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.

¿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.

Compromisos ambientales y sociales del ciclo de vida en marcos de hormigón para carreteras

Acaban de publicarnos un artículo en Cleaner Environmental Systems, una revista indexada en el primer cuartil del JCR. El trabajo analiza las compensaciones ambientales y sociales a lo largo del ciclo de vida de los sistemas de marcos de hormigón para carreteras y compara dos tipologías constructivas predominantes: los marcos de hormigón armado ejecutados in situ (ISRCF) y los marcos articulados modulares prefabricados (PRCAF). Tras evaluar 50 configuraciones optimizadas en coste (con luces de entre 8 y 16 metros y profundidades de cobertura de suelo de entre 1 y 5 metros), el estudio revela que no existe una tipología universalmente superior.

Los resultados principales indican que los sistemas prefabricados (PRCAF) reducen las emisiones de gases de efecto invernadero entre un 9 % y un 17 % en comparación con las alternativas in situ. Sin embargo, el desempeño social depende de la escala: los marcos prefabricados son preferibles para configuraciones pequeñas (luces ≤ 12 m), mientras que los marcos in situ muestran menores impactos sociales en luces mayores (≥ 14 m) debido a una mayor intensidad de mano de obra local y a la estructura de la cadena de suministro.

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

1. Introducción y marco de referencia.

La ingeniería contemporánea prioriza la sostenibilidad de las infraestructuras para aumentar su resiliencia frente a las crisis globales y cumplir los Objetivos de Desarrollo Sostenible (ODS) de la Agenda 2030. La industria de la construcción es responsable de aproximadamente el 9 % de las emisiones antropogénicas globales de CO₂, lo que sitúa al carbono embebido como una métrica crítica.

Tipologías estructurales evaluadas

ISRCF (In-situ Reinforced Concrete Frames): marcos cerrados monolíticos construidos íntegramente in situ. Son la solución estándar, especialmente en suelos de baja capacidad portante.
PRCAF (Precast Reinforced Concrete Articulated Frames): marcos abiertos modulares, ensamblados a partir de piezas prefabricadas en forma de U, que ofrecen ventajas operativas, como tiempos de instalación más cortos y una mejor utilización de los recursos.

Marco prefabricado articulado. https://forte.es/productos/marcos-articulados/

2. Metodología de evaluación.

La investigación utiliza un enfoque integrado de evaluación del ciclo de vida (LCA) que abarca las dimensiones ambiental (E-LCA) y social (S-LCA) bajo un marco de «cuna a tumba» (cradle-to-grave).

Parámetros de la evaluación

Unidad funcional: un metro lineal de marco de carretera.
Alcance: fabricación de materiales, transporte, construcción, uso (100 años de vida útil, incluida la carbonatación) y fin de vida útil (desmantelamiento y reciclaje).
Herramientas y datos:
- E-LCA: método ReCiPe 2016, bases de datos Ecoinvent 3.7.1 y BEDEC.
- S-LCA: marco PSILCA/SOCA v2, que mide el riesgo en horas de riesgo medio (MRH).
- Optimización: Los 50 casos analizados se optimizaron previamente en términos de coste mediante un algoritmo metaheurístico (simulated annealing).

3. Análisis del rendimiento ambiental (E-LCA).

Los resultados demuestran que la geometría es el principal factor determinante del impacto ambiental. El aumento de la luz (vanos) influye mucho más en el potencial de calentamiento global (GWP) que la profundidad de la cobertura del suelo.

Hallazgos clave por categoría de daño

Categoría de impacto	Rendimiento de PRCAF vs. ISRCF
GWP (calentamiento global)	Reducción consistente en PRCAF (9-17%).
Integridad de ecosistemas	Reducción promedio del 15,4% en PRCAF.
Salud humana	PRCAF es superior en 24 de 25 configuraciones (un 9,9% de mejora).
Agotamiento de recursos	Reducción promedio del 6,5% en PRCAF.

Sensibilidad geométrica y fases del ciclo de vida

Influencia de la geometría: aumentar la luz en 2 m eleva el GWP en un 23-25 % para ISRCF y en un 25 % para PRCAF. Cada metro adicional de cobertura terrestre aumenta el GWP en un 11 %.
Dominancia de fases:
- En los sistemas PRCAF, los impactos se concentran en gran medida en la fase de fabricación (entre el 89 % y casi el 100 %) debido a la naturaleza intensiva en energía de la prefabricación.
- En los sistemas ISRCF, la fabricación contribuye entre el 78 % y el 88 %, con una mayor participación relativa de la fase de construcción.
Efecto de carbonatación: durante las fases de uso y de fin de vida, el hormigón actúa como sumidero de CO₂. Al final de la vida útil de los PRCAF, la fijación de carbono mejora los efectos ambientales entre un 16,7 % y un 17,6 %.

4. Análisis del rendimiento social (S-LCA).

A diferencia de los resultados ambientales, el desempeño social muestra una tendencia opuesta y compleja según la escala geométrica.

Desempeño por escala y grupos de interés

Luces pequeñas (8-10 m): los sistemas prefabricados (PRCAF) son preferibles, ya que reducen el impacto social en un 6,1 %. En la categoría de trabajadores, los beneficios alcanzan el 18,8 %.
Luces grandes (14-16 m): los sistemas in situ (ISRCF) son los más habituales, con reducciones de daño social de hasta el 10,8 %. Esto se debe a una mayor intensidad de mano de obra local y a una distribución distinta de los riesgos a lo largo de la cadena de suministro.
Impacto por categoría (S-LCA):
- Actores de la cadena de valor: PRCAF es favorable en luces cortas (reducción del 8,9 %), pero pierde ventaja en luces > 12 m.
- Comunidad local y sociedad: el ISRCF prevalece en luces grandes (14-16 m) con mejoras de hasta el 10 %.

5. Discusión de los compromisos entre las soluciones (trade-offs).

El estudio identifica una divergencia crítica entre la eficiencia ambiental y la sostenibilidad social.

Industrialización frente a impacto social: mientras que la prefabricación se beneficia de economías de escala en términos de eficiencia de materiales y optimización de procesos, estas ganancias no se traducen directamente en menores impactos sociales a gran escala.
Riesgos en la cadena de suministro: en los sistemas PRCAF, los impactos sociales están vinculados a actividades de fabricación aguas arriba y a cadenas de valor globalizadas, lo que conlleva una mayor intensidad de riesgo social.
Localización del trabajo: los sistemas ISRCF dependen más de procesos de construcción localizados, lo que distribuye de manera más equilibrada los riesgos sociales entre los trabajadores y las comunidades locales en proyectos de gran envergadura.

6. Conclusiones y recomendaciones de diseño.

La investigación concluye que la selección de la tipología constructiva debe basarse en las prioridades específicas del proyecto y en la escala geométrica.

Prioridad ambiental: los sistemas prefabricados (PRCAF) son la opción más adecuada en casi todas las configuraciones, especialmente en luces cortas y medias con coberturas de suelo moderadas.
Prioridad social: los sistemas in situ (ISRCF) pueden ser más adecuados para proyectos de gran escala (luces ≥ 14 m), en los que los criterios sociales y la generación de empleo local resultan fundamentales.
Factores determinantes: La luz de la estructura y la profundidad del suelo son los parámetros que rigen el rendimiento a lo largo del ciclo de vida. Las decisiones tomadas en las etapas iniciales del diseño tienen un impacto irreversible en el perfil de sostenibilidad de la infraestructura.

Este marco de evaluación comparativa permite a los responsables de la toma de decisiones equilibrar objetivos contrapuestos, fomentando diseños alineados con la responsabilidad ambiental y la equidad social a largo plazo.

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

Referencia:

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

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

Special Issue: Multi-Objective Optimization: Theory, Methods, and Applications

Mathematics is a peer-reviewed, open-access journal that provides an advanced forum for studies related to mathematics. It is published online by MDPI semimonthly. The European Society for Fuzzy Logic and Technology (EUSFLAT) and the International Society for the Study of Information (IS4SI) are affiliated with Mathematics, and their members receive a discount on article processing charges.

Open Access— free for readers, with article processing charges (APC) paid by authors or their institutions.
High Visibility: indexed within Scopus, SCIE (Web of Science), RePEc, and other databases.
Journal Rank: JCR – Q1 (Mathematics) / CiteScore – Q1 (General Mathematics)
Rapid Publication: manuscripts are peer-reviewed, and a first decision is provided to authors approximately 16.9 days after submission; acceptance to publication is undertaken in 2.6 days (median values for papers published in this journal in the second half of 2023).
Recognition of Reviewers: reviewers who provide timely, thorough peer-review reports receive vouchers entitling them to a discount on the APC of their next publication in any MDPI journal in appreciation of the work done.
Sections: published in 13 topical sections.
Companion journals for Mathematics include: Foundations, AppliedMath, Analytics, International Journal of Topology, Geometry and Logics.

Impact Factor: JCR – Q1 (Mathematics) / CiteScore – Q1 (General Mathematics)

Special Issue: Multi-Objective Optimization: Theory, Methods, and Applications

A special issue of Mathematics (ISSN 2227-7390). This special issue belongs to the section «E: Applied Mathematics«.

Deadline for manuscript submissions: 28 February 2027

Special Issue Editors

Prof. Dr. Víctor Yepes E-Mail Website Guest Editor

Institute of Concrete Science and Technology (ICITECH), Construction Engineering Department, Universitat Politècnica de València, 46022 València, Spain
Interests: multiobjective optimization; structures optimization; lifecycle assessment; social sustainability of infrastructures; reliability-based maintenance optimization; optimization and decision-making under uncertainty
Special Issues, Collections and Topics in MDPI journals

Prof. Dr. Moacir Kripka E-Mail Website Guest Editor

Civil and Environmental Engineering Graduate Program (PPGEng), University of Passo Fundo, Passo Fundo CEP 99052-900, Brazil
Interests: structural analysis; optimization; engineering optimization; linear programming; mathematical programming; heuristics; structural optimization; concrete; combinatorial optimization; structural engineering; multiobjective optimization; reinforced concrete; optimization methods; discrete optimization; optimization theory; optimization software
Special Issues, Collections and Topics in MDPI journals

Dr. José Antonio García E-Mail Website Guest Editor

Escuela de Ingeniería en Construcción, Pontificia Universidad Católica de Valparaíso, Avenida Brasil 2147, Valparaíso 2362804, Chile
Interests: optimization; deep learning; operations research; artificial intelligence applications to industrial problems
Special Issues, Collections and Topics in MDPI journals

Special Issue Information

Dear Colleagues,

As a result of increased competitiveness driven by globalization, the use of optimization techniques has increased in recent decades. With the development of new methods and the greater availability of computer resources, applications across the most diverse fields of knowledge have spread, from academic research to the day-to-day operations of companies. However, a more realistic approach can be achieved if several objectives are integrated into the process. Thus, an exciting strategy cannot only meet cost requirements, for example, but must also address durability, efficiency, reliability, and sustainability. Given that several objectives are involved, which are usually in conflict with each other, new strategies are needed, along with new, more complete applications. In this sense, the Special Issue, titled “Multi-Objective Optimization: Theory, Methods, and Applications”, aims to provide a platform for the dissemination of knowledge related to multi-objective optimization. Research articles that employ efficient, innovative optimization methods and explore new applications across diverse areas of expertise are sought, promoting the exchange of ideas and trends related to the subject.

Prof. Dr. Víctor Yepes
Prof. Dr. Moacir Kripka
Dr. José Antonio García
Guest Editors

Manuscript Submission Information

Manuscripts should be submitted online at www.mdpi.com by registering and logging in to this website. Once you are registered, click here to go to the submission form. Manuscripts can be submitted until the deadline. All submissions that pass pre-check are peer-reviewed. Accepted papers will be published continuously in the journal (as soon as accepted) and will be listed together on the special issue website. Research articles, review articles, and short communications are invited. For planned papers, a title and short abstract (about 250 words) can be sent to the Editorial Office for assessment.

Submitted manuscripts should not have been published previously, nor be under consideration for publication elsewhere (except conference proceedings papers). All manuscripts are thoroughly refereed through a single-blind peer-review process. A guide for authors and other relevant information for manuscript submission is available on the Instructions for Authors page. Mathematics is an international, peer-reviewed, open-access, semimonthly journal published by MDPI.

Please visit the Instructions for Authors page before submitting a manuscript. The Article Processing Charge (APC) for publication in this open-access journal is 2600 CHF (Swiss Francs). Submitted papers should be well-formatted and written in good English. Authors may use MDPI’s English editing service prior to publication or during author revisions.

Keywords

multi-objective optimization
optimization methods
optimization applications
innovative methods and algorithms

Published Papers

This special issue is now open for submission.

10H875152H

El futuro de nuestros puentes. IA, resiliencia y la nueva frontera de la infraestructura

Erguidos como centinelas de nuestra conectividad, los puentes constituyen la columna vertebral de la civilización moderna. Sin embargo, tras su imponente fisonomía de acero y hormigón se esconde una crisis silenciosa: el envejecimiento de una infraestructura crítica sometida a cargas de tráfico y embates climáticos para los que nunca fue diseñada. Mantener operativas estas arterias ya no es una labor que pueda encomendarse únicamente al martillo de inspección y al ojo humano, sino que requiere una transformación tecnológica.

La conferencia IABMAS 2024, celebrada en Copenhague, se ha convertido en el epicentro de esta transformación. En ella, la ingeniería civil ha dejado de ser una disciplina puramente física para abrazar una narrativa de datos, algoritmos y robótica avanzada, y redefinir el límite entre lo que consideramos una estructura inerte y un sistema inteligente capaz de «comunicar» su estado de salud.

La IA que «escucha» el cansancio de los puentes.

Uno de los hitos más fascinantes presentados por Sadeghi Eshkevari y su equipo es el uso de redes neuronales profundas (DNN, por sus siglas en inglés) para estimar la fatiga estructural. En ingeniería tradicional, la deformación de un material es el «patrón oro» para evaluar su vida útil, pero su medición requiere sensores costosos y difíciles de mantener.

La solución contraintuitiva consiste en la detección indirecta de la deformación mediante IA. Mientras que la aceleración mide la vibración global de la estructura y la deformación mide la alteración interna de la materia, la IA de Eshkevari logra vincular ambas fenomenologías sin contacto físico directo. La clave reside en la arquitectura del modelo, que emplea capas de autoatención (self-attention layers). Estas capas no solo filtran el ruido, sino que también permiten que el algoritmo valore la importancia de distintos puntos de datos a lo largo del tiempo, lo que demuestra una gran robustez frente a las incertidumbres operativas, las fluctuaciones térmicas y las interferencias del tráfico real.

El puente que se negó a caer: lecciones del puente de Vecht.

Para salvar una infraestructura, a veces es necesario comprender su agonía. Los investigadores Ensink, Lantsoght y Hendriks llevaron a cabo un experimento de colapso controlado en el puente Vecht, una estructura de 1962 en los Países Bajos del tipo «viga en T» (post-tensioned concrete slab-between-girder).

El resultado supuso un jarro de agua fría para los modelos teóricos conservadores, ya que el puente demostró tener una capacidad de carga drásticamente superior a la calculada. ¿La razón? Mecanismos de resistencia «ocultos», como la acción de membrana compresiva (compressive membrane action), un fenómeno en el que la geometría de la estructura genera fuerzas internas de compresión que refuerzan el sistema desde el interior. Según los autores:

«Se espera que estos resultados experimentales sirvan de base para desarrollar mejores métodos de evaluación de puentes de vigas y losas en todo el mundo».

Este hallazgo es trascendental, ya que nos permite evitar la demolición innecesaria de puentes que, sobre el papel, deberían haber fallado, pero que, en la práctica, poseen reservas de seguridad insospechadas.

Digitalización frente a sostenibilidad: una distinción necesaria.

En la euforia de la transformación digital, tendemos a confundir los medios con los fines. El profesor Joan Ramon Casas (2026) propone una distinción intelectualmente rigurosa: la sostenibilidad es una necesidad social, mientras que la digitalización es solo una herramienta.

Un sistema de gestión de puentes (BMS, por sus siglas en inglés) no es, por sí solo, sostenible por ser digital. La sostenibilidad real exige optimizar el ciclo de vida y reducir la huella de carbono, algo que solo puede lograr la tecnología, guiada por el discernimiento. Casas enfatiza que la idea de un sistema totalmente automatizado es peligrosa, ya que la clave está en el binomio técnico-humano.

«Una mezcla armoniosa de la tecnología proporcionada por la herramienta (digitalización) y el juicio humano, aportado por la educación y la experiencia en el campo de los puentes (bagaje profesional), es esencial».

Inspección robótica: más allá del ojo humano.

La inspección de puentes está dejando atrás la subjetividad del ojo humano para entrar en la era de la precisión quirúrgica. Los equipos de Alqurashi y de Wang han presentado avances disruptivos mediante vehículos terrestres no tripulados (UGV), pero con enfoques complementarios que marcarán el futuro de la gestión.

Tomografía por ultrasonido y termografía: Alqurashi utiliza la termografía infrarroja para realizar escaneos rápidos a gran escala e identificar regiones «sospechosas» que luego se analizan mediante tomografía por ultrasonido para determinar con precisión la profundidad de las delaminaciones y los desprendimientos (spalling).
Mapeo 3D basado en LiDAR: Wang aborda el desafío que plantean las vigas de cajón de sección variable. Su sistema utiliza LiDAR para la navegación autónoma y la planificación de tareas en entornos en los que la oclusión de las señales hace que la inspección humana resulte casi imposible.

La IA procesa estos datos en tiempo real, localizando defectos con coordenadas globales precisas y eliminando el error y la lentitud del procesamiento manual.

El precio de la belleza: la estética en la ingeniería a gran escala.

Según Tang, la ingeniería no puede desvincularse del arte. No obstante, la estética plantea un dilema de realismo económico. Tang distingue entre los puentes de gran envergadura, que a menudo se encuentran en entornos remotos donde la elegancia debe emanar de la pura eficiencia estructural, y los puentes urbanos, que deben dialogar con la arquitectura circundante.

La cuestión no es solo el sobrecoste de la construcción, sino también la mayor propensión al mantenimiento más complejo. La belleza es una inversión social, pero Tang advierte que los diseñadores deben abordarla con cautela y realismo, ya que el propósito primordial sigue siendo la movilidad segura y eficiente.

Puentes ante el «Apocalipsis»: resiliencia ante el cambio climático.

La infraestructura moderna ya no se diseña solo para el tráfico, sino para garantizar la supervivencia en un entorno hostil. La resiliencia ha pasado de ser un concepto abstracto a una metodología de cálculo prioritaria.

Autómatas celulares y corrosión: Nava, D’Iorio y Biondini han desarrollado modelos de autómatas celulares no estacionarios para simular cómo la corrosión por cloruros se acelera ante las nuevas fluctuaciones de temperatura y humedad derivadas del cambio climático.
Análisis de opciones reales (ROA): Kim, Yang y Frangopol proponen el uso del ROA para optimizar el momento de los refuerzos sísmicos, lo que permite a las agencias decidir cuándo intervenir en función de la valoración de los beneficios acumulados y de los riesgos futuros.
Hidrodinámica y socavación: El trabajo de Arora y Banerjee se centra en las fuerzas hidrodinámicas en las inundaciones extremas y demuestra que el refuerzo de la superestructura es la única manera de garantizar la supervivencia de los puentes antiguos frente a las crecidas violentas.

Ishibashi et al. aportan un detalle crucial: el cambio de paradigma hacia la resiliencia de la red. A veces, la estrategia más eficaz no consiste en reforzar cada columna, sino en prever el despliegue de vigas de puentes temporales prealmacenadas para restablecer la funcionalidad del transporte tras un desastre. Lo importante no es la invulnerabilidad de un solo puente, sino la capacidad del sistema para no colapsar en su conjunto.

Conclusión: hacia una infraestructura que aprende y se adapta.

Hemos cruzado el umbral hacia una era en la que el mantenimiento de puentes se basa en datos y en previsiones. La infraestructura del mañana será un sistema que aprende de sus vibraciones, que se cartografía mediante robots y que se gestiona desde la perspectiva de la sostenibilidad ética. No obstante, este despliegue tecnológico no sustituye al ingeniero, sino que aumenta su responsabilidad.

Ante la magnitud de la crisis de infraestructuras a la que nos enfrentamos, ya no se trata de si la tecnología es fiable, sino de si podemos permitirnos no confiar en la vigilancia invisible de los algoritmos para garantizar la seguridad de nuestras ciudades.

En esta conversación podemos escuchar algunas de las ideas más interesantes sobre este tema.

El siguiente vídeo resume bien los conceptos clave tratados aquí.

The_Digital_Bridge_Blueprint

Referencia:

Jensen, J. S., Frangopol, D. M., Schmidt, J. W., & Tsompanakis, Y. (2026). Advances in bridge maintenance, safety, management, digitalisation and sustainability. Structure and Infrastructure Engineering, 1–6. https://doi.org/10.1080/15732479.2026.2665704

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

El «sesgo hacia el error»: por qué el futuro de la ingeniería depende de auditar la IA (y no solo de usarla)

La educación técnica atraviesa una tensión paradójica que amenaza los cimientos del pensamiento crítico. En las asignaturas de modelización y diseño estructural de los grados y másteres en Ingeniería de Caminos y Civil, la inteligencia artificial generativa (IAG) ha pasado de ser una novedad a convertirse en un estándar operativo. Sin embargo, esta adopción generalizada esconde un riesgo sistémico: el «desempleo cognitivo».

Datos recientes de la Universitat Politècnica de València (UPV) y la Universidad Politécnica de Cartagena (UPCT) revelan que, si bien el 60 % del alumnado utiliza estas herramientas, solo el 25 % revisa críticamente los resultados. La solución no consiste en imponer restricciones, sino en diseñar una arquitectura pedagógica que integre la IA como un «socio intelectual» bajo el enfoque de mindtools (Jonassen et al., 1999) para potenciar y no sustituir el pensamiento de orden superior.

Ante este desafío nace el proyecto PROFUNDIA. Nuestra misión es clara: transformar la IA de un «atajo peligroso» en un motor de aprendizaje profundo que refuerce la autonomía del futuro ingeniero.

El éxito no radica en la tecnología, sino en la arquitectura de la auditoría humana.

El hallazgo central de la investigación realizada sobre una muestra de 100 estudiantes subraya que la utilidad percibida de la IA no es una propiedad intrínseca del software, sino del proceso de supervisión. La resolución de problemas de alta responsabilidad física, en los que el error tiene consecuencias estructurales, depende de la capacidad de reformularlos y de una supervisión crítica.

En este nuevo paradigma, el valor profesional se desplaza del «saber hacer» procedimental —que puede automatizarse— al «saber validar». El éxito pedagógico está hoy condicionado por la arquitectura del proceso cognitivo de auditoría, en el que el ingeniero actúa como filtro final de la veracidad técnica.

«Los resultados obtenidos mediante análisis estadísticos multivariantes demuestran que el éxito no reside en el mero uso de la tecnología, sino en el proceso cognitivo de auditoría humana».

Ingeniería de la pregunta: el arte de iterar.

Uno de los pilares de la interacción estratégica es la «ingeniería de la pregunta». No se trata de un simple comando de texto, sino de un ejercicio de abstracción en el que el estudiante debe traducir variables estructurales y conceptos físicos en instrucciones lógicas. El estudio destaca que la clave de esta habilidad transversal no radica en el primer intento, sino en la capacidad de iterar.

El ítem 2 del estudio («Las iteraciones de los mensajes de texto me ayudaron a mejorar progresivamente la calidad») obtuvo una media de 4,11, lo que confirma que la calidad técnica surge de un diálogo dialéctico con la máquina. Este proceso de refinamiento constante combate la «complacencia tecnológica» y garantiza que el usuario mantenga el control sobre el resultado final.

El valor disruptivo de buscar deliberadamente el error.

La innovación docente más potente consiste en utilizar la IA con un «sesgo deliberado hacia el error». En lugar de aceptar la respuesta de la IA como una verdad absoluta, el flujo de trabajo propuesto obliga al alumnado a realizar un «contraste crítico»: primero, deben resolver el problema manualmente y, después, interpelar a la IA para buscar activamente la «alucinación» o el fallo técnico.

Este enfoque es crucial desde el punto de vista estadístico. El ítem 4 (comparación entre la resolución manual y la IA) se identificó, mediante modelos de regresión múltiple, como uno de los tres predictores clave del éxito. Al buscar el fallo, el estudiante activa una reflexión metacognitiva, aprende a pensar sobre cómo piensa y fortalece su criterio técnico al corregir el algoritmo.

De las aulas al mercado laboral: la transferibilidad de la autorregulación.

La relevancia de esta formación trasciende las calificaciones. Los datos son contundentes: la pregunta 9 («Las habilidades se pueden aplicar en contextos profesionales») obtuvo la puntuación más alta del cuestionario, 4,24. Los futuros ingenieros son conscientes de que la supervisión experta de sistemas automatizados ya es una competencia esencial en la industria moderna.

La solidez de este modelo se demuestra por su capacidad explicativa, ya que la valoración global de la IA (punto 10) se explica en un 37,7 % (R² corregida) por la combinación de tres factores: la capacidad de reformular el problema (punto 1), la detección de errores por contraste (punto 4) y la percepción de la transferibilidad profesional (punto 9).

«Esta metodología favorece la adquisición de competencias esenciales en entornos profesionales donde se requiere la supervisión experta de sistemas automatizados, y prepara al ingeniero para entornos de alta complejidad».

Conclusión: ingenieros de decisiones, no usuarios de software.

La inteligencia artificial, lejos de mermar el rigor científico, puede ser el mayor catalizador del aprendizaje profundo si se gestiona desde la «autorregulación crítica» (componente 1 del análisis factorial). El futuro de la ingeniería no pertenece a quienes saben usar herramientas, sino a quienes son capaces de enseñar, corregir y auditar a la máquina según criterios científicos y normativos.

En última instancia, nos enfrentamos a una pregunta que definirá la resiliencia de la profesión ante la obsolescencia tecnológica: en un contexto de automatización creciente, ¿estamos formando usuarios de software o educando a los ingenieros de las decisiones del mañana? La responsabilidad ética del ingeniero sigue siendo la última instancia de decisión, y esa carga no puede ni debe asumirla ningún algoritmo.

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

En este vídeo se resumen bien los conceptos vistos.

The_Engineering_AI_Blueprint

Referencia:

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

Inteligencia artificial y turismo: cuando el software aprende de la naturaleza para diseñar la ruta perfecta.

Gestionar la logística de un operador turístico consiste, en esencia, en intentar imponer orden a un sistema inherentemente caótico. El desafío es monumental: coordinar rutas a 30 destinos distintos desde un centro de operaciones como el de Alicante, con una flota limitada de cuatro aviones y quince tripulaciones, en el que cada asiento cuenta.

En este entorno de baja demanda, los costes son fijos, pero la realidad es volátil: las cancelaciones de última hora y las reservas inesperadas convierten los planes iniciales en papel mojado. ¿Cómo se puede determinar la rentabilidad cuando el escenario cambia cada minuto? La solución más avanzada no proviene de la programación lineal clásica, sino de los principios de la biología evolutiva.

Inspirado en el estudio de Medina y Yepes sobre la aplicación de algoritmos genéticos (AG) al problema de rutas de vehículos con capacidad (CVRP), este análisis desglosa cómo la «supervivencia del más apto» se traduce en una estabilidad financiera sin precedentes para el sector aéreo. Podéis descargar el artículo completo aquí.

La «naturaleza» como el mejor ingeniero de rutas.

En logística avanzada, los métodos deterministas tradicionales se topan con un obstáculo insalvable cuando el número de destinos crece exponencialmente. Calcular la ruta óptima para una red que abarque de Casablanca a Venecia mediante fuerza bruta matemática resulta inmanejable en términos computacionales. Los algoritmos genéticos resuelven este problema emulando la evolución mediante los procesos de selección, cruce y mutación. En lugar de buscar una única respuesta perfecta, el sistema mantiene una «población» de soluciones que compiten entre sí.

Este enfoque permite gestionar restricciones ambiguas o contradictorias, como maximizar la ocupación frente a minimizar el tiempo de vuelo, de una forma que la matemática rígida no puede. El AG no solo busca, sino que también aprende a explorar.

«La característica específica de los AG es la exploración paralela y eficiente del espacio de soluciones, basada en la explotación de soluciones óptimas inducidas por los operadores de cruce y en la exploración de soluciones nuevas forzada por los operadores de mutación».

El poder de los «Tres Padres»: una recombinación genética única.

La gran innovación técnica que se destaca en el estudio es el uso de un operador de recombinación de tres progenitores (three-parent edge-mapped recombination operator). Mientras que en la genética biológica la herencia es dual, en la optimización de redes de distribución tres progenitores ofrecen una mayor riqueza de datos para generar una «descendencia» (una ruta) más robusta.

Este método extrae las mejores conexiones (arcos) de tres soluciones distintas. Si una conexión específica aparece en dos o tres de los «padres», se preserva en el «hijo» porque se considera una pieza de alta eficiencia. Para garantizar la viabilidad de la ruta, el algoritmo incluye una lógica de resolución de conflictos: si tres arcos convergen en un mismo nodo de la descendencia, el sistema elimina aleatoriamente uno de ellos para mantener la estructura de la red. Este enfoque de triple herencia permite alcanzar soluciones óptimas con una velocidad y precisión que superan con creces a los cruces tradicionales de dos progenitores.

De la incertidumbre del 43 % a la estabilidad del 2,7 %.

El impacto real de los AG se mide en la transformación de la volatilidad en previsibilidad. Al modelar la demanda de destinos como Ajaccio, Túnez o Malta mediante estructuras estocásticas, el estudio revela una capacidad asombrosa para absorber la incertidumbre. Con una flota de cuatro aviones de cincuenta asientos y quince tripulaciones, el sistema gestionó un volumen total de aproximadamente ochocientos pasajeros, con métricas de eficiencia envidiables.

Los datos son elocuentes: mientras que la demanda individual por destino presenta un coeficiente de variación del 43 % —una pesadilla operativa—, la optimización diaria reduce la variabilidad del coste por pasajero transportado a un asombroso 2,7 %. En la práctica, esto significa:

Coste medio por pasajero: 118 EUR.
Ocupación media de asientos: 65 %.
Velocidad de crucero optimizada: 240 nudos.

El sistema es tan eficiente a la hora de reorganizar escalas y rutas en función de la demanda real que el impacto financiero final permanece prácticamente inalterado a pesar de las fluctuaciones del mercado.

El «fantasma en la máquina»: el riesgo de la robustez excesiva.

Desde la perspectiva de la transformación digital, los AG presentan una paradoja fascinante: su robustez puede ser su mayor peligro. Diseñado para ofrecer siempre una solución viable, un código con errores profundos puede seguir funcionando y entregando resultados «aparentemente buenos» sin que el sistema se colapse.

El riesgo no es el fallo catastrófico, sino el equilibrio subóptimo. Un error oculto en el algoritmo podría estar dejando sobre la mesa un 5 % o un 10 % de beneficio potencial, camuflado por la capacidad del algoritmo para «sobrevivir» a sus propios defectos de programación. Esto subraya la importancia de la supervisión experta, ya que en los sistemas que evolucionan por sí mismos la validación humana es la única garantía de que no operamos con una ineficiencia invisible pero costosa.

El futuro es la interacción humano-máquina.

Los AGV no son herramientas de reemplazo, sino de colaboración. El estudio subraya la importancia de la interfaz gráfica, que permite al gestor logístico interactuar con el proceso en tiempo real. Un ser humano puede «inyectar» soluciones basadas en su experiencia o en su intuición clínica, y el algoritmo las asimilará y refinará a lo largo de miles de generaciones.

Esta sinergia es fundamental para integrar los «costes virtuales». Mientras la máquina optimiza distancias y consumo de combustible, el ser humano puede definir variables subjetivas pero críticas, como la inconveniencia política de un aeropuerto en tensión o la complejidad social de una escala concreta. Al traducir estas percepciones en valores en la función de coste, el sistema evoluciona hacia una estrategia proactiva capaz de simular escenarios futuros en lugar de simplemente reaccionar ante las cancelaciones diarias.

Conclusión: hacia una logística evolutiva.

El éxito de la red de Alicante, que conecta 30 destinos del Mediterráneo y de Europa occidental, confirma un cambio de paradigma: en la logística moderna, la flexibilidad es más valiosa que la precisión absoluta. Los modelos rígidos se quiebran ante la volatilidad de la demanda, pero los sistemas evolutivos se fortalecen con ella.

En un mercado que no perdona la ineficiencia, la pregunta para los líderes del sector es clara: ¿es mejor buscar una solución «perfecta» una sola vez o diseñar un sistema que evolucione constantemente ante cada nuevo desafío? La respuesta, como demuestran Medina y Yepes, radica en aprender de la naturaleza para conquistar los cielos.

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

Este vídeo resume los aspectos clave del artículo.

Evolutionary_Tourism_Logistics

Referencia:

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. SORT, 27(1): 95-112.

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

¿Por qué los números exactos están matando tus proyectos? El poder de la lógica difusa en la construcción

En el sector de la construcción, cada proyecto es, por definición, un prototipo único que se ejecuta bajo restricciones de tiempo, coste y alcance. Sin embargo, seguimos atrapados en la tiranía de la precisión determinista, intentando predecir resultados con una exactitud quirúrgica que la realidad, siempre cambiante, termina por desmentir. El método del Valor Ganado (EVM) es, sin duda, nuestra mejor herramienta de control, pero su dependencia de números «fríos» pasa por alto la vaguedad inherente a los datos de entrada.

Gestionar un entorno complejo basándose en la ilusión de la precisión no solo constituye un error técnico, sino también un riesgo estratégico. La aplicación de la lógica difusa no debe entenderse como un mero ejercicio matemático, sino como un enfoque más honesto y robusto para gestionar el caos y la imprecisión que definen nuestra industria.

No es azar, es imprecisión: la distinción vital.

Debemos evitar el sesgo de precisión, que confunde dos conceptos fundamentales: la incertidumbre y la imprecisión. El modelo propuesto por Ponz-Tienda et al. (2012) establece una distinción clara que es vital para la toma de decisiones:

Incertidumbre: de naturaleza aleatoria, estadística o probabilística.
Imprecisión: se refiere a una naturaleza vagamente definida o incompleta (por ejemplo, estimaciones de duración como «alrededor de 10 días»).

Mientras que la estadística tradicional intenta domar el azar, la teoría de los conjuntos difusos es la arquitectura diseñada para manejar lo impreciso. Esta metodología permite realizar operaciones aritméticas con valores que, aunque no se conocen con exactitud, pueden limitarse a fronteras de pertenencia.

Zadeh argumenta que «la probabilidad y la lógica difusa son complementarias, no competitivas. Ambas pueden y deben coexistir para proporcionar herramientas de análisis de la incertidumbre en modelos complejos del mundo real y para cubrir los vacíos que los métodos tradicionales no pueden llenar».

El «dial» de la confianza: ajustando el corte alfa (α-cut).

Una de las innovaciones más importantes del modelo difuso es el corte alfa (α-cut). Este parámetro actúa como un «dial» de control que permite al gestor ajustar la sensibilidad del modelo según su propia confianza o tolerancia al riesgo.

Un α-cut igual a 0 representa el soporte del número difuso; es el escenario de máxima vaguedad e incertidumbre, en el que los límites son más amplios.
Un α-cut de 1 representa el núcleo (kernel), elimina toda la ambigüedad y equivale al método determinista tradicional.

Esta capacidad de ajuste permite adaptar el modelo a las circunstancias específicas del proyecto. En las primeras fases o en entornos volátiles, un α-cut bajo permite visualizar todo el espectro de riesgos, mientras que en entornos estables, el gestor puede «cerrar» el dial hacia la precisión del núcleo.

El mito del cronograma único: la realidad del diagrama de Gantt difuso.

La metodología tradicional suele presentarnos un único cronograma factible como si fuera «la verdad absoluta». No obstante, las conclusiones basadas en un único escenario son inherentemente poco fiables. En la práctica, existe un número ilimitado de alternativas entre los tiempos de ejecución más tempranos y los más tardíos.

El modelo difuso rompe este mito al generar un diagrama de Gantt difuso. Este gráfico no traza una línea, sino que establece los límites superior e inferior de todos los cronogramas posibles. Al utilizar aritmética difusa en lugar de cálculos lineales, el resultado es significativamente más objetivo y proporciona una banda de cumplimiento que refleja la flexibilidad real —y los cuellos de botella potenciales— de la obra.

De métricas abstractas a la salud del proyecto: interpretación lingüística.

El EVM tradicional nos proporciona índices que a menudo no reflejan fielmente el desarrollo real del proyecto. El modelo de Ponz-Tienda innova al traducir variaciones numéricas complejas en categorías lingüísticas claras para los interesados. Esta interpretación se divide en tres dimensiones críticas:

Variación de cronograma (SV): evalúa la conformidad del progreso real con el cronograma programado en términos de producción.
Variación de coste (CV): mide la conformidad presupuestaria del trabajo efectivamente ejecutado.
Earned Schedule (ESch): traduce el rendimiento en unidades de tiempo reales, evitando los errores del SV tradicional cuando el proyecto excede la fecha de finalización prevista.

Según este modelo, cada dimensión se clasifica en cinco escenarios (del A al E) según el valor de α. Así, un proyecto puede clasificarse estratégicamente como «ligeramente retrasado en tiempo (ESch)», pero «bajo presupuesto (CV)», lo que permite una comunicación mucho más efectiva y humana que un simple decimal.

Innovación integral: el valor ganado difuso.

La propuesta de Ponz-Tienda et al. (2012) va más allá de la literatura existente al integrar no solo la duración de las tareas, sino también el coste y la producción en una formulación difusa no lineal. Esto se aplica directamente al BCWS (coste presupuestado del trabajo programado) y al BCWP (valor ganado) y permite capturar la complejidad de las relaciones entre estas variables de una forma que el EVM clásico no puede procesar.

A pesar de su profundidad académica, este modelo no es una utopía inalcanzable. Se ha demostrado su viabilidad técnica para su implementación en herramientas cotidianas, como Microsoft Excel. Esto es esencial, ya que permite superar la barrera académica y llevar la metodología a la práctica empresarial, sirviendo de puente para el desarrollo de software comercial especializado para directores de proyectos.

Conclusión: hacia una gestión de proyectos más humana y robusta.

El enfoque del Valor Ganado Difuso nos ofrece una «visión de conjunto» que acepta la imprecisión del mundo real en lugar de ignorarla. Al adoptar este modelo, pasamos de gestionar basándonos en puntos ficticios a tomar decisiones basadas en rangos realistas y sólidos.

Es importante entender que esta contribución no es una herramienta «llave en mano», sino un punto de partida para especialistas. El futuro de la gestión de riesgos en la construcción depende de nuestra capacidad para refinar estos modelos y establecer el valor de α-cut más cercano a la realidad de cada obra.

Como líderes, la pregunta final es inevitable: ¿Seguiremos gestionando nuestros proyectos bajo la falsa comodidad de un número exacto o daremos el paso hacia la honestidad estratégica de un rango difuso que realmente refleje la realidad?

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

Este vídeo resume bien los conceptos explicados.

Fuzzy_Earned_Value_Management

Referencia:

PONZ-TIENDA, J.L.; PELLICER, E.; YEPES, V. (2012). Complete fuzzy scheduling and fuzzy earned value management in construction projects. Journal of Zhejiang University-SCIENCE A (Applied Physics & Engineering), 13(1):56-68. DOI:10.1631/jzus.A1100160

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

Logística en tiempos de cambio: Cómo la optimización heurística se adapta a los vaivenes de la economía real

Más allá del GPS: por qué la ruta más corta no siempre es la más rentable.

Para cualquier responsable de operaciones, la intuición dicta una regla aparentemente infalible: cuanto menos kilómetros se recorren, mayores son los márgenes. Sin embargo, ante la complejidad de la última milla contemporánea, esta lógica resulta peligrosamente incompleta. El ahorro en combustible suele verse compensado por penalizaciones por entregas tardías, ineficiencias en el uso de la capacidad de carga o por el coste oculto de ignorar las regulaciones laborales.

El éxito no consiste en reducir la distancia de forma simplista, sino en maximizar la rentabilidad operativa. Es aquí donde el problema de las rutas de vehículos con flotas heterogéneas y ventanas de tiempo flexibles (VRPHESTW, Vehicle Routing Problem with Heterogeneous Fleet and Soft Time Windows) surge como la respuesta científica al caos logístico. Este modelo trasciende el mapa al integrar variables económicas, humanas y temporales en una única ecuación estratégica. Este artículo se basa en uno de los resultados más importantes de mi tesis doctoral, publicada en un trabajo que podéis encontrar al final de las referencias (Yepes y Medina, 2006).

La rentabilidad total sobre la distancia total recorrida: la nueva métrica de éxito.

El enfoque tradicional se limita a minimizar el consumo de kilómetros. No obstante, la logística de alto nivel exige una función con un objetivo económico que considere la operación como un centro de beneficios y no solo de costes. La fórmula es clara:

Beneficio = Ingresos Totales – Costes Operativos – Costes de Penalización por Ventanas de Tiempo.

En este modelo, los ingresos no son una cifra estática, sino que se consideran dos tasas: una fija por servicio y otra variable en función de la distancia y del volumen de la mercancía. La gran innovación es que la satisfacción del cliente se convierte en un activo negociable. Al monetizar los retrasos mediante penalizaciones, el algoritmo decide de forma autónoma si resulta más rentable aceptar una pequeña desviación en el horario de entrega o invertir en un vehículo adicional. La logística moderna, por tanto, no busca el «cumplimiento a cualquier precio», sino el equilibrio óptimo entre el servicio y el margen.

El poder estratégico de una flota «mixta».

Una de las mayores ventajas competitivas del transporte radica en la heterogeneidad. El modelo demuestra que una flota uniforme tiende a ser ineficiente. El algoritmo realiza un arbitraje constante entre distintos tipos de vehículos para encontrar la combinación que minimiza el coste total de propiedad y operación.

En este análisis, la selección de vehículos (categorizados como k = 1, 2 o 3) no solo se basa en el volumen de carga, sino también en un equilibrio sofisticado entre:

Capacidad y velocidad: desde el vehículo pequeño y ágil (k = 1), ideal para zonas urbanas densas, hasta el «pesado» (k = 3), con gran capacidad, pero mayor coste fijo y menor velocidad de maniobra.
Estructura de costes laborales: el sistema evalúa el impacto financiero de pasar de la remuneración por hora legal a las horas extraordinarias y, finalmente, a las severas penalizaciones económicas derivadas del exceso de jornada laboral, protegiendo así la rentabilidad y la seguridad jurídica de la empresa.

Como señala el estudio:

«Los problemas de rutas de vehículos en el mundo real requieren una función objetivo económica para medir la calidad de las soluciones».

Ventanas de tiempo flexibles: el tiempo como variable económica elástica.

En la logística convencional, una ventana de tiempo es un muro infranqueable: llegar un minuto tarde se considera un fallo del sistema. El concepto de «soft time windows» (ventanas de tiempo flexibles) revoluciona esta noción al considerar el tiempo como una variable económica elástica.

En lugar de prohibir las entregas fuera de horario, el modelo establece una penalización económica escalonada en función de la antelación o el retraso. Esta flexibilidad calculada permite que el sistema de optimización identifique rutas que, aunque «incumplen» ligeramente el horario, logran una consolidación de carga tan eficiente que el beneficio neto final es muy superior al de una ruta de cumplimiento rígido. Se pasa así de una logística de obediencia a una logística de resultados.

El hallazgo sorprendente: el valor estratégico del sesgo.

El descubrimiento más disruptivo de la investigación consiste en distinguir entre la función «objetivo» (el beneficio real que queremos obtener) y la función «guía» (las instrucciones que le damos al algoritmo para explorar el mapa).

En un experimento revelador, los investigadores «engañaron» al algoritmo aumentando artificialmente en un 10 % los costes de distancia en la función guía (escenario HES-B). Al evaluar la ruta resultante con los costes reales (escenario HES-A), el beneficio neto aumentó un 6,4 %.

¿Por qué funciona este sesgo estratégico? Al sobreponderar el coste de la distancia durante la fase de búsqueda, se obliga al algoritmo a encontrar clústeres de clientes extremadamente compactos y rutas más robustas que el peso económico estándar pasaría por alto. Este fenómeno demuestra que, para escapar de los «óptimos locales» (soluciones que parecen buenas, pero no lo son), a veces es necesario alterar la topología del problema para forzar al sistema a encontrar la excelencia global.

Un marco de tres pilares para la implementación.

Para ejecutar esta estrategia, se propone un marco de optimización híbrido que integra la exploración creativa y el rigor matemático.

Fase de construcción inteligente (GRASP): no se generan rutas al azar, sino que se inicia el proceso seleccionando clientes «semilla» según criterios de alta rentabilidad y dificultad logística, lo que asegura un punto de partida sólido.
Fase de diversificación global (VNS): el sistema utiliza una «búsqueda de vecindario variable» para desafiar las rutas establecidas. En esta fase se introduce variedad para evitar que la operación se estanque en las soluciones obvias.
Fase de intensificación de precisión (algoritmo de umbral): un pulido final que somete cada ruta a un escrutinio de costes extremo, aceptando incluso soluciones ligeramente peores temporalmente para alcanzar el máximo céntimo de beneficio potencial.

Conclusión: hacia una logística con visión de negocio.

La optimización de rutas ha dejado de ser un problema geográfico para convertirse en una disciplina puramente estratégica de economía. El uso de algoritmos avanzados que integran flotas heterogéneas y ventanas de tiempo flexibles permite a las empresas navegar por la volatilidad de los costes y las exigencias del mercado con una precisión quirúrgica.

Optimizar no consiste solo en llegar antes, sino en comprender el coste exacto de cada minuto y cada kilómetro para decidir, basándose en datos, qué configuración de flota garantiza el crecimiento sostenible del negocio.

Pregunta para reflexionar: En su operación actual, ¿está optimizando para que sus vehículos recorran menos distancia o para que su balance de situación sea más robusto?

Puedes escuchar en esta conversación algunas de las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos tratados.

Maximizing_Logistics_Profitability

Referencia:

YEPES, V.; MEDINA, J.R. (2006). Economic Heuristic Optimization for Heterogeneous Fleet VRPHESTW. Journal of Transportation Engineering, 132(4): 303-311. DOI: 10.1061/(ASCE)0733-947X(2006)132:4(303)

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

De la prohibición al aprendizaje profundo: cómo la IA está transformando la formación de los futuros ingenieros.

Introducción: El dilema del aula moderna.

En ingeniería civil, un error de cálculo no es solo una errata en un examen, sino una cuestión de seguridad pública y de responsabilidad ética. Por ello, el panorama actual resulta alarmante: mientras que más del 60 % de los estudiantes reconoce utilizar inteligencia artificial generativa (IAG) en sus tareas, apenas un 25 % realiza una revisión crítica de los resultados.

Esta dependencia acrítica amenaza con diluir el rigor técnico necesario para diseñar infraestructuras seguras. Ante este desafío nace el proyecto PROFUNDIA, liderado por el catedrático Víctor Yepes en la Universitat Politècnica de València (UPV), en colaboración con la Universidad Politécnica de Cartagena (UPCT). Nuestra misión es clara: transformar la IA de un «atajo peligroso» en un motor de aprendizaje profundo que refuerce la autonomía del futuro ingeniero.

El fin de la era de la prohibición: de «No usar» a «Usar para pensar».

Durante los últimos años, la respuesta académica dominante ha sido la restricción. Sin embargo, en un entorno profesional de alta exigencia, prohibir la tecnología es una batalla perdida que solo agrava la brecha entre el aula y la realidad. PROFUNDIA propone un cambio de paradigma radical: integrar la IA como una «herramienta cognitiva» o «mindtool», bajo la filosofía constructivista de Jonassen.

No buscamos que el estudiante aprenda «de» la tecnología como si esta fuera un oráculo, sino «con» la tecnología. Al utilizar la IA como mediadora, el alumno no se limita a recibir datos, sino que debe «luchar» con la herramienta para construir un modelo mental sólido de los fenómenos físicos. En ingeniería, el objetivo no es obtener el número final, sino comprender el comportamiento estructural que ese número representa.

«Enseñar» a la IA para aprender ingeniería.

El corazón de nuestra metodología se basa en un concepto disruptivo: el «sesgo deliberado hacia el error». En asignaturas críticas como «Modelos predictivos de estructuras de hormigón» o «Resistencia de materiales», hemos observado que la IA tiende a «alucinar» al proponer hipótesis de partida o al aplicar normativas específicas. En lugar de considerar esto como una limitación, lo convertimos en nuestra principal ventaja pedagógica.

Obligamos al estudiante a enfrentarse a las respuestas de la IA no como verdades absolutas, sino como borradores que deben ser auditados. Para corregir los cálculos de la máquina en una viga o en un pórtico, el alumno primero debe dominar la teoría de forma exhaustiva.

«En PROFUNDIA, el estudiante invierte los roles tradicionales: deja de ser un receptor pasivo para convertirse en el «maestro» de la IA, validando, cuestionando y corrigiendo la tecnología con su propio juicio técnico y rigor científico».

El ciclo del «prompt crítico»: reflexión metacognitiva.

Para estructurar este proceso, hemos diseñado una secuencia metodológica (basada en la Figura 2 del proyecto) que obliga al estudiante a reflexionar metacognitivamente de manera constante.

Formulación del prompt: el alumno debe traducir un problema de estructuras metálicas o de hormigón a un lenguaje técnico preciso, definiendo cargas, luces y condiciones de contorno.
Comparación crítica: se contrasta el resultado de la IA con modelos analíticos propios y con programas informáticos profesionales de cálculo.
Detección de errores y reformulación: aquí es donde ocurre el aprendizaje real. El estudiante debe identificar si el error de la IA se debe a un cálculo matemático incorrecto, a una hipótesis física errónea o a un desconocimiento del Código Estructural. Tras el análisis, debe guiar a la IA, mediante nuevos mensajes, hacia la solución correcta.
Justificación técnica: el paso final consiste en validar la solución según los criterios científicos y normativos vigentes, a fin de garantizar que la respuesta no solo «parezca» correcta, sino que también sea técnicamente viable y segura.

Más allá del aula: preparación para el mundo real.

La colaboración entre la UPV y la UPCT (con los profesores Antonio Tomás y Pedro Martínez-Pagán) permite validar este modelo en diversos contextos, desde los grados hasta los másteres. El objetivo no es simplemente aprobar la asignatura de Estructuras Metálicas, sino desarrollar el criterio técnico experto que hoy demandan las empresas de ingeniería.

En el ejercicio profesional, el ingeniero es el último responsable de la empresa que avala un proyecto. PROFUNDIA prepara a los egresados para que puedan actuar como auditores tecnológicos, capaces de aprovechar la eficiencia de la IA sin comprometer nunca la integridad estructural ni la seguridad de las personas.

Un entorno de aprendizaje enriquecido.

La innovación de este proyecto no radica en el software (ChatGPT es solo una herramienta), sino en la redefinición metodológica del entorno de aprendizaje. Hemos transformado el aula en un laboratorio de interacción social y psicológica en el que la IA actúa como un «agente activo» dentro del equipo de trabajo. Esta dinámica fomenta una mayor implicación del alumnado, que percibe el aprendizaje no como una carga, sino como el desarrollo de la maestría en las herramientas que definirán su futuro.

Conclusión: Hacia una ingeniería de pensamiento profundo.

La visión de PROFUNDIA consiste en formar ingenieros que lideren la tecnología en lugar de depender de ella. La eficiencia de un algoritmo es una herramienta poderosa, pero carece de la comprensión profunda y de la responsabilidad ética que definen nuestra profesión.

Al final, cuando nos enfrentamos al diseño de un puente o una infraestructura de gran envergadura, debemos plantearnos una pregunta provocadora: en un futuro en el que las máquinas pueden realizar cálculos en milisegundos, ¿seremos capaces de formar a ingenieros con la suficiente intuición y criterio técnico como para negarnos a firmar un proyecto que la IA considera «eficiente», pero que el juicio humano reconoce como un riesgo de colapso? El futuro de nuestra seguridad depende de esa capacidad crítica.

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

Este vídeo resume bien el proyecto PROFUNDIA.

PROFUNDIA_Structural_Engineering_AI

Referencias:

Blight, T., Martínez-Pagán, P., Roschier, L., Boulet, D., Yepes-Bellver, L., & Yepes, V. (2025). Innovative approach of nomography application into an engineering educational context. PloS one, 20(2), e0315426.

Castro-Aristizabal, G., Acosta-Ortega, F., & Moreno-Charris, A. V. (2024). Los entornos de aprendizaje y el éxito escolar en Latinoamérica. Lecturas de Economía, (101), 7-46.

Hadgraft, R. G., & Kolmos, A. (2020). Emerging learning environments in engineering education. Australasian Journal of Engineering Education, 25(1), 3-16.

Jiang, N., Zhou, W., Hasanzadeh, S., & Duffy Ph D, V. G. (2025). Application of Generative AI in Civil Engineering Education: A Systematic Review of Current Research and Future Directions. In CIB Conferences (Vol. 1, No. 1, p. 306).

Jonassen, D. H., Peck, K. L., & Wilson, B. G. (1999). Learning with technology: A constructivist perspective. Columbus, OH: Merrill/Prentice-Hall.

Liao, W., Lu, X., Fei, Y., Gu, Y., & Huang, Y. (2024). Generative AI design for building structures. Automation in Construction, 157, 105187.

Navarro, I. J., Marti, J. V., & Yepes, V. (2023). Evaluation of Higher Education Students’ Critical Thinking Skills on Sustainability. International Journal of Engineering Education, 39(3), 592-603.

Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—a review. Architecture, 4(4), 877-902.

Pellicer, E., Yepes, V., Ortega, A. J., & Carrión, A. (2017). Market demands on construction management: View from graduate students. Journal of Professional Issues in Engineering Education and Practice, 143(4), 04017005.

Perkins, D., & Unger, C. (1999). La enseñanza para la comprensión. Argentina: Paidós.

Torres-Machí, C., Carrión, A., Yepes, V., & Pellicer, E. (2013). Employability of graduate students in construction management. Journal of Professional Issues in Engineering Education and Practice, 139(2), 163-170.

Xu, G., & Guo, T. (2025). Advances in AI-powered civil engineering throughout the entire lifecycle. Advances in Structural Engineering, 13694332241307721.

Zhou, Z., Tian, Q., Alcalá, J., & Yepes, V. (2025). Research on the coupling of talent cultivation and reform practice of higher education in architecture. Computers and Education Open, 100268.

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