Diseño optimizado de componentes mecánicos mediante algoritmos evolutivos e inteligencia artificial
DOI:
https://doi.org/10.67166/z176aj16Palabras clave:
diseño mecánico; algoritmos evolutivos; inteligencia artificial; optimización topológica; análisis por elementos finitosResumen
El objetivo de la investigación fue determinar el efecto de un módulo de diseño optimizado inteligente, basado en algoritmos evolutivos e inteligencia artificial, sobre el desarrollo de destrezas para el diseño de componentes mecánicos. La metodología se estructuró como un estudio cuasi experimental, de enfoque descriptivo correlacional, con grupo de control y grupo experimental, integrado por 80 participantes distribuidos equitativamente. Se aplicó un test de base estructurada para medir destrezas de modelado paramétrico, selección de restricciones, lectura de esfuerzos, optimización geométrica, interpretación de análisis por elementos finitos y toma de decisiones de manufacturabilidad. El instrumento fue validado por juicio de expertos y alcanzó un alfa de Cronbach de 0.89, valor considerado muy confiable para mediciones de desempeño técnico. Los resultados mostraron que el grupo experimental obtuvo mejoras superiores en reducción de masa, factor de seguridad, rigidez específica, eficiencia computacional e interpretación de diseños óptimos, con diferencias estadísticamente significativas frente al grupo de control. La prueba t de Student evidenció diferencias robustas en el puntaje global posterior, mientras que la d de Cohen indicó un tamaño del efecto alto. Asimismo, la correlación de Pearson reveló asociaciones positivas entre dominio de restricciones mecánicas, uso de inteligencia artificial y calidad del diseño optimizado. Se concluye que la integración de algoritmos evolutivos, aprendizaje automático y simulación asistida fortalece la capacidad de diseñar componentes mecánicos más ligeros, seguros, eficientes y fabricables, aportando evidencia metodológica para la formación técnica y la innovación en ingeniería mecánica.
Descargas
Referencias
Abdelshahid, B., Nassar, K., Youssef, P., Sayed-Ahmed, E., & Darwish, M. (2025). Evolutionary algorithm-based design and performance evaluation of wood-plastic composite roof panels for low-cost housing. Polymers, 17(6), 795. https://doi.org/10.3390/polym17060795
Barbieri, L., & Muzzupappa, M. (2022). Performance-driven engineering design approaches based on generative design and topology optimization tools: A comparative study. Applied Sciences, 12(4), 2106. https://doi.org/10.3390/app12042106
Charalampous, P., Pelekoudas, A., Kostavelis, I., Ioannidis, D., & Tzovaras, D. (2024). An integrated modeling framework for automated product design, topology optimization, and mechanical simulation. Journal of Manufacturing and Materials Processing, 8(6), 285. https://doi.org/10.3390/jmmp8060285
Comisión Económica para América Latina y el Caribe. (2024). Educación y desarrollo de competencias digitales en América Latina y el Caribe. CEPAL.
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297-334. https://doi.org/10.1007/BF02310555
Egan, P. F. (2023). Design for additive manufacturing: Recent innovations and future directions. Designs, 7(4), 83. https://doi.org/10.3390/designs7040083
Habeeb, H. A., Abd Wahab, D., Azman, A. H., & Alkahari, M. R. (2023). Design optimization method based on artificial intelligence hybrid method for repair and restoration using additive manufacturing technology. Metals, 13(3), 490. https://doi.org/10.3390/met13030490
Kong, X., Wu, Y., Zhu, P., Zhi, P., & Yang, Q. (2024). Novel artificial neural network aided structural topology optimization. Applied Sciences, 14(23), 11416. https://doi.org/10.3390/app142311416
Liu, G., Xiong, Y., & Rosen, D. W. (2022). Multidisciplinary design optimization in design for additive manufacturing. Journal of Computational Design and Engineering, 9(1), 128-143. https://doi.org/10.1093/jcde/qwab073
Ministerio de Educación. (2022). Competencias transversales y uso de tecnologías digitales en el proceso educativo. MINEDU.
Prathyusha, A. L. R., & Babu, G. R. (2022). A review on additive manufacturing and topology optimization process for weight reduction studies in various industrial applications. Materials Today: Proceedings, 62, 109-117. https://doi.org/10.1016/j.matpr.2022.02.604
Rashed, N. A., Ali, Y. H., & Rashid, T. A. (2024). Advancements in optimization: Critical analysis of evolutionary, swarm, and behavior-based algorithms. Algorithms, 17(9), 416. https://doi.org/10.3390/a17090416
Shin, S., Shin, D., & Kang, N. (2023). Topology optimization via machine learning and deep learning: A review. Journal of Computational Design and Engineering, 10(4), 1736-1766. https://doi.org/10.1093/jcde/qwad072
Tang, T., Wang, L., Zhu, M., Zhang, H., Dong, J., Yue, W., & Xia, H. (2024). Topology optimization: A review for structural designs under statics problems. Materials, 17(23), 5970. https://doi.org/10.3390/ma17235970
Tong, Z., Mao, D., Tao, H., Shen, C., & Li, M. (2024). Research on the application of structural topology optimisation in the high-precision design of a press machine frame. Processes, 12(1), 226. https://doi.org/10.3390/pr12010226
Tyflopoulos, E., & Steinert, M. (2022). A comparative study of the application of different commercial software for topology optimization. Applied Sciences, 12(2), 611. https://doi.org/10.3390/app12020611
Ullah, A., Asami, K., Holtz, L., Röver, T., Azher, K., Bartsch, K., & Emmelmann, C. (2024). A machine learning approach for mechanical component design based on topology optimization considering the restrictions of additive manufacturing. Journal of Manufacturing and Materials Processing, 8(5), 220. https://doi.org/10.3390/jmmp8050220
UNESCO. (2023). Global education monitoring report 2023: Technology in education - A tool on whose terms? UNESCO.
UNESCO. (2024). AI competency framework for teachers. UNESCO.
Vadillo Morillas, A., Meneses Alonso, J., Bustos Caballero, A., Castejón Sisamón, C., & Ceruti, A. (2024). Adaptive variable design algorithm for improving topology optimization in additive manufacturing guided design. Inventions, 9(4), 70. https://doi.org/10.3390/inventions9040070
Wang, R., Jiang, Z., & Ding, G. (2025). Cosmic evolution optimization: A novel metaheuristic algorithm for numerical optimization and engineering design. Mathematics, 13(15), 2499. https://doi.org/10.3390/math13152499
Yüksel, N., & Börklü, H. R. (2024). A generative deep learning approach for improving the mechanical performance of structural components. Applied Sciences, 14(9), 3564. https://doi.org/10.3390/app14093564
Zhang, H., Zhang, Y., Wu, J., Wu, G., Li, C., & Zhang, Z. (2023). Optimized design of flexible quick-change system based on genetic algorithm and Monte Carlo method. Applied Sciences, 13(11), 6482. https://doi.org/10.3390/app13116482
Zhao, X., Tang, Z., Cao, F., Zhu, C., & Periaux, J. (2022). An efficient hybrid evolutionary optimization method coupling cultural algorithm with genetic algorithms and its application to aerodynamic shape design. Applied Sciences, 12(7), 3482. https://doi.org/10.3390/app12073482
Zhou, L., Miller, J., Vezza, J., Mayster, M., Raffay, M., Justice, Q., Al Tamimi, Z., Hansotte, G., Sunkara, L. D., & Bernat, J. (2024). Additive manufacturing: A comprehensive review. Sensors, 24(9), 2668. https://doi.org/10.3390/s24092668
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Oscar Gabriel Toapanta Cunalata , Juan Pablo Muquinche Puca, Welligton Vladimir Poveda Almeida, Christian Andrés Martínez Andino (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
