El blog de Víctor Yepes

Motores neumáticos

Los motores neumáticos son actuadores que transforman la energía almacenada en el aire comprimido en trabajo mecánico, ya sea rotativo o alternativo. Destacan por su ligereza y compacidad y ofrecen una densidad de potencia comparable o incluso superior a la de motores eléctricos equivalentes. Además, comparten con los sistemas hidráulicos ventajas importantes, como la seguridad en atmósferas explosivas, ya que no generan arcos eléctricos ni chispas, y la capacidad de transmitir un par elevado en relación con su peso.

Frente a la tecnología oleohidráulica, también presenta ventajas operativas específicas. En cuanto a la gestión térmica, el aire se enfría al expandirse y al realizar trabajo. Esto proporciona un efecto refrigerante natural que evita la acumulación de calor, incluso durante trabajos prolongados bajo carga, a diferencia de los motores hidráulicos.

En cuanto a la infraestructura, las redes de distribución de aire comprimido son más sencillas y económicas de instalar. Como el aire es un fluido inocuo, no se requieren líneas de retorno. Tras su expansión, puede evacuarse directamente a la atmósfera. Además, en caso de fuga, no existe riesgo de contaminación del suelo ni de incendio. Por ello, estos motores son especialmente adecuados para trabajos en túneles y en explotaciones mineras.

En el ámbito de la edificación y la obra civil, los motores neumáticos constituyen la solución estándar para accionar herramientas portátiles y equipos de elevación. Entre ellos se incluyen amoladoras, llaves de impacto, polipastos y cabrestantes. Su elevada frecuencia de impacto también los hace especialmente adecuados para martillos rompedores, perforadoras y vibradores de hormigón. En estas aplicaciones, la fiabilidad en entornos con polvo y vibraciones intensas es un requisito fundamental.

Desde el punto de vista técnico, los motores neumáticos presentan las siguientes características diferenciales frente a los motores eléctricos e hidráulicos:

Elevada relación potencia-peso: su diseño simplificado permite fabricar unidades más ligeras y compactas que las de un motor eléctrico de potencia equivalente. Esto facilita su integración en herramientas manuales y en espacios reducidos.
Seguridad ambiental: al no utilizar electricidad, son intrínsecamente seguros en atmósferas explosivas, húmedas, polvorientas o corrosivas. Además, ofrecen una elevada resistencia a impactos mecánicos y vibraciones.
Gestión térmica por expansión: la disminución de la temperatura asociada a la expansión del aire evita la acumulación de calor incluso tras largos periodos de funcionamiento a plena carga. De este modo, se elimina el riesgo de quemaduras por contacto y se reduce el riesgo de incendio en el entorno de trabajo.
Flexibilidad de control y reversibilidad: el par y la velocidad pueden regularse de forma continua mediante válvulas de estrangulamiento. Su baja inercia rotacional permite arrancar, detener e invertir el sentido de giro prácticamente al instante.
Tolerancia al calado: pueden detenerse a carga máxima sin sufrir daños internos. A diferencia de los motores eléctricos, no existe riesgo de sobreintensidad. Una vez eliminada la sobrecarga, el motor recupera inmediatamente su funcionamiento normal.
Sencillez y bajo mantenimiento: la ausencia de sistemas eléctricos y la robustez de sus componentes mecánicos reducen las necesidades de mantenimiento. Como resultado, ofrecen una elevada fiabilidad en ciclos continuos de arranque y parada.

Aunque los tipos y principios de funcionamiento de los motores neumáticos son similares a los de los motores hidráulicos, en ambos casos existen variantes de paletas, pistones y engranajes. Sin embargo, su comportamiento difiere debido a las propiedades del fluido de trabajo. El aceite es prácticamente incompresible, lo que permite movimientos rígidos y precisos. El aire, por el contrario, es altamente compresible. Esta característica proporciona una respuesta más suave ante las variaciones de carga, aunque el control de velocidad resulta menos preciso si no se emplean reguladores específicos.

Os dejo algunos vídeos sobre este tipo de motores.

Referencias:

YEPES, V.; MARTÍ, J.V. (2017). Máquinas, cables y grúas empleados en la construcción. Editorial de la Universitat Politècnica de València. Ref. 814. Valencia, 210 pp.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿El fin del profesor? Por qué la IA y los humanos escriben mejor juntos (y qué dice la ciencia al respecto).

En las aulas de hoy se libra una batalla silenciosa. Por un lado, el temor a que la inteligencia artificial (IA) despoje al aprendizaje de su esencia humana y, por otro, la realidad agotadora de los instructores que no disponen de tiempo suficiente para ofrecer retroalimentación detallada sobre cada borrador. Estamos ante una encrucijada: ¿automatizamos la enseñanza o encontramos una forma de que la tecnología nos haga más humanos?

Investigadores de la Universidad de California han arrojado luz sobre este dilema mediante el modelo PAIRR (Peer and AI Review + Reflection). No se trata de una capitulación ante las máquinas, sino de una estrategia centrada en el ser humano que demuestra que la clave no es elegir entre «IA» y «humano», sino potenciar el binomio «IA + humano». Los estudiantes lo tienen claro: no quieren elegir entre el código y el corazón; quieren ambos.

El «combo» ganador: validación y lentes complementarios.

Los datos del estudio (N = 361) son contundentes y desafían la idea de que los jóvenes buscan la automatización como un camino fácil. El 58 % de los estudiantes prefiere recibir retroalimentación combinada de la IA y de sus compañeros, mientras que un rotundo 36 % aún prefiere únicamente la retroalimentación humana. Solo un minúsculo 7 % optaría por recibir comentarios exclusivamente de una IA.

¿Por qué esta preferencia masiva por el modelo híbrido? La ciencia apunta a dos mecanismos psicológicos:

Refuerzo y validación: cuando la IA y un compañero coinciden, el estudiante siente una «reaseguración». El comentario deja de ser una opinión aislada para convertirse en una verdad comprobada.
Perspectivas complementarias: la IA y los humanos miran el texto con lentes distintos. Mientras la IA actúa como un arquitecto de la estructura, los compañeros actúan como lectores sensibles al matiz.

La IA como el entrenador de rúbricas que nunca duerme.

Una de las grandes fortalezas de modelos como ChatGPT es su capacidad para ofrecer estrategias de revisión accionables basadas estrictamente en la rúbrica. Mientras que un compañero puede ser vago en sus sugerencias, la IA destaca por identificar problemas de organización y de flujo con una frialdad técnica que constituye su mayor virtud.

Pero su mayor impacto radica en su disponibilidad. Consideremos el caso de Elizabeth, una estudiante de redacción científica. Para ella, la IA no es un sustituto del profesor, sino un «coach» disponible en los momentos de mayor soledad creativa:

«Me dio la retroalimentación que necesitaba para seguir revisando de inmediato… definitivamente me ayudó a mantenerme comprometida con mis trabajos, incluso a la 1 a. m.».

Esa inmediatez elimina el bloqueo del escritor. En lugar de enfrentarse a una página en blanco mientras espera a la clase del lunes, Elizabeth utiliza la IA para identificar patrones recurrentes, lo que hace que su flujo de trabajo sea mucho más eficiente.

Lo que la IA no puede sentir: el peso de la humanidad.

A pesar de su precisión algorítmica, la IA tiene límites insalvables. El estudio revela un contraste fascinante: la IA suele centrarse en preocupaciones de «alto orden» (la estructura, el esqueleto del argumento), mientras que los humanos aportan la «carne» y el contexto.

Hay tres elementos que la IA simplemente no puede replicar:

Conocimiento contextual: los estudiantes comprenden los desafíos específicos del curso y lo que el profesor realmente valora.
Empatía y tono alentador: un algoritmo no puede motivar a un estudiante que duda de sus capacidades.
Audiencia auténtica: un ser humano reacciona emocionalmente. Elizabeth lo comprobó cuando un compañero le confesó que su texto sobre el cuidado de pacientes sonaba «aterrador» y «desalentador». Esa respuesta subjetiva, vital para la conciencia retórica, es algo que la IA jamás podrá sentir.

De copiar y pegar a la «decisión ejecutiva».

El modelo PAIRR no fomenta la pereza, sino la alfabetización en IA. El objetivo es que el estudiante no acepte ciegamente lo que dice la máquina, sino que ejerza su agencia como escritor. Al verse obligado a comparar dos fuentes de comentarios, el estudiante debe tomar lo que los investigadores llaman una «decisión ejecutiva».

El proceso PAIRR se consolida en cinco pasos críticos:

Borrador: creación de la versión inicial.
Feedback de pares: obtención de la perspectiva humana y emocional.
Feedback de IA: uso de la rúbrica para realizar un análisis técnico y estructural.
Reflexión: análisis comparativo en el que el autor decide a quién creer.
Revisión: ajustes finales basados en el juicio crítico del estudiante.

Cerrando la brecha de equidad.

La IA tiene el potencial de ser un gran nivelador. Para escritores multilingües como Irina, para quien el inglés es su tercer idioma, la IA ofrece un espacio seguro. Irina utiliza la tecnología para pulir la gramática y las normas del inglés académico estándar antes de someterlo a la revisión humana, lo que reduce la intimidación inicial.

Sin embargo, el estudio no ignora los riesgos. Los modelos de lenguaje pueden perpetuar los sesgos lingüísticos de los grupos dominantes. Por eso, el modelo PAIRR es fundamental: en lugar de prohibir la tecnología y permitir que los estudiantes la utilicen a escondidas, los profesores los guían para que aprendan a evaluar el sesgo en lugar de aceptarlo ciegamente.

Conclusión y reflexión final.

El hallazgo más importante de la Universidad de California es que la tecnología no crea entornos de aprendizaje ricos, sino que son los profesores y las relaciones humanas quienes los hacen. La IA es una herramienta «infaliblemente útil», pero su valor solo florece cuando hay un ser humano en el centro que toma las decisiones.

En el mundo laboral del mañana, la habilidad más valiosa no será escribir de forma aislada, sino colaborar con la IA de manera ética, crítica y analítica.

Pregunta de cierre: ¿qué pasaría con la calidad de nuestras ideas si dejáramos de ver la IA como una herramienta de reemplazo y empezáramos a usarla como a un colega que nos obliga a justificar cada una de nuestras decisiones?

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos de este artículo.

The_PAIRR_Model

Referencia:

Sperber, L., MacArthur, M., Minnillo, S., Stillman, N., & Whithaus, C. (2025). Peer and AI Review+ Reflection (PAIRR): A human-centered approach to formative assessment. Computers and Composition, 76, 102921.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Motores hidráulicos

Un motor hidráulico es un actuador mecánico que convierte la energía hidrostática —presión y caudal— de un fluido incompresible, generalmente aceite mineral, en energía mecánica rotativa. A diferencia de las bombas, que suministran energía al fluido, los motores la extraen para generar un par motor (M) y una velocidad angular (ω) en el eje de salida.

En el ámbito de la ingeniería civil y de la maquinaria pesada, estos dispositivos son componentes esenciales de los sistemas de transmisión hidrostática. Sus aplicaciones más habituales abarcan los sistemas de traslación —accionamiento de orugas en excavadoras y mandos finales en maquinaria de movimiento de tierras—, los sistemas de elevación y tracción —cabrestantes, grúas torre y tornos de perforación— y los implementos auxiliares —mecanismos de dirección asistida, martillos hidráulicos y rotación de torretas—.

Conviene distinguir estos motores de las turbinas hidráulicas —Pelton, Francis o Kaplan—. Las turbinas son máquinas de flujo continuo destinadas a la generación eléctrica a gran escala mediante el aprovechamiento de la energía cinética y potencial del agua. Los motores empleados en la construcción son, por el contrario, máquinas de desplazamiento positivo, que permiten un control preciso de la velocidad, una alta densidad de potencia y la capacidad de entregar el par máximo desde el arranque, características indispensables para el trabajo en obra y en minería.

A diferencia de los motores eléctricos o de combustión interna, el motor hidráulico no es una máquina motriz primaria, sino un actuador rotativo. Su funcionamiento depende de una fuente de potencia hidráulica externa, generalmente una bomba de desplazamiento positivo impulsada por un motor térmico o eléctrico. Pese a la doble conversión de energía, de mecánica a hidráulica y de nuevo a mecánica, el conjunto motor-bomba-actuador resulta eficiente y competitivo en maquinaria pesada gracias a su elevada densidad de potencia y robustez mecánica.

Una de las ventajas más relevantes de la tecnología oleohidráulica es su capacidad para funcionar como un sistema de transmisión de variación continua. Mediante una bomba de caudal variable, habitualmente de pistones axiales con plato oscilante, es posible regular la velocidad del motor con precisión y progresividad. Dado que la velocidad angular del motor (ω) es directamente proporcional al caudal (Q) suministrado por la bomba e inversamente proporcional a su cilindrada unitaria (Vd), el sistema ofrece las siguientes prestaciones:

Control continuo de velocidad: variación de cero a su valor máximo sin escalonamientos.
Reversibilidad instantánea: cambio del sentido de giro mediante la inversión de la dirección del flujo en la bomba, sin necesidad de engranajes inversores.
Gestión del par a baja velocidad: capacidad de mantener un par motor elevado incluso a velocidades extremadamente bajas, prestación que las transmisiones mecánicas convencionales no pueden ofrecer sin un desgaste severo del embrague.

Los motores hidráulicos presentan una serie de ventajas frente a los motores eléctricos o mecánicos en aplicaciones de alto par y condiciones de trabajo severas:

Alta densidad de potencia: su diseño compacto y robusto permite que, a igual potencia, un motor hidráulico ocupe entre un 25 % y un 50 % del volumen de un motor eléctrico equivalente, lo que facilita su integración en espacios reducidos, como el interior de las orugas de una excavadora.
Baja inercia rotacional: la reducida masa móvil en relación con el par aplicado permite aceleraciones, frenados y cambios de giro casi instantáneos, lo cual resulta fundamental para el control de implementos y de sistemas de dirección.
Tolerancia al calado: pueden detenerse a carga máxima sin sufrir daños térmicos ni mecánicos, ya que el exceso de presión se libera a través de válvulas de seguridad. Un motor eléctrico, bajo las mismas condiciones, sufriría una sobreintensidad que lo dañaría en cuestión de segundos.
Transmisión elástica: el fluido hidráulico actúa como amortiguador frente a picos de carga e impactos mecánicos, proporcionando un acoplamiento semielástico que protege la integridad de la transmisión.
Autolubricación y durabilidad: al operar en contacto permanente con aceite mineral a presión, todos los componentes internos se mantienen lubricados de forma continua, lo que minimiza el desgaste por fricción y prolonga la vida útil del equipo, incluso en ambientes con polvo o humedad.
Control independiente de velocidad y par: mediante válvulas proporcionales es posible regular el movimiento con gran precisión, sin necesidad de variadores de frecuencia electrónicos.
Seguridad en ambientes críticos: al no generar chispas ni requerir cableado eléctrico de alta potencia en el punto de actuación, resultan adecuados para trabajos en minería, en ambientes con riesgo de explosión o en aplicaciones sumergidas.

Atendiendo a su capacidad de entrega de par (M) y régimen de giro (n), los motores hidráulicos se clasifican en tres grupos:

Motores de elevado par y baja velocidad: generalmente con pistones radiales o axiales. Se caracterizan por su gran cilindrada, lo que les permite operar a velocidades de giro muy bajas —en ocasiones inferiores a 1 rpm— con total estabilidad. Son los más empleados en los mandos finales de tracción.
Motores de par y de velocidad medios: principalmente de paletas, engranajes o pistones. Ofrecen un comportamiento equilibrado para funciones auxiliares que exigen ciclos de trabajo continuos sin esfuerzos de arranque extremos.
Motores de alta velocidad: de engranajes o de pistones axiales. Diseñados para alcanzar regímenes elevados —hasta 5.000 rpm o más—, con una cilindrada unitaria menor que los hace más ágiles, aunque con menor capacidad de par.

En general, existe una relación inversamente proporcional entre el par entregado y la velocidad de giro: los motores de elevado par operan a bajas revoluciones, mientras que los de alta velocidad presentan una menor cilindrada unitaria y, con ello, una capacidad de par más limitada.

En este vídeo se resumen las ideas más interesantes sobre los motores hidráulicos.

Os dejo algunos vídeos más sobre este tipo de motores.

Referencias:

YEPES, V.; MARTÍ, J.V. (2017). Máquinas, cables y grúas empleados en la construcción. Editorial de la Universitat Politècnica de València. Ref. 814. Valencia, 210 pp.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Prefabricado o «in situ»? El dilema del ciclo de vida en los marcos de hormigón

Para comprender la magnitud del desafío al que se enfrenta la infraestructura moderna, basta con observar un dato: para encontrar el equilibrio perfecto entre eficiencia y ética, la ingeniería ha tenido que analizar hasta 50 configuraciones optimizadas de una estructura que la mayoría de nosotros apenas notamos. Nos referimos a los pasos inferiores y a los marcos de carretera: ese esqueleto invisible de hormigón que sostiene nuestras vías de comunicación.

Como ingenieros, nos enfrentamos a una pregunta recurrente: ¿es mejor construir in situ (ISRCF), vertiendo el hormigón directamente en la obra, o apostar por sistemas prefabricados modulares (PRCAF)? La respuesta no es una verdad absoluta, sino un complejo mapa de compromisos en el que la geometría de la obra decide quién gana la batalla por la sostenibilidad.

Los resultados que presentamos son fruto de la siguiente publicación:

RUIZ-VÉLEZ, A.; SÁNCHEZ-GARRIDO, A.J.; ALCALÁ, J.; YEPES, V. (2026). Life-cycle environmental and social trade-offs in concrete road frame systems. Cleaner Environmental Systems, 22, 100462. DOI:10.1016/j.cesys.2026.100462

El trabajo se enmarca en el proyecto de investigación RESILIFE , que dirijo como investigador principal en la Universitat Politècnica de València.

La prefabricación: el campeón ambiental (con matices).

Si analizamos los datos con la metodología ReCiPe 2016, el sistema prefabricado (PRCAF) se presenta como el líder indiscutible en términos ambientales. Las cifras del estudio son claras: estas soluciones logran reducir el potencial de calentamiento global (GWP) entre un 9 % y un 17 % en comparación con los marcos construidos in situ.

Esta ventaja se debe principalmente a la optimización de las secciones transversales. Al producirse en entornos industriales controlados, el carbono embebido se reduce significativamente al emplear secciones más esbeltas y eficientes. Sin embargo, como expertos, debemos ser cautos al generalizar. Como bien señala la investigación original:

«No existe una tipología de construcción universalmente preferible; el rendimiento ambiental y social del ciclo de vida varía según la escala geométrica».

El factor de escala: por qué la longitud es el verdadero enemigo.

Al estudiar configuraciones de entre 8 y 16 metros de vano (longitud), hemos descubierto que la geometría dicta el impacto ambiental con una severidad implacable. El hallazgo técnico es contundente: aumentar el vano en solo dos metros incrementa el GWP entre un 23 % y un 25 %, mientras que cada metro adicional de profundidad del suelo solo lo incrementa en un 11 %.

¿Por qué ocurre esto? La respuesta se basa en la mecánica estructural básica del Eurocódigo 2. El aumento de la longitud del vano obliga a un incremento cuadrático de la demanda de material para contrarrestar los momentos flectores y garantizar la funcionalidad (control de grietas). En cambio, la profundidad del suelo genera principalmente cargas verticales, cuya relación con el consumo de material es mucho más lineal y moderada. En ingeniería, la longitud no solo es distancia, sino que también representa una carga exponencial para el planeta.

El sorprendente «giro» social: lo tradicional recupera terreno.

Aquí es donde el análisis técnico, realizado bajo los marcos PSILCA y la plataforma SOCA v2, revela una realidad contraintuitiva. Aunque el prefabricado es mejor desde el punto de vista ambiental, el sistema in situ (ISRCF) recupera una ventaja competitiva social en proyectos a gran escala.

Al alcanzar vanos de entre 14 y 16 metros, se presentan los denominados «puntos de cruce» (crossover points). En estas dimensiones, el sistema tradicional tiene un impacto social hasta un 10,8 % menor. Esto sucede porque, a gran escala, los riesgos de la cadena de suministro y de la logística de transporte de piezas prefabricadas en masa empiezan a superar la eficiencia industrial. El sistema ISRCF, al ser más intensivo en mano de obra local, actúa como un motor de resiliencia para la comunidad.

Para entender este impacto, debemos considerar los cuatro grupos de partes interesadas definidos por el modelo PSILCA: trabajadores, comunidad local, actores de la cadena de valor y sociedad.

Beneficios sociales según la escala del proyecto:

Vanos pequeños (8-10 metros): el sistema PRCAF es superior. La mecanización reduce los riesgos laborales para los trabajadores y minimiza las molestias (ruido, tráfico) para la comunidad local.
Vanos grandes (14-16 metros): el sistema ISRCF es preferible. Fomenta el empleo directo en la zona y fortalece a los actores locales de la cadena de valor (canteras y plantas cercanas), reduce la dependencia de riesgos globales y optimiza el impacto en la sociedad local.

Estos resultados, evidentemente, dependen de las circunstancias locales. Por tanto, pueden variar según la región o las prioridades de cada caso concreto.

El ciclo de vida completo: del cemento a la carbonatación.

Para tomar una decisión ética, debemos aplicar un enfoque de «cuna a tumba» (cradle-to-grave). En los sistemas PRCAF, el impacto se concentra principalmente en la fase de fabricación, que representa entre el 89 % y casi el 100 % del total debido a la intensidad energética de las plantas industriales. En cambio, los sistemas ISRCF distribuyen su huella de forma más equilibrada entre la construcción y el fin de vida útil.

Un factor vital en este ciclo es la carbonatación. Durante los 100 años de vida útil definidos para estas estructuras, el hormigón actúa como una esponja química que secuestra CO₂. Este proceso se intensifica en la fase de desmantelamiento, cuando el hormigón triturado maximiza su superficie expuesta.

«El enfoque «de la cuna a la tumba» es esencial, ya que nos permite considerar no solo el impacto de fabricar hormigón, sino también su capacidad para absorber carbono y su facilidad de reciclaje al final de su vida útil».

Conclusión: hacia una ingeniería de precisión ética.

La elección entre el prefabricado y el in situ no debe tomarse a la ligera. Depende de la escala geométrica y de las prioridades del proyecto. Si buscamos la máxima eficiencia en GWP para un paso inferior pequeño, la opción es el PRCAF. Sin embargo, si nos enfrentamos a una estructura de gran vano en la que el tejido social es una prioridad, el ISRCF puede ser la opción más sostenible en términos integrales.

El futuro nos exige emplear la optimización paramétrica desde las primeras fases del diseño. Solo así podremos avanzar hacia una infraestructura que no solo soporte el tráfico, sino que también sostenga de manera equilibrada nuestro entorno y nuestras comunidades.

Como ciudadanos y profesionales, nos queda una reflexión pendiente: ¿deberíamos priorizar siempre la eficiencia industrial y la rapidez del prefabricado o es momento de dar más peso a la resiliencia social y al empleo local en las obras públicas que definen nuestro futuro?

En esta conversación puedes escuchar las ideas más interesantes de esta investigación.

Este vídeo resume bien el contenido del artículo científico al que hacemos referencia.

Infrastructure_Sustainability_Scaling

El artículo completo, al estar publicado en abierto, puede obtenerse haciendo clic en 1-s2.0-S2666789426000681-main.

Referencia:

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

El factor de impacto de las revistas JCR del año 2025

Acaba junio y justo ahora se pueden consultar los factores de impacto de las revistas científicas indexadas en el Journal of Citation Reports (JCR). Los índices de impacto son instrumentos que permiten comparar y evaluar la importancia relativa de una revista determinada dentro de un mismo campo científico en función del promedio de citas recibidas por los artículos que publica durante un periodo de tiempo determinado. Estos indicadores son especialmente importantes en el ámbito científico, ya que, aunque tienen detractores, permiten evaluar con criterio objetivo cierto aspecto de la calidad científica de la revista en la que un investigador publica sus artículos. En mi caso, según la Web of Science, mi índice H es de 48.

Tal como se muestra en la figura, Forrest Gump definía con claridad la sorpresa que más de un investigador, editor o lector se lleva cada año al ver que su querida revista del alma sube o baja del primer al segundo cuartil, o viceversa. Es muy desagradable publicar en una revista de alto impacto y que, al año siguiente, baje de cuartil. Pero, en fin, estas son las reglas del juego.

Por mi parte, os voy a poner algunas de las revistas en las que he publicado y que están en los dos primeros cuartiles. De hecho, alguna está en el primer decil. No están todas las que son, pero son todas las que están. Si os fijáis, el cuartil a veces no corresponde al impacto, ya que depende del área de conocimiento. A continuación, os paso la lista de mis revistas favoritas de mayor impacto.

REVISTAS. DATOS 2026	Impacto
SUSTAINABLE CITIES AND SOCIETY	13.3	D1
AUTOMATION IN CONSTRUCTION	12.6	D1
COMPUTERS AND EDUCATION OPEN	12.3	D1
ENVIRONMENTAL IMPACT ASSESSMENT REVIEW	12.2	D1
JOURNAL OF CLEANER PRODUCTION	10.7	D1
RESOURCES CONSERVATION AND RECYCLING	10.4	D1
RESULTS IN ENGINEERING	9.4	D1
COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING	9.2	D1
BUILDING AND ENVIRONMENT	8.4	D1
JOURNAL OF BUILDING ENGINEERING	8.1	D1
ENERGY AND BUILDINGS	8.0	D1
ENGINEERING STRUCTURES	7.6	D1
COMPUTERS & INDUSTRIAL ENGINEERING	7.3	Q1
ADVANCES IN ENGINEERING SOFTWARE	6.3	D1
INTERNATIONAL JOURNAL OF LIFE CYCLE ASSESSMENT	6.1	Q1
OCEAN & COASTAL MANAGEMENT	5.9	D1
JOURNAL OF COMPUTING IN CIVIL ENGINEERING	5.8	Q1
SMART AND SUSTAINABLE BUILT ENVIRONMENT	5.7	Q1
COMPUTERS & STRUCTURES	5.6	Q1
JOURNAL OF CONSTRUCTION ENGINEERING AND MANAGEMENT	5.5	Q1
CLEANER ENVIRONMENTAL SYSTEMS	5.3	Q1
SCIENTIFIC REPORTS	4.9	Q1
ARCHIVES OF CIVIL AND MECHANICAL ENGINEERING	4.9	Q1
STRUCTURES	4.9	Q1
GEOMECHANICS FOR ENERGY AND THE ENVIRONMENT	4.8	Q1
JOURNAL OF CONSTRUCTIONAL STEEL RESEARCH	4.6	Q1
STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION	4.5	Q1
COMPUTERS AND CONCRETE	4.4	Q1
IEEE ACCESS	4.2	Q2
SUSTAINABILITY	4.1	Q2
JOURNAL OF STRUCTURAL ENGINEERING	3.8	Q1
MATERIALS	3.7	Q2
INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY	3.7	Q2
INFRASTRUCTURES	3.6	Q2
LAND	3.5	Q2
BUILDINGS	3.4	Q2
JOURNAL OF INFORMATION TECHNOLOGY IN CONSTRUCTION	3.4	Q2
JOURNAL OF MATERIALS IN CIVIL ENGINEERING	3.2	Q2
STRUCTURAL ENGINEERING AND MECHANICS	3.2	Q2
JOURNAL OF MARINE SCIENCE AND ENGINEERING	3.2	Q2
STRUCTURE AND INFRASTRUCTURE ENGINEERING	3.1	Q2
JOURNAL OF CIVIL ENGINEERING AND MANAGEMENT	3.0	Q2
APPLIED SCIENCES-BASEL	2.9	Q2
PLOS ONE	2.8	Q2
INNOVATIVE INFRASTRUCTURE SOLUTIONS	2.8	Q2
MATHEMATICS	2.3	D1

Además, los factores de impacto de las revistas donde soy editor asociado o pertenezco al comité editorial también han mejorado:

Mathematics (D1-SCI Journal)

Structure & Infrastructure Engineering (Q2-SCI Journal)

Sustainability (Q2-SCI Journal)

Advances in Concrete Construction (Q3-SCI Journal)

Structural Engineering and Mechanics (Q2-SCI Journal)

Advances in Civil Engineering (Q3-SCI Journal)

Revista de la Construcción (Q3-SCI Journal)

Evaluación de la percepción estudiantil sobre la capacidad de la inteligencia artificial para resolver problemas de ingeniería

Dentro del proyecto de innovación docente PROFUNDIA, hemos realizado una investigación cualitativa sobre la percepción de los estudiantes respecto de la capacidad de la inteligencia artificial para resolver problemas de ingeniería. Se realizó mediante una variante de la técnica de «focus group» en una clase de 10 alumnos del Máster Universitario en Ingeniería del Hormigón de la Universitat Politècnica de València. A continuación describimos cómo se realizó la investigación y adelantamos algunas de las conclusiones más interesantes.

La presente investigación tuvo como objetivo analizar cómo perciben los estudiantes universitarios la capacidad de la inteligencia artificial generativa (IAG) para resolver problemas de ingeniería y, en especial, cómo evolucionan dichas percepciones cuando tienen la oportunidad de contrastar las respuestas proporcionadas por la IA con una solución correcta validada por el profesorado.

Para ello, se diseñó una experiencia en dos fases. En la primera, los participantes utilizaron libremente herramientas de inteligencia artificial para resolver un problema de ingeniería cuyo resultado desconocían y, posteriormente, respondieron a un cuestionario de preguntas abiertas. En la segunda fase, una vez facilitada la resolución correcta del problema, los estudiantes compararon ambos resultados y completaron un nuevo cuestionario orientado a identificar posibles cambios en sus opiniones, niveles de confianza y criterios de valoración.

Los resultados muestran que los estudiantes parten de una actitud generalmente favorable hacia la inteligencia artificial. La mayoría considera que estas herramientas son útiles para apoyar el aprendizaje, agilizar los cálculos, estructurar procedimientos o proporcionar orientación inicial en la resolución de problemas técnicos. Sin embargo, incluso antes de conocer la solución correcta, ya se observa una percepción relativamente madura de sus propias limitaciones. Los participantes manifiestan reiteradamente que las respuestas obtenidas deben ser verificadas mediante la normativa técnica, la bibliografía especializada o el propio razonamiento, lo que evidencia una confianza condicionada más que una aceptación acrítica de los resultados generados por la IA.

La comparación posterior con la resolución correcta produjo un efecto significativo de recalibración de la confianza. Los estudiantes comprobaron que la inteligencia artificial era capaz de generar respuestas técnicamente plausibles y bien redactadas, pero no necesariamente correctas desde el punto de vista normativo o metodológico. Esta constatación reforzó la percepción de que la apariencia de rigor técnico no constituye una garantía de validez. Tras la experiencia, las opiniones evolucionaron de una valoración centrada en la utilidad operativa de la herramienta a una visión más crítica, basada en la necesidad de validar sistemáticamente cualquier resultado antes de aceptarlo como correcto.

Uno de los hallazgos más relevantes del estudio es la identificación de la normativa técnica como uno de los ámbitos en los que los estudiantes perciben mayores limitaciones al uso de la inteligencia artificial. Numerosos participantes señalaron que las respuestas generadas no incorporaban adecuadamente los criterios establecidos en las normas aplicables, omitían condicionantes relevantes o utilizaban referencias incorrectas. En consecuencia, la principal fuente de error detectada no se relacionó tanto con la capacidad de cálculo de la herramienta como con su dificultad para interpretar y aplicar correctamente los marcos regulatorios específicos. Esta percepción resulta especialmente relevante en el ámbito de la ingeniería, donde la adecuación normativa constituye un requisito esencial para la validez de cualquier solución técnica.

El análisis también revela una comprensión creciente por parte de los estudiantes del funcionamiento y de las limitaciones inherentes de los sistemas de inteligencia artificial. A medida que reflexionaban sobre los errores detectados, los participantes identificaban fenómenos como la generación de respuestas plausibles sin fundamento suficiente, la tendencia a proporcionar una respuesta incluso cuando la información disponible es insuficiente o la dependencia de fuentes cuya calidad no siempre puede verificarse. Esta toma de conciencia constituye un indicio del desarrollo de competencias de alfabetización en inteligencia artificial y de una comprensión más sofisticada de los riesgos asociados a su uso.

Otro aspecto especialmente significativo es que los estudiantes concluyen prácticamente de manera unánime que el uso eficaz de la inteligencia artificial requiere sólidos conocimientos previos sobre la materia consultada. Lejos de considerar que estas herramientas puedan sustituir el aprendizaje o el criterio profesional, los participantes afirman que la capacidad para detectar errores, formular preguntas adecuadas y validar resultados depende directamente del dominio conceptual del usuario. Desde esta perspectiva, la IA se percibe como una herramienta de apoyo cuyo valor aumenta cuando se utiliza desde una posición de conocimiento y de pensamiento crítico.

En términos educativos, la experiencia pone de manifiesto el potencial formativo de actividades basadas en la comparación entre respuestas generadas por la inteligencia artificial y soluciones correctas validadas por expertos. Este tipo de ejercicios no solo permite evaluar la fiabilidad de la herramienta en contextos específicos, sino que también favorece el desarrollo de competencias fundamentales para el futuro ejercicio profesional, tales como la capacidad de análisis crítico, la verificación de la información, la interpretación normativa y la toma de decisiones fundamentadas.

En conclusión, los resultados indican que la experiencia no conduce a un rechazo de la inteligencia artificial, sino a una comprensión más realista de sus capacidades y limitaciones. Los estudiantes mantienen una valoración positiva de estas herramientas como recurso de apoyo, pero desarrollan simultáneamente una actitud más prudente y reflexiva respecto a su utilización. La principal transformación observada consiste en el paso de una confianza basada en la aparente calidad de las respuestas a una confianza condicionada por la necesidad de validación, de supervisión humana y de juicio profesional. Este cambio puede interpretarse como un indicador de madurez tecnológica y constituye uno de los resultados más relevantes de la investigación.

En esta conversación puedes escuchar cómo hemos realizado esta investigación cualitativa.

El vídeo resume bien las ideas más importantes de este tema.

Referencia:

YEPES-BELLVER, L.; MARTÍNEZ-PAGÁN, P.; YEPES, V. (2026). Impacto de la inteligencia artificial en la formación técnica: aprendizaje profundo, metacognición y transferibilidad profesional. En libro de actas: XII Congreso de Innovación Educativa y Docencia en Red. Valencia, 9-10 de julio de 2026.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Depósitos de almacenamiento de aire comprimido

Una instalación de aire comprimido incorpora uno o varios depósitos acumuladores, habitualmente denominados calderines, cuyo tamaño se adapta a la capacidad del compresor, al sistema de regulación, a la presión de trabajo y a las variaciones en el consumo de la obra o de la planta.

El depósito, que consiste en un cilindro de acero en disposición horizontal o vertical, se diseña conforme a lo establecido en el reglamento de equipos a presión y sus instrucciones técnicas complementarias, lo que implica el cálculo de espesores, la realización de pruebas de presión, la ejecución de soldaduras homologadas y la elaboración de la documentación necesaria para su puesta en servicio.

Los depósitos se dotan de manómetro, válvulas de seguridad frente a sobrepresión, puerta de registro para inspección interior y grifo de purga situado en el punto más bajo, destinado a evacuar el agua condensada, el aceite y las partículas sólidas acumuladas en el fondo.

Las funciones principales del depósito de almacenamiento son las siguientes: almacenar aire comprimido para atender demandas que superen momentáneamente la capacidad del compresor; contribuir al enfriamiento del aire y facilitar la eliminación de humedad residual mediante purgas; igualar las variaciones de presión en la red y amortiguar las pulsaciones de caudal propias de los compresores alternativos; y regular las demandas punta, evitando arranques y paradas frecuentes del compresor con la consiguiente reducción del consumo energético. De forma orientativa, se recomienda un volumen de acumulación de entre 6 y 10 litros por cada litro por segundo de caudal del compresor, según la estabilidad requerida por la instalación.

La capacidad del depósito V, expresada en metros cúbicos, puede calcularse en función del caudal aspirado Q del compresor, expresado en metros cúbicos por minuto: V=1,12·√Q

Calderín de aire comprimido en una instalación.

Os dejo un vídeo explicativo. Espero que os resulte de interés.

Referencias:

YEPES, V.; MARTÍ, J.V. (2017). Máquinas, cables y grúas empleados en la construcción. Editorial de la Universitat Politècnica de València. Ref. 814. Valencia, 210 pp.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

De la ceguera reactiva a la infraestructura inteligente: cómo los sensores están revolucionando la ingeniería civil.

En nuestras costas, el aire salino no solo es una característica del paisaje, sino también un enemigo invisible que trabaja sin descanso. El hormigón armado de nuestras infraestructuras sufre la silenciosa penetración de iones de cloruro que corroen las armaduras de acero y comprometen la estabilidad de los puentes mucho antes de que se vea la primera grieta. Tradicionalmente, la ingeniería ha actuado, más de una vez, a ciegas, esperando a que se manifestaran los síntomas visibles antes de actuar. Sin embargo, estamos ante una revolución en la medicina preventiva de las infraestructuras: hoy podemos dotar a los puentes de un «sistema nervioso» que les permite hablarnos a través de sus propias vibraciones.

Esta transformación es una urgencia global. La industria de la construcción no es un actor menor en la crisis climática: consume el 30 % de la energía mundial, el 40 % de los recursos naturales y genera el 30 % de las emisiones de gases de efecto invernadero. En este contexto, optimizar el mantenimiento de estructuras emblemáticas deja de ser un reto técnico para convertirse en un imperativo ético y económico.

El trabajo se enmarca en el proyecto de investigación RESILIFE , que dirijo como investigador principal en la Universitat Politècnica de València.

Más que una inspección, un diálogo con la estructura (PSD)

La técnica de densidad espectral de potencia (PSD, por sus siglas en inglés) supone un gran avance respecto a los métodos tradicionales. En lugar de extraer núcleos de hormigón (métodos destructivos), utilizamos sensores que captan el «ritmo» del puente. La clave está en entender las fases del daño: mientras que los modelos tradicionales se centran en la fase de iniciación (acumulación de cloruros), la tecnología PSD detecta cambios sutiles en la fase de propagación temprana.

Al analizar la frecuencia y la amplitud de las vibraciones, la IA identifica cuándo la corrosión empieza a reducir la rigidez de los elementos estructurales. Detectamos la «arritmia» antes de que se convierta en un «infarto» estructural. Como destaca la investigación científica:

«El análisis basado en la frecuencia desarrollado permite identificar eficazmente el deterioro provocado por la corrosión en sus primeras fases, lo que ofrece un método no destructivo y fiable para la monitorización del estado de las estructuras (SHM)».

El ahorro del 40 % del coste a lo largo del ciclo de vida.

Como estrategas de infraestructura, no medimos el éxito por el coste de hoy, sino por la resiliencia a largo plazo. Al aplicar un análisis de costes del ciclo de vida (LCCA) sobre un horizonte de 100 años, los datos para un tramo del puente de la Isla de la Arosa son irrefutables:

Mantenimiento convencional: 470 113,12 €
Mantenimiento basado en PSD: 248 001,19 €

Esta gestión inteligente genera un ahorro de 222 111,92 € por tramo, lo que equivale a una reducción del 40 % en los costes totales. Al «escuchar» las vibraciones, pasamos de reparaciones masivas y traumáticas a intervenciones quirúrgicas y precisas, y eliminamos el gasto superfluo de las reconstrucciones de emergencia.

Un respiro para el planeta (E-LCA).

Mantener es, por definición, más ecológico que reconstruir. Gracias a la Evaluación del Ciclo de Vida Ambiental (E-LCA) y a la base de datos Ecoinvent, hemos cuantificado que el método PSD reduce el impacto ambiental en un 14,33 % en el tablero del puente y en un sorprendente 29,62 % en las pilas.

Este ahorro se traduce en métricas concretas de bienestar:

Calidad del ecosistema: reducción de 61 449,68 puntos de impacto en el tablero.
Salud humana: disminución de 118 802,69 puntos de impacto negativo.
Eficiencia de recursos: reducción drástica de la extracción de materias primas y del consumo energético, abordando directamente ese 40 % del consumo de recursos naturales que mencionábamos al inicio.

Priorizando la seguridad y el bienestar humano (S-LCA).

La sostenibilidad no solo es verde, sino también humana. El análisis del ciclo de vida social (S-LCA) revela que el mantenimiento proactivo protege la vida y el tiempo de las personas. Al evitar grandes obras reactivas, reducimos drásticamente las «horas de riesgo» para todos los implicados.

La comparativa de riesgo (en horas) es impactante:

Trabajadores: 45 650,65 (PSD) frente a 200 365,10 (convencional).
Comunidad local: 40 283,37 (PSD) frente a 176 807,60 (convencional).

Esta reducción de riesgos para la sociedad y los actores de la cadena de valor no solo es una estadística de seguridad laboral, sino también una apuesta por la equidad social y la resiliencia de las comunidades que dependen de una conectividad ininterrumpida.

La «orquesta de las ciencias» detrás de la decisión (MCDM).

Para un estratega moderno, tomar una decisión no consiste solo en mirar el presupuesto. Es lo que llamamos la «orquesta de las ciencias»: el uso de modelos matemáticos avanzados (AHP y TOPSIS) para equilibrar intereses que a menudo parecen opuestos: el dinero, la salud humana y la salud del planeta.

Mediante estas técnicas de toma de decisiones multicriterio, hemos ponderado cada variable para obtener un veredicto científico unánime. En una escala de sostenibilidad global, los resultados son contundentes: el método basado en vibraciones (PSD) obtuvo una puntuación perfecta de 1,00, mientras que el método convencional obtuvo 0,00. La ciencia nos dice que ya no hay debate posible sobre qué camino seguir.

Conclusión: hacia una infraestructura autoconsciente.

La integración de la monitorización de la salud estructural (SHM) y la evaluación del ciclo de vida (LCA) está transformando la ingeniería civil en una disciplina de conservación de recursos de alta tecnología. El puente de la Isla de la Arosa es solo el principio; estamos ante una nueva era de infraestructuras autoconscientes que nos alertan de sus necesidades.

Debemos ser conscientes de que ignorar los datos de vibración no solo es un error técnico, sino también una negligencia fiscal y ética. La cuestión ya no es si la tecnología funciona, sino si estamos listos como sociedad para dejar que los datos dicten las políticas públicas de transporte que protegerán nuestro futuro. Los datos indican que no podemos permitirnos esperar.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos más importantes de este artículo.

Smart_Sustainable_Bridge_Maintenance

Referencia:

HADIZADEH-BAZAZ, M.; NAVARRO, I.J.; YEPES, V. (2026). Smart Integration of Non-Destructive Damage Detection and Life-Cycle Assessment for Sustainable Maintenance of Coastal Bridges. Smart and Sustainable Built Environment DOI 10.1108/SASBE-11-2025-0691

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Es Turnitin realmente infalible? Cinco verdades incómodas sobre la detección de IA que todo educador debe conocer.

En el panorama actual de la educación superior, la integridad académica se enfrenta a un desafío sin precedentes. La explosión de los modelos de lenguaje extensos (LLM), personificada por ChatGPT —que alcanzó la asombrosa cifra de 100 millones de usuarios en apenas dos meses—, ha sumido a las instituciones en una carrera frenética para detectar el contenido generado por máquinas. Sin embargo, en esta búsqueda de certezas surge una pregunta que todo docente debe hacerse: ¿estamos interpretando correctamente las herramientas en las que confiamos?

Un estudio fundamental de Lucky E. Atamhenwan (2026) arroja luz crítica y necesaria sobre el detector de IA de Turnitin. A través de un análisis riguroso de 81 guiones que mezclaban prosa humana con contenido generado por modelos como ChatGPT (GPT-4o), Copilot, Gemini y Grammarly, Atamhenwan explora una frontera donde chocan la estadística y la pedagogía: ¿qué tan preciso es Turnitin cuando lo humano y lo artificial se entrelazan?

Este estudio investiga la capacidad de Turnitin para identificar el contenido generado por diversas inteligencias artificiales frente al contenido escrito por humanos. El autor analizó ochenta y un documentos con distintos porcentajes de mezcla y descubrió que la herramienta es inconsistente y tiende a fallar cuando el contenido de IA es bajo. Los resultados demuestran que Turnitin solo activa sus alarmas cuando el texto generado por máquinas supera el 15 %, aunque sus puntuaciones rara vez son exactas. Además, la investigación revela que el uso de herramientas de parafraseo puede eludir con éxito la detección, lo que hace que los textos artificiales parezcan humanos. Ante estos desafíos, el autor sugiere la implementación de exámenes presenciales con navegadores bloqueados y la promoción de la cooperación entre instituciones y desarrolladores de tecnología. En definitiva, el artículo advierte que los educadores no deben confiar ciegamente en los porcentajes de detección al tomar decisiones académicas importantes.

1. El «punto ciego» del 15 %: cuando la IA pasa desapercibida.

Una de las realidades más contundentes que revela la investigación es la existencia de un umbral de invisibilidad técnica. El estudio analizó guiones con un 5 % y un 10 % de contenido generado por IA, mezclados con texto humano. En estos niveles, Turnitin no detectó la presencia de IA y mostró un asterisco en su interfaz.

Para el educador, es fundamental comprender que este asterisco no es un error, sino que indica una puntuación inferior al umbral de notificación (menos del 15 %). Si un estudiante utiliza la IA de manera puntual —para ajustar párrafos aislados o pulir transiciones—, la herramienta es esencialmente ciega. Sin embargo, como analista, debo destacar un dato del análisis de regresión del estudio: el valor de R2 de Nagelkerke de 0,825 indica que el 82,5 % de la varianza en los resultados de Turnitin se explica por la presencia real de IA. Esto significa que, aunque Turnitin no sea preciso en cuanto al volumen, si la herramienta marca cualquier cifra superior al 15 %, es casi seguro que hay intervención de un LLM, incluso si el porcentaje indicado es inexacto.

2. La paradoja de la proporción: menos es más (y viceversa).

Quizás el hallazgo más inquietante de Atamhenwan sea la falta de linealidad en las puntuaciones. No existe una relación proporcional directa entre la cantidad de IA presente y lo que informa Turnitin. De hecho, la herramienta incurre en una contradicción sistemática que he denominado «Paradoja de la Proporción»:

Contenido de IA bajo (15-40 %): Turnitin tiende a arrojar puntuaciones exageradamente altas, lo que distorsiona la percepción del uso de IA.
Contenido de IA alto (70-100 %): la herramienta subestima la presencia artificial y arroja puntuaciones consistentemente más bajas de lo que debería.

Esta distorsión es tan marcada que el autor la sintetiza de forma magistral:

«Cuanto menor sea el porcentaje de palabras generadas realmente por un gran modelo de lenguaje (LLM) en un texto, más inexactamente elevada será la puntuación de la IA de Turnitin. Por el contrario, cuanto mayor sea el porcentaje de palabras generadas por un LLM, más inexactamente baja será la puntuación de la IA de Turnitin».

3. El maestro del disfraz: la ironía de ChatGPT frente a Gemini.

Resulta fascinante —y profundamente irónico— que el modelo más popular sea el más difícil de detectar. Aunque Turnitin afirma haber sido entrenado específicamente para detectar los patrones de OpenAI, ChatGPT (GPT-4o) demostró ser el maestro del disfraz en este estudio de 2026.

Turnitin clasificó el contenido de ChatGPT como «escrito por humanos» en 13 de los 20 guiones que probó. La disparidad es alarmante: en los guiones en los que el texto era 100 % generado por ChatGPT, Turnitin apenas detectó un 60 %. En comparación, Gemini de Google mostró resultados mucho más equilibrados, con 9 guiones detectados por encima y 9 por debajo del valor real. Como analista de tecnología, esta diferencia sugiere que, mientras Gemini mantiene patrones lingüísticos que Turnitin identifica con mayor frecuencia, ChatGPT ha evolucionado hacia una sofisticación que incluso elude a los detectores entrenados para vigilarlo.

4. El escudo de la «humanización» y el rastro de OpenAI.

El estudio abordó el «juego del gato y el ratón» entre los detectores y los denominados «humanizadores» de texto, como QuillBot y RyneAI. Los resultados confirman que estas herramientas son armas efectivas para erosionar la integridad académica:

QuillBot logró reducir a 0 % la puntuación de textos generados al 100 % por Copilot. Sin embargo, ante ChatGPT, su efectividad se redujo hasta un 33 %.
RyneAI fue el más eficaz, logrando puntuaciones del 0 % (totalmente humano) en Copilot, Grammarly y Gemini.

No obstante, existe un matiz crítico: RyneAI falló al intentar borrar por completo el rastro de ChatGPT, que Turnitin detectó en un 26 %. Esto demuestra que Turnitin posee una «memoria» específica de los patrones de OpenAI que incluso los algoritmos de parafraseo más avanzados tienen dificultades para neutralizar por completo.

5. La confianza en el cero: el valor de la autoría auténtica.

A pesar de las inconsistencias en el volumen de detección, el estudio de Atamhenwan ofrece una base sólida para la justicia académica: Turnitin confirma con una precisión excepcional la autoría humana auténtica. En todas las pruebas con guiones escritos al 100 % por humanos, la herramienta no mostró puntuaciones atribuibles a la IA.

Esta ausencia de «falsos positivos» en textos puramente humanos es la principal fortaleza de la herramienta. Para un docente, esto simplifica el panorama: una puntuación del 0 % es una señal casi infalible de integridad. La herramienta no inventa fantasmas donde no los hay; su problema no es la calumnia, sino la precisión en la medición de la falta.

Conclusión: hacia una nueva pedagogía de la integridad.

Los datos de Atamhenwan nos obligan a adoptar una regla de oro en la evaluación: la puntuación de Turnitin no debe ser el único criterio, especialmente en el rango del 15 % al 40 %. La recomendación para el docente es clara: si el detector marca un 30 %, el uso real podría ser apenas del 15 %, pero si marca un 80 %, es muy probable que el texto sea 100 % artificial.

Dada la capacidad de los LLM para realizar cualquier tarea escrita, debemos pasar de la «detección» a la «invigilancia». La solución a corto plazo consiste en el uso de navegadores bloqueados (lockdown browsers) para evaluaciones sumativas controladas, en las que el estudiante debe demostrar su conocimiento en tiempo real. A largo plazo, se requiere una cooperación entre varios actores que permita a los educadores acceder a las fuentes originales de los contenidos detectados.

En última instancia, debemos reflexionar: en un mundo en el que la IA puede «humanizarse» con un clic, ¿deberíamos centrarnos menos en la vigilancia tecnológica y más en diseñar evaluaciones que exijan una demostración auténtica del pensamiento crítico?

En esta conversación puedes escuchar las ideas más interesantes de este artículo.

Este vídeo resume bien los aspectos más importantes tratados.

Referencia:

Atamhenwan, L.E. How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin?. Educ Inf Technol (2026). https://doi.org/10.1007/s10639-026-14049-2

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Bombas de pistones axiales

Las bombas de pistones axiales constituyen el componente de mayor sofisticación tecnológica en los sistemas de transmisión de potencia oleohidráulica. Su configuración se basa en un bloque de cilindros rotativo que alberga varios pistones dispuestos en paralelo al eje de accionamiento. El movimiento alternativo de los pistones se debe al contacto de sus cabezas con un plato inclinado u oscilante. A medida que el bloque de cilindros gira, los pistones siguen la geometría del plato, realizando la carrera de aspiración cuando se alejan de la placa de válvulas y la de impulsión cuando se acercan a ella.

Desde el punto de vista del diseño, existen dos configuraciones principales. En las de eje alineado, el bloque de cilindros y el eje motor son colineales y el desplazamiento se regula mediante la inclinación del plato oscilante. En las de eje inclinado, el bloque de cilindros forma un ángulo respecto al eje de accionamiento, lo que permite carreras más largas y, en general, una mayor eficiencia mecánica y una mayor capacidad de presión. Estas bombas suelen integrar cojinetes de empuje de alta resistencia para absorber las cargas axiales del bombeo y, en determinados modelos, pequeñas bombas de engranajes de precarga para mantener la presión de pilotaje o el cierre de las válvulas de control.

Sección de una bomba de pistones axiales de caudal constante

La versatilidad de la bomba de pistones axiales radica en su capacidad para ofrecer un caudal variable de manera eficiente. Al modificar el ángulo del plato oscilante mediante un servocontrol hidráulico o electrónico, el ingeniero puede ajustar el volumen desplazado por carrera desde cero hasta su valor nominal máximo. Esta característica es fundamental en la maquinaria de movimiento de tierras, como excavadoras o tuneladoras, donde se requiere adaptar la potencia hidráulica a la resistencia del terreno en tiempo real, manteniendo un aprovechamiento óptimo del motor térmico mediante un control de potencia constante.

Por último, cabe señalar que estos equipos no solo operan como generadores de flujo, sino que su diseño reversible también les permite funcionar como motores hidráulicos de alta densidad de potencia. De este modo, el fluido a presión entra en los cilindros y obliga al bloque a girar al reaccionar contra el plato inclinado, transformando la energía hidráulica en par mecánico para el accionamiento de orugas, de implementos de perforación o de cabrestantes. Debido a sus estrechas tolerancias de fabricación, requieren un mantenimiento riguroso del sistema de filtrado de aceite, ya que cualquier contaminante sólido puede comprometer la estanqueidad de la placa de distribución y reducir drásticamente su rendimiento volumétrico.

Bomba/motor hidráulico de pistones axiales mod. LUCAS HD.

Os dejo algunos vídeos sobre esta bomba axial. Espero que os sean de interés.

Axial_Piston_Pump_Technology

Referencias:

YEPES, V.; MARTÍ, J.V. (2017). Máquinas, cables y grúas empleados en la construcción. Editorial de la Universitat Politècnica de València. Ref. 814. Valencia, 210 pp.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.