptables
I+D: R² ≥ 0.80, MAE ≤ 5%
Producción: R² ≥ 0.90, RMSE ≤ 2–3 MPa
⏱️ Ahorro de Tiempo
Pruebas de laboratorio: 7–28 días por muestra
Predicción de IA: casi en tiempo real (<1 min)
💰 Impacto en ROI
Reducción del 15–20% en costos de pruebas cuando la IA reemplaza ~30% de las pruebas físicas
5.3 ¿Cuáles son los principales desafíos y soluciones para integrar modelos predictivos en los sistemas de gestión de la planta?
P: ¿Cómo conectamos los modelos de IA con los sistemas SCADA/MES existentes?
R: Usar APIs de middleware o conectores OPC-UA. Empezar con exportaciones CSV antes de la integración en tiempo real.
P: ¿Qué pasa si los operadores no confían en los resultados del modelo?
R: Proporcionar paneles de explicabilidad (p. ej., SHAP) y ejecutar los modelos en modo sombra primero.
P: ¿Cómo manejamos la velocidad de inferencia en tiempo real?
R: Desplegar modelos livianos (RF, XGBoost) como microservicios; redes neuronales solo con soporte GPU.
P: ¿Cómo gestionamos el tiempo de inactividad o fallas del sistema?
R: Siempre mantener un respaldo: volver a pruebas de laboratorio o al último checkpoint validado del modelo.
5.4 ¿Cómo se implementa el reentrenamiento continuo y el monitoreo de modelos en entornos de producción?
- Recolección de Datos: Automatizar la ingestión de datos de laboratorio, sensores y producción.
- Monitoreo de Desviaciones: Paneles que rastrean RMSE/MAE vs pruebas de laboratorio; alertas si la desviación >10%.
- Estrategia de Reentrenamiento: Reentrenamiento semanal con mini-batches; actualizaciones incrementales para árboles; reentrenamiento completo periódico para redes profundas.
- Pipeline CI/CD: Usar herramientas de MLOps (MLflow, Kubeflow, Airflow) para versionado, validación y despliegue.
- Aprobación Humano-en-el-bucle: Los responsables de calidad revisan los modelos antes del despliegue en producción.
6. Tendencias Emergentes y Aplicaciones Futuras
6.1 ¿Qué tecnologías emergentes de IA se están pilotando para la predicción de la calidad del cemento?
Redes Neuronales Informadas por Física (PINNs): Combinan cinética de hidratación y ecuaciones de transferencia de calor con aprendizaje basado en datos, mejorando la extrapolación a condiciones de fraguado no observadas.
Redes Neuronales de Grafos (GNNs): Capturan interacciones entre partículas de cemento y aditivos para predicciones más precisas de la microestructura.
Aprendizaje Federado: Permite entrenar modelos en múltiples plantas sin compartir datos propietarios; valioso para corporaciones con varios sitios.
Modelos Generativos: Se utilizan para proponer nuevas formulaciones que equilibren costo, huella de CO₂ y resistencia.
6.2 ¿Cómo se utilizan las predicciones de IA para optimizar la adquisición de materias primas, reducir costos de producción y mejorar la sostenibilidad?
-
🏗️ Adquisición de Materias Primas:
La IA pronostica la demanda y los requisitos de resistencia, evita compras excesivas y respalda las negociaciones con proveedores.
- Pronosticar la demanda y necesidades de resistencia con anticipación
- Evitar compras excesivas de clinker o yeso
- Negociar mejor con proveedores usando tendencias predictivas de uso
-
💰 Reducción de Costos:
Optimizar la sustitución de materiales, reducir la dependencia de aditivos y automatizar el diseño de mezclas.
- Sustituir piedra caliza manteniendo la resistencia a compresión
- Reducir la dependencia de aditivos costosos mediante el equilibrio de la composición
- Automatizar el diseño de mezclas para disminuir los gastos de pruebas de laboratorio
-
🌍 Sostenibilidad:
Reducir el factor de clinker, validar mezclas alternativas y minimizar residuos.
- Reducir el factor de clinker → menores emisiones de CO₂
- Validar mezclas LC3 y geopolímeros más rápido con IA
- Reducir residuos de lotes fallidos mediante predicciones tempranas
References
Chen, X., Chen, W., Li, Z., & Zhang, P. (2025). A hybrid prediction and multi-objective optimization framework for limestone calcined clay cement concrete mixture design. Scientific Reports, 15, 22120. https://doi.org/10.1038/s41598-025-05288-3
Zhang, M., Yang, Y., Wu, Y., Yu, J., Pang, H., & Lv, H. (2025). Effect of limestone powder fineness on the physical and mechanical performance of concrete. Frontiers in Materials. https://pmc.ncbi.nlm.nih.gov/articles/PMC11857451/
Waqar, A., Bheel, N., & Tayeh, B. A. (2024). Modeling the effect of implementation of artificial intelligence powered image analysis and pattern recognition algorithms in concrete industry. Developments in the Built Environment, 17, 100349. https://doi.org/10.1016/j.dibe.2024.100349
Ghimire, P., Kim, K., & Acharya, M. (2024). Opportunities and challenges of generative AI in construction industry: Focusing on adoption of text-based models. Buildings, 14(1), 220. https://doi.org/10.3390/buildings14010220
Concrete.ai. (n.d.). Concrete AI. Retrieved August 25, 2025, from https://www.concrete.ai/
Mercatus Center. (2023). Future of materials science: AI, automation, and policy strategies. Retrieved August 25, 2025, from https://www.mercatus.org/research/policy-briefs/future-materials-science-ai-automation-and-policy-strategies
MIT Technology Review. (2024, December 12). Why materials science is key to unlocking the next frontier of AI development. Retrieved August 25, 2025, from https://www.technologyreview.com/2024/12/12/1107976/why-materials-science-is-key-to-unlocking-the-next-frontier-of-ai-development/
Pyzer-Knapp, E. O., Pitera, J. W., Staar, P. W., Takeda, S., Laino, T., Sanders, D. P., ... & Curioni, A. (2022). Accelerating materials discovery using artificial intelligence, high performance computing and robotics. npj Computational Materials, 8(1), 84. https://doi.org/10.1038/s41524-022-00765-z
ZKG. (n.d.). Optimizing cement strength. Retrieved August 25, 2025, from https://www.zkg.de/en/artikel/zkg_Optimizing_cement_strength-3612610.html
DR
Dr. Alan López
Senior ML Engineer & Product Researcher
Doctorado en Ciencias • Ingeniero en Mecatrónica
Alan tiene 10 años de experiencia en IA y visión artificial, combinando enfoque académico y empresarial. Ha liderado proyectos en la industria automotriz y financiera, especializado en algoritmos bioinspirados, visión por computadora y predicción de fallas electrónicas. Su investigación, publicada en revistas indexadas, ha generado resultados concretos en visión artificial y optimización de portafolios de inversión.
Perfil
Ideas
Artículos
🚀 ¿Listo para implementar clasificación automática en tu negocio?
Conecta con nuestros expertos para una consulta personalizada sobre cómo adaptar esta solución a tu caso específico.
